IMPLEMENTASI ALGORITMA FEEDFORWARD NEURAL NETWORK UNTUK KLASIFIKASI POLA CANDLESTICK PADA CHART SAHAM
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)
Meilona Eurica Karmelia Rajagukguk 00000026158
LEMBAR PENGESAHAN
IMPLEMENTASI ALGORITMA FEEDFORWARD NEURAL NETWORK UNTUK KLASIFIKASI POLA CANDLESTICK PADA CHART SAHAM
Oleh
Nama : Meilona Eurica Karmelia Rajagukguk
NIM : 00000026158
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Tangerang, 24 Juni 2021
Ketua Sidang
(Marlinda Vasty Overbeek, S.Kom., M.Kom.)
Dosen Penguji
(Arya Wicaksana, S.Kom., M.Eng.Sc., OCA, CEH)
Dosen Pembimbing I
(Moeljono Widjaja, B.Sc., M.Sc., Ph.D.)
Dosen Pembimbing II
(Seng Hansun, S.Si., M.Cs.) Mengetahui,
Ketua Program Studi Informatika,
1 Juli 2021
7/4/2021
Digitally signed by Marlinda Vasty Overbeek Date: 2021.07.05 09:47:26 +07'00'
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya yang bertanda tangan di bawah ini:
Nama : Meilona Eurica Karmelia Rajagukguk
NIM : 00000026158
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Menyatakan bahwa Skripsi yang berjudul “Implementasi Algoritma Feedforward Neural Network untuk Klasifikasi Pola Candlestick pada Chart Saham” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan dalam Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan / penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Tangerang, 17 Juni 2021
Meilona Eurica Karmelia Rajagukguk
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Meilona Eurica Karmelia Rajagukguk
NIM : 00000026158
Program Studi : Informatika
Fakultas : Teknik dan Informatika Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
IMPLEMENTASI ALGORITMA FEEDFORWARD NEURAL NETWORK UNTUK KLASIFIKASI POLA CANDLESTICK PADA CHART SAHAM beserta perangkat yang diperlukan.
Dengan Hak Bebas Royalti Noneksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalih media atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 17 Juni 2021
Meilona Eurica Karmelia Rajagukguk
HALAMAN PERSEMBAHAN / MOTTO
”He has made everything beautiful in its time. He has also set eternity in the human heart; yet no one can fathom what God has done from beginning to end.”
Ecclesiastes 3:11
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas segala karunia dan rahmat- Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Implementasi Algoritma Feedforward Neural Network untuk Klasifikasi Pola Candlestick pada Chart Saham”. Tentunya dalam menyusun laporan ini, banyak pihak yang telah membantu baik berupa moril dan spiritual, maka dalam kesempatan yang indah ini, penulis ingin mengucapkan terima kasih kepada:
1. Bapak Dr. Ninok Leksono, selaku rektor Universitas Multimedia Nusantara.
2. Dr. Eng. Niki Prastomo, S.T., M.Sc., selaku dekan fakultas teknik dan informatika Universitas Multimedia Nusantara.
3. Ibu Marlinda Vasty Overbeek, S.Kom., M.Kom., selaku kepala program studi informatika Universitas Multimedia Nusantara.
4. Bapak Moeljono Widjaja, B.Sc., M.Sc., Ph.D., selaku dosen pembimbing yang dengan sabar telah memberikan bantuan, arahan, dan masukan dalam penyusunan skripsi ini.
5. Bapak Seng Hansun, S.Si., M.Cs., selaku dosen pembimbing yang telah membimbing dengan sabar dan memberikan saran serta arahan yang membantu dalam penyusunan skripsi ini.
6. Orang tua serta keluarga besar yang telah memberikan semangan dan tidak pernah lelah memberikan dukungan moral serta spriritual selama proses penulisan skripsi.
7. Teman-teman terkasih yang tidak dapat disebutkan satu per satu yang telah memberikan semangat secara langsung maupun tidak langsung.
Semoga laporan skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi bagi pembaca.
