PRAKIRAAN HARGA SAHAM MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DENGAN
ALGORITMA BACKPROPAGATION
(Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk))
SKRIPSI
Rully Meidyta 11140940000012
PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UIN SYARIF HIDAYATULLAH JAKARTA
2021 M / 1442 H
PRAKIRAAN HARGA SAHAM MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DENGAN
ALGORITMA BACKPROPAGATION
(Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk))
Skripsi
Diajukan kepada
Universitas Islam Negeri Syarif Hidayatullah Jakarta Fakultas Sains dan Teknologi
Untuk Memenuhi Salah Satu Persyaratan dalam Memperoleh Gelar Sarjana Matematika (S.Mat)
Oleh:
Rully Meidyta 11140940000012
PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UIN SYARIF HIDAYATULLAH JAKARTA
2021 M / 1442 H
ii
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Kota Tangerang, 5 Mei 2021
Rully Meidyta 11140940000012
iii
LEMBAR PENGESAHAN
Skripsi ini berjudul “Prakiraan Harga Saham Menggunakan Artificial Neural Network dengan Algoritma Backpropagation (Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk))” yang ditulis oleh Rully Meidyta, NIM. 11140940000012 telah di uji dan dinyatakan lulus dalam sidang Munaqosah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada hari Rabu, 5 Mei 2021. Skripsi ini telah diterima untuk memenuhi salah satu persyaratan dalam memperoleh gelar sarjana strata satu (S1) Program Studi Matematika.
iv
PERSEMBAHAN DAN MOTTO
PERSEMBAHAN Skripsi ini ku persembahkan,
untuk Papah, Mamah dan adikku tersayang
yang selalu mendoakan , memberikan semangat dan kasih sayangnya.
MOTTO
ا ًرْسُي ِرْسُعْلٱ َعَم َّنِإَف
"Maka sesungguhnya bersama kesulitan itu ada kemudahan"
(Qs. Al-Insyirah: 5)
v
KATA PENGANTAR
Assalamual’aikum Warahmatullahi Wabarakatuh
Alhamdulillah, segala puji syukur kepada Allah SWT yang telah melimpahkan rahmat, ridha dan karunia-Nya sehingga peneliti dapat menyelesaikan skripsi dengan judul “Prakiraan Harga Saham Menggunakan Artificial Neural Network dengan Algoritma Backpropagation (Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk))” . Shalawat serta salam senantiasa tercurahkan kepada Baginda Nabi Muhammad Salallahu alaihi wasalam, para sahabat, keluarga, dan para pengikutnya hingga akhir zaman.
Dalam menyelesaikan skripsi ini, peneliti mendapat banyak bimbingan, saran, kerjasama, dan bantuan dari berbagai pihak. Untuk itu, pada kesempatan ini peneliti ingin menyampaikan terimakasih kepada:
1. Bapak Ir. Nashrul Hakiem,S.Si.,M.T.,Ph.D., selaku Dekan Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
2. Ibu Dr. Suma’inna, M.Si., selaku Ketua Program Studi Matematika Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
3. Ibu Irma Fauziah, M.Sc., selaku Sekretaris Program Studi Matematika Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
4. Ibu Yanne Irene,M.Si., selaku Dosen Pembimbing I dan Ibu Madona Yunita Wijaya, M.Sc., selaku Dosen Pembimbing II, terima kasih atas pengarahan, bimbingan, saran dan membantu peneliti selama melakukan penyusunan skripsi ini.
5. Ibu Dr. Nur Inayah, M.Si., selaku Penguji I dan Bapak Mahmudi, M.Si., selaku Penguji II, terima kasih atas kritik dan sarannya kepada peneliti selama melakukan seminar hasil skripsi dan sidang skripsi.
vi 6. Seluruh Ibu dan Bapak Dosen Program Studi Matematika yang telah memberikan ilmu-ilmunya dan pengalaman yang bermanfaat kepada peneliti.
7. Kedua Orang tua peneliti, Ibu Yulia Maria dan Bapak Rudi Wahyudhi yang selalu memberikan doa, nasihat, kasih sayang, semangat dan dukungan moril maupun matril kepada peneliti.
8. Adik peneliti, Alichia yang telah menjadi penghibur saat menghadapi kesulitan menyelesaikan skripsi.
9. Angger Pursan Pratama,S.Kom., yang telah setia menemani peneliti baik suka maupun duka dan juga membantu peneliti dalam menyelesaikan skripsi.
