UNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007

Transkripsi

1 UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan Syaraf Tiruan Metoda Backpropagation Abstrak Eric Gunawan Halim Juniadi Chandra Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam menentukan kapan harus menjual dan membeli suatu index saham. Banyak teori matematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat tetapi sistem 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 sistem dinamis. Backpropagation adalah salah satu model Artificial Neural Network (ANN) yang telah diimplementasikan untuk peramalan indeks saham. 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 High dan Low dalam index saham Hangseng. Dengan datadata 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, close dan variabel output high dan low dengan menggunakan dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node hidden layer2 75 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 : Backpropagation, peramalan, saham. iii

2 PRAKATA Dengan segala kerendahan hati, kami mengucapkan rasa syukur kepada Tuhan YangMaha Esa karena hanya dengan lindungan, rahmat, dan karunia-nya kami dapat menyelesaikan skripsi yang berjudul Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan Syaraf Tiruan metoda Backpropagation dengan baik. Skripsi ini merupakan karya ilmiah yang disusun penulis sebagai salah satu syarat kelulusan dalam jenjang pendidikan Strata-1 pada Universitas Bina Nusantara. Dalam penyusunan skripsi ini, penulis mendapatkan banyak bantuan, dorongan dan dukungan dari berbagai pihak, baik secara langsung maupun tidak langsung, moril maupun materiil. Untuk itu, pada kesempatan ini penulis dengan tulus ingin menyampaikan rasa terima kasih, antara lain kepada: 1. Bapak Prof. Dr. Drs. Gerardus Polla, M.APP. Sc selaku rektor Universitas Bina Nusantara. 2. Bapak Haryono Soeparno Ir, Msc., Dr. selaku dosen pembimbing kami yang telah sangat meluangkan waktu sibuknya dengan sabar membimbing penulis dalam menyelesaikan skripsi ini. 3. Segenap keluarga besar PT Mahadana Asta Berjangka terutama Niko dalam memberikan kesempatan dan waktunya untuk diwawancarai dan memberi informasi tentang dunia persahaman. 4. Orang tua, kakak, adik, kakek, nenek, serta saudara-saudara penulis yang telah memberikan bantuan semangat, dukungan moril dan materiil kepada penulis sehingga skripsi ini terselesaikan 5. Teman-teman kampus yang memberikan dorongan mental dan spiritual iv

3 6. Semua pihak yang telah banyak membantu penulis dalam penyusunan skripsi ini yang tidak dapat penulis sebutkan satu persatu. Akhir kata, tiada gading yang tak retak, dengan segala kelebihan dan kekurangannya, penulis sangat berharap pada skripsi ini dapat diberikan saran yang bersifat konstruktif agar menjadi suatu penelitian yang lebih baik di masa mendatang dan memberikan manfaat kepada semua pihak yang memerlukannya. Penulis v

4 DAFTAR ISI Halaman Judul Luar Halaman Judul Dalam Halaman Persetujuan Hardcover Halaman Persetujuan Dewan Penguji Abstrak Prakata Daftar Isi Daftar Tabel Daftar Gambar Daftar Lampiran i ii iii iv vi x xii xiv BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengembangan Aplikasi Ruang Lingkup Tujuan dan Manfaat Metodologi Penelitian Sistematika Penulisan 4 BAB 2 LANDASAN TEORI 2.1 Saham 6 vi

5 2.2 ANN Backpropagation Arsitektur Jaringan Pengaruh Parameter terhadap Unjuk Kerja Backpropagation Tahapan - Tahapan Proses Estimasi Estimasi dengan Metode ANN Backpropagation Teknik Penarikan Contoh 35 BAB 3 PERANCANGAN SISTEM 3.1 Model Umum ANN pada Estimasi Harga Saham Klasifikasi Inputan / Masukan Pemilihan Variabel Input dan Output Pemetaan Harga Saham sebagai Masukan (input) dalam ANN Desain Model Backpropagation Perancangan Arsitektur Jaringan Penentuan Fungsi Aktivasi Learning Rule dan Konstanta Laju Belajar Proses Pelatihan ANN Backpropagation Penentuan Arsitektur Jaringan Pembagian dan Penyekalaan Data Input dan Output Inisialisasi Bobot Tahap Feedforward Tahap Backward 62 vii

6 3.5 Proses Pengujian ANN Backpropagation Perancangan Layar 64 BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Pengujian Untuk Tahap Pelatihan Pengujian dengan Menggunakan Metoda Guang Pengujian dengan Hasil Satu Output Pengujian dengan Menggunakan Dua Output Pengujian dengan Menggunakan Jumlah Node Hidden Layer yang Berbeda Implementasi Arsitektur ANN sebagai Decision Support dalam Peramalan Harga Index Saham Harian 99 BAB 5 SIMPULAN DAN SARAN 5.1 Simpulan Saran 106 DAFTAR PUSTAKA 108 DAFTAR RIWAYAT HIDUP 110 LAMPIRAN LAMPIRAN L1 SURAT SURVEI viii

