Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+1)
Vol. 2, No. 6, Juni 2018, hlm. 2302-2308 http://j-ptiik.ub.ac.id
Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika
untuk Memprediksi Harga Saham Esok Hari (T+1)
1 2 3 Grady Davinsyah , Wayan Firdaus Mahmudy , Rizal Setya PerdanaProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: gradyyo@gmail.com, wayanfm@ub.ac.id, rizalespe@ub.ac.id
Abstrak
Saham adalah salah satu instrumen investasi yang dikenal dengan potensi keuntungan dan resikonya yang cukup tinggi. Tingginya potensi dan resiko investasi saham disebabkan karena harganya yang fluktuatif dan dapat berubah dalam hitungan detik. Untuk meminimalisir resiko, diperlukan sebuah sistem yang dapat memprediksi harga penutupan saham esok hari. Arsitektur yang digunakan dalam penelitian ini adalah multi-layer neural network. Arsitektur ini kemudian dilatih dengan menggunakan 2 metode, yaitu backpropagation dan algoritma genetika. Kedua metode tersebut bertujuan untuk mendapatkan bobot-bobot pada arsitektur multi-layer neural network. Parameter backpropagation yang didapatkan dari pengujian penelitian ini adalah banyak iterasi sebesar 4500 iterasi dengan learning rate
0.7. Sedangkan parameter untuk metode pelatihan algoritma genetika adalah banyak generasi 2000, ukuran populasi 200, crossover rate 0.1 dan mutation rate 0.9. Dengan menggunakan parameter tersebut diatas, rata-rata nilai RMSE yang dihasilkan dengan menggunakan metode pelatihan backpropagation adalah 0.048006. Sementara ketika menggunakan metode pelatihan algoritma genetika, rata-rata nilai RMSE yang dihasilkan oleh jaringan adalah 0.065205. Sehingga pada penelitian ini, nilai error yang dihasilkan oleh metode pelatihan backpropagation lebih kecil dibandingkan dengan metode pelatihan algoritma genetika.
Kata kunci: saham, multi-layer neural network, algoritma genetika, backpropagation
Abstract
Stock is one of investment instrument which is popular because of the high profit potential and risk.
These profit potential and risk are caused by fluctuations of the stock price in the stock market. To
minimalize the risk, a system which is able to predict closing price of the next day is required. The
architecture which is used in this research is multi-layer neural network. This architecture is trained
with 2 different training methods, which is backpropagation and genetic algorithm. Both of the methods
aim to gain weights of all network’s architecture. Backpropagation’s parameters which obtained during
the research are 4500 iteration and 0.7 learning rate. For genetic algorithm’s parameters which
obtained during the research are 2000 generations, population size of 200, crossover rate 0.1 and
mutation rate 0.9. By using those parameters, average RMSE value which produced using
backpropagation algorithm is 0.048006. Meanwhile when using genetic algorithm as a training method,
average RMSE value which produced by the network is 0.065205. So in this research, average error
value which is produced by using backpropagation training is smaller than using genetic algorithm
training method.Keywords: stock, multi-layer neural network, genetic algorithm, backpropagation
Padahal statistik jelas menunjukkan bahwa 1.
PENDAHULUAN bunga yang diperoleh ketika menabung di bank
(tabungan dan deposito) sangatlah tidak Menjadi kaya adalah impian dari setiap sebanding dengan tingkat pertumbuhan orang. Banyak yang beranggapan bahwa agar konsumsi (Wijaya, 2015). menjadi kaya harus berhemat dan rajin
Dari fakta yang telah diuraikan, saat ini menabung. Pemikiran ini sejalan dengan slogan menabung bukan merupakan cara untuk menjadi yang ada di masyarakat, hemat pangkal kaya. kaya dalam jangka panjang. Untuk mendapatkan
Fakultas Ilmu Komputer Universitas Brawijaya
2302 perkembangan diatas laju inflasi dan tingkat pertumbuhan konsumsi, salah satu upaya yang dapat dilakukan adalah berinvestasi. Satu dari sekian banyak instrumen investasi yang paling terkenal adalah saham. Saham adalah surat berharga yang menunjukkan kepemilikan atas suatu perusahaan. Ketika Anda membeli saham, berarti Anda membeli sebagian kepemilikan atas perusahaan tersebut (Jefferson & Sudjatmoko, 2013). Saham menjadi begitu terkenal di kalangan investor karena tingginya potensi imbal hasil atau return yang ditawarkan.
