BAB I PENDAHULUAN
1.1. Latar Belakang
BAB I
PENDAHULUAN
1.1. Latar Belakang
Islam merupakan agama yang mendukung kegiatan berinvestasi, agar harta yang digunakan untuk berinvestasi dapat dijadikan bekal di kemudian hari. Hal ini berdasarkan firman Allah SWT dalam Qur’an Surat (Q.S) Al Luqman ayat 34:
اَم َو ۖ اًدَغ ُبِسْكَت اَذاَّم سْفَن ى ِرْدَت اَم َو ۖ ِماَح ْرَ ْلْٱ ىِف اَم ُمَلْعَي َو َثْيَغْلٱ ُل ِ زَنُي َو ِةَعاَّسلٱ ُمْلِع ۥُهَدنِع َ َّللَّٱ َّنِإ ريِبَخ ميِلَع َ َّللَّٱ َّنِإ ۚ ُتوُمَت ٍض ْرَأ ِ ىَأِب ٌۢ سْفَن ى ِرْدَت Artinya: “Sesungguhnya hanya di sisi Allah ilmu tentang hari kiamat dan Dia yang menurunkan hujan dan mengetahui apa yang ada dalam Rahim. Dan tidak ada seorang pun yang dapat mengetahui (dengan pasti) apa yang akan dikerjakan besok. Dan tidak ada seorang pun yang dapat mengetahui di bumi mana dia akan mati. Sungguh Allah Maha Mengetahui, Maha Mengenal”.
Berdasarkan ayat tersebut, seseorang tidak mengetahui apa yang akan terjadi besok. Dengan ketidaktahuannya maka seseorang diperintahkan untuk berusaha, salah satunya berinvestasi sebagai bekal di kemudian hari. Untuk mendapatkan kehidupan yang baik di dunia maupun akhirat dengan cara melakukan kegiatan berinvestasi yang diajarkan dalam Islam [1].
Investasi merupakan bentuk penanaman modal dengan tujuan untuk memperoleh keuntungan. Investasi dibagi menjadi dua jenis, yaitu real investment yang berupa tanah dan emas, sedangkan financial investment berupa saham dan obligasi [2]. Saham adalah salah satu instrumen paling populer di pasar keuangan.
Ketika perusahaan memutuskan untuk menyuntikkan modal ke dalam perusahaan, menerbitkan saham menjadi salah satu pilihan mereka. Saham merupakan alat investasi yang disukai banyak investor karena dapat memberikan return yang cukup besar.
Pergerakan harga saham bersifat fluktuatif, hal tersebut dapat menimbulkan risiko dalam berinvestasi. Risiko dapat diminimalisir dengan sebuah metode yang
2 dapat memprakirakan harga saham beberapa periode kedepan [3]. Pendekatan yang dapat digunakan para investor untuk memprakirakan harga saham dengan analisis fundamental dan analisi tehnikal. Analisis fundamental diperlukan untuk menaksirkan risiko dan keuntungan yang berupa dividen dan capital gain [4]. Salah satu perusahaan yang rajin membagikan dividen ialah PT. Indofood Sukses Makmur Tbk yang bergerak di bidang industri pengolahan makanan. Perusahaan tersebut konsisten membagikan dividen setiap tahunnya yakni, Rp168,00. per lembar pada tahun 2015, Rp235,00. per lembar pada tahun 2016, Rp237,00. per lembar pada tahun 2017, Rp236,00. per lembar pada tahun 2018, Rp278,00. per lembar pada tahun 2019 [5]. Selain itu, saham PT.Indofood Sukses Makmur Tbk masuk ke dalam saham syariah [6]. Analisis tehnikal digunakan untuk mengetahui harga saham di masa yang akan datang dengan menggunakan data harga saham di masa sebelumnya. Pada analisis tehnikal digunakan untuk mengatahui pola pergerakan harga saham tersebut [4].
