JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 1 Maret 2014

Transkripsi

1 PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI HARGA SAHAM PADA PASAR MODAL INDONESIA Asrul Huda 1 2 ABSTRACT Goal in this research is to predict a stock price based on the condition of the data previously. There are several models of analysis techniques used and developed, to analyze stock prices in this research, such as: Neural Network, Simple Moving Average (SMA), Exponential Moving Average (EMA) and Autoregressive Integrated Moving Average (ARIMA). Input used as some kind of a combination of price, such as: the opening price, highest price, lowest price and closing price. And as the output is a graph that shows a decision. In the research that will be discussed is the use of nerve sibilant Backpropagation Network. Data from the stock prices can be taken 'time series'. Shareholders will be discussed is the share of Bank International Indonesia Tbk and stock Telekomunikasi Indonesia Tbk. Results are given nerve network sibilant indeed approaching the data, so that it can be used to predict the closing stock price on the Jakarta Stock Exchange compared to the method Simple Moving Average (SMA), Exponential Moving Average (EMA) and Autoregressive Integrated Moving Average (ARIMA). Keywords: Stock Price, Neural Network, Backpropagation INTISARI Tujuan dalam penelitian ini adalah untuk memprediksi harga saham berdasarkan kondisi data sebelumnya. Ada beberapa model teknik analisis yang digunakan dan dikembangkan, untuk menganalisis harga saham dalam penelitian ini, seperti : Neural Network, Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA). Input yang digunakan sebagai semacam kombinasi harga, seperti : harga pembukaan, harga tertinggi, harga terendah dan harga penutupan. Dan sebagai output adalah grafik yang menunjukkan keputusan. Dalam penelitian yang akan dibahas adalah penggunaan saraf sibilan Backpropagation Jaringan. Data dari harga saham dapat diambil 'time series'. Pemegang Saham yang akan dibahas adalah saham Bank International Indonesia Tbk dan saham Telekomunikasi Indonesia Tbk. Hasil diberikan jaringan saraf sibilan memang mendekati data, sehingga dapat digunakan untuk memprediksi harga saham penutupan di Bursa Efek Jakarta dibandingkan dengan metode Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA) Kata Kunci : Harga Saham, Neural Network, Backpropagation 1 Dosen Jurusan Teknik Elektronika Program Studi Pendidikan Teknik Informatika 2 Mahasiswa Program Pascasarjana Program Studi Pendidikan Teknologi dan Kejuruan (S3) Fakultas Teknik Universitas Negeri Padang 29

