Bagaimana program yang menggunakan Deep Learning (DL) ini dapat membantu investor dalam memprediksi harga saham. Cara memprediksi harga saham dan cara membangun aplikasi prediksi harga saham menggunakan deep learning dengan algoritma memori jangka panjang.
PENDAHULUAN
Latar Belakang
Identifikasi Masalah Dan Pembatasan Masalah
- Identifikai Masalah
- Batasan Masalah
- Rumusan Masalah
Tujuan Dan Manfaat Penelitian
- Tujuan Penelitian
- Manfaat Penelitian
Sistematika Penelitian
LANDASAN TEORI
Tinjauan Pustaka
Parameter terbaik dalam fungsi kernel ditentukan dengan mencoba beberapa nilai dalam rentang tertentu untuk membangun hyperplane. Dari pemilihan parameter yang dilakukan, parameter terbaik untuk hyperplane dengan fungsi kernel linier adalah C = 0,1 dan epsilon = 0,1 (Yasin et al., 2014).
Landasan Teori
- Artificial Neural Network
- Fungsi Aktivasi
- Fungsi Loss
- Deep Learning
- Recurrent Neural Network (RNN)
- Long Short-Term Memory (LSTM)
- Google Colab
- Google Drive
- Anvil Works
- Tensorflow
- Activity Diagram
- Use-case Diagram
ANN atau Artificial Neural Network merupakan suatu sistem adaptif yang dapat mengubah strukturnya untuk memecahkan suatu masalah berdasarkan informasi internal dan informasi eksternal. Jaringan saraf tiruan mempunyai beberapa jenis yang berbeda satu sama lain, namun hampir semua komponen utama dan ciri-cirinya sama satu sama lain, sama halnya dengan jaringan saraf pada otak manusia, jaringan saraf tiruan terdiri dari beberapa neuron dan juga neuron-neuron tersebut. saling terhubung , Semua neuron tersebut akan memproses informasi dan menerimanya dari neuron lain melalui koneksi antara neuron yang satu dengan neuron yang lain berdasarkan nilai bobot antar neuron. Penyelesaian suatu permasalahan dengan jaringan syaraf tiruan tidak memerlukan pemrograman yang kontinyu, jaringan syaraf tiruan ini menyelesaikan permasalahan melalui proses pembelajaran atau pelatihan dari contoh-contoh yang diberikan.
Pembelajaran mendalam adalah bagian dari pembelajaran mesin, yang pada dasarnya adalah jaringan saraf dengan tiga lapisan atau lebih. Deep learning sendiri mempunyai banyak algoritma, beberapa yang sering digunakan adalah CNN atau Convolutional Neural Networks yang dapat mengolah gambar dan video untuk dianalisis dan diklasifikasi, kemudian ada GAN atau Generative Adversarial Networks yang dapat memanipulasi gambar, mensimulasikan video dengan data data gambar. lalu ada Mesin Boltzman yang dapat belajar dari distribusi probabilitas tertentu dan digunakan untuk regresi, klasifikasi, pembelajaran fitur, dan pemfilteran. Salah satu algoritma deep learning yang digunakan untuk melakukan peramalan atau prediksi data adalah RNN atau Recurrent Neural Network yang mampu memprediksi data namun RNN memiliki keterbatasan sehingga tidak bisa melakukan prediksi yang sangat jauh di masa depan, masalah ini disebut dengan vanishing gradien. atau meledak.
Seperti yang telah dijelaskan sebelumnya, RNN merupakan algoritma deep learning yang biasanya digunakan untuk melakukan prediksi atau prediksi, RNN merupakan jaringan syaraf tiruan yang menggunakan data deret waktu, algoritma ini biasanya digunakan untuk permasalahan ordinal atau temporal, seperti penerjemahan bahasa, pemrosesan bahasa alami. (NLP), pengenalan suara, subtitle gambar. Nama Tensorflow sendiri berasal dari operasi yang dilakukan pada jaringan saraf Tensorflow yang menggunakan array multidimensi yang disebut tensor (Tensorflow & Google, 2012).