Beberapa penelitian telah menggunakan model ANN (Artificial Neural Network) untuk prakiraan. Pada penelitian Rio dkk. [3] memprediksi harga saham menggunakan metode Backpropagation Neural Network yang diambil dari data saham harian perusahaan yang tergabung dalam indeks LQ45. Kesimpulan yang didapat bahwa PT. Gudang Garam memiliki akurasi terbaik yaitu sebesar 62.18%
dan akurasi terendah sebesar 37.81% oleh PT. Jasa Marga. Pada penelitian selanjutnya, Nabilla dkk. [7] memprediksi jumlah permintaan koran menggunakan metode Jaringan Syaraf Tiruan Backpropagation. Kesimpulan yang didapat jumlah penjualan koran Radar Madura pada tahun 2015 menghasilkan jumlah iterasi terbaik adalah sebesar 200 dan learning rate terbaik adalah sebesar 0.6 dan pengujian data latih dan data uji menghasilkan nilai data latih terbaik yaitu 100 dan data uji 10. Dan menghasilkan nilai error rate terkecil yaitu 0.0162. Pada penelitian selanjutnya. Penelitian Ghufron dkk. [8] memprediksi curah hujan di wilayah Kabupaten Wonosobo dengan Jaringan Syaraf Tiruan Backpropagation.
Kesimpulan yang didapat bahwa dengan menggunakan data curah hujan stasiun 24 Wanganaji tahun 2009-2011 sebagai pelatihan dan pengujian. Arsitektur jaringan saraf yang digunakan adalah 12-10-1, terdiri dari 12 nilai masukan data curah hujan
3 12 bulan, 10 neuron hidden layer dan 1 nilai keluaran data curah hujan bulan berikutnya, MSE yang diperoleh pada pelatihan 0.00099899, MSE pada pengujian jaringan diperoleh dengan nilai 0.17042. Penelitian selanjutnya, Biondi dkk. [9]
memprediksi jumlah nilai ekspor di Provinsi NTB dengan Jaringan Syaraf Tiruan Metode Backpropagation. Kesimpulan yang didapat bahwa arsitektur jaringan 12-4-1, nilai learning rate = 0.3 dan batas error = 0.0015 merupakan yang terbaik pada pengujian sistem dengan menggunakan fungsi aktivasi Sigmoid Biner karena menghasilkan nilai MSE sebesar 0.0161 dan MAPE sebesar 30.53%, terkecil pada tahap pengujian. Arsitektur jaringan 12-5-1, nilai learning rate = 0.1 dan batas error = 0.0012 merupakan yang terbaik pada pengujian sistem dengan menggunakan fungsi aktivasi ReLU pada hidden layer dan Linear pada output layer karena menghasilkan nilai MSE sebesar 0.0309 dan MAPE sebesar 53.04%, terkecil pada tahap pengujian. Jumlah neuron pada hidden layer dapat mempengaruhi keakurasian hasil peramalan. Semakin banyak jumlah neuron hidden layer yang digunakan belum tentu dapat meningkatkan akurasi hasil peramalan.
Pada penelitian ini, digunakan data saham PT Indofood Sukses Makmur (INDF) yang terdiri dari data bulanan mulai dari Januari 2005 hingga Desember 2019. Harga saham yang digunakan adalah harga pembukaan, harga harga tertinggi dan harga terendah untuk memprakirakan harga penutupan saham . Prakiraan ini akan dilakukan dengan metode Artificial Neural Network menggunakan Algoritma Backpropagation dengan membandingkan penggunaan jumlah neuron pada hidden layer dan beragam nilai learning rate. Dari penentuan arsitektur jaringan dengan jumlah neuron pada hidden layer dan learning rate yang memiliki nilai Mean Square Error (MSE) terkecil dan kurang dari nilai target error yang selanjutnya digunakan untuk prediksi saham. Dan menghitung nilai Mean Average Percentage Error (MAPE) untuk mengetahui nilai akurasi.
4 1.2. Rumusan Masalah
Rumusan masalah yang akan dibahas dalam penelitian ini adalah:
1. Bagaimana hasil akurasi prakiraan harga saham INDF pada tahap pengujian berdasarkan data penutupan saham dengan Artificial Neural Network menggunakan Algoritma Backpropagation?
2. Bagaimana Arsitektur Jaringan Artificial Neural Network yang terbentuk?
3. Bagaimana hasil prakiraan harga penutupan saham INDF frekuensi bulanan periode Januari 2020 - Desember 2020?
1.3. Batasan Masalah
Batasan masalah dalam penelitian ini adalah:
1. Data yang digunakan dalam penelitian ini yaitu berupa data sekunder yang didapatkan dari Yahoo Finance.
2. Data yang diolah yaitu data harga pembukaan, tertinggi, terendah dan penutupan INDF yang terdiri dari data Bulanan mulai dari Januari 2005 sampai dengan Desember 2019.