2 PENDAHULUAN Pasar modal merupakan tempat kegiatan perusahaan mencari dana untuk membiayai kegiatan usahanya. Selain itu, pasar modal juga merupakan suatu usaha penghimpunan dana masyarakat secara langsung dengan cara menanamkan dana ke dalam perusahaan yang sehat dan baik pengelolaannya. Fungsi utama pasar modal adalah sebagai sarana pembentukan modal dan akumulasi dana bagi pembiayaan suatu perusahaan/emiten. Dengan demikian pasar modal merupakan salah satu sumber dana bagi pembiayaan pembangunan nasional pada umumnya dan emiten pada khususnya di luar sumber-sumber yang umum dikenal, seperti tabungan pemerintah, tabungan masyarakat, kredit perbankan dan bantuan luar negeri. Sementara itu, bagi kalangan masyarakat yang memiliki kelebihan dana dan berminat untuk melakukan investasi, hadirnya lembaga pasar modal di Indonesia menambah deretan alternatif untuk menanamkan dananya. Banyak jenis surat berharga (securities) dijual dipasar tersebut, salah satu yang diperdagangkan adalah saham. Saham perusahaan go public sebagai komoditi investasi tergolong berisiko tinggi, karena sifatnya yang peka terhadap perubahanperubahan yang terjadi baik oleh pengaruh yang bersumber dari luar ataupun dari dalam negeri seperti perubahan dibidang politik, ekonomi, moneter, undang-undang atau peraturan maupun perubahan yang terjadi dalam industri dan perusahaan yang mengeluarkan saham (emiten) itu sendiri. Untuk mengantisipasi perubahan harga saham tersebut maka diperlukan analisis saham. Terdapat dua pendekatan yang sering dilakukan untuk menganalisis harga saham, yaitu analisis fundamental dan analisis teknikal [1]. Analisis Fundamental pada dasarnya adalah melakukan analisis historis atas kekuatan keuangan, dimana proses ini sering juga disebut sebagai analisis perusahaan (company analysis)[2], sementara itu analisis teknikal merupakan studi yang dilakukan untuk mempelajari berbagai kekuatan yang berpengaruh dipasar saham dan implikasi pada harga saham [3]. Analisis teknikal merupakan upaya untuk memperkirakan harga saham (kondisi pasar) dengan mengamati perubahan harga saham tersebut (kondisi pasar) diwaktu yang lampau. Meskipun demikian. analisis teknikal tidak terbatas dapat dilakukan pada saham saja, analisis teknikal dapat pula dilakukan untuk memprediksi harga suatu komoditi maupun mata uang asing [3]. Analisis teknikal menitikberatkan pada upaya-upaya untuk memperkirakan suatu harga saham. Teori yang mendasarinya adalah bahwa analisis ini berdasarkan pada kenyataan bahwa informasi masuk secara perlahanlahan kedalam harga saham, sehingga memungkinkan investor untuk memperoleh keuntungan yang lebih dari biasanya (excessive return) dengan mengamati tren pergerakan harga saham. Analisis teknikal dapat dilakukan dengan menggunakan metode-metode peramalan seperti Moving Average (MA), exponential moving average (EMA) dan trendline (Parisi dan Vasquez, 2000). Bursa efek merupakan lembaga yang menyelenggarakan kegiatan perdagangan sekuritas. Di Indonesia terdapat dua bursa efek yaitu BEJ dan BES. Masing-masing mempunyai persyaratan tersendiri agar suatu sekuritas bisa terdaftar dan diperdagangkan di bursa tersebut. Tujuan didirikan bursa efek 30

3 adalah menyelengarakan perdagangan efek yang teratur, wajar dan efisien. Sejauh ini, belum diketahui secara pasti korelasi atau hubungan antara faktor-faktor yang mempengaruhi nilai saham, sehingga secara matematis akan sulit membuat model yang dapat menggambarkan korelasi semua faktor tersebut. Disinilah tugas Jaringan Syaraf Tiruan, yaitu membuat model tersebut dan memetakan persoalan yang ada semata-mata berdasarkan masukan data yang kita berikan. Salah satu kemampuan dari jaringan syaraf tiruan adalah memprediksi berdasarkan data yang dipelajari sebelumnya dengan menggunakan metoda backpropagation. Hal lain yang menjadi keungulan dari Jaringan Syaraf Tiruan adalah kecepatan. Maksud kecepatan disini adalah kemampuan mendeteksi arah peningkatan harga saham sebelum analisa-analisa lainnya dapat menyimpulkannya. Kemampuan untuk mselakukan hal tesebut, dapat menambah keuntungan dari pemakai (bila harga saham naik) dan mengurangi kerugian (bila harga saham turun). PENDEKATAN PEMECAHAN MASALAH Metode Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah merupakan salah satu representasi buatan dan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplimentasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama pembelajaran [5]. Robert Hecht-Nielsend mendefinisikan jaringan syaraf tiruan (Neural Network) adalah struktur pemrosesan informasi yang terdistribusi dan bekerja secara paralel, yang tediri dari elemen pemrosesan (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksikan bersama alur sinyal searah yang bercabang (fanout) kesejumlah koneksi collateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemrosesan tersebut). Keluaran dari elemen pemrosesan tersebut dapat merupakan sembarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemrosesan harus benar-benar dilakukan secara lokal yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal. [2] Jaringan syaraf tiruan dibayangkan seperti otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai manusia dalam menyimpulkan sesuatu potongan-potongan informasi yang diterima. Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya. Komputer diusahakan agar bisa sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan terharap aktivitas-aktivitas yang terjadi di dalam sebuah jaringan syaraf biologis. Ketika manusia berpikir, aktivitas-aktivitas, yang terjadi adalah aktivitas mengingat, memahami, menyimpan dan memanggil kembali apa yang pernah dipelajari oleh otak. Sesungguhnya apa yang terjadi di dalam otak manusia jauh lebih rumit dari apa yang telah disebutkan diatas. Para ahli bedah otak sering membicarakan mengenai adanya pengaktifan neuron, pembuatan 31