Kerangka Pemikiran
METODOLOGI PENELITIAN
Analisa Kebutuhan
- Metode Pengumpulan Data
- Analisa Kebutuhan Perangkat Lunak
- Analisa Kebutuhan Perangkat Keras
- Spesifikasi Minimum Perangkat Keras
- Spesifikasi Rekomendasi Perangkat Keras
Metode pengumpulan data dalam pengembangan program ini adalah dengan mengumpulkan data perdagangan saham mulai dari saat saham tersebut dibuka untuk umum atau penawaran umum perdana hingga transaksi terakhir atau terkini. Peneliti saat ini menggunakan dua saham yaitu saham perusahaan Microsoft dengan kode saham MSFT dan saham perusahaan BCA (Bank Central Asia) dengan kode saham BBCA atau BBCA.JK jika pengguna mendapatkan data saham dari luar negeri maka saham Microsoft tersebut tercatat di NASDAQ- bursa efek di New York, Amerika Serikat, dan selanjutnya saham BCA dicatatkan pada bursa Indeks Harga Saham Gabungan (IHSG) di Jakarta, Indonesia. Untuk mengambil data tersebut, peneliti tidak perlu menggunakan akun, hanya dengan menginstal Yahoo Finance API di lingkungan Python, peneliti dapat dengan mudah mengambil data pasar saham. Jika pengguna ingin menjalankan program ini di luar Google Colab yaitu di komputer lain atau di komputer pengguna, maka ada spesifikasi minimum software. Spesifikasi perangkat lunak minimum adalah perangkat lunak yang diperlukan untuk menjalankan program. Jika spesifikasi minimum tidak terpenuhi, sebagian besar program mungkin tidak berfungsi sama sekali.
Hardware merupakan perangkat utama yang dibutuhkan untuk menjalankan program ini. Ada spesifikasi minimum dan spesifikasi yang disarankan untuk kategori perangkat keras ini. Spesifikasi minimum perangkat keras adalah perangkat keras yang dibutuhkan untuk menjalankan program ini. Jika perangkat keras tidak memenuhi atau kurang dari spesifikasi minimum, kemungkinan besar ini adalah programnya. Spesifikasi rekomendasi perangkat keras adalah perangkat keras yang diperlukan agar program dapat berjalan lebih cepat. Pengguna tetap dapat menjalankan program jika spesifikasi yang direkomendasikan tidak terpenuhi selama spesifikasi minimum terpenuhi, namun jika pengguna ingin prediksi harga saham dilakukan lebih cepat, peneliti menyarankan agar pengguna mengikuti spesifikasi yang direkomendasikan dari perangkat keras ini.
Perancangan Penelitian
- Desain Program
- Input Data
- Data Preprocessing
- Membuat Model LSTM
- Training Model LSTM
- Output Dan Evaluasi Hasil Prediksi
- Activity Diagram
- Proses Latihan Model Prediksi
- Melihat Hasil Prediksi
- Pemodelan User Interface
- Use-case Diagram
Ticker merupakan parameter yang digunakan untuk menentukan prediksi saham, disini user atau admin cukup memasukkan kode saham perusahaan, karena data saham diambil dari Yahoo. Proses ini merupakan proses dimana model prediksi dilatih untuk dapat memprediksi harga saham dengan akurasi terbaik, proses ini dimulai dengan admin memasukkan kode saham yang ingin diprediksi ke dalam input yang tersedia, kemudian memasukkan berbagai parameter prediksi. Admin memasukkan kode part dan parameter, kemudian kode part dan parameter dimasukkan ke dalam sistem aplikasi.
