BAB 1 PENDAHULUAN
1.1. Latar Belakang
Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan Makridakis, 1999.
Penelitian ini memperlihatkan aplikasi model Artificial Neural Networks ANN atau Jaringan Syaraf Tiruan JST dalam bidang ilmu keuangan, khususnya
untuk aplikasi Financial Forecasting. Artificial Neural Networks ANN merupakan sebuah model peramalan yang relative baru untuk aplikasi Financial Forecasting.
Financial Forecasting disini menunjukkan pada peramalan atau prediksi harga saham di pasar modal, atau yang sering disebut stock forecasting.
JST memiliki beberapa metode yang dapat digunakan seperti Hopfield, Perceptron, Adaline dan Backpropagation. Diantara metode-metode tersebut,
Backpropagation merupakan metode yang paling sering digunakan karena metode ini menurunkan gradien untuk meminimalkan penjumlahan error kuadrat dari output
jaringan Puspitaningrum, 2006. Namun metode Backpropagation ini memiliki kelemahan yaitu proses pelatihan yang memerlukan waktu yang cukup lama karena
Universita Sumatera Utara
membutuhkan banyak iterasi untuk mencapai keadaan stabil. Oleh karena itu diperlukan modifikasi pada proses Backpropagation.
Metode training ANN yang sesuai dengan penelitian ini adalah backpropagation training. Dalam membuat model ANN yang terbaik untuk saham-
saham LQ45, diperlukan penentuan jenis training yang cocok. Ada banyak jenis backpropagation training, seperti gradient descent backpropagation, gradient descent
backpropagation with momentum, one-step secant backpropagation, resilient backpropagation, dan sequential order incremental training with learning functions,
dll. Demuth, 2009. Resilient Backpropagation Rprop merupakan modifikasi dari
Backpropagation yang dikembangkan untuk menghindari perubahan gradien yang terlalu kecil selama proses update dengan fungsi aktivasi Sigmoid yang menyebabkan
pembentukan jaringan menjadi lambat. Metode ini dapat digunakan untuk mempercepat laju pembelajaran dan telah terbukti sebagai metode yang memiliki
kecepatan pembelajaran yang baik Fajri, 2011. Keunggulan lain dari metode Rprop yaitu metode ini tidak memerlukan
settingan parameter momentum yang biasa digunakan dalam standard
Backpropagation. Hal ini sangat baik karena sulitnya menentukan parameter momentum yang tepat untuk dipasangankan dengan parameter learning rate agar
dapat menghasilkan kinerja jaringan yang optimal.
Universita Sumatera Utara
1.2. Rumusan Masalah