4 koneksi baru, atau pelatihan kembali pola-pola tingkah laku pada otak manusia. Sayangnya hingga saat ini bagaimana sesungguhnya aktivitasaktivitas tersebut berlangsung belum ada yang mengetahui dengan pasti. Itulah sebabnya mengapa jaringan syaraf tiruan dikatakan hanya mengambil ide dari cara kerja jaringan syaraf biologis. Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemenelemen pemrosesan pada jaringan syaraf tiruan yang paling terhubung dan beoperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron). Cara kerja dari elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti cara neuron meng-encode informasi yang diterimanya. Hal yang perlu mendapat perhatian istimewa adalah bahwa jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke dalam jaringan syaraf tiruan dimasukkan pola-pola input (dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima [6]. Komponen Jaringan Syaraf Tiruan Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponenkomponen yang sama. Sepertinya halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antar neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasikan yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Jika dilihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi disebut dengan input akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan dioperasikan oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (thershold) tertentu melalui fungsi aktifasi, neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan keluaran (disebut dengan output) melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya, demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layers) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuronneuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan secara mundur pada jaringan.[7]. Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan syaraf biologis : 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron-neuron). 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal 32

5 input berbobot). Tujuannya adalah untuk menentukan sinyal output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinier. Adapaun cara belajar jaringan syaraf tiruan sebagai berikut : Ke dalam jaringan syaraf tiruan diinputkan yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan syaraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan Tabel 1 memperlihatkan keanalogan antara jaringan syaraf tiruan dengan jaringan syaraf.[6] Tabel 1. Keanalogan Jaringan Syaraf Tiruan terhadap Jaringan Jaringan Syaraf Tiruan Node atau input Input Output Syaraf Biologis Jaringan Syaraf Biologis Badan sel (soma) Dendrit Akson Bobot Sinapsis Hal yang ingin dicapai dengan melatih/mengajari jaringan syaraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan syaraf tiruan untuk memamnggil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan jaringan syaraf tiruan untuk menghasilkan respons yang bisa diterima terhadap polapola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam jaringan syaraf tiruan itu diinputkan informasi baru yang belum pernah dipelajari, maka jaringan syaraf tiruan itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati. HASIL DAN PEMBAHASAN Analisa Sistem Yang Dilakukan Analisa sistem adalah penguraian dari suatu sistem informasi yang utuh ke dalam bagian komponen-komponen dengan maksud untuk mengindentifikasi dan mengevaluasi permasalahanpermasalahan, hambatan-hambatan yang terjadi dan kebutuhankebutuhan yang diharapkan sehingga dapat diusulkan suatu perbaikan. Sistem yang dikembangan adalah sebuah sistem yang berupa perangkat lunak yang membantu pengguna dalam memprediksi harga saham berdasarkan harga saham sebelumnya (historical prices) dengan menggunakan jaringan syaraf tiruan. Data yang dibutuhkan dalam sistem perhitungan prediksi harga saham adalah data yang berasal dari bursa efek Jakarta, sehingga model yang dibuat dapat memprediksi harga saham di masa mendatang. Inisialisasi Data Input Pada tahap ini, data yang dibutuhkan untuk kasus ini adalah data tentang harga saham di bursa efek Jakarta, dimana data tersebut sebelum diimplementasikan menjadi sebuah masukan/input yang dapat dimengerti oleh program maka harus di inisialisasi terlebih dahulu. Dari hasil pengambilan data, variabel yang termasuk dalam bursa saham pada bursa efek Jakarta adalah : a. Harga Pembukaan b. Harga Tertinggi 33

