UNIVERSITAS BINA NUSANTARA · · 2013-07-11Tabel 3.6 Contoh data input pelatihan sebagai input...
Transcript of UNIVERSITAS BINA NUSANTARA · · 2013-07-11Tabel 3.6 Contoh data input pelatihan sebagai input...
iii
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
Eric 0700678370 Gunawan Halim 0700682670 Juniadi Chandra 0700713985
Abstrak
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 data-data 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.
iv
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
v
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
vi
DAFTAR ISI
Halaman Judul Luar
Halaman Judul Dalam
Halaman Persetujuan Hardcover i
Halaman Persetujuan Dewan Penguji ii
Abstrak iii
Prakata iv
Daftar Isi vi
Daftar Tabel x
Daftar Gambar xii
Daftar Lampiran xiv
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Pengembangan Aplikasi 1
1.3 Ruang Lingkup 2
1.4 Tujuan dan Manfaat 3
1.5 Metodologi Penelitian 3
1.6 Sistematika Penulisan 4
BAB 2 LANDASAN TEORI
2.1 Saham 6
vii
2.2 ANN Backpropagation 9
2.3 Arsitektur Jaringan 16
2.4 Pengaruh Parameter terhadap Unjuk Kerja Backpropagation 25
2.5 Tahapan - Tahapan Proses Estimasi 28
2.6 Estimasi dengan Metode ANN Backpropagation 30
2.7 Teknik Penarikan Contoh 35
BAB 3 PERANCANGAN SISTEM
3.1 Model Umum ANN pada Estimasi Harga Saham 37
3.2 Klasifikasi Inputan / Masukan 39
3.2.1 Pemilihan Variabel Input dan Output 39
3.2.2 Pemetaan Harga Saham sebagai Masukan (input)
dalam ANN 40
3.3 Desain Model Backpropagation 42
3.3.1 Perancangan Arsitektur Jaringan 42
3.3.2 Penentuan Fungsi Aktivasi 44
3.3.3 Learning Rule dan Konstanta Laju Belajar 45
3.4 Proses Pelatihan ANN Backpropagation 46
3.4.1 Penentuan Arsitektur Jaringan 48
3.4.2 Pembagian dan Penyekalaan Data Input dan Output 52
3.4.3 Inisialisasi Bobot 56
3.4.4 Tahap Feedforward 57
3.4.5 Tahap Backward 62
viii
3.5 Proses Pengujian ANN Backpropagation 64
3.6 Perancangan Layar 64
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Pengujian Untuk Tahap Pelatihan 71
4.1.1 Pengujian dengan Menggunakan Metoda Guang 75
4.1.2 Pengujian dengan Hasil Satu Output 78
4.1.3 Pengujian dengan Menggunakan Dua Output 83
4.1.4 Pengujian dengan Menggunakan Jumlah Node Hidden
Layer yang Berbeda 86
4.2 Implementasi Arsitektur ANN sebagai Decision Support
dalam Peramalan Harga Index Saham Harian 99
BAB 5 SIMPULAN DAN SARAN
5.1 Simpulan 105
5.2 Saran 106
DAFTAR PUSTAKA 108
DAFTAR RIWAYAT HIDUP 110
LAMPIRAN – LAMPIRAN L1
SURAT SURVEI
ix
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 layer2 50 72
Tabel 4.2 Output high low dengan input tanpa Volume, Low dan
jumlah node hidden layer1 75, hidden layer2 50 73
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
x
Tabel 4.11 Hidden layer yang digunakan 86
Tabel 4.12 Pengujian High dengan Hidden Layer1 150, Hidden layer2 125 88
Tabel 4.13 Pengujian High dengan jumlah node hidden layer1 125,
Hidden layer2 100 89
Tabel 4.14 Pengujian High dengan jumlah node hidden layer1 100,
hidden layer2 75 90
Tabel 4.15 Pengujian Low dengan jumlah node hidden layer1 100,
hidden layer2 75 92
Tabel 4.16 Pengujian Low dengan jumlah node hidden layer1 75, 50 93
Tabel 4.17 Pengujian Low dengan jumlah node hidden layer1 50,
hidden layer2 25 94
Tabel 4.18 Pengujian High dan Low dengan jumlah node
hidden layer1 150, hidden layer2 125 95
Tabel 4.19 Pengujian High dan Low dengan jumlah node
Hidden layer1 125, hidden layer2 100 96
Tabel 4.20 Pengujian High dan Low dengan jumlah node
Hidden layer1 75, hidden layer2 50 97
Tabel 4.21 Informasi Hasil Pengujian Dalam Bentuk Tabel dan Tree 98
Tabel 4.22 Hasil ramalan baris ke 601 - 630 100
Tabel 4.23 Hasil Ramalan baris ke 701-730 103
xi
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
xii
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(601-630) 101
Gambar 4.3 Grafik Hasil Peramalan Back Propagation Terhadap
Real Value LOW(601-630) 102
Gambar 4.5 Grafik Hasil Peramalan Back Propagation Terhadap
Real Value Low(701-730) 104
xiii
DAFTAR LAMPIRAN
Hasil program L1
Wawancara L46