APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA

Transkripsi

1 APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA 1 Arani Indraseianigsih, 2 Ika Damayani 1,2 Program Sudi Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Universias PGRI Adi Buana Surabaya arani.indra@gmail.com ABSTRAK Pergerakan harga saham di Bursa Efek Indonesia dapa di liha dari Indeks Harga Saham Gabungan (IHSG). Penenuan indeks harga saham ersebu dapa dilakukan melalui daa hisoris, oleh karena iu daa indeks harga saham merupakan daa runun waku. Pemanauan pergerakan IHSG ini digunakan sebagai dasar unuk pengambilan kepuusan oleh pelaku invesasi. Peneliian ini menerapkan meode jaringan saraf iruan dengan meode back propagaion pada daa penuupan Indeks Harga Saham Gabungan di Indonesia. Daa IHSG yang digunakan mulai Januari 2014 sampai Juli Pada peneliian ini digunakan enam hidden layer yaiu 1, 2, 3, 4, 5 dan 20. Berdasarkan hasil analisis daa menunjukkan bahwa nilai peramalan erbaik diperoleh dengan menggunakan hidden layer lima (5), karena mempunyai nilai MAD (Mean Absolue Deviaion) dan MAPE (Mean Absolue Persenage Error) erkecil. Kaa Kunci : Jaringan Syaraf Tiruan, Indeks Harga Saham Gabungan, Peramalan PENDAHULUAN Invesasi yang dilakukan oleh para pelaku usaha dapa berupa invesasi modal dalam benuk saham, maa uang asing maupun indeks. Tujuan dari invesasi ersebu unuk memperoleh keunungan yang besar dengan margin (jaminan) yang relaif kecil. Indeks saham gabungan merupakan indeks harga saham yang berasal dari gabungan saham-saham yang erdapa di bursa efek, yang dapa dipanau secara on line. Pergerakan harga saham di Bursa Efek Indonesia dapa di liha dari Indeks Harga Saham Gabungan (IHSG). Daa indeks harga saham gabungan ini merupakan daa runun waku. Pelaku usaha biasanya menggunakan daa hisoris unuk melakukan peramalan pada daa ersebu. Informasi mengenai perubahan indeks harga saham diperlukan bagi invesor. Peramalan dapa digunakan sebagai dasar unuk pengambilan kepuusan pelaku invesasi. Ada beberapa cara unuk menganalisa perubahan harga saham, dianaranya dengan analisis eknikal yakni suau upaya unuk memperkirakan harga saham dengan mengamai perubahan harga saham di waku yang lalu aau melalui pendekaan maemais dan saisic. Peneliian mengenai peramalan IHSG elah banyak dilakukan, dianaranya peneliian [10] yang melakukan peramalan IHSG dengan meode Fuzzy Time Series Cheng. Terdapa juga peneliian [9] yang memprediksi nilai IHSG dengan meode ARIMA. Semenara beberapa penelii lainnya menggunakan meode hibrid, seperi 9