Pada bulan Februari 2016, jumlah investor yang tercatat pada Bursa Efek Indonesia (BEI) sebesar 468 ribu orang (Pasopati, 2016). Hampir setengah juta orang telah menjadi investor di bursa saham. Namun perlu diingat bahwa keseluruhan jumlah penduduk Indonesia ada sekitar 250 juta jiwa. Jika dibuat prosentasenya, investor di BEI hanya sebesar 0,1872 persen. Sedikitnya jumlah penduduk Indonesia yang menjadi investor di pasar modal salah satunya disebabkan oleh tingginya resiko dalam berinvestasi di pasar modal (high risk high
Dividen Dividen merupakan pembagian keuntungan yang diberikan oleh perusahaan kepada para pemegang sahamnya (Jefferson & Sudjatmoko, 2013).
2.2. Jaringan Syaraf Tiruan
2. Resiko Likuidasi Resiko ini adalah resiko yang terjadi apabila sebuah perusahaan yang sahamnya dimiliki dinyatakan bangkrut atau perusahaan tersebut dibubarkan. Pemegang saham memiliki prioritas terendah, setelah perusahaan menyelesaikan seluruh kewajibannya.
lebih rendah daripada harga beli.
Capital loss adalah kebalikan dari capital gain , yaitu kondisi dimana harga jual
Capital Loss
harga jual yang lebih tinggi daripada harga beli. Selain potensi keuntungan, memiliki saham suatu perusahaan juga memiliki beberapa potensi kerugian, yaitu : 1.
Capital gain merupakan kondisi dimana
2. Capital Gain
Terdapat beberapa potensi keuntungan apabila memiliki saham suatu perusahaan, yaitu : 1.
return ). Minimnya pengetahuan calon investor
Saham adalah surat berharga yang menunjukkan kepemilikan atas suatu perusahaan. Ketika Anda membeli saham, berarti Anda membeli sebagian kepemilikan atas perusahaan tersebut. Porsi kepemilikan ditentukan oleh seberapa besar modal penyertaan yang ditanamkan di perusahaan tersebut (Jefferson & Sudjatmoko, 2013).
2.1. Saham
2. KAJIAN PUSTAKA
backpropagation dan algoritma genetika pada arsitektur multi-layer neural network.
Tujuan dari penelitian ini adalah menerapkan, mengimplementasi, dan menguji error yang dihasilkan oleh metode pelatihan
Mean Square Error (MSE) sebesar 1546.747.
Penelitian sebelumnya telah menunjukkan kalau arsitektur jaringan syaraf tiruan banyak digunakan untuk melakukan peramalan (forecasting) (Sari, Mahmudy, & Wibawa, 2016). Penelitian lain adalah implementasi jaringan syaraf tiruan metode backpropagation untuk memprediksi harga saham. Penelitian ini dilakukan oleh Trimulya, dkk (2015). Penelitian ini memprediksi harga penutupan saham PT. Adaro Energy, Tbk (ADRO) dengan 6 variabel data, antara lain harga pembukaan, harga penutupan, harga tertinggi, harga terendah, harga jual, dan harga beli. Akurasi tertinggi dari penelitian ini didapat dari kombinasi 25 neuron pada lapisan tersembunyi pertama, 23 neuron pada lapisan tersembunyi kedua, dan 250000 iterasi. Kombinasi tersebut menghasilkan nilai
Dari fakta-fakta ini, upaya untuk mengurangi jumlah penduduk miskin yang ada di Indonesia salah satunya dapat dilakukan dengan mendorong lebih banyak penduduk untuk menjadi investor. Tantangan selanjutnya adalah bagaimana investor dapat secara konsisten mendapatkan profit dari transaksinya di pasar saham. Hal ini sangat sulit, karena investor seniorpun masih mengalami kerugian ketika bertransaksi di pasar modal.
tentang bagaimana strategi menaklukkan pasar modal juga berkontribusi terhadap sedikitnya jumlah investor lokal di Indonesia.
Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mensimulasikan proses pembelajaran pada otak manusia tersebut (Trimulya, Syaifurrahman, & Setyaningsih, 2015). Sama
Studi Literatur
seperti syaraf manusia, jaringan syaraf tiruan juga memiliki banyak neuron. Neuron-neuron
Pengumpulan Data
ini tersebar pada beberapa lapisan, antara lain lapisan masukan, lapisan tersembunyi, dan lapisan keluaran.
Analisa Kebutuhan
2.3. Algoritma Genetika
Algoritma Genetika diilhami oleh ilmu
Perancangan Sistem
genetika (Mahmudy, 2015). Individu yang lebih baik mampu bertahan, sehingga individu tersebut akan menjadi solusi optimal dari sebuah Implementasi Sistem masalah (Rahmi, Mahmudy, & Setiawan, 2015). Algoritma Genetika banyak digunakan untuk menyelesaikan berbagai masalah optimasi yang Pengujian Sistem model matematikanya kompleks atau bahkan sulit dibangun (Mahmudy, 2015).
Analisis 3.
METODOLOGI PENELITIAN
Kesimpulan
Metodologi penelitian yang dilakukan dalam penelitian ini melalui beberapa tahapan
Gambar 1 Metodologi Penelitian
yang dapat diilustrasikan dengan diagram blok metodologi penelitian seperti pada Gambar 1:
3.1. Pengumpulan Data Tabel 1 Data Harian BBCA Tanggal Open High Low Clos Volume
Data yang digunakan dalam penelitian ini
e
adalah data harga saham harian PT. Bank
02-01-13 9100 9250 9000 9100 3454500
Central Asia, Tbk. (BBCA). Data bersifat
03-01-13 9150 9250 9050 9150 8406000
sekunder, yaitu data yang didapatkan dari
07-01-13 9200 9250 9050 9200 15407000
sumber yang telah ada. Data harga saham BBCA
08-01-13 9150 9250 9100 9150 11588000 yang digunakan didapatkan dari yahoo finance.
4.2. Pelatihan dengan Backpropagation
4. PERANCANGAN SISTEM
Metode pelatihan pertama yang digunakan
4.1. Formulasi Permasalahan
adalah backpropagation. Pada metode pelatihan Permasalahan yang akan diselesaikan pada ini, fungsi aktivasi yang digunakan adalah fungsi penelitian ini adalah prediksi harga close saham
binary sigmoid . Flowchart proses pelatihan
esok hari menggunakan algoritma backpropagation digambarkan pada Gambar 2.
Backpropagation dengan Algoritma Genetika.
Data yang digunakan adalah data harga historis saham PT. Bank Central Asia, Tbk. (BBCA) sejak 1 Januari 2013 hingga 30 Desember 2016. Variabel pada data yang digunakan adalah open,
high, low, close , dan volume. Contoh data yang digunakan seperti pada Tabel 1.
