2.7 Teknik Prediksi Harga Saham Terdahulu
Penelitian mengenai prediksi harga saham di Indonesia telah banyak dilakukan dengan berbagai algoritma guna mendapatkan hasil prediksi yang lebih akurat.
Chairisni, Sutedjo, dan Setiadi 2005 menggunakan Algoritma Hybrid Neural Network untuk memprediksi harga saham. Adapun langkah-angkah prediksi saham
menggunakan Algoritma Hybrid Neural Network yang mereka lakukan Chairisni, et. al, 2005 adalah sebagai berikut:
1. Melakukan penyaringan data dengan menggunakan algoritma Self Organising Maps Kohonen SOM ke dalam pola-pola untuk menyederhanakan proses
pembelajaran jaringan Backpropagation.
2. SOM memilik 5 neuron yang terhubung ke lapisan output cluster yang berjumlah 20 pola neuron. Lima neuron input yang digunakan adalah harga pembukaan,
harga tertinggi, harga terendah, harga penutupan dan volume perdagangan. Dari 20 pola output yang terbentukakan dipilih neuron pemenang, yaitu neuron yang
paling mendekati vektor input.
3. Dari neuron pemenang tersebut, diambil harga penutupan pada vektor tersebut sebagai harga saham prediksi.
4. Algoritma Backpropagation pada algoritma hybrid, digunakan untuk memberikan keakuratan dalam prediksi harga saham menggunakan faktor pembimbing gn
yang dihasilkan dari pembelajaran Algoritma SOM.
5. Jumlah neuron pada lapisan input sama dengan yang digunakan pada SOM yaitu sebanyak 5 buah dengan representasi yang sama. Terdapat 15 lapisan neuron dan 1
neuron pada lapisan output. Semua lapisan menggunakan fungsi sigmoid unipolar sebagai fungsi aktivasi.
6. Faktor pembimbing gn yang dihasilkan oleh algoritma SOM digunakan untuk menentukan titik lokasi data pembelajaran pada sliding windows.
Universitas Sumatera Utara
7. Berdasarkan titik tersebut beberapa data pada masa lampau dipelajari dan dengan menggunakan nilai data yang telah ditentukan nilai data harga penutupan pada
titik tersebut, maka algoritma Backpropagation Network dapat melakukan pembelajaran. Proses pembelajaran tersebut terus berulang dan berhenti sampai
dengan batasan yang ditentukan.
Pada tahun 2008, Setiawan melakukan penelitian mengenai prediksi harga saham menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan
Algoritma Backpropagation. Langkah-langkah yang dilakukan oleh Setiawan dalam penelitiannya adalah sebagai berikut:
1. Inisialisasi nilai bobot dan bias yang dapat diatur dengan sembarang angka acak antara -0.5 dan 0.5, dan inisialisasi learning rate, maksimal iterasi dan toleransi
error.
2. Lakukan iterasi selama stopping condition masih belum terpenuhi. Untuk menentukan stopping condition. Jika iterasi sudah melebihi maksimal iterasi maka
pelatihan dihentikan. Jika menggunakan toleransi error dengan metode MAPE, bila nilai MAPE kurang dari atau sama dengan toleransi error maka pelatihan
dihentikan.
3. Setiap unit input menerima sinyal input dan menyebarkannya pada seluruh hidden unit.
4. Setiap hidden unit akan menghitung sinyal-sinyal input dengan bobot dan nilai bias. Hasil perhitunan tersebut kemudian akan diproses dengan menggunakan
fungsi aktivasi yang telah ditentukan sebelumnya sehingga diperoleh sinyal output dari hidden unit tersebut.
5. Setiap unit output akan menghitung sinyal-sinyal dari hidden unit dengan bobot dan nilai bias. Kemudian dengan menggunakan fungsi aktivasi yang telah
ditentukan diperoleh sinyal output dari unit output tersebut.
Universitas Sumatera Utara
6. Hitung kesalahan antara target output dengan output hasil menggunakan metode Mean Absolute Persentage Error. Jika masih belum memenuhi syarat, dilakukan
penghitungan faktor koreksi error k.
7. Setiap hidden unit akan menghitung bobot yang dikirimkan output unit. Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan faktor
koreksi error.
