PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN METODE BACK PROPAGATION NEURAL NETWORK

  Vol 3, No 3 Desember 2013

   ISSN 2088-2130

  

PREDIKSI PERGERAKAN HARGA SAHAM

MENGGUNAKAN METODE BACK PROPAGATION

NEURAL NETWORK

_{1*) 1) 1)}

Rio Bayu Afrianto , Handayani Tjandrasa , Isye Arieshanti

₁₎

  Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya, Indonesia

  

ABSTRAK

  Pasar saham merupakansalah satu hal yang paling menarik bagi investor. Dengan

mengetahui harga saham investor dapat merencanakan strategi yang tepat untuk mendapatkan

keuntungan. Akan tetapi, harga saham bersifat fluktuatif atau berubah-ubah dikarenakan

faktor-faktor tertentu. Kondisi pergerakan harga saham diharapkan dapat diprediksi secara

akurat oleh investor. Investor dapat melakukan prediksi dengan melakukan analisa histori dan

trend harga saham pada periode sebelumnya. Pada penelitian ini telah dirancang sebuah sistem

prediksi harga saham secara komputasional menggunakan metode Back Propagation Neural

Network (BPNN). Metode BPNN merupakan metode prediksi yang didasarkan pada sebagian

kecil sistem syaraf manusia. Metode BPNN merupakan metode yang mampu menangani data

yang bersifat non-linier dan time series. Sehingga metode BPNN ini cocok diterapkan pada

data harga saham yang juga memiliki sifat time seriesdan non-linier. Data harga saham diambil

dari data saham perusahaan yang tergabung dalam indeks LQ45 danuji coba pada penelitian ini

dilakukan secara harian (short term). Dari percobaan yang telah dilakukan prediksi harga

saham menggunakan metode BPNN memiliki presisi yang baik akan tetapi akurasi yang

didapatkan kurang baik. Hal ini terbukti dengan hasil NRMSE yang didapatkan minimal

sebesar 0.22 dan akurasi terbaik sebesar 62.18.

  Kata kunci: Saham, prediksi, investor, back propagation neural network.

  

ABSTRACT

The stock market is one of the most attractive to investors. By knowing stock prices,

the investors can plan their strategy to get much advantage from it. Unfortunately, stock

pricesare fluctuated which caused by many factors.To get the price advantage, the

investorshould be able to predict the movement of the stock prices accurately. Investors can

use history data and the previous trend of stock prices. In this research, a system have

beencreated to predict stock price using BPNN method BPNN. BPNN is a prediction method

based on a neural system. BPNN can handle non-linear and time-series data also. Therefore

this method can be implemented on stock price data,since a stock price is non-linear time

series.The research data have been taken from LQ45 index and this research conducted on a

daily basis (short term). From the experiments have been carried out applying with BPNN

method in the prediction of stock prices has good precision but the accuration is not better as

evidenced by a minimal result of NRMSE is 0.22 and the best accuration is 62.18.

  Keywords: Stock, prediction, investor, back propagation neural network.

  Pasar modal merupakan tempat calon pembeli atau investor untuk membeli saham suatu perusahaan. Banyak cara yang digunakan calon investor untuk memilih perusahaan yang tepat, salah satunya melakukan analisis dengan menggunakan indeks pasar saham. Salah satu indeks pasar saham yang digunakan pedoman adalah indeks LQ45. Indeks LQ45 merupakan indeks yang terdiri dari 45 saham perusahaan tercatat yang dipilih berdasarkan pertimbangan likuiditas dan kapitalisasi pasar, disamping itu juga perusahaan yang tergabung dalam indeks LQ45 merupakan perusahaan yang memiliki keadaan ekonomi yang bagus. Dalam daftar LQ45 terdapat daftar-daftar perusahaan yang memiliki kriteria tertentu. Perusahaan- perusahaan ini juga memiliki data harga saham masing-masing.