10. Crusita, Lely, Ridha, Zenna,Faisal dan Maulana yang telah menemani dalam suka maupun duka, juga untuk Ika, Aisyah, Icha dan Anida yang telah memberikan waktunya untuk membantu peneliti dalam penyusunan skripsi.
11. Seluruh keluarga besar Matematika 2014 serta HIMATIKA UIN Syarif Hidayatullah Jakarta terima kasih telah menemani selama ini dan memberikan pengalaman yang luar biasa.
Peneliti menyadari bahwa dalam penyusunan skripsi ini masih banyak kekurangan. Oleh sebab itu, peneliti mengharapkan kritik dan saran yang bersifat membangun untuk perbaikan di masa yang akan datang. Akhir kata, peneliti berharap semoga penyusunan skripsi ini dapat bermanfaat.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Kota Tangerang, 5 Mei 2021
Penulis
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan dibawah ini:
Nama : Rully Meidyta NIM : 11140940000012
Program Studi : Matematika Fakultas Sains dan Teknologi.
Demi pengembangan ilmu pengetahuan, saya menyetujui untuk memberikan Hak Bebas Royalti Non–Eksklusif (Non-Exclusive-Free Right) kepada Program Studi Matematika Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta atas karya ilmiah saya yang berjudul:
“Prakiraan Harga Saham Menggunakan Artificial Neural Network dengan Algoritma Backpropagation (Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk))
beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non – Eksklusif ini, Program Studi Matematika Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta berhak menyimpan, mengalihmedia/formatkan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya, dan menampilkan/mempublikasikannya di internet dan media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta karya ilmiah ini menjadi tanggungjawab saya sebagai penulis.
Demikian pernyataan ini yang saya buat dengan sebenarnya.
Dibuat di Kota Tangerang Pada tanggal: 5 Mei 2021 Yang membuat pernyataan
(Rully Meidyta)
viii
ABSTRAK
Rully Meidyta, Prakiraan Harga Saham Menggunakan Artificial Neural Network Dengan Algoritma Backpropagation (Studi Kasus: Harga Penutupan Saham Bulanan PT. Indofood Sukses Makmur (Tbk)), dibawah bimbingan Yanne Irene, M.Si dan Madona Yunita Wijaya, M.Sc.
Artificial Neural Network (ANN) merupakan sistem pemrosesan informasi yang menyerupai jaringan syaraf manusia. ANN dapat diterapkan pada berbagai macam aplikasi salah satunya untuk prakiraan. Backpropagation merupakan algoritma pada ANN yang dapat digunakan untuk prakiraan harga saham. Data yang digunakan dalam penelitian ini adalah data pembukaan, tertinggi, terendah dan penutupan saham PT Indofood Sukses Makmur (INDF), diambil dari Januari 2005 hingga Desember 2019. Dalam penelitian ini akan menentukan arsitektur terbaik yang dapat digunakan untuk prakiraan harga saham dengan membandingkan penggunaan jumlah neuron pada hidden layer dan nilai learning rate. Hasil menunjukan bahwa model ANN dengan Algoritma Backpropagation terbaik adalah dengan 10 neuron pada hidden layer dan nilai learning rate = 0.3 dengan nilai MAPE sebesar 3.49% pada tahap pelatihan dan 2.26% pada tahap pengujian.
Kata Kunci: Prakiraan, Saham, Artificial Neural Network, Backpropagation
ix
ABSTRACT
Rully Meidyta, Stock Price Forecast Using Artificial Neural Network with Backpropagation Algorithm (Case Study: Monthly Stock Closing Price PT.
Indofood Sukses Makmur (Tbk)) under the guidance of Yanne Irene, M.Si and Madona Yunita Wijaya, M.Sc.
Artificial Neural Network (ANN) is an information processing system that resembles a human neural network. ANN can be applied to a wide variety of applications, one of which is for forecasting. Backpropagation is an algorithm in ANN that can be used for stock price forecasts. The data used in this study are the opening, highest, lowest and closing data of PT Indofood Sukses Makmur (INDF) stocks, taken from January 2005 to December 2019. The study will determine the best architecture that can be used for share price forecasts by comparing the use of neuron counts on hidden layers and learning rate values. The results showed that the ANN model with the best Backpropagation Algorithm was with 10 neurons on the hidden layer and the learning rate = 0.3 with a MAPE value of 3.49% at the training stage and 2.26% at the testing stage..