Tangerang, 17 Juni 2021
Meilona Eurica Karmelia Rajagukguk
IMPLEMENTASI ALGORITMA FEEDFORWARD NEURAL NETWORK UNTUK KLASIFIKASI POLA CANDLESTICK PADA CHART SAHAM
ABSTRAK
Investasi pada pasar modal dapat membantu meningkatkan pertumbuhan ekonomi negara. Tentunya dalam melakukan investasi, dibutuhkan teknikal analisis terhadap kondisi saham pada saat itu. Salah satu teknikal analisis yang dapat dilakukan adalah dengan melihat data historis dari sebuah saham. Candlestick chart dapat merangkum data historis yang berisikan data harga Open, High, Low, Close dalam sebuah chart. Kumpulan dari beberapa candlestick akan membentuk sebuah pola yang dapat membantu investor untuk melihat pergerakan saham apakah tren akan naik atau turun. Banyaknya pola candlestick serta penentuan pola candlestick secara manual dapat memakan waktu dan tenaga. Feedforward neural network (FNN) merupakan salah satu algoritma yang dapat melakukan pemetaan terhadap input dan output. Penelitian ini bertujuan untuk mengimplementasikan FNN untuk melakukan klasifikasi pola candlestick. Hasil uji coba menunjukkan bahwa nilai akurasi yang dihasilkan setiap model tidak menjamin apakah seluruh pola dapat dikenali dengan baik dikarenakan dataset yang tidak seimbang dan tidak mudah untuk dilakukan proses klasifikasi. Pengujian dengan data asli memiliki akurasi di atas 85% pada setiap saham, namun nilai rata-rata F1-score berada di bawah 45%.
Uji coba dengan menggunakan random undersampling dan oversampling SMOTE, menyebabkan nilai akurasi menurun, nilai terendah pada saham PTBA yaitu 59%
serta nilai rata-rata F1-score yang meningkat, namun hanya bertambah kurang dari 15%.
Kata kunci: Feedforward Neural Network, OHLC Price, Pola Candlestick, Saham
IMPLEMENTATION OF FEEDFORWARD NEURAL NETWORK ALGORITHM FOR CANDLESTICK PATTERNS CLASSIFICATION ON
STOCK CHARTS
ABSTRACT
Investment in the capital market can help boost the country’s economic growth.
Without doubt, in investing, a technical analysis of the condition of the stock is needed at that time. One of the technical analysis that can be done is to look at the historical data of a stock. Candlestick charts can summarize historical data that contains price data for Open, High, Low, Close in a chart. A group of candlesticks will form a pattern that can help investors to see whether the stock is trending up or down. The number of candlestick patterns and the manual determination of candlestick patterns may take time and effort. Feedforward Neural Network (FNN) is one of the algorithms that can help mapping input and output. This study aims to implement FNN to classify candlestick patterns. The test results show that the accuracy for each model does not guarantee whether all patterns can be recognized properly because the dataset is not balanced and the classification process is not easy. Tests with the original data have an accuracy of above 85% on each stock, but the average F1-score is below 45%. The experiment using random undersampling and SMOTE oversampling, caused the accuracy value to decrease, the lowest value in PTBA shares was 59% and the average F1-score increased, but less than 15%.