2 yang dilakukan oleh Subanar dan Suharono, Popoola dkk. Di dalam peneliian ini, penulis akan menerapkan meode jaringan saraf iruan pada daa penuupan Indeks Harga Saham Gabungan di Indonesia. Daa IHSG yang digunakan mulai januari 2014 sampai Juli Peramalan dilakukan pada daa nilai Close Indeks Harga Saham Gabungan (IHSG) Dengan peramalan daa IHSG ini, para pelaku pasar dapa memprediksi kenaikan aau penurunan harga saham di masa mendaang. Unuk mengeahui seberapa baik peramalan menggunakan meode jaringan syaraf iruan ini hasil peramalan dibandingkan dengan daa acual, lalu dilakukan perhiungan krieria MAD dan MAPE. Indeks Harga Saham Gabungan (disingka IHSG, dalam bahasa Inggris disebu juga Jakara Composie Index, JCI aau JSX Composie) merupakan salah sau indeks pasar saham yang digunakan oleh Bursa Efek Indonesia (BEI, dahulu Bursa Efek Jakara (BEJ). Diperkenalkan perama kali pada anggal 1 April 1983, sebagai indikaor pergerakan harga saham di BEJ, Indeks ini mencakup pergerakan harga seluruh saham biasa dan saham preferen yang ercaa di BEI. Harga Dasar unuk perhiungan IHSG adalah anggal 10 Agusus Pada anggal ersebu, indeks dieapkan dengan nilai Dasar 100 dan saham ercaa pada saa iu berjumlah 13 saham [5]. Jaringan Syaraf Tiruan (arificial neural nework) aau disingka JST, adalah sisem kompuasi di mana arsiekur dan operasi dililhami dari pengeahuan enang sel saraf biologis di dalam oak, yang merupakan salah sau represenasi buaan dari oak manusia yang selalu mencoba mensimulasi proses pembelajaran pada oak manusia ersebu. JST dapa digambarkan sebagai model maemais dan kompuasi unuk fungsi aproksimasi non-linier, klasifikasi daa cluser dan regresi non paramerik aau sebuah simulasi dari koleksi model saraf biologi [4]. Jaringan saraf iruan aau Neural nework merupakan salah sau represenasi buaan dari oak manusia yang selalu mencoba unuk mensimulasikan proses pembelajaran yang erjadi pada oak ersebu. Isilah buaan digunakan karena neural nework ini diimplemenasikan dengan menggunakan program kompuer yang mampu menyelesaikan sejumlah proses perhiungan selama proses pembelajaran. Seiap pengolahan elemen membua perhiungan berdasarkan pada jumlah masukan (inpu). Sebuah kelompok pengolahan elemen disebu layer aau lapisan dalam jaringan. Lapisan perama adalah inpu dan yang erakhir adalah oupu. Lapisan dianara inpu dan oupu disebu dengan lapisan ersembunyi layer). Seperi halnya oak manusia, JST juga erdiri dari beberapa neuron, dan ada hubungan anara neuron-neuron ersebu. Neuron-neuron ini akan menransformasikan informasi yang dierima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada neural nework, hubungan ini dikenal dengan nama bobo. Informasi ersebu disimpan pada suau nilai erenu pada bobo ersebu. Gambar 1 menunjukkan srukur neuron pada JST. Gambar 1. Srukur neuron pada JST Pada neural nework, neuron-neuron dikumpulkan dalam lapisan-lapisan (layer) yang disebu dengan lapisan neuron (neuron layers). Biasanya neuron- 10

3 neuron pada sau lapisan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan inpu dan oupu). Informasi yang diberikan pada neural nework akan dirambakan lapisan ke lapisan, mulai dari lapisan inpu sampai ke lapisan oupu melalui lapisan yang lainnya, yang disebu sebagai lapisan ersembunyi layer). Gambar 2. menunjukkan neural nework sederhana dengan fungsi akivasi F. Gambar 2. Fungsi akivasi pada neural nework Pada Gambar 2. ersebu sebuah neuron akan mengolah N inpu (x 1, x 2,..., x N ) yang masing-masing memiliki bobo w 1, w 2,..., w N dan bobo bias b, yang dihiung dengan persamaan beriku : = ଵ ݔ ݓ + (1) Fungsi akivasi F kemudian mengakivasi a menjadi oupu jaringan y. Percepron merupakan salah sau benuk neural nework yang paling sederhana. Percepron biasanya digunakan unuk mengklasifikasi-kan suau ipe pola erenu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya, percepron pada neural nework dengan sau lapisan memiliki bobo yang bisa diaur. Algorima yang digunakan oleh auran percepron ini akan mengaur parameer-parameer bebasnya melalui proses pembelajaran. Respon unuk uni oupu y_in dihiung dengan persamaan beriku : (2) =1,2,ds dengan ݓ ݔ _ݕ = + ଵ Sehingga nilai y adalah : 0 jikaݕ_ = 1, ݕ 0, jikaݕ_ 0 ; unukoupu biner METODE PENELITIAN Sumber Daa dan Variabel Peneliian Daa yang digunakan pada peneliian ini merupakan daa harian penuupan Indeks Harga Saham Gabungan dalam renang waku mulai Januari 2014 sampai Juli Daa IHSG ersebu diperoleh dari sius. [6] Daa yang digunakan sebagai pemodelan (in sample) adalah daa IHSG mulai Januari Juli 2015, sedangkan daa unuk meliha hasil peramalan (ou sample) adalah daa IHSG 24 Juli 2015 sampai 31 Juli 201 Variabel yang digunakan dalam peneliian ini adalah IHSG ( x ). Unuk analisis menggunakan meode Jaringan Syaraf Tiruan, maka dibuuhkan variabel inpu dan variabel oupu, yaiu : a. Variabel inpu erdiri aas x 1, x b. Variabel oupunya adalah daa x 1. Meode Analisis Salah sau Algorima dalam JST adalah backpropagaion. Algorima backpropagaion merupakan salah sau meode pelaihan JST erawasi (supervised learning) yang erdiri dari iga langkah [3] : 1. Daa dimasukkan dalam inpu jaringan (feedforward) 2. Perhiungan dan propagasi balik dari error yang diemukan (backpropagaion) 3. Pembaruan bobo dan bias. Backpropagaion merupakan algorima pembelajaran yang erawasi dan biasanya digunakan oleh percepron 11

