APLIKASI JARINGAN SYARAF TIRUAN UNTUK PERAMALAN SAHAM: SEBUAH REVIEW PENELITIAN TERDAHULU

Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008

APLIKASI JARINGAN SYARAF TIRUAN UNTUK PERAMALAN SAHAM: SEBUAH REVIEW PENELITIAN TERDAHULU Christian Herdinata Program Studi International Business Management Universitas Ciputra email: [email protected]

ABSTRACT The objective of this paper is to overview of a new financial modeling technique, namely the Artificial Neural Network (ANN) in predicting or forecasting financial market, based on several studies. Numerous studies compare different conventional models with ANN to forecasting of financial data and find that ANN systematically produces effective forecasting than conventional models, which effectiveness of forecasting measured with error of forecasting and achieving return of technical trading strategy based on ANN predictions. Advantage of the ANN, basically, caused by assumption fit between ANN and financial data’s behavior, it is the nonlinearity assumption. However, ANN model should consider by investors and financial analyst as a tool of forecasting in financial market for gaining of return and minimizing of risk. Keyword: artificial neural network, forecasting, nonlinearity, effectiveness.

PENDAHULUAN Sejak akhir Abad ke-20, kecerdasan tiruan (artificial intelligent) telah menarik banyak peneliti untuk mengembangkan dalam berbagai disiplin ilmu. Perkembangan piranti komputer yang sangat pesat memiliki peran yang signifikan dalam perkembangan kecerdasan tiruan yang melahirkan kecerdasan tiruan komputasional (computational artificial intelligent), yaitu kecerdasan tiruan yang dikembangkan ke arah peniruan proses komputasi. Salah satu model dalam computational artificial intelligent yang berkembang secara pesat adalah artificial neural networks (jaringan syaraf tiruan). Model-model lainnya yang sering digunakan bersama-sama dengan jaringan syaraf tiruan (JST) adalah fuzzy logic (logika fuzzy), dan genetic algorithm (algoritma genetik). Penggabungan antara model JST dengan model lain (fuzzy logic atau genetic algorithm) dilakukan dengan harapan dapat meningkatkan kinerja model, seperti yang telah dilakukan oleh Tan (1999) yaitu mengembangkan Hybrid Financial Trading System dengan menggabungkan model JST dan algoritma genetik. JST telah menjadi bahan penelitian yang sangat menarik bagi para peneliti, baik para pakar ilmu komputer maupun pakar dalam bidang ilmu lainnya. Biasanya penelitian yang dilakukan pakar ilmu komputer adalah melakukan modifikasi JST untuk memperoleh kinerjanya yang paling optimal. Sedangkan pakar disiplin ilmu yang lain tertarik untuk mengaplikasikan JST sebagai alat bantu untuk menyelesailan masalah-masalah yang dihadapi dalam disiplin ilmu tertentu. Ilmu keuangan merespon perkembangan computational artificial intelligent yang ditunjukkan oleh penggunaan aplikasi artificial intelligent untuk memecahkan permasalahan-permasalahan keuangan. Hsieh (1993) dalam Tan (1999) menyatakan beberapa aplikasi corporate finance yang dapat ditingkatkan memalui penggunaan JST antara lain: financial simulation, predicting investor’s behavior, evaluation, credit