  AutoregressiveConditional Heteroskedasticity (GARCH) and Stochastic Volatility model (SV) untuk

  Vol 3, No 3 Desember 2013

  Pada penelitian ini, data yang digunakan untuk prediksi adalah data saham dari indeks LQ-45, dan beberapa perusahaan yang termasuk dalam LQ-45. LQ-45 merupakan salah satu indeks saham perusahaan- perusahaan blue chip di Indonesia. LQ-45 terdiri dari 45 perusahaan yang telah memenuhi kriteria tertentu, salah

  2. DATA

  pada penelitian ini adalah back propagation neural network. Penelitian ini juga melakukan prediksi harga saham secara harian (short term) artinya butuh data hari sebelumnya untuk melakukan prediksi pada hari ini.

  linier . Metode MLP yang digunakan

  Metode ANN merupakan metode prediksi yang terinspirasi dari sebagian kecil jaringan syaraf manusia atau jaringan syaraf tiruan. Ada dua metode ANN yang paling popular yaitu multi-layer perceptron (MLP) dan radial basis function (RBF). Dari kedua metode tersebut, metode MLPdipilih sebagai metode prediksi harga saham. Hal inidikarenakan metode MLP dapat memprediksi permasalahan dengan data non-linier maupun time-series dengan hasil akurasi yang baik[5]. Sehingga metode MLP ini cocok untuk memprediksi harga saham yang memiliki data non-

  memprediksi harga saham[1]. Chen mengusulkan metode ANN[2], dan Wuang mengusulkan SVM untuk prediksi harga saham[3]. Yakup membandingkan dua metode SVM dan ANN untuk memprediksi pergerakan saham[4]. Dari dua metode tesebut, metode ANN memiliki hasil akurasi yang lebih bagus.

  Prediksi harga saham melalui pendekatan statistika dan komputasional telah banyak dilakukan. Garland mengusulkan metode statistika, General

1. PENDAHULUAN

  Data harga saham perusahaan merupakan hal yang paling menarik perhatian bagi investor. Dengan mengetahui harga saham, investor dapat mengambil keputusan untuk membeli saham suatu perusahaan atau menjual saham miliknya. Akan tetapi, harga saham bersifat fluktuatif atau berubah-ubah dikarenakan faktor- faktor tertentu.

  averages .

  Indikator-indikator teknikal tesebut digunakan untuk acuan prediksi harga saham, Beberapa indikator teknikal tersebut seperti momentum dan moving

  volume dan harga saham sebagai dasar acuan untuk membentuk indikator.

  Analisis teknikal menggunakan

  histori dan trend harga saham biasanya disebut dengan analisis teknikal.

  sebelumnya. Analisis menggunakan

  trend harga saham pada periode

  Kondisi pergerakan harga saham diharapkan dapat diprediksi secara akurat oleh investor. Investor dapat melakukan prediksi harga saham dengan melakukan analisa histori dan

  Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

  satunya adalah harus termasuk dalam Prediksi yang dilakukan terhadap data 60 besar perusahaan dengan ini bersifat kapitalisasi perusahaan paling tinggi.

  Tabel 1Data harga saham salah satu perusahaan LQ45 date ticker Name open high low close volume

  12/3/2012 UNVR Unilever 26000 26400 26000 26200 1029500 12/4/2012 UNVR Unilever 26000 26250 25850 26250 1731500 12/5/2012 UNVR Unilever 26200 26200 25900 26000 1510500 12/6/2012 UNVR Unilever 25900 26100 25900 26000 2007500 12/7/2012 UNVR Unilever 25900 26250 25850 26250 2404500 12/10/2012 UNVR Unilever 26200 26200 25850 25950 1697500 12/11/2012 UNVR Unilever 25950 26100 25850 25950 1998000 12/12/2012 UNVR Unilever 25800 25800 22750 23150 17149000 12/13/2012 UNVR Unilever 22500 22500 20200 20350 38786500 12/14/2012 UNVR Unilever 20250 22350 20100 22200 31320500 12/17/2012 UNVR Unilever 22200 22400 21600 21800 5378500 12/18/2012 UNVR Unilever 22000 22000 21150 21600 4717000 harian.Contoh data harga saham dirubah dulu kedalam bentuk perusahaan dapat dilihat pad indikator.