3. Metode yang digunakan dalam penelitian ini adalah Artificial Neural Network dengan Algoritma Backpropogation dengan membandingkan penggunaan jumlah neuron pada hidden layer dan nilai learningrate.
4. Menggunakan fungsi aktivasi sigmoid pada hidden layer dan linear pada output layer.
5. Mengguji satu sampai sepuluh jumlah neuron pada hidden layer dengan range satu.
6. Mengguji 0.1 sampai 0.9 nilai learning rate dengan range 0.1.
7. Target error 0.001 dan maksimum epoch 10000.
8. Tanpa cross validation.
1.4. Tujuan Penelitian Tujuan penelitian ini adalah:
1. Mengetahui hasil akurasi prakiraan harga saham INDF berdasarkan harga penutupan dengan Artificial Neural Network menggunakan Algoritma Backpropagation.
5 2. Mengetahui Arsitektur Jaringan Artificial Neural Network yang terbentuk.
3. Memprakirakan harga penutupan saham INDF frekuensi bulanan periode Januari 2020- Desember 2020.
1.5. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah:
1. Dapat dijadikan masukan untuk para investor dalam mengambil keputusan dalam berinvestasi saham.
2. Dapat digunakan untuk referensi pada penelitian selanjutnya
6
BAB II
LANDASAN TEORI
2.1. Saham
Saham adalah surat berharga yang memperlihatkan kepemilikan suatu perusahaan. Untuk mendapatkan bagian dari kekayaan perusahaan, investor dapat menunjukan bukti kepemilikan saham perusahaan tersebut. Hak yang di dapat yaitu, memiliki atas pendapatan perusahaan dan asset perusahaan [10].
2.2. Data Runtun Waktu
Data runtun waktu adalah data yang diamati berdasarkan urutan waktu dalam suatu rentan waktu tertentu. Dalam pengamatan yang harus diperhatikan adalah interval pengumpulan data harus selalu sama .Seperti data harian, bulanan dan tahunan. Data runtun waktu yang telah diamati dapat digunakan untuk membantu memprakirakan data di masa yang akan datang [11].
2.3. Artificial Neural Network (Jaringan Syaraf Tiruan)
Artificial Neural Network adalah sistem pemrosesan informasi yang menyerupai jaringan syaraf manusia. Pengkajian didapatkan dari proses belajar dan hubungan antar sel syaraf (neuron) yang dipakai untuk menyimpan pengetahuan [12].
2.4. Komponen Artificial Neural Network (Jaringan Syaraf Tiruan)
Pada awalnya lapisan Jaringan Syaraf Tiruan hanya memiliki dua lapisan saja, yaitu input dan output layer. Dengan seiring berjalannya waktu, lapisan Jaringan Syaraf Tiruan bertambah satu, yaitu hidden layer yang letaknya diantara input dan output layer. Tiga bagian dalam jaringan syaraf tiruan antara lain [13]:
a. Input Layer
Masing-masing nilai masukan yang berisi neuron. Neuron pada input layer bergantung pada banyaknya masukan pada suatu pola.
7 b. Hidden Layer
Proses fase pelatihan dijalankan pada lapisan ini . Jumlah neuron pada hidden layer bergantung pada arsitektur yang akan dibuat pada Jaringan syaraf Tiruan.
Lapisan ini sebagai penghubung antara input dan output layer.
c. Output Layer
Nilai keluaran yang dihasilkan adalah hasil output Jaringan Syaraf Tiruan.
2.5. Arsitektur Artificial Neural Network (Jaringan Syaraf Tiruan) Terdapat tiga model arsitektur jaringan syaraf tiruan yaitu [14]:
a. Single Layer Network (Jaringan Syaraf Tunggal)
Jaringan ini hanya menerima input dan langsung mengolahnya menjadi output tanpa melalui hidden layer.