8. Setiap unit output akan memperbaharui bobotnya dari setiap hidden unit. Demikian pula setiap hidden unit akan memperbaharui bobotnya dari setiap unit
input.
9. Memeriksa stopping condition.
Pada tahun 2008, Panji melakukan penelitian mengenai multifraktalitas dan studi komparatif prediksi indeks dengan metode Arima dan Neural Network studi
komparatif pada indeks LQ45 periode 1997 – 2007. Adapun langkah-langkah metode
ARIMA dalam penelitian tersebut sebagai berikut:
1. Melakukan pemeriksaan kestasioneran data dengan menggunakan ADF augmented dickey-fuller.
2. Melakukan proses differencing pembedaan apabila data tidak stasioner. 3. Melakukan penentuan nilai derajat autoregressive AR, tingkat proses
differencing, dan derajat moving average MA dalam ARIMA. 4. Melakukan estimasi parameter pada metode ARIMA, lalu melakukan proses
prediksi. 5. Menghitung tingkat error dengan mengunakan MAD Mean Absolute Deviation,
MSE Mean Squared Error, dan MPE Mean Percentage Error.
Pada tahun 2010, Fariska melakukan penelitian mengenai prediksi Multi Atribut dengan Menggunakan Fuzzy Clustering dengan langkah-langkah penelitian
sebagai berikut:
Universitas Sumatera Utara
1. Menentukan nilai perulangan, derajat, jumlah kelas, fungsi objektif, jumlah baris data, dan jumlah kolom data.
2. Menentukan nilai U awal. 3. Melakukan pengulangan sampai batas nilai pengulangan dan error yang telah
ditentukan untuk mencari nilai center dan U baru. 4. Melakukan pengempokkan data berdasarkan hasil U baru yang telah diperoleh
pada perulangan sebelumnya. 5. Mencari mean, standar deviasi, dan derajat keanggotaan.
6. Melakukan prediksi menggunakan metode Fuzzy Sugeno.
Adapun beberapa penelitian sebelumnya yang telah dilakukan untuk memprediksi harga saham berdasarkan data masa lalunya dapat dilihat pada Table 2.1.
Tabel 2.1 Penelitian Sebelumnya No
Judul Pengarang
Tahun Kelebihan
Kekurangan
1. Prediksi
Harga Saham
Dengan Menggunakan
Algoritma Hybrid Neural Network
Chairisni Lubis,
Eddy Sutedjo,
Bowo Setiadi
2005 Algoritma Hybrid
lebih akurat
dibandingkan dengan algoritma
Backpro dan
algoritma SOM
Kohonen. Nilai
kesalahan rata-rata Algoritma Hybrid
0,02 untuk
saham Gudang
Garam Tbk. na
2. Prediksi
Harga Saham
Menggunakan Jaringan
Syaraf Tiruan Multilayer
Feedforward Network Dengan
Algoritma Backpropagation
Wahyudi Setiawan
2008 Hasil
prediksi jangka
panjang cukup
akurat dengan
tingkat error
MAPE mencapai
2.7 untuk prediksi data
saham tahun 1999. Teknik
yang digunakan
terbatas pada jumlah
iterasinya.
Universitas Sumatera Utara
Tabel 2.1 Penelitian Sebelumnya Lanjutan No
Judul Pengarang
Tahun Kelebihan
Kekurangan
3. Multifraktalitas
dan Studi
Komparatif Prediksi
Indeks dengan
Metode ARIMA
dan Neural Network
Studi Komparatif pada Indeks LQ45
Periode 1997
–
2007
Muhammad Panji
2008 Untuk
pengujian jangka
panjang, hasil
training saham
LQ45 dengan JST lebih
baik dari
pada dengan
metode ARIMA.
Namun untuk hasil testing,
ARIMA lebih
unggul dari JST. Belum adanya
uji coba
dengan jumlah data
dalam priode waktu
jangka pendek
4. Peramalan Multi
Atribut Dengan
Menggunakan Fuzzy Clustering
Studi Kasus:
Stock Price M.
Andy Fariska
2010 Hasil
peramalan terbaik dilakukan
pada data bertipe random
na
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis teknikal menggunakan metode Adaptive Neuro Fuzzy Inference System pada sistem dan tahap-tahap yang akan dilakukan
dalam perancangan sistem yang akan dibangun.
3.1 Identifikasi Masalah