  Indikatoryang

  Data saham yang diambil dari

  mempengaruhi harga saham sangat

  perusahaan Unilever selama 12 hari

  banyak diantaranya adalah dari tangal 3-18 Desember 2012. indikator teknikal dan fundamental.

  Pembukaan saham terjadi pada jam

  Faktor atau indikator yang

  09.00 dan penutupan saham pada jam

  digunakan dalam penelitian ini

16.00. Dalam satu hari perdagangan adalah indikator teknikal.

  saham, harga saham yang dijual dapat

  Ada tiga belas macam

  berubah. Perubahan harga saham

  indikator yang digunakan sebagai

  dikarenakan adanya tawar menawar

  variabel masukan pada penelitian

  antara penjual saham dan pembeli saham, sehingga harga saham dapat ini. Indikator-indikator tersebut mengalami naik turun dalam satu hari.

  diambil dari beberapa sumber dan

  Biasanya harga saham pada saat merupakan indikator yang paling penutupan sama dengan harga saham berpengaruh [4,6]. Indikator-indikator pada saat pembukaan di hari kemudian teknikal yang digunakan dapat dilihat tetapi bisa saja tidak sama, hal ini pada Tabel 2 . dikarenakan adanya proses adjustment pada pra pembukaan saham.

  Paderdapat beberapa atribut penjelas harga saham antara lain date, ticker, open, high, low, close dan juga volume. Open menunjukkan harga saham pada saat dibuka,

  high menunujukkan harga saham

  maksimum pada hari tersebut, low menunjukkan harga saham terendah perusahaan pada hari tersebut. Close menunjukkan harga saham ketika ditutup dan volume menunjukkan banyaknya transaksi pada hari tersebut.

  Data yang didapat tersebut tidak langsung digunakan, akan tetapi

  Vol 3, No 3 Desember 2013 Tabel 2Indikator Teknikal dan perumusannya Indikator

  Rumus Simple 10-day moving average (MA10) Weighted 10-day moving average ( ) ( ) Momentum Stochastic K% Stochastic D%

  ∑ RSI (Relative Strength Index) (∑ ) (∑ ) MACD (Moving Average Convergence

  ( ) ( ) ) Divergence) ( Larry William’s R%

  A/D (Accumulation / Distribution) Oscillator CCI (Commodity Channel Index) OBV (On Balance Volume) BIAS6

  ) ] [( PSY12 (Psychological line for 12 days) ( ) Keterangan adalah Closing price pada waktu ke t, adalah low price pada waktu ke t. adalah high price pada waktu ke t.

  ( ) ( ) EMA adalah exponential moving average. ( ) adalah lowest low pada akhir ( ( ) ) , adalah smoothing factor: 2/1+k, k adalah periode dari k EMA. hari ke-t, adalah highest high pada akhir hari ke-t, ( ) , (∑ ) , adalah perubahan harga ketika naik. adalah perubahan harga ketika turun (∑ ) , pada waktu ke-t. adalah perubahan harga ketika harga naik pada waktu ke t. adalah volume pada hari ke-i. hidden layer dan output layer. Pada

3. METODE BPNN SEBAGAI

  input layer tidak terjadi proses

MODEL PREDIKSI SAHAM

  komputasi, namun terjadi pengiriman

  Back Propagation Neural Network sinyal masukan ke hidden layer. Pada

  (BPNN) adalah salah satu algoritma

  hidden layer dan output layer terjadi multi-layer perceptron (MLP) yang proses komputasi terhadap bobot dan

  memiliki dua arah yaitu: maju dan bias, selain itu dilakukan perhitungan mundur. Karena BPNN termasuk juga terhadap hasil dari hidden layer multilayer maka BPNN memiliki tiga ke output layer tersebut berdasarkan layer dalam proses pelatihannya yaitu fungsi aktivasi tertentu. Dalam

  input layer, hidden layer dan output

  algoritma BPNN ini digunakan fungsi layer. Dengan adanya hidden layer sigmoid sebagai fungsi aktivasi. maka tingkat error pada BPNN dapat Fungsi sigmoid ini akan memberikan diperkecil dibandingkan pada single nilai antara 0 sampai 1. Arsitektur

  layer . Hal ini dikarenakan fungsi model BPNN dapat dilihat pada hidden layer pada BPNN untuk

  memperbarui dan menyesuaikan Masukan BPNN pada bobot. Dengan adanya penyesuain penelitian ini berupa 13 indikator bobot ini akan didapatkan nilai bobot teknikal yang dijelaskan pada yang baru yang bisa diarahkan untuk