Gambar2.1. Jaringan Lapisan Tunggal
b. Multi Layer Network (Jaringan Lapis Banyak)
Pada Multi Layer Network terdapat satu atau lebih lapisan hidden layer yang terletak diantara input dan output layer.
8 Gambar 2.2. Jaringan Lapisan banyak
c. Reccurent Network (Jaringan Lapisan Kompetitif)
Berbeda dari lapisan tunggal dan jamak, lapisan ini antara neuron satu dengan yang lainnya saling berhubungan dan mempunyai pengaturan bobot yang sudah ditetapkan dan tidak mempunya proses pelatihan. Pada lapisan jaringan ini mempunyai minimal satu feedback loop yang terdiri dari masing-masing neuron untuk memberikan kembali output-nya sebagai input pada neuron lain.
Gambar 2.3 Jaringan Lapisan Kompetitif
2.6. Fungsi Aktivasi
Fungsi aktivasi mempunyai tujuan untuk menentukan besarnya bobot.
Terdapat beberapa fungsi aktivasi yang sering digunakan sebagai berikut [15]:
9 a. Fungsi Sigmoid Biner
Fungsi sigmoid biner banyak digunakan pada neural network dengan algoritma backpropogation. Fungsi ini mempunyai nilai antara 0 sampai 1. Sehingga bagus dipakai pada jaringan yang mempunyai nilai output antara 0 sampai 1. Fungsi sigmoid biner dapat dirumuskan sebagai berikut:
𝒇(𝒙) = 𝟏 𝟏 + 𝒆−𝒙
(2.1)
Dimana:
x = hasil perkalian bobot dan input ditambah bias b. Fungsi Linear
Fungsi linear mempunyai nilai keluaran yang sama dengan nilai masukannya.
Fungsi linear dapat dirumuskan sebagai berikut:
y = x (2.2)
Dimana:
y = output
x = hasil perkalian bobot dan input ditambah bias 2.7. Learning Rate (Laju Pembelajaran)
Learning rate (Laju Pembelajaran) merupakan salah satu parameter yang berpengaruh terhadap waktu yang digunakan pada kinerja suatu jaringan untuk tercapainya target. Diberikan nilai learning rate (α) yang berfungsi untuk mempercepat perulangan. Dimana nilai α berada antara 0 sampai 1 [16].
2.8. Epoch
Penentuan dari epoch mempunyai tujuan untuk menentukan jumlah iterasi maksimal untuk perubahan bobot pada jaringan. Dimana semakin banyak iterasi semakin kecil pula nilai MSE [17].
10 2.9. Normalisasi
Salah satu metode yang digunakan untuk normalisasi data yaitu metode Min-Max Normalization. Metode ini digunkaan untuk standarisasi data agar berada pada range terentu. Data diskalakan pada range 0 sampai 1. Min-Max Normalization dapat dirumuskan sebagai berikut [7]:
𝒙′= 𝒙 − 𝒙𝒎𝒊𝒏
𝒙𝒎𝒂𝒙− 𝒙𝒎𝒊𝒏 (2.3)
Dimana:
𝑥′ = nilai normalisasi
𝑥 = nilai data yang akan dinormalisasi 𝑥𝑚𝑎𝑥 = nilai maksimal dari data x
𝑥𝑚𝑖𝑛 = nilai minimal dari data x
2.10. Artificial Neural Network dengan Algoritma Backporpagation
Terdapat tiga tahapan pada pelatihan backpropagation antara lain feedforward (umpan maju), backpropagation (umpan mundur) dan modifikasi bobot serta bias. Sistem kerja backpropagation yang pertama mencari error keluaran dengan arah maju (forward) guna memperbaiki bobot yang kemudian dilakukan dengan arah mundur (backward). Pada saat melakukan forward terdapat fungsi aktivasi yang akan mengaktifkan neuron-neuron untuk menghasilkan output. Langkah-langkah dalam algoritma backpropagation adalah sebagai berikut [18]:
Langkah 0:
a. Inisialisasi bobot dengan bilangan acak.
b. Menetapkan target error, learning rate, maksimum epoch dan jumlah neuron pada hidden layer
c. Kondisi berhenti ketika MSE < target error atau epoch > maksimum epoch.
Langkah 1: Jika kondisi berhenti belum terpenuhi, kerjakan langkah 2 sampai 9.
