PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION

Transkripsi

1 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan Program Studi Manaemen Informatia, Faultas Teni, Universitas Trunooyo Madura ABSTRACT Stoc price prediction is useful for investor to understand how investment goes in an organization in the future. Prediction can anticipate stoc price fluctuation. Prediction will help investor to mae decision. Usually, fundamental analysis and technical analysis is used for prediction. In this paper, Neural Networs is used. To get a solution, Multilayer Feedforward Networ (MLFN) Neural Networ method with supervised algorithm is applied. The supervised algorithm used for stoc price prediction is Bacpropagation. This algorithm can supervise the netwos by using previous stoc price data, classifying them and putting weight on the networs. As results, stoc price prediction with neural networ gets less error. It gives a conclusion that prediction using neural networ MLFN bacpropagation is better than any conventional method. Keywords: Neural Networ, Multilayer Feedforward Networ, Bacpropagation. Pendahuluan Peran pasar modal dalam pereonomian Indonesia mulai melembaga. Saat ini pembelian saham menadi salah satu pilihan modal yang sah, selain bentu modal lainnya seperti uang, tanah, dan emas. Fator-fator rasional dan berbagai fator tida rasional menadi fator penentu dalam pembelian saham. Fator rasional umumnya beraitan analisis fundamental. Analisis ini difousan dan dilauan terhadap aspe fundamental seperti laba per saham, deviden per saham, strutur permodalan, potensi pertumbuhan, dan prospe usaha perusahaan dari perusahaan yang memasui pasar modal. Pada dasarnya, pendeatan ini meneanan nilai atau harga saham berdasaran laba yang aan diperoleh dari saham Analisis fundamental tida memperhatian pada pola pergeraan saham di masa silam tetapi berusaha menentuan nilai yang tepat untu suatu saham. Pada pasar modal yang sempurna dan efisien, harga saham mencerminan semua informasi yang tersedia secara umum di bursa maupun informasi yang hanya dapat diperoleh dari golongan-golongan tertentu. Tinggi rendahnya harga saham dipengaruhi oleh banya fator seperti ondisi dan inera perusahaan, resio, deviden, tingat suu bunga, ondisi pereonomian, ebiasanaan pemerintah, lau inflasi, penawaran dan permintaan serta masih banya lagi. Karena dimunginan adanya perubahan fator-fator di atas, harga saham dapat nai atau turun. Predisi harga saham aan sangat bermanfaat bagi investor untu dapat melihat bagaimana prospe investasi saham sebuah perusahaan di masa datang. Predisi harga saham dapat digunaan untu mengantisipasi nai-turunnya harga saham. Dengan adanya predisi harga saham, sangat membantu para investor di dalam pengambilan eputusan. Terdapat dua metoda yang dapat digunaan dalam implementasi predisi yaitu: Metoda onvensional dan Jaringan Syaraf Tiruan (JST). Tuuan Penelitian yang diulas adalah:. Membuat apliasi untu mempredisi harga saham menggunaan aringan saraf tiruan Multilayer Fedforward Networ algoritma pembelaaran Bacpropagation 2. Memberian pandangan epada manaer investasi dari sudut pandang yang berbeda mengenai predisi pergeraan harga saham. Adapun rumusan masalah yang tercaup adalah:. Bagaimana memberian alternatif eputusan emunginan benar lebih besar daripada salah 2. Bagaimana menyeimbangan etidanormalan aibat andungan informasi dari publiasi menuu e titi eseimbangan harga baru 3. Bagaimana memanfaatan informasi yang tida terobservasi untu mencari euntungan. 2. Landasan Teori 2. Saham Saham adalah tanda penyertaan atau epemilian seseorang atau badan dalam suatu perusahaan atau perusahaan terbatas. Wuud saham berupa selembar ertas yang menerangan siapa pemilinya. 2.2 Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah salah satu representasi buatan dari ota manusia yang selalu mencoba mensimulasian proses pembelaaran pada ota manusia Ota manusia berisi beruta-uta sel saraf yang bertugas untu 08