  Tiap-tiap indikator ini diwakili oleh mendekati target yang diinginkan. tiap-tiap neuron pada input layer. Hasil Arsitetktur algoritma BPNN terdiri dari tiga layer yaitu input layer, Gambar 1Model Back Propagation Neural Network Tabel 3 Parameter BPNN dan nilainya Parameter Nilai Jumlah Neuron Jumlah indikator+1 Epoch 100,500 dan 1000 Momentum 0.01, 0.05 dan 0.1 Learning rate 0.01, 0.05 dan 0.1

  keluaran pada model ini berupa harga saham. Sedangkan jumlah neuron pada hidden layer ditentukan sebanyak jumlah indikator ditambah satu.Pada awalnya bobot diisi dengan nilai acak, dan akan dilakukan penyesuain bobot pada saat training. Penyesuain bobot didasarkan pada pasangan data masukan dan data keluaran. Untuk melakukan evaluasi performa metode BPNN ini digunakan metode RMSE (Root Mean Square Error) dan akurasi. RMSE digunakan untuk mengetahui selisih antara nilai aktual dan nilai prediksi. Sedangkan akurasi digunakan untuk menghitung kecocokan arah harga saham prediksi dengan harga saham akutal.

  Formula perhitungan RMSE dapat dilihat pada persamaan 1, dimana n adalah banyaknya data, adalah data hasil prediksi ke-i, dan adalah data target ke-i.

  √∑ ( )

  (1) Semakin kecil RMSE yang didapat maka semakin bagus prediksinya.

  Formula perhitungan akurasi dapat dilihat pada persamaan 2. dimana adalah true positive, dimana hasil prediksi dan kunci sama- sama naik, adalah true negative, dimana hasil hasil prediksi dan kunci sama-sama turun. Kemudian adalah false positive dimana hasil prediksi turun tetapi kunci naik dan adalah false negative dimana hasil prediksi naik tetapi kunci turun.

  (2)

  Pada metode BPNN terdapat beberapa parameter yang harus ditentukan, yaitu jumlah neuron pada

  hidden layer , nilai learning rate, momentum¸ dan jumlah iterasi atau Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

  Vol 3, No 3 Desember 2013 Tabel 4 Data Perusahaan yang digunakan dari Tahun 2010-2012 Nama perusahaan Maks Min Mean Standard deviasi

  Astra International Tbk (ASII) 8220.00 6900.00 6032.97 1257.00 Bank BCA Tbk. (BBCA) 9500.00 4525.00 6973.85 1165.07 Bank BNI Tbk. (BBNI) 4700.00 1687.00 3389.38 735.17 Bank Mandiri Tbk. (BMRI) 8800.00 4253.00 6530.07 1060.081 Gudang Garam Tbk. (GGRM) 66400.00 16700.00 45321.36 12176.85 Jasa Marga Tbk. (JSMR) 5900.00 1690.00 3734.01 1298.20 Kalbe Farma Tbk.(KLBF) 1130.00 250.00 629.77 190.99 Pabrik Gas Negara Tbk. (PGAS) 4800.00 2200.00 3808.91 448.82 Semen Indonesia Tbk. (SMGR) 16100.00 7100.00 10064.88 2070.94 Unilever Tbk. (UNVR) 28350.00 10600.00 17624.05 4239.70 LQ45 755.63 470.79 643.83