Langkah 2: Untuk setiap proses pelatihan lakukan Langkah 3 sampai 8.
11 a. Feedforward
Langkah 3: Setiap unit input (𝑋 , i =1,2,3, …, n) menerima sinyal input 𝑋𝑖 dan meneruskan sinyal ini kepada semua unit pada hidden layer.
Langkah 4: Masing-masing unit hidden layer akan menjumlahkan sinyal input yang terboboti termasuk biasnya dan dirumuskan sebagai berikut:
𝒁 𝒏𝒆𝒕𝒋= 𝑽𝟎𝒋+∑𝑿𝒊 Selanjutnya, gunakan fungsi aktivasi untuk menghiung sinyal output, jika menggunakan fungsi sigmoid maka fungsi adalah berikut ini:
𝒁𝒋 = 𝟏
𝟏 + 𝒆𝒙𝒑(−𝒛𝒏𝒆𝒕𝒋) (2.5)
Dimana:
𝑍𝑗 = nilai dari fungsi aktivasi keluaran pada hidden layer
Kemudian mengirim sinyal tersebut ke semua unit pada output layer
Langkah 5: Tiap-tiap unit di output layer (𝑌𝑘, 𝑘 = 1,2,3, … , 𝑚) menjumlahkan sinyal-sinyal masuk yang berbobot sebagai berikut:
𝒀 𝒏𝒆𝒕𝒌= 𝑾𝟎𝒌+∑𝒁𝒋
𝒑
𝒋=𝟏
𝑾𝒋𝒌 (2.6)
Dimana:
𝑌𝑛𝑒𝑡𝑘 = jumlah sinyal yang masuk menuju neuron output layer
12 𝑊𝑜𝑘 = bobot bias output layer
𝑊𝑗𝑘 = bobot sinyal dari neuron hidden layer yang masuk ke neuron output layer Selanjutnya, gunakan fungsi aktivasi untuk menghitung sinyal output, seperti persamaan berikut:
𝒀𝒌= 𝟏
𝟏 + 𝒆𝒙𝒑(−𝒀𝒏𝒆𝒕𝒌) (2.7)
Dimana:
𝑌𝑘 = keluaran pada output b. Backpropagation
Langkah 6: Hitung faktor kesalahan (δ) pada output jaringan 𝑌𝑘 (𝑘 = 1,2,3, … , 𝑚)
𝜹𝒌=(𝒕𝒌− 𝒀𝒌)𝒇′(𝒀𝒏𝒆𝒕𝒌)= (𝒕𝒌− 𝒀𝒌)𝒀𝒌(𝟏 − 𝒀𝒌) (2.8) Dimana:
𝛿𝑘 = faktor kesalahan output jaringan 𝑡𝑘 = target yang dicapai
Selanjutnya, hitung koreksi bobot (digunakan untuk memperbaiki 𝑊𝑗𝑘) persamaan yang digunakan sebagai berikut:
∆𝑾𝒋𝒌= 𝒂𝜹𝒌𝒁𝒋 (2.9)
Dimana:
∆𝑊𝑗𝑘 = suku perubahan bobot
𝛼 = konstanta laju pelatihan (learning rate)
Hitung juga nilai korelasi bias (digunakan untuk mempebaiki 𝑊0𝑘) dengan menggunakan persamaan berikut ini:
∆𝑾𝟎𝒌 = 𝒂𝜹𝒌 (2.10)
Dimana:
∆𝑊0𝑘 = Suku perubahan bobot bias pada output layer
13 Langkah 7: Hitung faktor kesalahan sinyal yang masuk menuju neuron pada hidden layer berdasarkan faktor kesalahan disetiap neuron pada hidden layer dengan output layer :
𝜹𝒏𝒆𝒕𝒋= ∑𝜹𝒌𝑾𝒋𝒌
𝒎
𝒌=𝟏
(2.11)
Dimana:
𝛿𝑛𝑒𝑡𝑗 = faktor kesalahan sinyal yang masuk ke neuron pada hidden layer
Selanjutnya, kalikan nilai ini dengan turunan fungsi aktivasinya untuk mencari faktor kesalahan setiap neuron pada hidden layer:
𝜹𝒋= 𝜹𝒏𝒆𝒕𝒋𝒇′(𝒁𝒏𝒆𝒕𝒋)= 𝜹𝒏𝒆𝒕𝒋𝒁𝒋(𝟏 − 𝒁𝒋) (2.12) Dimana:
𝛿𝑗 = faktor kesalahan pada hidden layer
Selanjutnya, hitung perubahan bobot yang digunakan untuk memperbaiki 𝑉𝑖𝑗
menggunakan persamaan berikut ini :
∆𝑽𝒊𝒋= 𝒂𝜹𝒋𝑿𝒊 (2.13)
Dimana:
∆𝑉𝑖𝑗 = suku perubahan bobot sinyal neuron input layer yang menuju ke neuron hidden layer
Hitung suku perubahan bobot bias yang digunakan untuk memperbaiki 𝑉0𝑗 sebagai berikut ini:
∆𝑽𝟎𝒋= 𝒂𝜹𝒋 (2.14)
Dimana:
∆𝑉0𝑗 = suku perubahan bobot bias pada hidden layer
14 c. Perubahan Bobot dan Bias
Langkah 8: Tiap unit di output layer (𝑌𝑘, 𝑘 = 1,2,3, … , 𝑚) memperbaiki bias dan bobotnya dengan menggunakan persamaan sebagai berikut:
𝑾𝒋𝒌(𝒃𝒂𝒓𝒖)= 𝑾𝒋𝒌(𝒍𝒂𝒎𝒂)+ ∆𝑾𝒋𝒌 Langkah 9: Periksa kondisi berhenti. Jika kondisi berhenti telah terpenuhi, maka
pelatihan jaringan dapat diberhentikan . 2.11. Ukuran Kesalahan
Ukuran kesalahan suatu prakiraan digunakan untuk memastikan prakiraan berjalan sesuai yang diharapakan. Salah satu ukuran standar yang digunakan untuk menentukan akurasi peramalan adalah Mean Square Error (MSE) dengan rumus sebagai berikut [19]: merupakan pengukuran besarnya kesalahan dengan menghitung ukuran presentase penyimpangan antara data aktual dengan data peramalan yang diperoleh. Dengan rumus sebagai berikut [20]:
15 𝐌𝐀𝐏𝐄 =𝟏𝟎𝟎%
𝒏 ∑ |𝑿𝒕− 𝒚𝒕 𝑿𝒕 |
𝒏
𝒕=𝟏
(2.18)
Dimana :
n = jumlah data
𝑦𝑡 = nilai output (prediksi) pada periode ke-t
𝑋𝑡 = nilai data aktual atau observasi pada periode ke-t Intreprestasi dari nilai MAPE adalah sebagai berikut :
Tabel 2.1 Interprestasi Nilai MAPE
MAPE Interprestasi
<10 Kemampuan peramalan sangat baik
10-20 Kemampuan peramalan baik
20-50 Kemampuan peramalan layak/memadai
>50 Kemampuan peramalan buruk
16
BAB III
METODOLOGI PENELITIAN
3.1. Metode Pengumpulan Data
Sumber Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari https://finance.yahoo.com/quote/INDF.JK/ yaitu data harga pembukaan, tertinggi, terendah dan penutupan saham PT Indofood Sukses Makmur Tbk. (INDF) setiap bulannya mulai bulan Januari 2005 sampai dengan Desember 2019. Data tersebut terdapat pada lampiran 1.
3.2. Variabel Data
Variabel Variabel penelitian yang digunakan terdiri dari harga penutupan saham (Y) sebagai target output dan tiga variabel lain sebagai input yaitu:
1. Harga pembukaan saham ( Y1) 2. Harga tertinggi saham (Y2) 3. Harga terendah saham (Y3)
3.3. Metode Pengolahan Data
Berikut tahapan-tahapan yang dilakukan:
1. Melakukan analisis deskriptif masing-masing variabel.
2. Melakukan normalisasi data.
3. Data dibagi menjadi dua bagian, yaitu data pelatihan (training) dengan presentase 80% dari total data dan 20% data lainnya digunakan sebagai data pengujian (testing).
4. Langkah-langkah pada proses pelatihan ANN dengan Algoritma Backpropagation:
a. Inisialisasi target output, input dan bobot secara acak.
b.Inisialisasi maksimal epoch, target error dan fungsi aktivasi sigmoid pada hidden layer dan linear pada output layer.
c. Inisialisasi jumlah neuron pada hidden layer dan learning rate.