2 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 memproses informasi. Tiap-tiap sel beera seperti suatu processor sederhana. Masing-masing sel tersebut saling berinterasi sehingga menduung emampuan era ota manusia Pelatihan Jaringan Syaraf Tiruan Pelatihan Jaringan Syaraf bertuuan untu mencari bobot-bobot yang terdapat pada setiap layer. Ada dua enis pelatihan dalam sistem aringan syaraf tiruan [2], yaitu:. Supervised Learning. Dalam proses pelatihan ini, aringan dilatih cara diberian data-data yang disebut training data yang terdiri atas pasangan input-output yang diharapan dan disebut associative memory. Setelah aringan dilatih, associative memory dapat mengingat suatu pola. Jia aringan diberi input baru, aringan dapat menghasilan output seperti yang diharapan berdasaran pola yang sudah ada. 2. Unsupervised Learning. Dalam proses pelatihan ini, aringan dilatih hanya diberi data input yang memilii esamaan sifat tanpa disertai output Bacpropagation Bacpropagation merupaan salah satu metode pelatihan dari Jaringan Syaraf Tiruan. Bacpropagation menggunaan arsitetur multilayer metode pelatihan supervised training [2] Jaringan Saraf Tiruan untu Predisi Salah satu bidang dimana Jaringan Syaraf Tiruan dapat diapliasian bai adalah dalam bidang peramalan (forecasting). Peramalan yang sering dilauan adalah peramalan nilai tuar valuta asing, peramalan cuaca dan lain-lain. Secara umum peramalan yang dapat dilauan oleh Jaringan Syaraf Tiruan adalah peramalan runtut watu (time series) sebagai input dan target dari output yang diinginan pada proses pelatihan adalah data periode sebelum tahun yang aan diramal, data tersebut digunaan untu menentuan bobot yang optimal. Setelah bobot optimal didapatan dari proses pelatihan, bobot-bobot tersebut digunaan untu menentuan nilai peramalan ia sistem diui oleh data yang pernah masu dalam sistem peramalan [3]. 3. Metode Penelitian Langah-langah predisi harga saham JST adalah sebagai beriut:. Input data saham periode sebelumnya 2. Data aan diproses melalui 2 tahap, yaitu tahap pelatihan dan tahap penguian 3. Output aan didapatan berupa harga saham yang dipredisi 3. Tahap pelatihan Tahap ini adalah proses pengenalan pola pola data yang telah dinormalisasi agar sistem dapat menentuan bobot bobot yang dapat memetaan antara data input data target output yang diinginan. Input yang digunaan adalah berupa data harga saham perhari dari periode lalu misalan tahun 2000 dan tahun 200. Target yang digunaan adalah berupa nilai output yang diinginan misalan data saham periode tahun Masing-masing input yang dilatihan memilii target output tersendiri. Notasi yang digunaan dalam algoritma pelatihan: x Data training input x = (x,,x i,,x n ) t Data training untu target output t = (t,,t,,t m ) α Learning rate yaitu parameter untu mengontrol perubahan bobot selama pelatihan. Semain besar learning rate, maa aringan syaraf tiruan aan semain cepat belaar tetapi hasilnya urang aurat. Semain ecil learning rate, maa aringan syaraf tiruan aan semain lambat belaar tetapi hasilnya lebih aurat. X i Unit input e-i Z Hidden unit e- Y Unit output e- v 0 Bias untu hidden unit e- v i Bobot antara unit input e-i hidden unit e- w 0 Bias untu unit output e- W Bobot antara hidden unit e- unit output e- δ Fator oresi error untu bobot w δ Fator oresi error untu bobot vi m Momentum Step Step 2 Inisialisasi. Inisialisasi nilai bobot dan bias yang dapat diset sembarang anga (aca) antara -0.5 dan 0.5, dan inisialisasi learning rate, masimal iterasi dan toleransi error. Lauan selama stopping condition masih belum terpenuhi. Untu menentuan stopping condition menggunaan masimal iterasi atau toleransi error. Jia iterasi sudah melebihi masimal iterasi maa pelatihan dihentian. Jia menggunaan toleransi error metode 09