Selanjutnya, aplikasi menentukan apakah ticker saham sesuai di Yahoo Finance menggunakan Yahoo Finance API. Jika kode saham sudah sesuai maka langkah selanjutnya adalah mengambil data perdagangan saham sesuai dengan data saham tersebut. Setelah melihat proses pelatihan model prediksi, kemudian melihat hasil prediksinya, proses ini dilakukan oleh user, user cukup memasukkan kode stok yang telah dilatih untuk melihat hasil prediksi, proses ini merupakan proses sisi klien, dimana pada Anvil terdapat form yang digunakan pengguna untuk melihat hasil prediksi. Anvil kemudian mengirimkan kode penyimpanan ke aplikasi dan aplikasi memeriksa apakah kode penyimpanan sudah benar.
Teknik Analis
HASIL DAN PEMBAHASAN
Hasil
- Implementasi LSTM
- Tahap Training
- Tahap Evaluasi Dan Testing
- Menampilkan Hasil Prediksi Pada Client-side
Dalam program peramalan harga saham ini, untuk mendapatkan akurasi peramalan yang baik maka LSTM perlu dilatih dengan sejumlah data latih. Tujuan pelatihan LSTM adalah untuk. Tahap selanjutnya setelah membuat model LSTM adalah membuat model fitting yang digunakan untuk pelatihan prediksi harga saham. Untuk membuat model fitting diperlukan beberapa parameter seperti EPOCHS, BATCH_SIZE, verbose, dan data yang akan dilatih. Setelah melihat proses membangun model LSTM untuk pelatihan dan pengujian prediksi harga saham, pada subbab ini peneliti menjelaskan cara menampilkan atau mengirim data dari Google Colab atau Python Notebook atau backend ke sisi klien, sisi klien yang digunakan peneliti adalah Pekerjaan Anvil, Anvil Peneliti menjelaskan pekerjaan pada Bab 2 penelitian ini, tujuan menampilkan harga saham di sisi klien adalah untuk memudahkan pengguna awam yang ingin mencoba melihat prediksi harga saham, sebelum melihat cara memanggil data. ke dalam Anvil maka perlu dilakukan instalasi modul Anvil pada lingkungan Python, cara instalasi Anvil cukup mudah yaitu dengan menggunakan perintah berikut pip install anvil-uplink pada lingkungan command line python.
Tahap selanjutnya pada software peramalan harga saham atau backend atau python notebook, disini peneliti membuat suatu fungsi yang sesuai dengan fungsi sisi klien atau aplikasi Anvil yang disebut dengan fungsi. Variabel imbal hasil saham merupakan variabel yang dikirimkan ke Anvil sebagai keluaran perkiraan harga saham. Perlu diingat kembali bahwa source code yang peneliti buat merupakan source code Google Colab yang menggunakan Google Drive sebagai model penyimpanan hasil pelatihan prediksi dan hasil prediksi harga saham.
Pembahasan
- Hasil Proses Training
- Hasil Prediksi
- Hasil Pada Client-Side
Waktu yang dibutuhkan untuk menyelesaikan proses pelatihan 1000 epoch melalui Google Colab versi gratis berbeda-beda, paling cepat 1,17 detik per epoch atau 1170 detik, artinya proses pelatihan prediksi harga saham 1000 epoch di Google Colab tercepat membutuhkan waktu 19, 5 menit. , untuk proses terlama yang dialami para peneliti, yaitu 2,19 detik per epoch, atau sekitar 36,5 menit. Peneliti belum bisa memastikan secara pasti bagaimana perubahan dua kali lipat itu bisa terjadi selama latihan. Sebab, Google tidak memberikan informasi apa pun terkait hal tersebut. Pada bagian ini peneliti menyajikan hasil prediksi yang dibuatnya. Hasil peramalan yang pertama disini adalah ramalan harian yang artinya peneliti menjalankan proses pelatihan dan pengujian setiap hari selama 7 hari untuk melihat keakuratan model ramalan harga penutupan saham dengan harga penutupan sebenarnya. yang lainnya merupakan hasil perkiraan pada periode waktu yang berbeda, artinya peneliti menetapkan target hari perkiraan secara berbeda namun tetap menggunakan data pelatihan dan model pelatihan yang sama. Saham yang digunakan disini adalah Saham MSFT dari Microsoft dan saham lainnya masing-masing adalah Saham BBCA dari Bank Central Asia dan BCA. Pada kedua tabel di atas terlihat hasil peramalan harga saham, kedua tabel tersebut berisi data prediksi harga penutupan, harga penutupan aktual, prediksi pergerakan harga dan pergerakan harga aktual, dan yang terakhir adalah nilai keakuratan ramalan, sebagai Pada subbab 3 analisis bab teknis dijelaskan bahwa nilai ketepatan prediksi merupakan nilai yang menjadi salah satu nilai penentu penelitian ini.