4 dengan banyak lapisan unuk mengubah bobo-bobo yang erhubung dengan neuron-neuron yang ada pada lapisan ersembunyinya. Algorima backpropagaion menggunakan error oupu unuk mengubah nilai bobobobonya dalam arah mundur (backward). Unuk mendapakan error ini, ahap perambaan maju (forward propagaion) harus dikerjakan erlebih dahulu. Pada saa perambaan maju, neuron-neuron diakifkan dengan menggunakan fungsi akivasi yang dapa dideferensiasikan. Meode analisis daa yang digunakan dengan langkah sebagai beriku : 1. Melakukan pengkajian daa hisoris IHSG dengan melakukan analisis deskripif dan membua plo ime series daa IHSG. 2. Memasukkan daa unuk analisis. Variabel inpu erdiri aas x 1, x yaiu hari ini (x), daa sau hari sebelumnya (x-1) sedangkan Variabel oupunya adalah daa x 1, yaiu daa arge adalah daa sau hari seelahnya (x+1). 3. Menenukan synax unuk melakukan perhiungan Jaringan Syaraf Tiruan. Hidden layer yang dicoba dalam peneliian ini adalah 1, 2, 3, 4, 5 dan Melakukan peramalan daa IHSG unuk periode 24 Juli s.d 31 Juli Menghiung nilai kesalahan peramalan dengan menggunakan MAD (Mean Absolue Deviaion) dan MAPE (Mean Absolue Percenage Error). Rumus MAD : n ( x xˆ ) MAD 1 n Rumus MAPE : n ( x x ) MAPE 1 n HASIL PENELITIAN x Deskripsi Daa Dalam peneliian ini digunakan daa nilai close Indeks Harga Saham Gabungan dalam renang waku mulai Januari 2014-Juli Beriku adalah plo dari nilai Indeks Harga Saham Gabungan. Plo ersebu menunjukkan bahwa erdapa kenaikan yang menunjukkan keidaksasioneran dalam means. Analisis menggunakan jaringan syaraf iruan idak memerlukan sasionerias daa, oleh karena iu meski menunjukkan adanya keidaksasioneran daa dapa langsung diolah menggunakan prosedur jaringan syaraf iruan. close IHSG Time Series Plo of close IHSG Index Gambar 3. Plo Time Series Daa Nilai Close IHSG Daa yang dianalisis menggunakan jaringan syaraf iruan sejumlah 380 daa dengan raa-raa nilai penuupan IHSG adalah , nilai erkecil dan erbesar dalam penuupan IHSG secara beruru uru adalah dan Analisis Jaringan Syaraf Tiruan Pada ahap analisis jaringan syaraf iruan proses perhiungan menggunakan sofware Malab. Hidden layer yang digunakan dalam peneliian ini adalah 1,