Keywords : Forecast, Stocks, Artificial Neural Network, Backpropagation
x
DAFTAR ISI
HALAMAN JUDUL ... i
PERNYATAAN ... ii
LEMBAR PENGESAHAN ... iii
PERSEMBAHAN DAN MOTTO ... iv
KATA PENGANTAR ... v
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii
ABSTRAK ... viii
ABSTRACT ... ix
DAFTAR ISI ... x
DAFTAR TABEL ... xii
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 4
1.3. Batasan Masalah ... 4
1.4. Tujuan Penelitian ... 4
1.5. Manfaat Penelitian ... 5
BAB II LANDASAN TEORI ... 6
2.1. Saham ... 6
2.2. Data Runtun Waktu ... 6
2.3. Artificial Neural Network (Jaringan Syaraf Tiruan) ... 6
2.4. Komponen Artificial Neural Network (Jaringan Syaraf Tiruan) ... 6
2.5. Arsitektur Artificial Neural Network (Jaringan Syaraf Tiruan) ... 7
2.6. Fungsi Aktivasi ... 8
2.7. Learning Rate (Laju Pembelajaran) ... 9
2.8. Epoch ... 9
2.9. Normalisasi ... 10
xi
2.10. Artificial Neural Network dengan Algoritma Backporpagation ... 10
2.11. Ukuran Kesalahan ... 14
BAB III METODOLOGI PENELITIAN... 16
3.1. Metode Pengumpulan Data ... 16
3.2. Variabel Data ... 16
3.3. Metode Pengolahan Data ... 16
3.4. Alur Penelitian ... 18
BAB IV HASIL DAN PEMBAHASAN ... 20
4.1. Deskripsi Data ... 20
4.2. Normalisasi Data ... 22
4.3. Arsitektur Artificial Neural Network Backpropagation ... 22
4.3.1. Penentuan Jumlah Neuron pada Hidden Layer ... 23
4.3.2. Penentuan Nilai Learning Rate ... 24
4.4. Pelatihan Jaringan ... 25
4.5. Pengujian Jaringan ... 27
4.6. Hasil Prakiraan ... 29
BAB V KESIMPULAN DAN SARAN ... 31
5.1. Kesimpulan ... 31
5.2. Saran ... 31
REFERENSI ... 32
LAMPIRAN ... 34
xii DAFTAR GAMBAR
Gambar 2.1. Jaringan Lapisan Tunggal ... 7
Gambar 2.2.Jaringan Lapisan Banyak ... 8
Gambar 2.3. Jaringan Lapisan Kompetitif ... 8
Gambar 3.1. Alur proses pelatihan algoritma backpropagation ... 18
Gambar 3.1. Alur proses pengujian algoritma backpropagation ... 19
Gambar 4.1. Harga Pembukaan Saham... 20
Gambar 4.2. Harga Tertinggi Saham ... 21
Gambar 4.3. Harga Terendah Saham ... 21
Gambar 4.4. Harga Penutupan Saham ... 22
Gambar 4.5. Rata-rata MSE Jumlah Neuron pada Hidden Layer ... 24
Gambar 4.6. Rata-rata MSE Nilai Learning Rate ... 25
Gambar 4.7. Arsitektur Artificial Neural Network ... 26
Gambar 4.8. Grafik Data aktual dan data prakiraan harga penutupan saham... 29
xiii DAFTAR TABEL
Tabel 2.1. Interprestasi Nilai MAPE ... 14
Tabel 4.1. Hasil Penggunaan Jumlah Neuron Pada Hidden Layer ... 21
Tabel 4.2. Hasil Penggunaan Nilai Learning Rate ... 22
Tabel 4.3. Hasil Prakiraan Pelatihan Jaringan ... 24
Tabel 4.4. Data Aktual Dan Data Prakiraan Harga Pentupan Saham ... 25
Tabel 4.5. Prakiraan penutupan saham INDF ... 30
1
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
𝒏
𝒊=𝟏
𝑽𝒊𝒋 (2.4)
Dimana:
𝑍𝑛𝑒𝑡𝑗 = jumlah sinyal neuron input layer yang masuk menuju neuron hidden layer 𝑉0𝑗 = bobot bias hidden layer
𝑋𝑖 = unit input layer
𝑉𝑖𝑗 = bobot sinyal dari neuron input layer yang menuju neuron hidden layer 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
(2.15)
Setiap unit di hidden layer (𝑍𝑗 ,𝑗 = 1,2,3, … , 𝑝) melakukan perubahan bobot dan bias yang berasal dari tiap unit di input layer (𝑋𝑖 , 𝑖 = 1,2,3, … , 𝑛) menggunakan persamaan sebagai berikut:
𝑽𝒊𝒋(𝒃𝒂𝒓𝒖)= 𝑽𝒊𝒋(𝒍𝒂𝒎𝒂)+ ∆𝑽𝒊𝒋
(2.16) 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]:
𝐌𝐒𝐄 = 𝟏
𝒏∑(𝑿𝒕− 𝒚𝒕)𝟐
𝒏
𝒕=𝟏
(2.17)
Dimana:
n = jumlah data
𝑦𝑡 = nilai output (prediksi) pada periode ke-t
𝑋𝑡 = nilai data aktual atau observasi pada periode ke-t
Selain MSE terdapat Mean Absolute Percentage Error (MAPE) yang 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 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 Tertinggi
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 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 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 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
0.2 0.000441909
0.3 0.000432291
0.4 0.000433166
0.5 0.000446295
0.6 0.000449628
0.00041 0.00042 0.00043 0.00044 0.00045 0.00046 0.00047 0.00048
1 2 3 4 5 6 7 8 9 10
Rata-rata MSE
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 learning rate 0.3 lebih kecil dari target error sebesar 0.001, maka model arsitektur jaringan yang terbentuk dapat digunakan untuk prakiraan.