17 d. Hitung MSE pada pengujian neuron pada hidden layer dan nilai learning rate.
e. Proses pelatihan akan berhenti apabila nilai MSE < target error.
f. Hasil prakiraan data pelatihan dan hitung nilai MAPE.
g. Simpan bobot data pelatihan untuk proses pengujian.
5. Langkah-langkah pada proses pengujian ANN dengan Algoritma Backpropagation:
a. Inisialisasi input dari data pengujian.
b. Inisialisasi bobot hasil pelatihan.
c. Lakukan pengujian.
d. Hasil prakiraan data pengujian dan hitung nilai MAPE.
18 3.4. Alur Penelitian
Gambar 3.1 Alur proses pelatihan algoritma backpropagation
19 Gambar 3.2 Alurproses pengujian algoritma backpropagation
20
BAB IV
HASIL DAN PEMBAHASAN
4.1. Deskripsi Data
Deskriptif data bertujuan untuk melihat gambaran umum dari data yang akan diolah. Data yang digunakan adalah data dari harga pembukaan, tertinggi, terendah dan penutupan saham PT.Indofood Sukses Makmur Tbk (INDF) periode bulanan yang dimulai pada bulan Januari 2005 sampai dengan Desember 2019.
Seluruh data yang digunakan berjumlah 180 data.
Gambar 4.1. Harga Pembukaan Saham
Dari gambar 4.1 diatas dapat dilihat bahwa grafik menunjukkan untuk harga pembukaan ini memiliki harga paling tinggi dan harga yang paling rendah yaitu 8825 dan 690. Dengan rata-rata 4836.222 dan standar deviasi sebesar 2565.414.
0 2000 4000 6000 8000 10000
Jan-05 Nov-05 Sep-06 Jul-07 Mei-08 Mar-09 Jan-10 Nov-10 Sep-11 Jul-12 Mei-13 Mar-14 Jan-15 Nov-15 Sep-16 Jul-17 Mei-18 Mar-19
Harga
Bulan
Harga Pembukaan
21 Gambar 4.2. Harga Tertinggi Saham
Dari gambar 4.2 diatas dapat dilihat bahwa grafik menunjukkan untuk harga tertinggi ini memiliki harga paling tinggi dan harga yang paling rendah yaitu 9200 dan 840. Dengan rata-rata 5141.194 dan standar deviasi sebesar 2643.216.
Gambar 4.3. Harga Terendah Saham
Dari gambar 4.3 diatas dapat dilihat bahwa grafik menunjukkan untuk harga terendah ini memiliki harga paling tinggi dan harga yang paling rendah yaitu 8400 dan 670. Dengan rata-rata 4540.056 dan standar deviasi sebesar 2463.353.
0
Jan-05 Nov-05 Sep-06 Jul-07 Mei-08 Mar-09 Jan-10 Nov-10 Sep-11 Jul-12 Mei-13 Mar-14 Jan-15 Nov-15 Sep-16 Jul-17 Mei-18 Mar-19
Harga
Jan-05 Nov-05 Sep-06 Jul-07 Mei-08 Mar-09 Jan-10 Nov-10 Sep-11 Jul-12 Mei-13 Mar-14 Jan-15 Nov-15 Sep-16 Jul-17 Mei-18 Mar-19
Harga
Bulan
Harga Terendah
22 Gambar 4.4. Harga Penutupan Saham
Dari gambar 4.4 diatas dapat dilihat bahwa grafik menunjukkan untuk harga penutupan ini memiliki harga paling tinggi dan harga yang paling rendah yaitu 8750 dan 730. Dengan rata-rata 4873.056 dan standar deviasi sebesar 2555.225.
4.2. Normalisasi Data
Data saham INDF terlebih dahulu di normalisasikan. Normalisasi dilakukan menggunakan Min-Max Normalization dengan menggunakan rumus persamaan (2.3). Dimana harga pembukaan (Y1), harga tertinggi (Y2),harga terendah (Y3) dan harga penutupan (Y). Daftar tabel hasil normalisasi harga saham dapat dilihat pada Lampiran 2.