6 c. Harga Terendah d. Harga Penutupan Penetapan Input Adapun sebagai data masukan/input untuk memprediksi harga saham pada bursa efek Jakarta berdasarkan harga saham terdahulu (historical prices) adalah : a. Harga Pembukaan b. Harga Tertinggi c. Harga Terendah d. Harga Penutupan Penetapan Output Keluaran sistem yang dari hasil perhitungan prediksi harga saham pada bursa efek jakarta dengan menggunakan jaringan syaraf tiruan adalah sebagai berikut : 1. Dari hasil pelatihan yang didapatkan adalah bobot dan bias pengolahan pelatihan (bobot bias terlatih) 2. Dari hasil pelatihan mendapatkan error pelatihan 3. Setelah pelatihan, dapat menentukan persamaan regresi 4. Dapat mengasilkan koefisien korelasi bagi data pelatihan dan data pengujian 5. Target adalah dapat memprediksi harga saham Data Penelitian dengan Jaringan Syaraf Tiruan Penelitian dengan jaringan syaraf tiruan membutuhkan data untuk pelatihan dan implementasi atau pengujian. Data saham diambil dari data harga saham sebelum (historical prices). Adapun data yang jadikan sampel untuk pelatihan yaitu data : 1. Data Harga Saham Bank Internasional Indonesia Tbk 2. Data Harga Saham Telekomunikasi Indonesia Tbk Pembangunan Jaringan Syaraf Tiruan Pada tahap perancangan JST dengan algoritma Backpropagation ini hasil analisis yang telah didapatkan akan diterapkan pada langkah-langkah algoritma Backpropagation dengan menggunakan fungsi interval [0.1, 0.9]. Berdasarkan kasus yang akan diselesaikan, maka jaringan syaraf tiruan yang dibangun terdiri dari 3 lapisan, dimana lapisan masukan terdiri dari 4 neuron masukan, lapisan keluaran terdiri dari 1 neuron keluaran, sedangkan untuk lapisan tersembunyi akan digunakan 3, 5, 7, 9 dan 11 neuron dalam pelatihan dan pengujianya. Adapun arsitektur jaringan syaraf tiruan yang digunakan seperti pada gambar berikut : Gambar 1. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 3 Neuron pada Lapisan Tersembunyi Gambar 2. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 5 Neuron pada Lapisan Tersembunyi 34

7 Gambar 3. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 7 Neuron pada Lapisan Tersembunyi Gambar 4. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 9 Neuron pada Lapisan Tersembunyi Gambar 5. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 11 Neuron pada Lapisan Tersembunyi Jaringan syaraf tiruan yang digunakan ini dilatih menggunakan teknik propagasi balik (Backpropagation). Pembelajaran pada jaringan lapisan banyak ini menggunakan cara yang sama dengan Perceptron. Pada perceptron hanya ada satu pemberat atau bobot untuk setiap masukan, akan tetapi pada jaringan lapisan banyak ini setiap masukan mempunyai banyak pemberat. Pemberat ini berlangsung dua fase. Pertama pelatihan pola masukan diberikan ke lapisan masukan jaringan. Jaringan akan meneruskan pola masukan ini dari lapisan ke lapisan berikutnya hingga dihasilkan pola keluaran, dan dikenal dengan Feedforward. Bila pola keluaran berbeda dengan keluaran yang diharapkan, kesalahan dihitung dan dialirkan kearah balik (backward). Pemberat yang telah diset dimodifikasi selama kesalahan masih ada. Sinyal-sinyal masukan dilewatkan melalui fungsi aktivasi. Fungsi aktivasi yang sering digunakan adalah fungsi aktivasi Sigmoid. Hasil Analisis Dengan Simple Moving Average Untuk dapat melihat perbandingan antara hasil pelatihan jaringan syaraf tiruan dengan metode Simple Moving Average, maka dari hasil perhitungan Simple Moving Average berdasarkan rumus yang ada dengan data sebenarnya ditunjukan pada tabel berikut ini : 35

8 Tabel 1. Perbandingan Data Sebenarnyan dengan Metode Simple Moving Average pada Harga Saham Bank Internasional Indonesia No Tanggal DS SMA Perbedaan % error 1 1/5/ /6/ /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS 0.01 Berdasarkan tabel diatas dapat dilihat bahwa rata-rata kedekatan kesalahan adalah 0,01. Untuk lebih jelasnya maka dapat dilihat pada grafik hasil dari metode menggunakan simple moving average dibawah ini : 36