Start Start
Insialisasi bobot dan bias Insialisasi populasi Propagasi maju Reproduksi
Propagasi mundur Evaluasi Perbaikan bobot Seleksi
Kondisi stop
Kondisi stop Stop Stop
Gambar 2 Flowchart Pelatihan Backpropagation Gambar 3 Flowchart Pelatihan Algoritma Genetika
4.3. Pelatihan dengan Algoritma Genetika
Metode pelatihan lain yang digunakan pada penelitian ini adalah algoritma genetika. Pada
Tabel 2 Hasil Pengujian Banyak Generasi
pelatihan algoritma genetika, metode reproduksi
Generasi Percobaan ke-n Rata-rata
yang digunakan ada 2, yaitu crossover dan
RMSE
1 … 10
mutasi. Pada reproduksi crossover, metode yang
500 0.278349 0.283371 0.277118
digunakan adalah extended intermediate
1000 0.115753 0.140271 0.123387 crossover . Sedangkan pada reproduksi mutasi,
metode yang digunakan adalah random
1500 0.088581 0.092765 0.092731 mutation . Untuk metode seleksi yang digunakan
2000 0.088172 0.079408 0.089432
adalah seleksi elitism. Flowchart proses
2500 0.085283 0.090693 0.086418
pelatihan algoritma genetika digambarkan pada
3000 0.084914 0.085534 0.08433 Gambar 3. 3500 0.085578 0.076867 0.081545 4000 0.079008 0.089783 0.079013
5. PENGUJIAN DAN ANALISIS
4500 0.076575 0.07797 0.075723
Pengujian dilakukan sebanyak 10 kali dengan parameter yang telah disebutkan pada tiap pengujian. Tiap pengujian dicatat nilai
Pengujian Banyak Generasi
RMSE yang dihasilkan, kemudian diambil rata-
0,35 rata nilai RMSE dari tiap pengujian parameter. 0,25
5.1. Pengujian Banyak Generasi
0,15
Banyak generasi yang diuji adalah kelipatan
0,05 500, mulai 500 generasi hingga 4500 generasi.
1000 2000 3000 4000 5000
Kombinasi crossover rate (cr) dan mutation rate (mr) adalah 0.2 : 0.2 dengan ukuran populasi 80
Gambar 2 Grafik Hasil Pengujian Banyak Generasi
dan pengujian dilakukan sebanyak 10 kali. Hasil pengujian banyak generasi disajikan pada Tabel Gambar 4 menunjukkan bahwa mulai 2. percobaan 2000 generasi, rata-rata nilai RMSE adalah 200 individu dengan banyak generasi yang dihasilkan tidak mengalami penurunan sebesar 2000 generasi. Hasil pengujian banyak yang signifikan, atau biasa disebut dengan generasi disajikan pada Tabel 4. konvergen. Dengan data ini, maka 2000 generasi
Tabel 4 Hasil Pengujian Kombinasi Cr dan MR
diambil sebahai hasil dari pengujian banyak generasi.
Cr Mr Percobaan ke-n Rata-rata RMSE
1 … 10
5.2. Pengujian Ukuran Populasi
0.9 0.1 0.087206 0.091656 0.089923
Ukuran populasi yang diuji adalah kelipatan
0.8 0.2 0.0778 0.075127 0.076794 40, mulai 40 populasi hingga 400 populasi.
0.7 0.3 0.065246 0.072876 0.06991
Kombinasi crossover rate (cr) dan mutation rate
0.6 0.4 0.070066 0.065382 0.070321
(mr) adalah 0.2 : 0.2 dengan banyak generasi
0.5 0.5 0.064259 0.067064 0.067342
sebesar 2000 generasi. Hasil pengujian banyak
0.4 0.6 0.079475 0.072636 0.071451 generasi disajikan pada Tabel 3.
0.3 0.7 0.072656 0.07031 0.070921 Tabel 3 Hasil Pengujian Ukuran Populasi
0.2 0.8 0.078569 0.069794 0.07287 PopSize Percobaan ke-n Rata-rata
0.1 0.9 0.060082 0.073814 0.0658 RMSE 1 … 10
40 0.097175 0.095908 0.095569 Pengujian Kombinasi Cr dan
80 0.085224 0.082012 0.089965 Mr
120 0.092082 0.089496 0.088804 160 0.08948 0.084691 0.087627 0,1 200 0.086307 0.079285 0.084291 240 0.085565 0.084524 0.086569
0,05 0,2 0,4 0,6 0,8
1 280 0.084293 0.087317 0.085962 320 0.08337 0.084708 0.085016
Gambar 4 Grafik Hasil Pengujian Kombinasi Cr 360 0.086343 0.085429 0.084485 dan Mr
Gambar 6 dan Tabel 4 menunjukkan bahwa
Pengujian Ukuran Populasi
kombinasi cr dan mr yang menghasilkan rata- rata nilai RMSE terkecil adalah cr sebesar 0.1
0,1
dan mr sebesar 0.9. Dengan data ini, maka nilai
0,095
cr sebesar 0.1 dan nilai mr sebesar 0.9 diambil
0,09 sebagai hasil pengujian kombinasi cr dan mr. 0,085
5.4. Pengujian Banyak Iterasi 0,08
Banyak iterasi yang diuji adalah kelipatan
100 200 300 400 500
500, mulai 500 iterasi hingga 5000 iterasi dengan learning rate sebesar 0.7. Hasil
Gambar 3 Grafik Hasil Pengujian Ukuran Populasi pengujian banyak iterasi disajikan pada Tabel 5.