4.4. Pelatihan Jaringan
Berdasarkan pelatihan jaringan yang telah dilakukan dengan rancangan arsitektur jaringan yang terdiri dari 3 lapisan yang masing-masing memiliki 3 neuron pada input layer, 10 neuron pada hidden layer dan 1 neuron pada ouput layer, maka arsitektur jaringan multi layer network yang telah dirancang sebagai berikut:
0.000415 0.00042 0.000425 0.00043 0.000435 0.00044 0.000445 0.00045 0.000455 0.00046 0.000465
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Rata-rata MSE
Nilai learning rate
26 Selama proses pelatihan, jaringan tersebut mencapai 915 iterasi untuk melatih Artificial Neural Network tersebut hingga mencapai optimal. Artificial Neural Network yang akan digunakan untuk memprakirakan harga penutupan saham dengan data pelatihan terlebih dahulu untuk mengetahui akurasi dari jaringan tersebut sebelum dilakukannya pengujian jaringan. Untuk lebih lengkapnya pada Lampiran 5.
Tabel 4.3. Hasil Prakiraan Pelatihan Jaringan
Bulan Periode Aktual Prakiraan
Jan-05 1 870 890.0269
Feb-05 2 930 934.9988
Mar-05 3 1160 1227.156
Gambar 4.7. Arsitektur Artificial Neural Network
27
Apr-05 4 1020 1121.471
Mei-05 5 1200 1123.286
Jun-05 6 1100 1137.776
Jul-05 7 1090 1124.171
… … …
… … …
Des-16 144 7925 7660.331
Hasil prediksi data pelatihan menggunakan model jaringan yang didapatkan seperti tabel 4.3 diatas dalam memprediksi harga saham dengan rentang waktu dalam bulan. Didapatkan nilai MAPE sebesar 3.49%. akurasi model yang dihasilkan sebesar 96.51%.