9 Value JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : Simple Moving Average Data Point Actual Forecast Gambar 6. Grafik Hasil Pengujian Saham Bank Internasional Indonesia Menggunakan Metode Simple Moving Average Untuk perbandingan data menggunakan Metode Simple harga saham Telekomunikasi Moving Average maka dapat dilihat Indonesia Tbk dengan pada tabel dibawah ini : Tabel 2. Perbandingan Data sebenarnya dengan Metode Simple Moving Average pada Harga Saham Telekomunikasi Indonesia Tbk No Tanggal DS SMA Perbedaan % error 1 1/5/ /6/ /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/

10 Value JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : No Tanggal DS SMA Perbedaan % error 32 2/18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS Berdasarkan tabel diatas dapat dilihat bahwa rata-rata kedekatan kesalahan adalah 0,006. Untuk lebih jelasnya maka dapat Simple Moving Average dilihat pada grafik hasil dari metode menggunakan Simple Moving Average dibawah ini : Actual Forecast Data Point Gambar 7. Grafik Hasil Pengujian Saham Telekomunikasi Indonesia Tbk Menggunakan Metode Simple Moving Average Perbandingan Data Sebenarnya dengan Metode Exponential Moving Average Untuk dapat melihat perbandingan antara data sebenarnya dengan metode Exponential Moving Average (EMA), maka dari hasil perhitungan Moving Average maka dapat ditunjukan pada tabel dibawah ini : Tabel 3. Perbandingan Hasil Data Sebenarnya dengan Metode Exponential Moving Average pada Harga Saham Bank Internasional Indonesia No Tanggal DS EMA Perbedaan % error 1 1/5/ /6/ /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/

11 No Tanggal DS EMA Perbedaan % error 13 1/21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS 0.01 Berdasarkan tabel diatas dapat dilihat bahwa rata-rata kedekatan kesalahan adalah 0,01. Untuk perbandingan data harga saham Telekomunikasi Indonesia Tbk dengan menggunakan Metode Exponential Moving Average maka dapat dilihat pada tabel dibawah ini : Tabel 4. Perbandingan Hasil Data Sebenarnya dengan Metode Exponential Moving Average pada Harga Saham Telekomunikasi Indonesia Tbk No Tanggal DS EMA Perbedaan % error 1 1/5/ #N/A 2 1/6/ /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/

12 No Tanggal DS EMA Perbedaan % error 13 1/21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS Berdasarkan tabel diatas dapat dilihat bahwa rata-rata kedekatan kesalahan adalah 0,009. Rekap Hasil Pelatihan dan Pengujian Berdasarkan pelatihan dan pengujian yang dilakukan terhadap JST dengan beberapa neuron pada lapisan tersembunyi terhadap data yang ada maka didapat hasil seperti tabel 5. dibawah ini : a.) Untuk harga Saham Bank Internasional Indonesia Tbk Tabel 5. Hasil Pelatihan untuk Harga Saham Bank Internasional Indonesia Tbk Arsitektur JST Epoch Perfomansi Ketepatan 3 Neuron LT ,15% 5 Neuron LT ,54% Training 7 Neuron LT ,28% 9 Neuron LT ,03% 11 Neuron LT ,41% pada lapisan tersembunyi yaitu memberikan hasil prediksi sebesar 61,54% dengan nilai MSE yang cukup kecil dan epoch sebesar 7. Dari tabel 5.15 terlihat bahwa pada proses pelatihan dengan beberapa neuron yang ketepatan prediksinya mendekati adalah JST dengan 5 neuron 40