5 Nilai R daa Training daa validasi daa Tes 2, 3, 4, 5 dan 20. Beriku diambil plo dari masing-masing layer yang diuji cobakan. Plo menunjukkan pola hubungan anara variabel inpu dan oupu pada daa raining, validasi dan daa es. Masing-masing nilai R unuk daa raining, validasi, es dirangkum dalam Tabel 1. Tabel 1. Perbandingan Hasil Nilai R layer 1 layer 2 layer 3 layer 3 layer 5 layer Berdasarkan hasil diaas, beriku diberikan plo anara daa es dan daa prediksi beberapa hidden layer. Daa Time Series Plo of Y (es) vs Y Prediksi Index Gambar 4. Plo daa Y es dan Y hasil prediksi layer 1, 2, 3, 4, 5 dan 20) 5 6 Variable Y (es) Y Prediksi layer 1) Y Prediksi layer 2) Y Prediksi layer 3) Y Prediksi layer 4) Y Prediksi layer 5) Y Prediksi layer 20) Hasil prediksi menggunakan meode back propagaion diberikan dalam Tabel 2. Tabel 2. Daa Y es dan hasil prediksi layer 1 s.d 3) Y Y Y Tanggal Y (es) Prediksi Prediksi Prediksi layer 1) layer 2) layer 3) 24 Jul Jul Jul Jul Jul Jul Tabel 3. Daa Y es dan hasil prediksi layer 4, 5 dan 20) Y Y Y Tanggal Prediksi Prediksi Prediksi layer 4) layer 5) layer 20) 24 Jul Jul Jul Jul Jul Jul Langkah selanjunya dihiung nilai kesalahan peramalan anara kelima hasil prediksi, sehingga dikeahui berapakah nilai opimal dari hidden layer yang sebaiknya digunakan agar hasil prediksi lebih opimal Tabel 4. Perbandingan Ukuran Kesalahan Peramalan layer 1) layer 2) hidden layer 3) layer 4) layer 5) layer 20) MAD MAPE Suau hasil peramalan dapa dikaakan baik jika nilai dari model peramalannya deka nilainya dengan daa akual sera memiliki ingka kesalahan yang paling kecil. Unuk krieria pemilihan model erbaik pada peneliian ini dipilih berdasarkan nilai MAPE dan MAD yang erkecil. Sehingga dapa disimpulkan bahwa unuk melakukan peramalan daa IHSG nilai penuupan pada peneliian ini digunakan hidden layer lima (5), dengan nilai kesalahan peramalan sebesar 6.15% dan nilai kesalahan MAD sebesar sauan. 13

6 KESIMPULAN 1 Peramalan menggunakan Jaringan syaraf iruan meode back propagaion dalam peneliian ini menggunakan enam buah hidden layer yaiu 1, 2, 3, 4, 5 dan 20. Hasil peramalan unuk daa ini menunjukkan bahwa nilai peramalan unuk hidden layer 5 mendekai daa akual. 1. Hasil perbandingan kesalahan peramalan unuk keenam hidden layer yang digunakan menunjukkan bahwa hidden layer 5 mempunyai nilai ukuran kesalahan yang lebih kecil dibandingkan dengan hidden layer yang lainnya. Sehingga unuk daa IHSG nilai penuupan, sebaiknya digunakan hidden layer 5. Nilai prosenase kesalahan peramalan yang di dapakan keika menggunakan hidden layer 1 adalah 6.15% dengan sauan kesalahan peramalan sebesar sauan DAFTAR PUSTAKA [1] Ashraf, Q., Gershman, B., and Howi, P., (2013), How Inflaion Affecs Macroeconomic Performance : An agen-based Compuaional Inversigaion, Exended Paper, i/working/inflaion.pdf, diunduh anggal 27 April [2] Cryer, J.D., 1986, Time series Analysis, Universiy of IOWA, PWS KENT Publishing Company, Boson. [3] Hansun, S., 2013, Peramalan Daa IHSG dengan Menggunakan Meode Backpropagaion, Ulimaic, Vol. IV, No. 1, ISSN [4] Hermawan, A., 2006, Jaringan Saraf Tiruan Teori dan Aplikasi, Andi Offse, Yogyakara. [5] hps://id.wikipedia.org/wiki/indeks_ Harga_Saham_Gabungan, diakses pada 19 Juni 2015 [6] hp://finance.yahoo.com/q/hp?s=^jk SE, di akses pada 30 Mare April 2015 [7] Hulwai, 2001, Transaksi Saham di Pasar Modal Indonesia(Perspekif Hukum Ekonomi Islam), UII Press, Yogyakara. [8] Makridakis, Wheel Wrigh and Mc. Gee, 1999, Meode dan Aplikasi Peramalan, Jilid sau, Edisi kedua, Bina Rupa Aksara, Jakara [9] Sadeq, Ahmad, 2008, Analisis Prediksi Indeks Harga Saham Gabungan Dengan Meode ARIMA (Sudi pada IHSG di Bursa Efek Jakara), Thesis Program Magiser Manajemen, Universias Diponegoro, Semarang [10] Mey Lisa Tauryawai dan M.Isa.Irawan, 2014, Perbandingan Meode Fuzzy Time Series Cheng dan Meode Box Jenkins unuk Memprediksi IHSG, Jurnal SAINS DAN SENI POMITS Vol. 3, No. 2, ISSN: ( Prin) [11] Wei, W.W.S, 1989, Time Series Analysis, Reprined wih correcion, Universiy Deparemen of Saisics Temple, Universiy Addison-Wesley Publishing Company Inc. 14