3 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 Step 3 Step 4 Step 5 Step 6 Step 7 Step 7 Step 8 Mean Absolute Persentage Error (), bila nilai urang dari atau sama toleransi error maa pelatihan dihentian. Setiap unit input (X i, i =,...,n) menerima sinyal input dan menyebarannya pada seluruh hidden unit Setiap hidden unit (Z, =,...,p) aan menghitung sinyal-sinyal input bobot dan biasnya. z _ in 0 n i= x v i i Kemudian menggunaan fungsi ativasi yang telah ditentuan diperoleh sinyal output dari hidden unit z = f(z_in ) Setiap unit output (Y, =,...,m) aan menghitung sinyal-sinyal dari hidden unit bobot dan biasnya. y _ in 0 p = Z W Kemudian menggunaan fungsi ativasi yang telah ditentuan diperoleh sinyal output dari unit output y = f(y_in ) Dihitung esalahan antara target output output yang dihasilan menggunaan metode Mean Absolute Persentage Error persamaan Jia masih belum memenuhi syarat, dilauan penghitungan fator oresi error (δ ). δ = (t - y ) f (y_in ) Fator oresi error digunaan untu menghitung oresi error (ΛW ) untu memperbaharui W. ΛW = α δ z Setiap hidden unit (Z, =,...,p) aan menghitung bobot yang diiriman output unit Jia ondisi iterasi pertama yang rumus yang digunaan. m δ _ in = δ w = Kemudian hasilnya dialian turunan dari fungsi ativasi untu mendapatan fator oresi error δ = δ_in f (z_in ) ΛV i = α δ x i Pada iterasi edua dan selanutnya. m δ _ in = δ w = Kemudian hasilnya dialian turunan dari fungsi ativasi untu mendapatan fator oresi error δ = δ_in f (z_in ) ΛV i = (m δ - ) (α δ x i ) * (-m) Setiap unit output (Y, =,...,m) aan memperbaharui bobotnya dari setiap hidden unit. W (baru) = W (lama) ΛW Demiian pula setiap hidden unit (Z, =,...,p) aan memperbaharui bobotnya dari setiap unit input. V i (baru) = V i (lama) ΛV i Memerisa stopping condition 3.2 Tahap Penguian Setelah bobot yang terbai pada tahap pelatihan didapat, maa nilai pembobot tersebut digunaan untu mengolah data masuan untu menghasilan eluaran yang sesuai. Hal ini digunaan untu mengui apaah JST dapat beera bai yaitu dapat mempredisi pola data yang telah dilatihan tingat esalahan yang ecil. Notasi yang digunaan dalam algoritma penguian: X i Unit input e-i Z Hidden unit e- Y Unit output e- v 0 Bias untu hidden unit e- v i Bobot antara unit input e-i hidden unit e- w 0 Bias untu unit output e- W Bobot antara hidden unit e- unit output e- Step Step 2 Step 3 Inisialisasi Inisialisasi nilai bobot dan bias sesuai bobot yang dihasilan pada proses pelatihan Setiap input (X i, i =,...,n) menyebaran sinyal input pada seluruh hidden unit Setiap hidden unit (Z, =,...,p) aan menghitung sinyal-sinyal input bobot dan biasnya. 0