Tabel 4.5 dan 4.6 menunjukkan hasil prakiraan harga saham dengan target hari prakiraan yang berbeda-beda. Disini peneliti ingin melihat seperti apa hasil peramalan jika suatu model peramalan digunakan untuk meramalkan beberapa hari ke depan. Disini peneliti mencoba untuk melakukan prediksi pada hari ke 20 dan 20. Setelah mendapatkan seluruh keakuratan hasil prediksi maka dilakukan perhitungan rata-rata keseluruhan dengan perhitungan sebagai berikut. Tangkapan layar hasil perkiraan saham MSFT sisi klien. Hal ini dapat dilihat pada Gambar 4.8 hingga 4.10 yang merupakan screenshot user interface sisi klien dari aplikasi prediksi harga saham. Terlihat bahwa selain dapat melihat prediksi, disini peneliti juga menambahkan fitur-fitur di luar cakupan penelitian ini yaitu fitur untuk melihat informasi saham, informasi saham yang dapat dilihat pengguna berupa harga penutupan sebelumnya, penawaran. dan penawaran, kapan saham tersebut diperdagangkan, volume perdagangan terkini, kapitalisasi pasar perusahaan, dan rasio P/E, atau rasio harga terhadap pendapatan.
Implikasi Penelitian
Dapat dilihat pada Gambar 4.8 hingga 4.10 yang merupakan screenshot user interface sisi klien dari aplikasi prediksi harga saham. Terlihat bahwa selain dapat melihat prediksi, disini peneliti juga menambahkan fitur-fitur di luar cakupan penelitian ini yaitu fitur untuk melihat informasi saham, melihat informasi saham, pengguna berupa harga penutupan sebelumnya, persediaan dan permintaan, kapan saham diperdagangkan, volume perdagangan terkini, kapitalisasi pasar perusahaan, dan rasio P/E, atau rasio harga terhadap pendapatan. .. mencapai 97,4% yang diperoleh dengan menghitung nilai rata-rata dari semua hasil akurasi prediksi yang diperoleh. Penggunaan aplikasi prediksi harga saham ini dapat membantu dan menjadi referensi bagi investor baru maupun berpengalaman untuk mengetahui prediksi harga penutupan suatu saham. Menggunakan aplikasi prediksi harga saham ini dapat membantu investor baru memilih saham perusahaan mana yang akan dibeli dengan melihat perkiraan saham dan informasi yang tersedia.
Berdasarkan rumusan masalah yang telah dikemukakan, maka kesimpulan dari hasil penelitian dan pengembangan perancangan aplikasi peramalan harga saham menggunakan deep learning dengan algoritma long-short-term memory adalah sebagai berikut: Cara membangun aplikasi peramalan harga saham menggunakan deep learning dengan algoritma memori jangka panjang-pendek adalah sebagai berikut. Saran yang dapat diberikan untuk aplikasi peramalan harga saham masa depan menggunakan deep learning dengan algoritma memori jangka pendek adalah:
KESIMPULAN DAN SARAN
Kesimpulan
Pada penelitian ini diperoleh rata-rata akurasi keseluruhan sebesar 97,4% yang dihitung dari nilai rata-rata seluruh hasil akurasi prediksi dari Tabel 4.3 sampai dengan Tabel 4.6.
Saran