4.5. Pengujian Jaringan
Berikut data aktual dan data hasil prakiraan nilai harga penutupan saham (Y) dengan menggunakan sepuluh neuron pada hidden layer dan learning rate 0.3 periode Januari 2017 sampai dengan Desember 2019. Disajikan pada tabel 4.4 berikut ini:
Tabel 4.4. Data Aktual Dan Data Prakiraan Harga Penutupan Saham
Bulan Periode Aktual Prakiraan
Jan-17 1 7925 7865.262
Feb-17 2 8125 7948.791
Mar-17 3 8000 8144.425
Apr-17 4 8375 8252.044
Mei-17 5 8750 8574.627
Jun-17 6 8600 8359.703
Jul-17 7 8375 8268.959
Agu-17 8 8375 8270.12
Sep-17 9 8425 8365.545
Okt-17 10 8200 8226.337
28
Nov-17 11 7325 7716.856
Des-17 12 7625 7640.573
Jan-18 13 7750 7922.465
Feb-18 14 7575 7691.802
Mar-18 15 7200 7442.629
Apr-18 16 6975 7086.774
Mei-18 17 7075 6729.406
Jun-18 18 6650 6896.661
Jul-18 19 6350 6404.141
Agu-18 20 6375 6562.203
Sep-18 21 5900 6114.528
Okt-18 22 5975 5764.695
Nov-18 23 6600 6335.107
Des-18 24 7450 7381.178
Jan-19 25 7750 7672.137
Feb-19 26 7075 7439.303
Mar-19 27 6425 7027.65
Apr-19 28 6950 6826.853
Mei-19 29 6600 6573.078
Jun-19 30 7025 7088.866
Jul-19 31 7075 6947.997
Agu-19 32 7925 7733.29
Sep-19 33 7700 7675.206
Okt-19 34 7700 7623.322
Nov-19 35 7950 7771.036
Des-19 36 7925 7716.884
Untuk mempermudah melihat perbedaan dari data aktual dan data prakiraan dari nilai harga penutupan saham yang ada pada tabel 4.4, maka dibuatlah grafik sebagai berikut:
29 Gambar 4.8. Grafik Data Aktual Dan Data Prakiraan Harga Penutupan Saham Bedasarkan tabel 4.4 dengan menggunakan rumus persamaan (2.18) diperoleh nilai MAPE sebesar 2.263144%. Hasil prakiraan dikatakan sangat baik jika nilai MAPE kurang dari 10%. Akurasi model prediksi yang dihasilkan 97.73686%. Model jaringan yang diperoleh dengan tingkat akurasi yang optimal terdapat pada saat pengujian jaringan. Sehingga dapat dikatakan bahwa performa jaringan yang dihasilkan sangat baik.
4.6. Hasil Prakiraan
Dengan menggunakan arsitektur Artificial Neural Network yang terpilih yaitu dengan penggunaan sepuluh neuron pada hidden layer dan learning rate sebesar 0.3, maka hasil prakiraan harag penutupan saham INDF untuk 12 periode selanjutnya yaitu pada Januari 2020 sampai Desember 2020 dapat dilihat pada tabel 4.5 sebagai berikut:
5000 5500 6000 6500 7000 7500 8000 8500 9000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Harga
Periode
Aktual Prediksi
30 Tabel 4.5 Prakiraan penutupan saham INDF
Bulan Prakiraan
Jan-20 8089.02
Feb-20 6914.4
Mar-20 6447.55
Apr-20 6773.81
Mei-20 5974.43
Jun-20 6952.73
Jul-20 6729.1
Agu-20 7878.35
Sep-20 7534.53
Okt-20 7307.03
Nov-20 7303.26
Des-20 6986.29
Berdasarkan tabel 4.5 diperoleh harga penutupan saham INDF pada periode 12 bulan mendatang cenderung mengalami penurunan harga. Dan pada periode Januari 2020 sampai Desember 2020 harga penutupan saham tertinggi pada bulan Januari 2020 sebesar 8089.02 dan harga penutupan saham terendah pada bulai Mei 2020 sebesar 5974.43.
31
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan penelitian yang dilakukan oleh penulis untuk memprakirakan harga saham PT Indofood Sukses Makmur menggunakan Artificial Neural Network dengan Algoritma Backpropagation diperoleh beberapa kesimpulan diantaranya sebagai berikut :
1. Tingkat akurasi yang dihasilkan ketika melakukan pengujian jaringan yang diperoleh mencapai tingkat akurasi sebesar 97.73686%.
2. Hasil rancangan arsitektur jaringan syaraf tiruan multi layer network yang diperoleh terdiri dari 3 layer yang meliputi 3 neuron pada input layer, 10 neuron pada hidden layer dan 1 neuron pada output layer. Parameter-parameter yang digunakan untuk membentuk model jaringan tersebut diantaranya learning rate dengan nilai sebesar 0.3 dan fungsi aktivasi yang digunakan adalah sigmoid biner pada hidden layer dan linear pada output layer. Dan memerlukan 915 iterasi untuk melatih Artificial Neural Network tersebut hingga mencapai optimal.
5.2. Saran
Dari hasil yang telah diperoleh, terdapat beberapa saran yang dapat diberikan:
1. Untuk penelitian selanjutnya, dapat mencoba inisialisasi bobot nguyen- windrow.
2. Menambahkan penggunaan jumlah neuron pada hidden layer dan nilai learning rate.
3. Membandingkan dengan metode lainnya seperti, Extreme Learning Machine untuk memprakirakan harga saham.
32
REFERENSI
[1] E. Pardiansyah, “Investasi dalam Perspektif Ekonomi Islam: Pendekatan Teoritis dan Empiris,” Economica: Jurnal Ekonomi Islam , pp. 337-373, 2017.