7 DAFTAR TABEL Tabel 3.1 Contoh pengambilan nilai 47 Tabel 3.2 pengambilan data pelatihan 53 Tabel 3.3 pengambilan data testing 54 Tabel 3.4 input dan output target yang tidak terskala 54 Tabel 3.5 tabel hasil penyekalaan 55 Tabel 3.6 Contoh data input pelatihan sebagai input pada input layer 59 Tabel 3.7 Contoh data input pelatihan sebagai target output 59 Tabel 4.1 Output high dengan input tanpa Volume, Low dan jumlah node hidden layer1 75, hidden layer Tabel 4.2 Output high low dengan input tanpa Volume, Low dan jumlah node hidden layer1 75, hidden layer Tabel 4.3 Pengujian dengan Metoda Guang 75 Tabel 4.4 Pengujian High Low tanpa input variabel 77 Tabel 4.5 Pengujian harga high tanpa input volume dan low 79 Tabel 4.6 Pengujian high dengan semua input 80 Tabel 4.7 Pengujian Harga Low Tanpa Input Volume dan High 81 Table 4.8 Pengujian Low dengan semua input 82 Tabel 4.9 Pengujian 2 output dengan semua variabel 84 Tabel 4.10 Pengujian 2 output tanpa volume 85 ix

8 Tabel 4.11 Hidden layer yang digunakan 86 Tabel 4.12 Pengujian High dengan Hidden Layer1 150, Hidden layer Tabel 4.13 Pengujian High dengan jumlah node hidden layer1 125, Hidden layer Tabel 4.14 Pengujian High dengan jumlah node hidden layer1 100, hidden layer Tabel 4.15 Pengujian Low dengan jumlah node hidden layer1 100, hidden layer Tabel 4.16 Pengujian Low dengan jumlah node hidden layer1 75, Tabel 4.17 Pengujian Low dengan jumlah node hidden layer1 50, hidden layer Tabel 4.18 Pengujian High dan Low dengan jumlah node hidden layer1 150, hidden layer Tabel 4.19 Pengujian High dan Low dengan jumlah node Hidden layer1 125, hidden layer Tabel 4.20 Pengujian High dan Low dengan jumlah node Hidden layer1 75, hidden layer Tabel 4.21 Informasi Hasil Pengujian Dalam Bentuk Tabel dan Tree 98 Tabel 4.22 Hasil ramalan baris ke Tabel 4.23 Hasil Ramalan baris ke x

9 DAFTAR GAMBAR Gambar 2.1 fungsi undak biner (hard limit) 11 Gambar 2.2 fungsi undak biner (threeshold) 12 Gambar 2.3 fungsi bipolar (symetric hard limit) 12 Gambar 2.4 fungsi bipolar (threeshold) 13 Gambar 2.5 fungsi identitas 13 Gambar 2.6 fungsi saturating linear 14 Gambar 2.7 fungsi symetric saturating linear 15 Gambar 2.8 fungsi sigmoid biner 15 Gambar 2.9 fungsi sigmoid bipolar 16 Gambar 2.10 Arsitektur jaringan backpropagation 16 Gambar 2.11 Jaringan syaraf tiruan dengan lapisan tunggal 18 Gambar 2.12 Jaringan dengan banyak lapisan 19 Gambar 2.13 Diagram Alir pada Algoritma Pelatihan Backpropagation 23 Gambar 2.14 Diagram Alir Metode Ilmiah dalam proses estimasi 29 Gambar 2.15 Urutan data dalam proses pembelajaran backpropagation 30 Gambar 2.16 ANN sederhana 2x1x1 31 Gambar 3.1 Model umum ANN untuk estimasi harga saham 38 Gambar 3.2 Pemetaan 2 Hidden Layer 125 vektor input kedalam 2 vektor Output 41 Gambar 3.3 Proses pelatihan jaringan 48 Gambar 3.4 arsitektur jaringan backpropagation 51 xi

10 Gambar 3.5 rancangan layar 65 Gambar 3.6 Tampilan Awal Program 67 Gambar 3.7 Tampilan Program setelah dijalankan 68 Gambar 3.8 Tampilan yang dirancang untuk pihak perusahaan 69 Gambar 4.1 Hierarki Arsitektur yang dijadikan Penelitian 99 Gambar 4.2 Grafik Hasil Peramalan Back Propagation Terhadap Real Value HIGH( ) 101 Gambar 4.3 Grafik Hasil Peramalan Back Propagation Terhadap Real Value LOW( ) 102 Gambar 4.5 Grafik Hasil Peramalan Back Propagation Terhadap Real Value Low( ) 104 xii

11 DAFTAR LAMPIRAN Hasil program Wawancara L1 L46 xiii