Gambar 5 menunjukkan bahwa pengujian
Tabel 5 Hasil Pengujian Banyak Iterasi
dengan ukuran populasi sebesar 200
Iterasi Percobaan ke-n Rata-rata menghasilkan rata-rata nilai RMSE terkecil.
RMSE
Dengan data ini, maka 200 populasi diambil
1 … 10 sebahai hasil dari pengujian ukuran populasi.
500 0.079837 0.084439 0.080871 1000 0.077068 0.062784 0.074028
5.3. Pengujian Kombinasi Cr dan Mr 1500 0.057472 0.056662 0.066304
Kombinasi cr dan mr yang diuji adalah
2000 0.067266 0.060543 0.065823
kelipatan 0.1. Pengujian cr sebesar 0.1
2500 0.076631 0.052074 0.059435
dipasangkan dengan mr 0.9, cr sebesar 0.2
3000 0.054271 0.049187 0.053411
dipasangkan dengan mr 0.8, begitu pula
3500 0.051762 0.049466 0.053323
seterusnya. Ukuran populasi yang digunakan
4000 0.051971 0.055637 0.051613 Pengujian Learning Rate
4500 0.053328 0.048928 0.050624 5000 0.053481 0.055597 0.050933 0,052 0,05
Pengujian Banyak Iterasi 0,048 0,1 0,046 0,5
1 1,5 0,08 0,06
Gambar 6 Grafik Hasil Pengujian Learning Rate 0,04 2000 4000
Gambar 8 menunjukkan bahwa perbedaan
learning rate dapat menghasilkan rata-rata nilai Gambar 5 Grafik Hasil Pengujian Banyak Iterasi
RMSE yang berbeda pula. Dari pengujian yang telah dilakukan, learning rate sebesar 0.7 Gambar 7 dan Tabel 5 menunjukkan bahwa menghasilkan rata-rata nilai RMSE yang paling semakin banyak iterasi yang dilakukan akan kecil. Dari data ini, maka learning rate 0.7 menghasilkan rata-rata nilai RMSE yang diambil sebagai hasil pengujian learning rate. cenderung menurun. Pada pengujian 5000, rata- rata nilai RMSE yang dihasilkan tidak
5.6. Pengujian Perbandingan Hasil
menunjukkan penurunan yang signifikan,
Backpropagation dan Algoritma Genetika
sehingga 4500 iterasi diambil sebagai hasil Setelah didapatkan parameter yang pengujian banyak iterasi. menghasilkan rata-rata nilai RMSE terkecil, kemudian dilakukan perbandingan kedua
5.5. Pengujian Learning Rate
metode pelatihan menggunakan parameter yang
Learning rate yang diuji adalah kelipatan
telah didapatkan sebelumnya. Hasil o.1, mulai 0.1 hingga 1. Hasil pengujian learning perbandingan dapat dilihat pada Tabel 7. rate disajikan pada Tabel 6.
