Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 58-96X Vol., No. 6, Juni 08, hlm. 30-308 http://j-ptiik.ub.ac.id Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+) Grady Davinsyah, Wayan Firdaus Mahmudy, Rizal Setya Perdana 3 Program Studi Teknik Informatika, Email: gradyyo@gmail.com, wayanfm@ub.ac.id, 3 rizalespe@ub.ac.id Abstrak Saham adalah salah satu instrumen investasi yang dikenal dengan potensi keuntungan dan resikonya yang cukup tinggi. Tingginya potensi dan resiko investasi saham disebabkan karena harganya yang fluktuatif dan dapat berubah dalam hitungan detik. Untuk meminimalisir resiko, diperlukan sebuah sistem yang dapat memprediksi harga penutupan saham esok hari. Arsitektur yang digunakan dalam penelitian ini adalah multi-layer neural network. Arsitektur ini kemudian dilatih dengan menggunakan metode, yaitu backpropagation dan algoritma genetika. Kedua metode tersebut bertujuan untuk mendapatkan bobot-bobot pada arsitektur multi-layer neural network. Parameter backpropagation yang didapatkan dari pengujian penelitian ini adalah banyak iterasi sebesar 500 iterasi dengan learning rate 0.7. Sedangkan parameter untuk metode pelatihan algoritma genetika adalah banyak generasi 000, ukuran populasi 00, crossover rate 0. dan mutation rate 0.9. Dengan menggunakan parameter tersebut diatas, rata-rata nilai yang dihasilkan dengan menggunakan metode pelatihan backpropagation adalah 0.08006. Sementara ketika menggunakan metode pelatihan algoritma genetika, rata-rata nilai yang dihasilkan oleh jaringan adalah 0.06505. Sehingga pada penelitian ini, nilai error yang dihasilkan oleh metode pelatihan backpropagation lebih kecil dibandingkan dengan metode pelatihan algoritma genetika. Kata kunci: saham, multi-layer neural network, algoritma genetika, backpropagation Abstract Stock is one of investment instrument which is popular because of the high profit potential and risk. These profit potential and risk are caused by fluctuations of the stock price in the stock market. To minimalize the risk, a system which is able to predict closing price of the next day is required. The architecture which is used in this research is multi-layer neural network. This architecture is trained with different training methods, which is backpropagation and genetic algorithm. Both of the methods aim to gain weights of all network s architecture. Backpropagation s parameters which obtained during the research are 500 iteration and 0.7 learning rate. For genetic algorithm s parameters which obtained during the research are 000 generations, population size of 00, crossover rate 0. and mutation rate 0.9. By using those parameters, average value which produced using backpropagation algorithm is 0.08006. Meanwhile when using genetic algorithm as a training method, average value which produced by the network is 0.06505. So in this research, average error value which is produced by using backpropagation training is smaller than using genetic algorithm training method. Keywords: stock, multi-layer neural network, genetic algorithm, backpropagation. PENDAHULUAN Menjadi kaya adalah impian dari setiap orang. Banyak yang beranggapan bahwa agar menjadi kaya harus berhemat dan rajin menabung. Pemikiran ini sejalan dengan slogan yang ada di masyarakat, hemat pangkal kaya. Padahal statistik jelas menunjukkan bahwa bunga yang diperoleh ketika menabung di bank (tabungan dan deposito) sangatlah tidak sebanding dengan tingkat pertumbuhan konsumsi (Wijaya, 05). Dari fakta yang telah diuraikan, saat ini menabung bukan merupakan cara untuk menjadi kaya dalam jangka panjang. Untuk mendapatkan Fakultas Ilmu Komputer Universitas Brawijaya 30