[2] D. Herlianto, Manajemen Investasi Plus Jurus Mendeteksi Investasi Bodong, Yogyakarta: Pustaka Baru, 2013.
[3] R. B. Afrianto, H. Tjandrasa dan I. Arieshanti, “Prediksi Pergerakan Harga Saham Menggunakan Metode Backpropagation Neural Network,” SimanteC, pp. 132-141, 2013.
[4] D. R. Artha, N. A. Achsani dan H. Sasongko, “Analisis Fundamental, Teknikal Dan Makroekonomi,” MK, pp. 175-184, 2014.
[5] Indofood, “Dividends,” PT Indofood Sukses Makmur Tbk, [Online].
Available: https://www.indofood.com/investor-relation/dividend-history.
[Diakses 15 Agustus 2020].
[6] IDX, “Produk Syariah,” Bursa Efek Indonesia, [Online]. Available:
https://www.idx.co.id/idx-syariah/produk-syariah/. [Diakses 1 April 2019].
[7] N. P. Sakinah, I. Cholissodin dan A. W. Widodo, “Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, pp. 2612-2618, 2018.
[8] G. Z. Muflih, Sunardi dan A. Yudhana, “Jaringan Saraf Tiruan Backpropagation Untuk Prediksi Curah Hujan Di Wilayah Kabupaten Wonosobo,” MUST: Journal of Mathematics Education, Science and Technology, pp. 45-56, 2019.
[9] B. B. W. Putra, M. A. Albar dan B. Irmawati, “Implementasi Jaringan Syaraf Tiruan,” JTIKA, pp. 233-244, 2019.
33 [10] IDX, “Saham,” PT Bursa Efek Indonesia, [Online]. Available:
https://www.idx.co.id/produk/saham/. [Diakses 1 April 2019].
[11] J. D. Cryer dan K.-S. Chan, Time Series Analysis With Applications in R Second Edition, New York: Pearson, 2006.
[12] Suyanto, Artificial Intelligence, Bandung: Informatika, 2007.
[13] A. Hermawan, Pengantar Jaringan Syaraf Tiruan, Teori, dan Aplikasi, Yogyakarta: Andi, 2006.
[14] D. Puspitaningrum, Pengantar Jaringan Syaraf Tiruan, Yogyakarta: Andi Offset, 2006.
[15] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta:
Graha Ilmu, 2003.
[16] J. T. Hardinata, H. Okprana, A. P. Windarto dan W. Saputra, “Analisis Laju Pembelajaran dalam Mengklasifikasi Data Wine Menggunakan Algoritma Backpropagation,” Jurnal Sains Komputer & Informatika (J-SAKTI), pp. 422- 432, 2019.
[17] M. S. Wibawa, “Pengaruh Fungsi Aktivasi, Optimisasi dan Jumlah Epoch Terhadap Performa Jaringan Saraf Tiruan,” Jurnal Sistem Informatika, pp.
167-174, 2017.
[18] L. Fausett, Fundamentals of Neural Networks: Achitectures, Algorithms, and Applications., New Jersey: Prentice Hall, 1994.
[19] S. Makridaki, S. Wheelwright dan V. McGee, Metode dan Aplikasi Peramalan, Jakarta: Binarupa Aksara, 2003.
[20] G. Vincent, Production Planning and Inventory Control, Jakarta: PT Gramedia Pustaka Umum, 2005.