Keywords: Candlestick Patterns, Feedforward Neural Network, OHLC Price, Stocks
DAFTAR ISI
HALAMAN PENGESAHAN . . . ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT . . . iii
HALAMAN PERSETUJUAN PUBLIKASI ILMIAH . . . iv
HALAMAN PERSEMBAHAN/MOTO . . . v
KATA PENGANTAR . . . v
ABSTRAK . . . vi
ABSTRACT . . . vii
DAFTAR ISI . . . ix
DAFTAR GAMBAR . . . xi
DAFTAR TABEL . . . xii
BAB 1 PENDAHULUAN . . . 1
1.1 Latar Belakang Masalah . . . 1
1.2 Rumusan Masalah . . . 4
1.3 Batasan Permasalahan . . . 4
1.4 Tujuan Penelitian . . . 5
1.5 Manfaat Penelitian . . . 5
1.6 Sistematika Penulisan . . . 5
BAB 2 LANDASAN TEORI . . . 7
2.1 Japanese Candlestick . . . 7
2.2 TA-Lib . . . 10
2.3 Data Preprocessing . . . 11
2.4 Feedforward Neural Network . . . 12
2.5 Evaluasi Performa . . . 14
BAB 3 METODOLOGI PENELITIAN . . . 16
3.1 Metodologi Penelitian . . . 16
3.2 Visualisasi Tagging Indicator Pola Candlestick . . . 17
3.3 Perancangan Sistem . . . 19
3.3.1 Flowchart Utama . . . 19
3.3.2 Flowchart Data Preprocessing . . . 21
3.3.3 Flowchart Pembuatan OHLC Tiga Hari . . . 23
3.3.4 Flowchart Mencari Harga Minimum . . . 24
3.3.5 Flowchart Mencari Harga Maksimum . . . 26
4.3.3 Evaluasi Hasil Pengujian . . . 53
BAB 5 SIMPULAN DAN SARAN . . . 59
5.1 Simpulan . . . 59
5.2 Saran . . . 60
DAFTAR PUSTAKA . . . 61
DAFTAR LAMPIRAN . . . 65
DAFTAR GAMBAR
Gambar 2.1 Japanese candlestick (Chen et al., 2020) . . . 7
Gambar 2.2 Dragonfly dan gravestone doji (FXDayJob, 2016) . . . 8
Gambar 2.3 Bullish dan bearish doji star (Stock Market Watch, n.d.) . . 9
Gambar 2.4 Hammer dan hanging man (Jearanaitanakij dan Passaya, 2019) . . . 9
Gambar 2.5 Bearish dan bullish engulfing (Jearanaitanakij dan Passaya, 2019) . . . 10
Gambar 2.6 Morning dan evening star (Jearanaitanakij dan Passaya, 2019) . . . 10
Gambar 2.7 Arsitektur FNN dengan satu hidden layer (Faris et al., 2016) 13 Gambar 3.1 Visualisasi pola candlestick . . . 18
Gambar 3.2 Flowchart utama . . . 19
Gambar 3.3 Flowchart data preprocessing . . . 21
Gambar 3.4 Flowchart pembuatan OHLC tiga hari . . . 23
Gambar 3.5 Flowchart mencari harga minimum . . . 25
Gambar 3.6 Flowchart mencari harga maksimum . . . 27
Gambar 3.7 Flowchart normalisasi data . . . 29
Gambar 3.8 Flowchart training dan testing FNN model . . . 31
Gambar 4.1 Import library yang digunakan . . . 33
Gambar 4.2 Membuat dataframe OHLC tiga hari . . . 34
Gambar 4.3 Normalisasi data . . . 35
Gambar 4.4 Membagi data test dan training . . . 35
Gambar 4.5 Membagi data training dan validasi . . . 36
Gambar 4.6 Function arsitektur model FNN . . . 36
Gambar 4.7 Memanggil function FNN Model dan training model . . . 37
Gambar 4.8 Function testing model dan membuat confusion matriks . . 38
Gambar 4.9 Training history skenario satu dari model ADRO . . . 43
Gambar 4.10 Training history skenario satu dari model ANTM . . . 43
Gambar 4.11 Training history skenario satu dari model INCO . . . 44
Gambar 4.12 Training history skenario satu dari model PGAS . . . 44
Gambar 4.13 Training history skenario satu dari model PTBA . . . 44
Gambar 4.14 Training history skenario dua dari model ADRO . . . 47
DAFTAR TABEL
Tabel 2.1 Confusion matriks untuk klasifikasi multi-class (Alaa, 2020) 15 Tabel 4.1 Hasil uji coba skenario pertama . . . 40 Tabel 4.2 Akurasi hasil uji coba skenario pertama pada setiap saham 42 Tabel 4.3 Macro average hasil uji coba skenario pertama pada setiap
saham . . . 43 Tabel 4.4 Hasil uji coba skenario kedua . . . 45 Tabel 4.5 Akurasi hasil uji coba skenario kedua pada setiap saham . 47 Tabel 4.6 Macro average hasil uji coba skenario kedua pada setiap
saham . . . 47 Tabel 4.7 Hasil uji coba skenario ketiga . . . 49 Tabel 4.8 Akurasi hasil uji coba skenario ketiga pada setiap saham . 51 Tabel 4.9 Macro average hasil uji coba skenario ketiga pada setiap
saham . . . 52