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 303 perkembangan diatas laju inflasi dan tingkat pertumbuhan konsumsi, salah satu upaya yang dapat dilakukan adalah berinvestasi. Satu dari sekian banyak instrumen investasi yang paling terkenal adalah saham. Saham adalah surat berharga yang menunjukkan kepemilikan atas suatu perusahaan. Ketika Anda membeli saham, berarti Anda membeli sebagian kepemilikan atas perusahaan tersebut (Jefferson & Sudjatmoko, 03). Saham menjadi begitu terkenal di kalangan investor karena tingginya potensi imbal hasil atau return yang ditawarkan. Pada bulan Februari 06, jumlah investor yang tercatat pada Bursa Efek Indonesia (BEI) sebesar 68 ribu orang (Pasopati, 06). Hampir setengah juta orang telah menjadi investor di bursa saham. Namun perlu diingat bahwa keseluruhan jumlah penduduk Indonesia ada sekitar 50 juta jiwa. Jika dibuat prosentasenya, investor di BEI hanya sebesar 0,87 persen. Sedikitnya jumlah penduduk Indonesia yang menjadi investor di pasar modal salah satunya disebabkan oleh tingginya resiko dalam berinvestasi di pasar modal (high risk high return). Minimnya pengetahuan calon investor tentang bagaimana strategi menaklukkan pasar modal juga berkontribusi terhadap sedikitnya jumlah investor lokal di Indonesia. Dari fakta-fakta ini, upaya untuk mengurangi jumlah penduduk miskin yang ada di Indonesia salah satunya dapat dilakukan dengan mendorong lebih banyak penduduk untuk menjadi investor. Tantangan selanjutnya adalah bagaimana investor dapat secara konsisten mendapatkan profit dari transaksinya di pasar saham. Hal ini sangat sulit, karena investor seniorpun masih mengalami kerugian ketika bertransaksi di pasar modal. Penelitian sebelumnya telah menunjukkan kalau arsitektur jaringan syaraf tiruan banyak digunakan untuk melakukan peramalan (forecasting) (Sari, Mahmudy, & Wibawa, 06). Penelitian lain adalah implementasi jaringan syaraf tiruan metode backpropagation untuk memprediksi harga saham. Penelitian ini dilakukan oleh Trimulya, dkk (05). Penelitian ini memprediksi harga penutupan saham PT. Adaro Energy, Tbk (ADRO) dengan 6 variabel data, antara lain harga pembukaan, harga penutupan, harga tertinggi, harga terendah, harga jual, dan harga beli. Akurasi tertinggi dari penelitian ini didapat dari kombinasi 5 neuron pada lapisan tersembunyi pertama, 3 neuron pada lapisan tersembunyi kedua, dan 50000 iterasi. Kombinasi tersebut menghasilkan nilai Mean Square Error (MSE) sebesar 56.77. Tujuan dari penelitian ini adalah menerapkan, mengimplementasi, dan menguji error yang dihasilkan oleh metode pelatihan backpropagation dan algoritma genetika pada arsitektur multi-layer neural network.. KAJIAN PUSTAKA.. Saham Saham adalah surat berharga yang menunjukkan kepemilikan atas suatu perusahaan. Ketika Anda membeli saham, berarti Anda membeli sebagian kepemilikan atas perusahaan tersebut. Porsi kepemilikan ditentukan oleh seberapa besar modal penyertaan yang ditanamkan di perusahaan tersebut (Jefferson & Sudjatmoko, 03). Terdapat beberapa potensi keuntungan apabila memiliki saham suatu perusahaan, yaitu :. Dividen Dividen merupakan pembagian keuntungan yang diberikan oleh perusahaan kepada para pemegang sahamnya (Jefferson & Sudjatmoko, 03).. Capital Gain Capital gain merupakan kondisi dimana harga jual yang lebih tinggi daripada harga beli. Selain potensi keuntungan, memiliki saham suatu perusahaan juga memiliki beberapa potensi kerugian, yaitu :. Capital Loss Capital loss adalah kebalikan dari capital gain, yaitu kondisi dimana harga jual lebih rendah daripada harga beli.. Resiko Likuidasi Resiko ini adalah resiko yang terjadi apabila sebuah perusahaan yang sahamnya dimiliki dinyatakan bangkrut atau perusahaan tersebut dibubarkan. Pemegang saham memiliki prioritas terendah, setelah perusahaan menyelesaikan seluruh kewajibannya... Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mensimulasikan proses pembelajaran pada otak manusia tersebut (Trimulya,
