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