13 b.) Untuk harga Saham Telekomunikasi Indonesia Tbk Tabel 6. Hasil Pelatihan untuk Harga Saham Telekomunikasi Indonesia Tbk Arsitektur JST Epoch Perfomansi Ketepatan 3 Neuron LT ,54% 5 Neuron LT ,85% Pengujian 7 Neuron LT ,97% 9 Neuron LT ,72% 11 Neuron LT ,85% Korelasi dan Bentuk Persamaan Regresi yang dihasilkan Berdasarkan hasil pengolahan data yang telah dilakukan maka dihasilkan bentuk persamaan regresi dan besarnya korelasi dari data yang telah dilakukan pelatihan dan pengujian yang telah dilakukan. Untuk lebih jelasnya dapat dilihat pada tabel dibawah ini : Dari tabel 6 terlihat bahwa pada proses pelatihan dengan beberapa neuron yang ketepatan prediksinya mendekati adalah JST dengan 3 neuron pada lapisan tersembunyi yaitu memberikan hasil prediksi sebesar 61,54% dengan nilai MSE yang cukup kecil dan epoch sebesar 166. Tabel 7. Korelasi dan Bentuk Persamaan Regresi yang dihasilkan Hasil Pelatihan dan pengujian No Nama Perusahaan Korelasi Persamaan Regresi 1 Bank Internasional Indonesia Tbk 0,948 A = (0,898) T + (0,0528) 2 Telekomunikasi Indonesia Tbk 0,751 A = (0,565) T + (0,209) Dari tabel diatas dapat dilihat bahwa korelasi antara harga saham pada Bank Internasional Indonesia Tbk cukup besar terhadap perubahan waktu yaitu sebesar 0,948 (94,8)% dengan bentuk persamaan regresi A = (0,898) T + (0,0528). Sedangkan untuk harga saham Telekomunikasi Indonesia Tbk didapatkan korelasi sebesar 0,751 (75,1%) dengan bentuk persamaan regresi A = (0,565) T + (0,209) Analisis Data dengan Metode ARIMA Untuk menganalisis data dengan menggunakan metode ARIMA maka pengolahan data yang dikerjakan akan dibantu dengan program NCSS sehingga akan dapat menghasilkan suatu prediksi harga saham dimasa yang akan datang sesuai dengan kebutuhan. Tabel 8. Hasil Analisis Prediksi Harga Saham Bank Internasional Indonesia Tbk dengan Metode ARIMA No Tanggal DS ARIMA Perbedaan % error 1 1/5/ /6/ /7/ /8/ /9/ /12/ /13/

14 No Tanggal DS ARIMA Perbedaan % error 8 1/14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS Berdasarkan tabel diatas dapat dilihat bahwa hasil pengolahan data harga Saham Bank Internasional Indonesia Tbk menggunakan metode ARIMA dengan memanfaatkan program NCSS dapat dilihat bahwa ratarata kedekatan adalah Untuk lebih jelasnya dapat dilihat pada lampiran. Tabel 9. Hasil Analisis Prediksi Harga Saham Telekomunikasi Indonesia Tbk dengan Metode ARIMA No Tanggal DS ARIMA Perbedaan % error 1 1/5/ /6/ /7/ /8/ /9/ /12/ /13/

15 8 1/14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Total % Rata-Rata kedekatan dengan DS Berdasarkan tabel diatas dapat dilihat bahwa hasil pengolahan data harga Saham Telekomunikasi Indonesia Tbk menggunakan metode ARIMA dengan memanfaatkan program NCSS dapat dilihat bahwa rata-rata kedekatannya adalah sebesar Untuk lebih jelasnya dapat dilihat pada lampiran. Perbandingan Hasil Analisis Data dengan Metode JST, SMA, EMA dan ARIMA Berikut ditampilkan perbandingan hasil analisis data dengan metode Jaringan syaraf tiruan, simple moving average, exponential moving average dan Autoregressive Integrated Moving Average. 43

16 Tabel 10. Hasil Perbadingan Analisis Prediksi Harga Saham Bank Internasional Indonesia Tbk Menggunakan Metode JST, SMA, EMA, ARIMA dengan data sebenarnya No Tanggal DS JST SMA EMA ARIMA 1 1/5/ #N/A /6/ #N/A /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Berdasarkan hasil analisis yang telah dilakukan menurut tabel 5.22 diatas dapat dilihat bahwa hasil analisis dengan JST lebih baik karena ada beberapa nilai hasil prediksi sesuai dengan data sebenarnya sedangkan dengan metode yang lainnya hanya mendekati saja. 44

