ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION
DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN
TESIS
ARMANSYAH BARUS
117038059 / TINF
ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION
DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
ARMANSYAH BARUS
117038059 / TINF
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERNYATAAN
ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
Telah diuji pada
Tanggal : Agustus 2013
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis
Anggota : 1. Dr. Erna Budhiarti Nababan, M.IT 2. Prof. Dr. Herman Mawengkang 3. Prof. Dr. Tulus
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : ARMANSYAH BARUS
Tempat dan Tanggal Lahir : Delitua, 07 Mei 1986
Alamat Rumah : Dusun III Simpang Ranting Desa Namotualang Kec. SiBirubiru Kab. Deli Serdang
Telepon : -
Email : [email protected]
Instansi Tempat Bekerja : STIKes Deli Husada Delitua Alamat Kantor : Jl. Besar Delitua No. 77 Delitua
DATA PENDIDIKAN :
SD : Negeri 101812 Biru-Biru TAMAT : 1998 SMP : Sw. Singosari Delitua TAMAT : 2001
SMA : Negeri 13 Medan TAMAT : 2004
S1 : STMIK Mikroskil Medan TAMAT : 2008 S2 : Teknik Informatika USU TAMAT : 2013
KATA PENGANTAR
Puji Syukur Penulis ucapkan kepada Tuhan Yang Maha Esa atas segala limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesikan tesis ini
dengan judul : ANALISIS ACCELARATED LEARNING PADA
BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN
Dengan selesainya tesis ini, penulis menyampaikan terima kasih sebesar-besarnya kepada:
Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp.A(K) selaku
Rektor Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister.
Prof. Dr. Muhammad Zarlis, selaku Ketua Program Studi Magister Teknik
Informatika Universitas Sumatera Utara.
M. Andri Budiman, S.T., M.Comp Sc., M.E.M., selaku Sekretaris Program
Studi Magister Teknik Informatika.
Prof. Dr. Muhammad Zarlis, selaku Pembimbing Utama yang telah banyak
memberikan bimbingan dan arahan serta motivasi kepada penulis.
Dr. Erna Budhiarti M.IT, selaku Pembimbing Kedua yang telah banyak
memberikan bimbingan dan arahan serta motivasi kepada penulis.
Seluruh Staff Pengajar yang telah banyak memberikan ilmu pengetahuan
selama masa perkuliahan serta
Seluruh Staff Pegawai pada Program Magister Teknik Informatika Fakultas
Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Teristimewa kepada Istri tercinta Rona Fransiska, Anak yang dibanggakan Arna Nathanniel, Ayahanda Dahlan Barus dan Ibunda Marheni Br Sembiring, yang telah memberikan doa, dukungan, perhatian dan kasih sayang yang tulus serta pengorbanan yang tidak ternilai harganya hingga penulis menyelesaikan tesis ini.
Kakak dan adik-adik tersayang serta seluruh keluarga tercinta yang selalu memberikan dukungan kepada penulis.
Ucapan terima kasih juga penulis ucapkan kepada sahabat-sahabat terbaik, Arta Trisades Pinem, Ertina Barus dan rekan-rekan kuliah angkatan ’11 yang telah memberikan semangat kepada penulis.
Akhir kata penulis berdoa kepada Tuhan Yang Maha Esa semoga Allah memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian, serta kerja samanya kepada penulis dalam menyelesaikan tesis ini.
Medan, 20 Agustus 2013
ABSTRAK
Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam menentukan kapan harus menjual dan membeli suatu indeks saham. Banyak teori metematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat tetapi system peramalan yang sering digunakan masih statis. Untuk kasus yang nilainya dinamis, sangatlah sulit dalam pengembangan model matematisnya. Sesuai dengan perkembangan teknologi komputer, penerapan metode Artificial Neural Network menjadi lebih mudah dalam memodelkan system dinamis. Resilient Backpropagation adalah salah satu model Artificial Neural Network (ANN) yang telah diimplementasikan untuk peramalan indeks saham. Risilient Backpropagation mempunyai kemampuan untuk melakukan pembelajaran dan meramalkan data keluaran pada waktu mendatang berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini, metode ANN akan diterapkan untuk meramalkan harga Open,
High, Low dan Close dalam indeks saham Bursa Efek Indonesia. Dengan data berupa
harga saham harian, jaringan syaraf tiruan yang dirancang akan menghasilkan bobot-bobot yang digunakan untuk meramal harga saham di hari berikutnya. Dalam penelitian ini, dapat disimpulkan jaringan yang menggunakan variabel input harga
opening, high, low dan close dan variabel output open, high, low dan close dengan
menggunakan dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node hidden layer2 150 menghasilkan keakuratan peramalan yang paling baik. Penelitian ini masih dalam tahap awal, dimana masih banyak faktor yang dapat dikembangkan atau diteliti lebih lanjut.
Kata Kunci :
ANALYSIS OF ACCELARATED LEARNING FOR
BACKPROPAGATION IN FORECASTING
STOCK PRICE INDEX
ABSTRACT
Forecasting stock is much needed equity investor in deciding when to sell and buy a stock index. Metematis many theories that have been used to get the right results but forecasting system that is often used is static. For cases whose value is dynamic, it is difficult in the development of mathematical models. In accordance with the development of computer technology, the application of Artificial Neural Network method becomes easier to model the dynamic system. Resilient Backpropagation is one model of Artificial Neural Network (ANN), which has been implemented for forecasting stock index. Risilient Backpropagation learning has the ability to output data and predict the future based on the learning outcomes that have been done. In this study, ANN method will be applied to forecast price of the Open, High, Low and Close in the Indonesia Stock Exchange stock index. With the data in the form of daily stock prices, artificial neural networks are designed to give the weights that are used to predict the stock price in the next day. In this study, we can conclude that the network uses the input variable opening price, high, low and close and output variables open, high, low and close using the two (2) hidden layer with the number of nodes and the number 100 hidden layer1 layer2 150 hidden nodes produce the best forecasting accuracy. This research is still in its early stages, where there are many factors that can be developed or researched further.