Tabel 7 Hasil Pengujian Learning Rate Tabel 6 Hasil Pengujian Learning Rate Pelatihan Percobaan ke-n Rata- Learning Percobaan ke-n Rata- rata
1 … 10 Rate rata
1 RMSE … 10 RMSE
Algoritma 0.0692 0.0583 0.065 0.1 0.0536 0.04858 0.05025 Genetika
7
8
2
3 Backpropagation 0.0437 0.0465 0.048 0.04711 0.05204 0.04929
0.2
6
5
2
4 0.3 0.05627 0.04860 0.05023
Tabel 7 menunjukkan bahwa pelatihan
1
9
2
menggunakan backpropagation menghasilkan
0.4 0.04737 0.04698 0.04877
rata-rata nilai RMSE yang lebih kecil daripada
1
5
pelatihan jaringan menggunakan algoritma
0.5 0.05319 0.05137 0.04859
genetika. Hal ini terjadi dikarenakan algoritma
8
1
genetika yang digunakan pada penelitian ini
0.6 0.04524 0.04570 0.04737
adalah algoritma genetika sederhana. Pada
4
1
penelitian lain algoritma genetika hybrid dengan
0.7 0.04568 0.04675 0.04658 simulated annealing dapat mengungguli
4
8
3 pelatihan backpropagation (Shi & Zhang, 2009). 0.8 0.04571 0.04588 0.04659
7
5
6 6.
KESIMPULAN 0.9 0.04569 0.05347 0.04740
Setelah penelitian Pelatihan Multi-layer
2
4
9 Neural Network Menggunakan Algoritma 1 0.05110 0.04589 0.04829
Genetika Untuk Memprediksi Harga Saham
2 Esok Hari (T+1) selesai dilakukan dapat
disimpulkan bahwa parameter pelatihan
backpropagation yang menghasilkan rata-rata
https://www.cnnindonesia.com/ekonomi/ 20160308140957-78-116080/jumlah- investor-saham-di-ri-naik-8-persen-sejak- awal-tahun/ Rahmi, A., Mahmudy, W. F., & Setiawan, B. D.
Wijaya, R. F. (2015). Menjadi Kaya dan
A. (2015). Implementasi Jaringan Syaraf Tiruan Metode Backpropagation Untuk Memprediksi Harga Saham. Jurnal Coding, Sistem Komputer Untan , 66-75.
Trimulya, A., Syaifurrahman, & Setyaningsih, F.
Shi, H., & Zhang, S. (2009). Improving Artificial Neural Networks Based on Hybrid Genetic Algorithms. Beijing: IEEE.
(2016). Backpropagation on Neural Network Method for Inflation Rate Forecasting in Indonesia. Advance Soft Compu , 8 (3), 70-87.
, 5 (12). Sari, N. R., Mahmudy, W. F., & Wibawa, A. P.
Mahasiswa PTIIK Universitas Brawijaya
(2015). Prediksi Harga Saham Berdasarkan Data Historis Yang Dibangun Menggunakan Model Regresi Yang Dibangun Dengan Algoritma Genetika. DORO: Respository Jurnal
Saham di RI Naik 8 Persen Sejak Awal Tahun . Retrieved from CNN Indonesia:
nilai RMSE paling kecil adalah 4500 iterasi dengan learning rate 0.7. Kemudian parameter pelatihan algoritma genetika yang menghasilkan rata-rata nilai RMSE paling kecil adalah 2000 generasi, 200 ukuran populasi, cr sebesar 0.1 dan
Malang. Pasopati, G. (2016, March 8). Jumlah Investor
Mahmudy, W. F. (2015). Algoritma Evolusi.
Shopping Saham Modal Sejuta ! Jakarta: Elex Media Komputindo.
DAFTAR PUSTAKA Jefferson, J., & Sudjatmoko, N. (2013).
RMSE yang lebih rendah dibandingkan menggunakan metode pelatihan algoritma genetika.
backpropagation memberikan rata-rata nilai
tersebut, rata-rata nilai RMSE yang dihasilkan menggunakan pelatihan algoritma genetika sebesar 0.065205 dan 0.048006 ketika menggunakan pelatihan backpropagation . Sehingga pada studi kasus ini metode pelatihan
mr sebesar 0.9. Dengan menggunakan parameter
Terencana Dengan Reksa Dana . Jakarta: Elex Media Komputindo.