4 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 Step 4 z _ in 0 n i= x v i i Kemudian menggunaan fungsi ativasi yang telah ditentuan diperoleh sinyal output dari hidden unit z = f(z_in ) Setiap unit output (Y, =,...,m) aan menghitung sinyal-sinyal dari hidden unit bobot dan biasnya. y _ in 0 p = Z W Kemudian menggunaan fungsi ativasi yang telah ditentuan diperoleh sinyal output dari unit output y = f(y_in ) 4. Pembahasan 4. Data Ui coba Data ui coba sistem ini dilauan mendapat data dari Bursa Efe Surabaya. Sebagian data yang ada telah dibuat untu proses pelatihan dan untu melauan proses ui coba. 4.2 Penguian Perangat Luna Penguian sistem predisi harga saham ini memilii tahapan-tahapan yang harus dilauan agar tida teradi esalahan pada watu menalanan sistem ini. Mulai dari menginputan data perusahaan, data harga saham, emudian watu proses pelatihan Form Pelatihan Form pelatihan digunaan untu melatihan pola-pola data periode tahun-tahun sebelumnya yang ditentuan oleh user. Gambar. Tampilan Form Pelatihan Parameter pelatihan adalah variabel-variabel pelatihan yang ditentuan oleh user untu melauan pelatihan pada polapola data saham periode tahun-tahun sebelumnya. Variabel-variabel tersebut antara lain umlah hiden node, learning rate, RMSE (toleransi error), masimal iterasi, momentum dan batas tahun pelatihan yang di latih oleh sistem. User uga dapat menean tombol : - Default parameter untu menentuan parameter-parameter terbai yang diadian sebagai Parameter pelatihan. Tombol Proses digunaan untu memulai pelatihan. Selain itu pada form ini terdapat grafi yang menyaian nilai error yang dihasilan sistem pada setiap iterasi pelatihan yang dilauan. Setelah proses selesai dilauan maa ita harus menyimpan hasil pelatihan tersebut cuup menean tombol Simpan Hasil Pelatihan. Jia ita menean tombol Lihat Arsitetur maa aan muncul arsitetur aringan saraf tiruan bacpropagatian - Form validasi digunaan untu melihat etepatan sistem dalam mengenali pola-pola data yang telah diinputan. Pada form ini tersai informasi tentang data atual dari tahun yang di validasi, hasil predisi sistem, selisih peramalan sistem dan persentase esalahan dari sistem yaitu pada RMSE hasil belaar yang sudah diperoleh pada watu pelatihan dan RMSE hasil uicoba yang dilauan setelah user menean tombol proses.

5 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, Form Ui Coba Form ini digunaan untu melauan penguian eauratan sistem dalam mempredisi pola data yang tida dilatihan. Gambar 2. Tampilan Form Ui Coba Predisi Pertahun Pada form ini tersai informasi tentang data atual dari tahun yang di ui cobaan, hasil predisi sistem, selisih peramalan sistem dan persentase esalahan dari sistem setelah user menean tombol proses. Pada form ini uga terdapat grafi yang menunuan hasil predisi sistem dan data atual. Jia tahun predisi yang dipilih adalah tahun yang datanya ada pada data saham maa sistem emudian menampilan selisih antara data atual data peramalan sedangan ia data tida ada pada data pengangguran maa sistem hanya menampilan data hasil predisi sistem. Untu predisi perbulan, ita tinggal memilih predisi perbulan atau pertahun. Jia perbulan maa ita pilih uga bulan yang aan dipredisi Evaluasi Tahap Pelatihan Tahap pelatihan bertuuan untu mencari bobot-bobot terbai pada setiap layer. Jaringan dilatih data saham tahun 997 sampai tahun 200. Pola data pertama adalah data tahun 997, 998, 999, 2000, menadi input sedangan data tahun 200 menadi target output untu pola data edua adalah data tahun 998, 999, 2000 menadi input sedangan data tahun 200 menadi target output. Arsitetur Jaringan Syaraf Tiruan terdiri dari satu layer input 240 node yang isinya adalah 5 tahun data saham, satu layer tersembunyi (hidden layer) dan satu layer output. Jumlah node input sesuai banyanya data pada lima tahun yang ditampilan perhari. Jumlah node output sesuai umlah data output yang dilatihan satu tahun dan 2 bulan. Jumlah node hidden diperoleh dari hasil percobaan sebagai beriut, sistem dilatihan pola data tahun 999 dan 2000 sebagai input data tahun 200 sebagai output. Selanutnya pola data tahun 2000 dan 200 sebagai input data tahun 2002 sebagai output. Kondisi pelatihan