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 30 Syaifurrahman, & Setyaningsih, 05). Sama seperti syaraf manusia, jaringan syaraf tiruan juga memiliki banyak neuron. Neuron-neuron ini tersebar pada beberapa lapisan, antara lain lapisan masukan, lapisan tersembunyi, dan lapisan keluaran..3. Algoritma Genetika Algoritma Genetika diilhami oleh ilmu genetika (Mahmudy, 05). Individu yang lebih baik mampu bertahan, sehingga individu tersebut akan menjadi solusi optimal dari sebuah masalah (Rahmi, Mahmudy, & Setiawan, 05). Algoritma Genetika banyak digunakan untuk menyelesaikan berbagai masalah optimasi yang model matematikanya kompleks atau bahkan sulit dibangun (Mahmudy, 05). 3. METODOLOGI PENELITIAN Metodologi penelitian yang dilakukan dalam penelitian ini melalui beberapa tahapan yang dapat diilustrasikan dengan diagram blok metodologi penelitian seperti pada Gambar : 3.. Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data harga saham harian PT. Bank Central Asia, Tbk. (BBCA). Data bersifat sekunder, yaitu data yang didapatkan dari sumber yang telah ada. Data harga saham BBCA yang digunakan didapatkan dari yahoo finance.. PERANCANGAN SISTEM.. Formulasi Permasalahan Permasalahan yang akan diselesaikan pada penelitian ini adalah prediksi harga close saham esok hari menggunakan algoritma Backpropagation dengan Algoritma Genetika. Data yang digunakan adalah data harga historis saham PT. Bank Central Asia, Tbk. (BBCA) sejak Januari 03 hingga 30 Desember 06. Variabel pada data yang digunakan adalah open, high, low, close, dan volume. Contoh data yang digunakan seperti pada Tabel. Studi Literatur Pengumpulan Data Analisa Kebutuhan Perancangan Sistem Implementasi Sistem Pengujian Sistem Analisis Kesimpulan Gambar Metodologi Penelitian Tabel Data Harian BBCA Tanggal Open High Low Clos e Volume 0-0-3 900 950 9000 900 35500 03-0-3 950 950 9050 950 806000 07-0-3 900 950 9050 900 507000 08-0-3 950 950 900 950 588000.. Pelatihan dengan Backpropagation Metode pelatihan pertama yang digunakan adalah backpropagation. Pada metode pelatihan ini, fungsi aktivasi yang digunakan adalah fungsi binary sigmoid. Flowchart proses pelatihan backpropagation digambarkan pada Gambar.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 305 Start Start Insialisasi bobot dan bias Insialisasi populasi Propagasi maju Propagasi mundur Perbaikan bobot Reproduksi Evaluasi Seleksi Kondisi stop Kondisi stop Stop Gambar Flowchart Pelatihan Backpropagation.3. Pelatihan dengan Algoritma Genetika Metode pelatihan lain yang digunakan pada penelitian ini adalah algoritma genetika. Pada pelatihan algoritma genetika, metode reproduksi yang digunakan ada, yaitu crossover dan mutasi. Pada reproduksi crossover, metode yang digunakan adalah extended intermediate crossover. Sedangkan pada reproduksi mutasi, metode yang digunakan adalah random mutation. Untuk metode seleksi yang digunakan adalah seleksi elitism. Flowchart proses pelatihan algoritma genetika digambarkan pada Gambar 3. 5. PENGUJIAN DAN ANALISIS Pengujian dilakukan sebanyak 0 kali dengan parameter yang telah disebutkan pada tiap pengujian. Tiap pengujian dicatat nilai yang dihasilkan, kemudian diambil ratarata nilai dari tiap pengujian parameter. 