34
LAMPIRAN
35
LAMPIRAN
Lampiran 1. Data Penelitian
Bulan Y1 Y2 Y3 Y
Jan-05 790 910 780 870
Feb-05 870 960 840 930
Mar-05 930 1360 930 1160
Apr-05 1150 1220 1010 1020 Mei-05 1020 1200 970 1200 Jun-05 1200 1230 1050 1100 Jul-05 1100 1140 1070 1090
Agu-05 1090 1100 740 790
Sep-05 780 890 670 730
Okt-05 690 840 690 820
Nov-05 810 870 800 850
Des-05 850 970 840 910
Jan-06 910 990 820 880
Feb-06 890 930 830 840
Mar-06 840 890 810 890
Apr-06 900 1140 860 1130
Mei-06 1150 1240 880 940
Jun-06 960 1030 840 880
Jul-06 890 1050 870 1050
Agu-06 1060 1220 1010 1190 Sep-06 1200 1280 1120 1250 Okt-06 1240 1340 1230 1330 Nov-06 1330 1450 1310 1400 Des-06 1390 1430 1270 1350 Jan-07 1350 1730 1280 1690 Feb-07 1750 1810 1450 1560 Mar-07 1570 1580 1370 1520 Apr-07 1530 1740 1520 1640 Mei-07 1640 1830 1630 1730 Jun-07 1730 2200 1730 2025 Jul-07 2050 2275 1925 2000 Agu-07 1900 2000 1560 1860 Sep-07 1870 1990 1770 1930 Okt-07 1960 2200 1850 2200
36 Nov-07 2225 2850 2125 2525
Des-07 2525 2725 2400 2575 Jan-08 2575 3275 2475 2825 Feb-08 2850 3075 2675 2925 Mar-08 2825 2950 2150 2325 Apr-08 2325 2475 1900 2275 Mei-08 2275 2925 2275 2800 Jun-08 2800 2850 2300 2400 Jul-08 2425 2450 2000 2275 Agu-08 2225 2275 1850 2250 Sep-08 2200 2275 1750 1960 Okt-08 1960 1960 940 1090
Nov-08 1170 1290 840 970
Des-08 1010 1030 870 930
Jan-09 930 1130 920 980
Feb-09 960 1030 860 880
Mar-09 840 1000 820 940
Apr-09 920 1300 900 1280
Mei-09 1250 1950 1240 1780 Jun-09 1800 1990 1620 1890 Jul-09 1890 2350 1730 2275 Agu-09 2375 2725 2175 2500 Sep-09 2475 3050 2375 3025 Okt-09 2975 3300 2700 3075 Nov-09 3075 3250 2925 3075 Des-09 3100 3625 3075 3550 Jan-10 3550 3900 3400 3600 Feb-10 3575 3950 3375 3800 Mar-10 3775 4225 3700 3775 Apr-10 3850 3950 3700 3900 Mei-10 3875 3950 3300 3650 Jun-10 3575 4225 3475 4150 Jul-10 4275 4725 4100 4625 Agu-10 4600 4850 4100 4550 Sep-10 4500 5800 4450 5450 Okt-10 5550 5700 4800 5200 Nov-10 5100 5200 4525 4575 Des-10 4800 4975 4425 4875 Jan-11 4950 5100 4300 4700
37 Feb-11 4650 4900 4550 4750
Mar-11 4800 5450 4750 5400 Apr-11 5350 5700 5200 5550 Mei-11 5600 5750 5250 5400 Jun-11 5450 5850 5150 5750 Jul-11 6000 6500 5700 6350 Agu-11 6400 6800 5850 6100 Sep-11 6100 6250 4150 5050 Okt-11 4875 5750 4575 5250 Nov-11 5000 5250 4600 4700 Des-11 4700 4875 4500 4600 Jan-12 4625 4975 4600 4800 Feb-12 4850 5150 4800 5100 Mar-12 5050 5200 4750 4850 Apr-12 4850 4900 4575 4850 Mei-12 4850 4900 4625 4725 Jun-12 4675 4875 4400 4850 Jul-12 4850 5650 4825 5400 Agu-12 5400 5500 5100 5400 Sep-12 5400 5650 5300 5650 Okt-12 5600 6200 5550 5700 Nov-12 5700 5900 5500 5850 Des-12 5900 6200 5450 5850 Jan-13 5850 6200 5750 6050 Feb-13 5950 7300 5950 7300 Mar-13 7400 8000 7100 7450 Apr-13 7400 7600 7200 7350 Mei-13 7300 7850 7000 7350 Jun-13 7200 7450 6150 7350 Jul-13 7350 7400 6450 6500 Agu-13 6700 7050 5350 6500 Sep-13 6450 7200 5750 7050 Okt-13 7000 7450 6600 6650 Nov-13 6600 6850 6200 6650 Des-13 6700 6850 6250 6600 Jan-14 6600 7350 6550 6975 Feb-14 6975 7175 6825 7175 Mar-14 7100 7800 6900 7300 Apr-14 7350 7475 6900 7050
38 Mei-14 7050 7150 6700 6825