dari sistem aan berhenti ia nilai error yang dihasilan sistem lebih ecil dari nilai toleransi error yang ditetapan atau umlah iterasi yang telah dilauan telah melebihi umlah masimal iterasiyang ditetapan. Karena Hidden node sebanya 240 unit menghasilan umlah iterasi relatif ecil, dan banyanya bobot yang diperluan relatif sediit sehingga watu pelatihan dan penguian yang diperluan relatif lebih cepat uuran tabel yang relatif ecil. Selain umlah hidden node, ada beberapa parameter lain yang perlu diatur yaitu learning rate dan momentum. Learning rate berpengaruh pada ecepatan dan tingat aurasi Jaringan Syaraf Tiruan dalam proses pembelaaran. Semain besar learning rate, maa Jaringan Syaraf Tiruan semain cepat belaar tetapi hasilnya urang aurat. Semain ecil learning rate, maa Jaringan Syaraf Tiruan semain lambat belaar tetapi hasilnya lebih aurat. Learning rate sebesar 0.95 dipilih arena menghasilan umlah iterasi yang memilii aurasi yang cuup bai saat sistem melauan tahap penguian. Momentum berpengaruh pada perubahan bentu grafi error. Semain besar nilai momentum, maa bentu urva pada grafi error semain curam. Semain ecil nilai momentum, maa bentu urva grafi error semain landai [3]. 4.3 Membandingan Hasil Predisi Untu membutian hasil predisi menggunaan Jaringan Syaraf Tiruan mempunyai nilai error yang minimum, maa hasil predisi dibandingan metode Konvensional. Hasil perbandingan dapat dilihat pada Tabel. Berdasaran Tabel. dapat dilihat bahwa hasil predisi sistem memilii umlah esalahan yang lebih ecil daripada hasil predisi metode Konvensional. Maa dapat disimpulan bahwa hasil predisi menggunaan Jaringan Syaraf Tiruan menghasilan esalahan lebih bai, hal ini dibutian error yang lebih ecil. 2

6 Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 Tahun JST Tabel. Perbandingan Hasil Predisi WMA EMA MACD SMA Osc StochRSI Keterangan: dalam persen (%) 5. Kesimpulan dan Saran 5. Kesimpulan Hasil dari implementasi dan evaluasi sistem predisi menggunaan Jaringan Syaraf Tiruan dan membandingan hasil predisinya metode Exponential Smoothing maa dapat diambil esimpulan sebagai beriut:. Konfigurasi parameter untu pelatihan sistem predisi menggunaan Jaringan Syaraf Tiruan terbai yang didapat dari hasil percobaan menghasilan onfigurasi umlah hidden node 50, nilai learning rate 0,95, batas tahun pelatihan adalah tahun 998, nilai momentum 0,95 dan toleransi 3.97%. 2. Perbandingan eauratan predisi membandingan nilai antara metode Konvensional dan Jaringan Syaraf Tiruan untu tahun predisi 999 adalah 2.7% untu metode Jaringan Syaraf Tiruan algoritma Bacpropagation sedangan untu metode Konvensional SMA (09.45%), WMA (8.32%), EMA (2.03%), MACD (2.03%) dan StochRSI (9.04%) 5.2 Saran Sistem predisi harga saham menggunaan aringan syaraf tiruan ini mempunyai elemahan yang perlu diembangan. Salah satu hal yang dapat diembangan dalam sistem ini untu selanutnya adalah penambahan umlah layer pada hidden node yang dibuat dinamis sehingga memunginan sistem menghasilan predisi yang lebih aurat. Daftar Pustaa [] Kusumadewi,S. (2003). Artificial Intelligence. Graha Ilmu, Yogyaarta. [2] Setiawan, K. (2003). Paradigma Sistem Cerdas. Bayumedia Publishing, Malang. [3] Siang JJ. (2005). Jaringan Syaraf Tiruan dan pemrogramannya menggunaan MATLAB. ANDI, Yogyaarta. [4] Syamsir, H. (2006). Solusi Investasi di bursa saham Indonesia. Elex Media Komputindo, Jaarta. [5] Muis, S. (2006). Jaringan Saraf Tiruan sebagai alat bantu peramalan harga saham. Graha Ilmu, Yogyaarta. [6] Purnomo, M.H dan Kurniawan, A. (2006). Supervised Neural Netwos dan apliasinya. Graha Ilmu, Yogyaarta. [7] Data Harga Saham tahun Bursa Efe Surabaya. 3