17 Tabel 11. Hasil Analisis Prediksi Harga Saham Telekomunikasi Indonesia Tbk Menggunakan Metode JST, SMA, EMA, ARIMA dengan data sebenarnya No Tanggal DS JST SMA EMA ARIMA 1 1/5/ #N/A /6/ /7/ /8/ /9/ /12/ /13/ /14/ /15/ /16/ /19/ /20/ /21/ /22/ /23/ /27/ /28/ /29/ /30/ /2/ /3/ /4/ /5/ /6/ /9/ /10/ /11/ /12/ /13/ /16/ /17/ /18/ /19/ /20/ /23/ /24/ /25/ /26/ /27/ Berdasarkan hasil analisis yang telah dilakukan menurut tabel 5.23 diatas dapat dilihat bahwa hasil analisis dengan JST lebih baik karena ada beberapa nilai hasil prediksi sesuai dengan data sebenarnya sedangkan dengan metode yang lainnya hanya mendekati saja. KESIMPULAN Pada bab ini dijelaskan beberapa kesimpulan sesuai dengan uraian yang telah dijelaskan bagi 45

18 kelanjutan penelitian ini yaitu sebagai berikut : a) Penerapan jaringan syaraf tiruan dengan metode backpropagation pada penelitian ini untuk memprediksi indeks harga saham pada Bursa Efek Jakarta berdasarkan harga saham terdahulu (historical prices), dari hasil pengujian data yang belum pernah dilatih mencapai target yang cukup memuaskan, dimana untuk data Bank Internasional Indonesia Tbk keberhasilannya mencapai 61,54% dan untuk Telekomunikasi Indonesia Tbk keberhasilannya mencapai 61,54%. b) Hasil pola JST yang digunakan dalam penelitian ini untuk data yang berasal dari Bank Internasional Indonesia Tbk yaitu JST dengan 3 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 46,15%, JST dengan 5 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 61,54%, JST dengan 7 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 51,28%, JST dengan 9 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 41,03%, dan JST dengan 11 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 56,41%. c) Hasil pola JST yang digunakan dalam penelitian ini untuk data yang berasal dari Telekomunikasi Indonesia Tbk yaitu JST dengan 3 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 61,54%, JST dengan 5 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 53,85%, JST dengan 7 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 58,97%, JST dengan 9 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 48,72%, dan JST dengan 11 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 53,85%. d) Penelitian ini telah memberikan kontribusi dalam memprediksi harga saham dimasa yang akan datang. Secara umum, untuk memprediksi harga saham, ada persamaan antara target dan aktual output, terutama untuk harga saham Bank Internasional Indonesia Tbk dengan korelasi sebesar 94,8% dan bentuk persamaan regresi yang dihasilkan adalah A=(0,898) T + (0,0528). Sedangkan untuk Telekomunikasi Indonesia Tbk didapatkan korelasi sebesar 75,1% dengen bentuk persamaan regresi A=(0,565) T + (0,209). e) Hasil yang diberikan jaringan syaraf tiruan mendekati data sesungguhnya, sehingga dapat digunakan dalam memprediksi harga penutupan saham pada Bursa Efek Jakarta jika dibandingan dengan metode Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA). DAFTAR PUSTAKA [1] Sabry, M, Latif, A.E, Yousef, S dan Badra, N Use of Box and Jenkins Time Series Technique in Traffic Volume Forecasting, Research Journal of Social Sciences, 2: 83-90, INSInet Publication [2] Fauset, Laurence Fundamental of Neural Network : Archictecture. Algorithm, and Application. New Jersey : Prentice Hall. 46

19 [3] Siang, JJ Jaringan Syaraf Tiruan dan Pemogramannya menggunakan MATLAB. Yogyakarta : Andi Offset. [4] H. M., Yogiyanto Teori Portofolio dan Analisis Investasi. Yogyakarta : BPFE. [5] Sri Kusumadewi, Ssi. MT Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Teknik Informatika FTI UII. [6] Diyah Puspitaningrum Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Andi Offset. [7] Anita Desiani dan Arhami, Muhammad Konsep Kecerdasan Buatan. Yogyakarta: Andi Offset 47