DAFTAR ISI
ABSTRAK i
ABSTRACT iii
DAFTAR ISI iv
DAFTAR TABEL viii
DAFTAR GAMBAR ix BAB I PENDAHULUAN 1 1.1. Latar Belakang 1 1.2. Perumusan Masalah 2 1.3. Batasan Masalah 3 1.4. Tujuan Penelitian 3 1.5. Manfaat Penelitian 4
BAB II TINJAUAN PUSTAKA 5
2.1. Neural Network 5
2.2. Pelatihan Jaringan Syaraf Tiruan 7
2.3. Backpropagation 8
2.4. Model Pembelajaran Accelerated Learning 10
2.5. Jaringan Saraf Tiruan untuk Prediksi 11
2.6. Saham 11
2.6.1. Pengertian Saham 11
2.6.2. Jenis Saham 11
2.7. Teknik Peramalan Harga Saham 15
2.7.1. Analisis Fundamental 15
2.7.2. Analisis Teknikal 17
BAB III METODE PENELITIAN 19
3.1. Pendahuluan 19
3.2. Pengumpulan Data 19
3.3. Analisis Sistem 20
3.4. Pemilihan Variabel Input 21
3.5. Pemilihan Variabel Output 21
3.6. Normalisasi Data 22
3.7. Arsitektur Jaringan Saraf Tiruan 23
3.8. Training 24
3.9. Perhitungan Error 27
3.10. Testing 27
BAB IV PEMBAHASAN DAN HASIL PENELITIAN 31
4.1. Lingkungan Implementasi 31
4.2. Pengumpulan dan Pengolahan Data 32
4.3. Pencarian Arsitektur Jaringan Terbaik 32
4.3.1. Variasi Jumlah Neuron dan Hidden Layer 33 4.3.2. Pengolahan Data dengan Menggunakan Resilient
Backpropagation 34
4.4. Algoritma dalam MATLAB 35
4.4.1. Membersihkan Jendela Command 35
4.4.2. Mengambil Data yang Ada 35
4.4.3. Menentukan matriks Input dan Matriks Target (T) 36 4.4.4. Membagi data menjadi data Pelatihan (training) 37 4.4.5. Lakukan Iterasi untuk Membandingkan Nilai MSE Terkecil dan
4.4.9. Menentukan Rasio Untuk Menaikkan Nilai Pembelajaran
dan untuk Menurunkan Nilai Pembelajaran (Learning Rate) 39
4.4.10. Melakukan Pelatihan Resilient Backpropagation dan
Simulasikan Hasil Pelatihan 40
4.4.11. Menghitung MSE antara Target dan Output 40 4.4.12. Melakukan Prediksi untuk hari ke-261 s/d 290 41
4.4.13. Hitung MSE dari Hasil Testing 41
4.4.14. Running Program 42
4.5. Pengolahan Data dengan Pemrograman MATLAB 42 4.5.1. Peramalan Data Harga Pembuka (Open) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer
Sebanyak 2 43
4.5.2. Peramalan Data Harga Tertinggi (High) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer
Sebanyak 2 44
4.5.3. Peramalan Data Harga Terendah (Low) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer
Sebanyak 2 45
4.5.4. Peramalan Data Harga Penutup (Close) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer
Sebanyak 2 46
4.6. Hasil Peramalan 47
4.7. Hasil Peramalan Harga Saham Menggunakan Metode Resilient
Backpropagation dengan Jumlah Hidden Layer 2 47
BAB V KESIMPULAN DAN SARAN 53
5.1. Kesimpulan 53
5.2. Saran 54
DAFTAR TABEL
Halaman
Tabel 2.1. Penelitan Terkait 14
Tabel 4.1. Daftar Harga Saham 32
Tabel 4.2 Percobaan Beberapa Variasi Neuron dan Hidden Layer 33
Tabel 4.3. Hasil Peramalan 46
Tabel 4.4. Hasil Percobaan dengan 1 Hidden layer 48
DAFTAR GAMBAR
Halaman
Gambar 2.1. Susunan Syaraf Pada Manusia 5
Gambar 2.2. Konfigurasi JST Propagasi balik 9
Gambar 3.1. Analisis Sistem 20
Gambar 3.2. Arsitektur Artificial Neural Network (ANN) 24 Gambar 3.3 Flowchart training JST dengan Accelereted Learning 26 Gambar 3.4. Flowchart Testing dengan Accelereted Learning 28 Gambar 4.1. Windows Neural Network Training (Nntraintool Open) 42 Gambar 4.2. Windows Neural Network Training (Nntraintool High) 43 Gambar 4.3. Windows Neural Network Training (Nntraintool Low) 44 Gambar 4.4. Windows Neural Network Training (Nntraintool Close) 45 Gambar 4.5. Perbandingan Peramalan Nilai Open dengan 1 dan 2 Hidden Layer 49 Gambar 4.6. Perbandingan Peramalan Nilai High dengan 1 dan 2 Hidden Layer 49 Gambar 4.7. Perbandingan Peramalan Nilai Low dengan 1 dan 2 Hidden Layer 50 Gambar 4.5. Perbandingan Peramalan Nilai Close dengan 1 dan 2 Hidden Layer 50