  71.89 Tabel 5Parameter Terbaik untuk Tiap Perusahaan dengan jumlah node pada hidden layer = 11

  Perusahaan epochs learning rate momentum rmse nrmse Akurasi

  47.90 ASII 100

  0.01 0.05 198.49

  0.11

  41.18 BBCA 500

  0.01 0.01 157.97

  0.07

  42.02 BBNI 500

  0.01

  0.05

  70.33

  0.17

  57.98 BMRI 100

  0.01 0.01 222.43

  0.11

  62.18 GGRM 1000

  0.01 0.01 1903.55

  0.11

  37.81 JSMR 1000

  0.01 0.01 101.69

  0.22

  47.06 KLBF 100

  0.01

  0.05

  64.47

  0.16

  47.06 PGAS 1000

  0.01 0.01 166.72

  0.13

  60.50 SMGR 1000

  0.01 0.01 330.34

  0.07

  47.90 UNVR 1000

  0.01 0.01 754.09

  0.09

  46.2 LQ45 500

  0.01

  0.01

  10.48

  0.13 epoch . Pada penelitian ini jumlah

  4. HASIL UJI COBA

  neuron ditentukan sebanyak jumlah

  Pada penelitian ini akan

  indikator ditambah satu, tiga nilai untuk learning rate, tiga nilai untuk

  digunakan data harga saham dari epoch , dan tiga nilai untuk momentum. sepuluh perusahaan Indonesia yang

  Nilai-nilai parameter BPNN ini dapat

  tergabung dalam indek LQ45 dan dilihat pada juga data harga saham juga gabungan indek LQ45. Uji coba ini dilakukan secara perhari (short- term).

  Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

  (a) (b)

  (c) (d)

  (e) (f) Gambar 2 Hasil uji coba prediksi harga saham perusahaan (a) Atra Internatioanl (b) Bank

  

BCA (c) Bank BNI (d) Bank Mandiri (e) Gudang Garam (f) Jasa Marga. Garis

biru menunjukkan harga aktual, Garis merah menunjukkan harga prediksi.

  (a) (b)

  (a) (b)

  (c) Gambar 3Hasil uji coba prediksi harga saham perusahaan (a) Kalbe Farma (b) Perusahaan Gas Negara (c) Semen Indonesia (d) Unilever (e) Indeks LQ45. Garis biru menunjukkan harga aktual, Garis merah menunjukkan harga prediksi.

  Vol 3, No 3 Desember 2013

  Data perusahaan yang dipakai seperti pada Tabel 4.Uji coba akan dilakukan terhadap sepuluh perusahaan dan satu indek dengan menggunakan kombinasi parameter BPNN yaitu momentum, epoch, dan learning rate. Sehingga tiap-tiap perusahaanakan dilakukan uji coba sebanyak 27 kali dengan kombinasi parameter yang berbeda-beda.

  Kombinasi parameter yang berbeda-beda ini akan menghasilkan performa yang berbeda-beda pula. Oleh karena itu penentuanparameter mempengaruhi hasil dari performa model ini. Akan tetapi hasil akurasi antar perusahaan dapat berbeda dengan menggunakan kombinasi parameter yang sama. Sehingga tiap perusahaan memiliki kombinasi parameter yang berbeda untuk menentukan hasil yang terbaik.

  Hasil uji coba terbaik dari sepuluh perusahaan dan satu indeks dapat dilihat pada dan Pada kedua gambar tersebut disajikan perbedan antara data saham aktual dan data prediksi saham. Data saham digambarkan dengan garis warna merah sedangkan data hasil prediksi digambarkan dengan garis warna biru. Semakin dekat jarak antara garis warna merah dan biru semakin kecil kesalahan prediksinya, begitu juga sebaliknya. Disamping memperhitungkan selisih harga saham dan prediksi, dilakukan perhitungan juga kecocokan arah harga saham aktual dan prediksi. Akurasi akan bernilai tinggi jika arah pada grafik aktual sama dengan arah pada grafik prediksi, yaitu sama-sama naik atau sama-sama turun.

  Pada grafik tersebut, hampir semua perusahaan memiliki kesalahan prediksi yang. Hal ini dapat dilihat pada kecilnya jarak data saham aktual dan data saham prediksi. Akan tetapi akurasi yang dihasilkan pada prediksi tersebut benilai kecil artinya performa pencocokan arah yang dihasilkan kurang sesuai dengan data aktual. Performa hasil uji coba yang dilkukan tergantung dari parameter BPNN yang dipilih.