Jun-14 6875 6950 6700 6700 Jul-14 6750 7150 6700 7075 Agu-14 7075 7200 6875 6875 Sep-14 7025 7125 6825 7000 Okt-14 6975 7025 6375 6825 Nov-14 6850 6900 6400 6700 Des-14 6700 6775 6325 6750 Jan-15 6750 7725 6750 7550 Feb-15 7450 7675 7250 7400 Mar-15 7375 7550 7300 7450 Apr-15 7500 7500 6475 6750 Mei-15 6750 7400 6600 7300 Jun-15 7150 7250 6425 6575 Jul-15 6525 6750 5775 6100 Agu-15 6000 6325 4560 5300 Sep-15 5300 5575 4845 5500 Okt-15 5525 6425 5275 5525 Nov-15 5450 6100 4875 4875 Des-15 5000 5300 4840 5175 Jan-16 5175 6200 5175 6200 Feb-16 6250 7250 6050 7050 Mar-16 7000 7575 6800 7225 Apr-16 7225 7300 6800 7125 Mei-16 7100 7225 6825 6925 Jun-16 6925 7400 6875 7250 Jul-16 7275 8725 6975 8325 Agu-16 8325 8500 7750 7925 Sep-16 8000 9200 7950 8700 Okt-16 8825 9200 8400 8500 Nov-16 8525 8525 7225 7575 Des-16 7625 8125 7200 7925 Jan-17 7925 8150 7700 7925 Feb-17 7975 8200 7875 8125 Mar-17 8150 8525 7875 8000 Apr-17 7950 8525 7925 8375 Mei-17 8375 9000 8300 8750 Jun-17 8750 8950 8300 8600 Jul-17 8650 8800 8250 8375
39 Agu-17 8400 8700 8150 8375
Sep-17 8375 8750 8275 8425 Okt-17 8450 8675 8150 8200 Nov-17 8275 8325 7325 7325 Des-17 7325 7775 7275 7625 Jan-18 7625 8125 7550 7750 Feb-18 7750 7925 7550 7575 Mar-18 7575 7800 6975 7200 Apr-18 7250 7350 6775 6975 Mei-18 6975 7150 6075 7075 Jun-18 7075 7250 6350 6650 Jul-18 6650 6675 6150 6350 Agu-18 6350 6775 6000 6375 Sep-18 6375 6425 5850 5900 Okt-18 5900 6100 5500 5975 Nov-18 5975 6600 5575 6600 Des-18 6650 7550 6400 7450 Jan-19 7450 7900 7200 7750 Feb-19 7625 7800 7025 7075 Mar-19 7100 7375 6400 6425 Apr-19 6375 7000 6100 6950 Mei-19 6950 7075 5850 6600 Jun-19 6600 7150 6600 7025 Jul-19 7025 7150 6675 7075 Agu-19 7100 7925 6900 7925 Sep-19 7950 8050 7450 7700 Okt-19 7625 7900 7275 7700 Nov-19 7700 8000 7525 7950 Des-19 8000 8050 7625 7925
40 LAMPIRAN 2. Data Normalisasi
Y1 Y2 Y3 Y
0.012293 0.008373 0.01423 0.017456 0.022127 0.014354 0.021992 0.024938 0.029502 0.062201 0.033635 0.053616 0.056546 0.045455 0.043984 0.03616 0.040565 0.043062 0.03881 0.058603 0.062692 0.046651 0.049159 0.046135 0.0504 0.035885 0.051746 0.044888 0.04917 0.0311 0.009056 0.007481
0.011063 0.005981 0 0
0 0 0.002587 0.011222 0.014751 0.003589 0.016818 0.014963 0.019668 0.01555 0.021992 0.022444 0.027044 0.017943 0.019405 0.018703 0.024585 0.010766 0.020699 0.013716 0.018439 0.005981 0.018111 0.01995 0.025814 0.035885 0.02458 0.049875 0.056546 0.047847 0.027167 0.026185 0.03319 0.022727 0.021992 0.018703 0.024585 0.02512 0.025873 0.0399 0.045482 0.045455 0.043984 0.057357 0.062692 0.052632 0.058215 0.064838 0.067609 0.059809 0.072445 0.074813 0.078672 0.072967 0.082794 0.083541 0.086048 0.070574 0.07762 0.077307 0.081131 0.106459 0.078913 0.119701 0.130301 0.116029 0.100906 0.103491 0.108175 0.088517 0.090556 0.098504 0.103258 0.107656 0.109961 0.113466 0.116779 0.118421 0.124191 0.124688 0.127843 0.162679 0.137128 0.161471 0.167179 0.171651 0.162354 0.158354 0.14874 0.138756 0.115136 0.140898 0.145052 0.13756 0.142303 0.149626 0.156116 0.162679 0.152652 0.183292 0.188691 0.240431 0.188228 0.223815 0.225569 0.225478 0.223803 0.23005 0.231715 0.291268 0.233506 0.261222