5.. Pengujian Banyak Generasi Banyak generasi yang diuji adalah kelipatan 500, mulai 500 generasi hingga 500 generasi. Kombinasi crossover rate (cr) dan mutation rate (mr) adalah 0. : 0. dengan ukuran populasi 80 dan pengujian dilakukan sebanyak 0 kali. Hasil pengujian banyak generasi disajikan pada Tabel. Gambar 3 Flowchart Pelatihan Algoritma Genetika Tabel Hasil Pengujian Banyak Generasi Generasi Percobaan ke-n Rata-rata 0,35 0,5 0,5 0,05 Stop 500 0.7839 0.8337 0.778 000 0.5753 0.07 0.3387 500 0.08858 0.09765 0.0973 000 0.0887 0.07908 0.0893 500 0.08583 0.090693 0.0868 3000 0.089 0.08553 0.0833 3500 0.085578 0.076867 0.0855 000 0.079008 0.089783 0.07903 500 0.076575 0.07797 0.07573 Pengujian Banyak Generasi 0 000 000 3000 000 5000 Gambar Grafik Hasil Pengujian Banyak Generasi Gambar menunjukkan bahwa mulai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 306 percobaan 000 generasi, rata-rata nilai yang dihasilkan tidak mengalami penurunan yang signifikan, atau biasa disebut dengan konvergen. Dengan data ini, maka 000 generasi diambil sebahai hasil dari pengujian banyak generasi. 5.. Pengujian Ukuran Populasi Ukuran populasi yang diuji adalah kelipatan 0, mulai 0 populasi hingga 00 populasi. Kombinasi crossover rate (cr) dan mutation rate (mr) adalah 0. : 0. dengan banyak generasi sebesar 000 generasi. Hasil pengujian banyak generasi disajikan pada Tabel 3. Tabel 3 Hasil Pengujian Ukuran Populasi PopSize Percobaan ke-n Rata-rata 0 0.09775 0.095908 0.095569 80 0.085 0.080 0.089965 0 0.0908 0.08996 0.08880 60 0.0898 0.0869 0.08767 00 0.086307 0.07985 0.089 0 0.085565 0.085 0.086569 80 0.0893 0.08737 0.08596 30 0.08337 0.08708 0.08506 360 0.08633 0.0859 0.0885 0, 0,095 0,09 0,085 0,08 Pengujian Ukuran Populasi 0 00 00 300 00 500 Gambar 3 Grafik Hasil Pengujian Ukuran Populasi Gambar 5 menunjukkan bahwa pengujian dengan ukuran populasi sebesar 00 menghasilkan rata-rata nilai terkecil. Dengan data ini, maka 00 populasi diambil sebahai hasil dari pengujian ukuran populasi. 5.3. Pengujian Kombinasi Cr dan Mr Kombinasi cr dan mr yang diuji adalah kelipatan 0.. Pengujian cr sebesar 0. dipasangkan dengan mr 0.9, cr sebesar 0. dipasangkan dengan mr 0.8, begitu pula seterusnya. Ukuran populasi yang digunakan adalah 00 individu dengan banyak generasi sebesar 000 generasi. Hasil pengujian banyak generasi disajikan pada Tabel. Tabel Hasil Pengujian Kombinasi Cr dan MR Cr Mr Percobaan ke-n Rata-rata 0.9 0. 0.08706 0.09656 0.08993 0.8 0. 0.0778 0.0757 0.07679 0.7 0.3 0.0656 0.07876 0.0699 0.6 0. 0.070066 0.06538 0.0703 0.5 0.5 0.0659 0.06706 0.0673 0. 0.6 0.07975 0.07636 0.075 0.3 0.7 0.07656 0.0703 0.0709 0. 0.8 0.078569 0.06979 0.0787 0. 0.9 0.06008 0.0738 0.0658 0, 0,05 Pengujian Kombinasi Cr dan Mr 0 0, 0, 0,6 0,8 Gambar Grafik Hasil Pengujian Kombinasi Cr dan Mr Gambar 6 dan Tabel menunjukkan bahwa kombinasi cr dan mr yang menghasilkan ratarata nilai terkecil adalah cr sebesar 0. dan mr sebesar 0.9. Dengan data ini, maka nilai cr sebesar 0. dan nilai mr sebesar 0.9 diambil sebagai hasil pengujian kombinasi cr dan mr. 5.. Pengujian Banyak Iterasi Banyak iterasi yang diuji adalah kelipatan 500, mulai 500 iterasi hingga 5000 iterasi dengan learning rate sebesar 0.7. Hasil pengujian banyak iterasi disajikan pada Tabel 5. Tabel 5 Hasil Pengujian Banyak Iterasi Iterasi Percobaan ke-n Rata-rata 500 0.079837 0.0839 0.08087 000 0.077068 0.0678 0.0708 500 0.0577 0.05666 0.06630 000 0.06766 0.06053 0.06583 500 0.07663 0.0507 0.05935 3000 0.057 0.0987 0.053 3500 0.0576 0.0966 0.05333
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 307 000 0.0597 0.055637 0.0563 500 0.05338 0.0898 0.0506 5000 0.0538 0.055597 0.050933 0,05 Pengujian Learning Rate 0, 0,08 0,06 0,0 Gambar 5 Grafik Hasil Pengujian Banyak Iterasi Gambar 7 dan Tabel 5 menunjukkan bahwa semakin banyak iterasi yang dilakukan akan menghasilkan rata-rata nilai yang cenderung menurun. Pada pengujian 5000, ratarata nilai yang dihasilkan tidak menunjukkan penurunan yang signifikan, sehingga 500 iterasi diambil sebagai hasil pengujian banyak iterasi. 