  Performa hasil prediksi ditentukan dari tiga kombinasi parameter BPNN yang terbaik. Kombinasi tiga parameter terbaik antara lain epochs , learning rate dan

  momentum . Kombinasi parameter

  terbaik tiap perusahaan dapat dilihatpad Ketiga kombinasi tersebut merupakan kombinasi parameter yang terbaik untuk mendapatkan hasil RMSE dan akurasi yang tebaik. Hasil akurasi tidak perlu dilakukan normalisasi, hal ini dikarenakan skala akurasi pada semua data sama yaitu 1-100. Sedangkan Hasil RMSE ini perlu dinormalisasi karena data saham perusahaan yang di uji coba memiliki karakteristik yang berbeda. Oleh karena itu digunakan NRMSE.

  NRMSE adalah normalisasi dari RMSE dengan membagi hasilnya dengan selisih antara maksimum dan minimum data. Persamaan NRMSE seperti berikut:

  , (2) Semakin kecil nilai NRMSE maka semakin bagus juga hasil prediksinya, begitu juga sebaliknya.

  Pada apat diketahui bahwa parameter epoch (E), learning rate (Lr), dan momentum (M) yang paling banyak digunakan untuk menghasilkan nilai RMSE yang terbaik adalah 1000, 0.01, dan 0.01. Selain itu dari hasil uji coba didapatkan NRMSE terbaik pada perusahaan Bank BCA Tbk (BBCA) sebesar 0.05 dan nilai NRMSE terendah pada perusahaan Jasa Marga Tbk (JSMR) dengan nilai NRMSE 0.22. Sedangkan hasil akurasi terbaik bernilai 62.18 oleh perusahaan Gudang Garam dan akurasi terendah sebesar 37.81 oleh perusahaan Jasa Marga.

  5. KESIMPULAN

  Prediksi harga saham adalah hal yang penting bagi investor untuk

  Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

  Vol 3, No 3 Desember 2013 merencanakan strategi bisnisnya.

  [5] K. Hornik, M. Boyacioglu and O. Dengan melakukan prediksi harga

  Baykan, "Universal approximation saham juga dapat mempengaruhi of an unknown mapping and its keputusan investor apakah harus derivatives using multilayer membeli saham atau menjual saham feedforward neural network," Neural miliknya. Pada penelitian ini diusulkan

  networks, vol. 3, pp. 359-366, 1990.

  cara memprediksi saham secara komputasional. Penelitian ini [6] W. Shen, X. Guo, C. Wu and D. Wu, menggunakan metode BPNN sebagai

  "Forecasting stock indices using prediksi dan beberapa perusahaan yang radial basis function neural network termasuk kategori LQ45 sebagai optimized by artificial fish swarm ujicoba. Dari hasil uji coba, dapat algorithm," Knowledge- Based disimpulkan bahwa metode BPNN dapat

  Systems, vol. 24, pp. 378-585, 2011.

  memprediksi harga saham harian dengan cukup baik. Hal ini terbukti dengan nilai NRMSE yang dihasilkan, yaitu minimal

  0.22. Akan tetapi metode BPNN ini kurang baik dalam memprediksi arah harga saham. Hal ini terbukti dengan akurasi terbaik yang dihasilkan sebesar

  62.18.

6. DAFTAR PUSTAKA

  [1] B. Garland, "SV mixture models with application to S&P 500 index returns," Journal of Financial

  Economics, vol. 85, pp. 822-856, 2007.

  [2] C. H. Chen, "eural networks for financial market prediction," IEEE

  World Congress Computational Intelligence, vol. 27, p. 1199 –1202,

  1994. [3] W. Wuang, Y. Nakamori and S.

  Wang, "Forecasting stock market movement direction with support vector machine," Computers and Operations Research, vol. 10, p. 2513 –2522, 2005. [4] K. Yakup, M. Boyacioglu and O.

  Baykan, "Predicting direcition of stock price index movement using artificial neural network and support vector machines: The sample of Istanbul Stock Exchange," Expert

  Systems with Applications, vol. 38, pp. 5311-5319, 2011.

  141