4.3. Arsitektur Artificial Neural Network Backpropagation
Pada penelitian ini arsitektur jaringan menggunakan neuron untuk input layer berjumlah tiga neuron yaitu harga pembukaan saham (Y1), harga tertinggi saham (Y2), harga terendah saham (Y3) dan harga penutupan saham sebagai target pengujian (Y) dengan membandingkan penggunaan jumlah neuron pada hidden layer dan learning rate. Jumlah neuron pada hidden layer yang digunakan satu sampai sepuluh, sedangkan nilai learning rate yang digunakan 0.1 sampai 0.9.
Fungsi aktivasi yang digunakan yaitu sigmoid biner pada hidden layer dan linear pada output layer. Maksimum epoch 10000 dan target error 0.001. Inisialisasi bobot yang digunakan yaitu inisialisasi secara random.
0
Jan-05 Nov-05 Sep-06 Jul-07 Mei-08 Mar-09 Jan-10 Nov-10 Sep-11 Jul-12 Mei-13 Mar-14 Jan-15 Nov-15 Sep-16 Jul-17 Mei-18 Mar-19
Harga
Bulan
Harga Penutupan
23 4.3.1. Penentuan Jumlah Neuron pada Hidden Layer
Membandingkan penggunaan jumlah neuron pada hidden layer dilakukan untuk mendapatkan nilai MSE terbaik yaitu dengan nilai yang paling rendah.
Jumlah neuron pada hidden layer yang dilakukan yaitu satu sampai sepuluh dengan range satu. Begitu juga dengan nilai learning rate awal yaitu 0.1 dengan lima kali percobaaan setiap jumlah neuron pada hidden layer. Berikut tabel nilai rata-rata MSE dari lima kali percobaan pada setiap jumlah neuron pada hidden layer.
Tabel 4.1. Hasil Penggunaan Jumlah Neuron Pada Hidden Layer Jumlah Neuron pada Hidden
Layer
Rata-rata MSE
1 0.000475363
2 0.000462037
3 0.000444932
4 0.000448964
5 0.000469646
6 0.000460447
7 0.000455816
8 0.000465148
9 0.000440982
10 0.00043797
Untuk mempermudah melihat perbandingan hasil penggunaan jumlah neuron pada hidden layer berdasarkan hasil pada tabel 4.1, maka dibuatlah grafik sebagai berikut:
24 Gambar 4.5. Rata-rata MSE Jumlah Neuron Pada Hidden Layer
Pada gambar 4.5 dengan bertambahnya penggunaan jumlah neuron pada hidden layer cenderung membuat nilai MSE semakin kecil. Menunjukan bahwa nilai MSE terbaik sebesar 0.00043797 didapatkan pada jumlah neuron terbanyak yaitu sepuluh neuron pada hidden layer. Selanjutnya jumlah neuron pada hidden layer yang terpilih digunakan ke tahap membandingkan penggunaan nilai learning rate.
4.3.2. Penentuan Nilai Learning Rate
Dilakukan pada nilai 0.1 sampai 0.9 dengan range 0.1 sebanyak lima kali percobaan pada masing-masing nilai. Dengan menggunakan sepuluh neuron pada hidden layer. Berikut tabel nilai rata-rata MSE dari lima kali percobaan pada setiap nilai learning rate.
Tabel 4.2. Hasil Penggunaan Nilai Learning Rate
Learning Rate Rata-rata MSE
0.1 0.00043797
Jumlah neuron pada hidden layer
25
0.7 0.000440309
0.8 0.000453132
0.9 0.000460878
Untuk mempermudah melihat perbandingan penggunaan jumlah learning rate berdasarkan hasil pada tabel 4.2, maka dibuatlah grafik sebagai berikut:
Gambar 4.6 Rata-rata MSE Nilai Learning Rate
Pada gambar 4.6 dengan bertambahnya penggunaan nilai learning rate cenderung membuat nilai MSE semakin besar. Dan menunjukan bahwa nilai MSE terbaik sebesar 0.000432291 didapatkan pada nilai learning rate 0.3.
Karena rata-rata nilai MSE dengan sepuluh neuron pada hidden layer dan
Karena rata-rata nilai MSE dengan sepuluh neuron pada hidden layer dan