5.5. Pengujian Learning Rate Learning rate yang diuji adalah kelipatan o., mulai 0. hingga. Hasil pengujian learning rate disajikan pada Tabel 6. Tabel 6 Hasil Pengujian Learning Rate Learning Rate Pengujian Banyak Iterasi 0 000 000 Percobaan ke-n Ratarata 0. 0.0536 0.0858 0.0505 3 0. 0.07 5 0.3 0.0567 0. 0.0737 0.050 0.0860 9 0.0698 5 0.5 0.0539 0.0537 8 0.6 0.05 0.7 0.0568 0.8 0.057 7 0.9 0.0569 0.050 0.0570 0.0675 8 0.0588 5 0.0537 0.099 0.0503 0.0877 0.0859 0.0737 0.0658 3 0.0659 6 0.070 9 0.0589 0.089 0,05 0,08 0,06 0 0,5,5 Gambar 6 Grafik Hasil Pengujian Learning Rate Gambar 8 menunjukkan bahwa perbedaan learning rate dapat menghasilkan rata-rata nilai yang berbeda pula. Dari pengujian yang telah dilakukan, learning rate sebesar 0.7 menghasilkan rata-rata nilai yang paling kecil. Dari data ini, maka learning rate 0.7 diambil sebagai hasil pengujian learning rate. 5.6. Pengujian Perbandingan Hasil Backpropagation dan Algoritma Genetika Setelah didapatkan parameter yang menghasilkan rata-rata nilai terkecil, kemudian dilakukan perbandingan kedua metode pelatihan menggunakan parameter yang telah didapatkan sebelumnya. Hasil perbandingan dapat dilihat pada Tabel 7. Tabel 7 Hasil Pengujian Learning Rate Pelatihan Percobaan ke-n Ratarata Algoritma Genetika 0.069 7 0.0583 8 0.065 Backpropagation 0.037 0.065 0.08 6 Tabel 7 menunjukkan bahwa pelatihan menggunakan backpropagation menghasilkan rata-rata nilai yang lebih kecil daripada pelatihan jaringan menggunakan algoritma genetika. Hal ini terjadi dikarenakan algoritma genetika yang digunakan pada penelitian ini adalah algoritma genetika sederhana. Pada penelitian lain algoritma genetika hybrid dengan simulated annealing dapat mengungguli pelatihan backpropagation (Shi & Zhang, 009). 6. KESIMPULAN Setelah penelitian Pelatihan Multi-layer Neural Network Menggunakan Algoritma Genetika Untuk Memprediksi Harga Saham Esok Hari (T+) selesai dilakukan dapat disimpulkan bahwa parameter pelatihan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 308 backpropagation yang menghasilkan rata-rata nilai paling kecil adalah 500 iterasi dengan learning rate 0.7. Kemudian parameter pelatihan algoritma genetika yang menghasilkan rata-rata nilai paling kecil adalah 000 generasi, 00 ukuran populasi, cr sebesar 0. dan mr sebesar 0.9. Dengan menggunakan parameter tersebut, rata-rata nilai yang dihasilkan menggunakan pelatihan algoritma genetika sebesar 0.06505 dan 0.08006 ketika menggunakan pelatihan backpropagation. Sehingga pada studi kasus ini metode pelatihan backpropagation memberikan rata-rata nilai yang lebih rendah dibandingkan menggunakan metode pelatihan algoritma genetika. Wijaya, R. F. (05). Menjadi Kaya dan Terencana Dengan Reksa Dana. Jakarta: Elex Media Komputindo. DAFTAR PUSTAKA Jefferson, J., & Sudjatmoko, N. (03). Shopping Saham Modal Sejuta! Jakarta: Elex Media Komputindo. Mahmudy, W. F. (05). Algoritma Evolusi. Malang. Pasopati, G. (06, March 8). Jumlah Investor Saham di RI Naik 8 Persen Sejak Awal Tahun. Retrieved from CNN Indonesia: https://www.cnnindonesia.com/ekonomi/ 0603080957-78-6080/jumlahinvestor-saham-di-ri-naik-8-persen-sejakawal-tahun/ Rahmi, A., Mahmudy, W. F., & Setiawan, B. D. (05). Prediksi Harga Saham Berdasarkan Data Historis Yang Dibangun Menggunakan Model Regresi Yang Dibangun Dengan Algoritma Genetika. DORO: Respository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5 (). Sari, N. R., Mahmudy, W. F., & Wibawa, A. P. (06). Backpropagation on Neural Network Method for Inflation Rate Forecasting in Indonesia. Advance Soft Compu, 8 (3), 70-87. Shi, H., & Zhang, S. (009). Improving Artificial Neural Networks Based on Hybrid Genetic Algorithms. Beijing: IEEE. Trimulya, A., Syaifurrahman, & Setyaningsih, F. A. (05). Implementasi Jaringan Syaraf Tiruan Metode Backpropagation Untuk Memprediksi Harga Saham. Jurnal Coding, Sistem Komputer Untan, 66-75.