approval, security and/or asset portfolio management, princing initial public offerings, dan determining optimal capital structure. Selain itu, Medsker et al. (1996) yang juga dikutip oleh Tan (1999) memperlihatkan beberapa tugas analisis keuangan yang dapat dilakukan dengan alat bantu JST, yaitu: credit authorization screening, mortgage risk assessment, project management and bidding strategy, financial and economic forecasting, risk rating of exchange-traded, detection of regularities in security price movements, dan prediction of default and bankruptcy. Sedangkan Tan (-) mengelompokkan berbagai kasus yang dapat diselesaikan dengan alat bantu JST menjadi tiga kelompok besar, yaitu classification, time series forecasting, dan optimization. Tulisan ini bermaksud untuk memaparkan aplikasi JST untuk financial forecasting. Bagian selanjutnya secara berturut-turut akan mebahas konsep dasar JST, financial forecasting, langkah-langkah peramalan dengan JST, ukuran-ukuran keefektifan peramalan, dan beberapa penelitian terdahulu. Jaringan Syaraf Tiruan JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia (Kusumadewi, 2004). Selaras dengan definisi yang diungkapkan oleh Kusumadewi (2004) tersebut, Pandjaitan (2007) mendefinisikan JST sebagai suatu teknologi komputasi yang berbasis pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf terhadap berbagai macam masukan. JST yang pertama kali dikembangkan oleh Rosenblatt (1959) dan Windrow dan Hoff (1960) merupakan struktur-struktur komputasional dengan pembelajaran (learning) dan kemampuan menjeneralisasikan (generalization capabilities). Secara konsep, mereka menggunakan sebuah teknik distribusi (distributive technique) untuk menyimpan pengetahuan yang diperoleh dari pembelajaran dengan sampel dan digunakan untuk pattern classification, predicting and analysis, dan control and optimization (Shapiro, 2003). Pada dasarnya, baik jaringan syaraf biologi maupun JST merupakan unit-unit pemrosesan informasi. Terdapat beberapa tipe JST, namun semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf terdiri dari beberapa neuron (yang sering disebut dengan node), dan masing-masing neuron terhubung satu dengan yang lainnya dan melakukan pemrosesan informasi seperti pada sistem jaringan syaraf biologi. Syaraf (neuron) biologi memiliki tiga komponen penting, yaitu dendrite, nucleus, dan axon. Dendrite menerima sinyal dari neuron lain. Sinyal tersebut dimodifikasi (diperkuat/ diperlemah) oleh celah sinapsis. Selanjutnya, nucleus menjumlahkan semua sinyal-sinyal yang masuk. Jika jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke neuron lain melalui axon (Jong, 2005). Neuron biologi diperlihatkan pada Gambar 1.

Gambar 1. Neuron Biologi

ISBN : 978-979-99735-4-2 A-20-2


JST juga memproses informasi seperti pada sistem jaringan syaraf biologi. Informasi (disebut dengan Input) akan dikirim ke node (dalam model jaringan syaraf lebih banyak digunakan istilah node untuk menyebut neuron) dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan semua nilai perkalian input dan bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan sebuah nilai ambang tertentu melalui fungsi aktivasi setiap node. Apabila input tersebut melewati nilai ambang tersebut, maka node tersebut akan diaktifkan, kalau tidak maka node tersebut tidak akan diaktifkan. Apabila node diaktifkan, maka node tersebut akan mengirim output melalui bobot-bobot output-nya kesemua node yang berhubungan dengannya. Proses tersebut digambarkan pada Gambar 2. x1 w2

x2 x3

w1



w3

f()

y

wn xn Gambar 2. Neuron

Misalkan ada sejumlah n masukkan, Tiruan yaitu x1, x2, x3, …, xn. Masing-masing masukan tersebut diberi bobot, yaitu w1, w2, w3, …, wn. Kemudian dijumlahkan, yaitu A n

= x1w1 + x2w2 + x3w3 + … + xnwn, atau secara sederhana dapat ditulis A   xi wi . Nilai i 1

tersebut kemudian dibandingkan dengan sebuah nilai ambang, melalui fungsi aktivasi (f()), hasilnya adalah keluaran (y). Model satu node tersebut, kemudian dibuat dalam bentuk jaringan node, sehingga terbentuk sebuah jaringan syaraf tiruan, seperti Gambar 3. Lapisan tersembunyi 1 Lapisan tersembunyi 2 Input Node keluaran

Gambar-3. JST Dua Hidden Layer

Arsitektur JST Sampai sekarang ini terdapat beberapa model JST, antara lain jaringan berbasis radial, jaringan regression, jaringan elman, jaringan hopfield, dan jaringan feedfoward multilayer. Namun dari beberapa model tersebut, yang cenderung digunakan dalam

ISBN : 978-979-99735-4-2 A-20-3


aplikasi peramalan saham adalah model jaringan syaraf feedfoward multilayer (Lawrence, 1997; Qi, 1999; Phua, Ming, dan Lin, 2001; Jasic dan Wood, 2004; Nygren, 2004; Samantan dan Bordoloi, 2005; Kajitani, Hipel, dan McLeod, 2005), karena jaringan feedfoward multilayer lebih efektif digunakan ketika data yang digunakan memiliki karakteristik nonlinier dan nonnormal (Kajitani at al., 2005). Jaringan feedfoward multilayer adalah jaringan arus maju yang memiliki banyak lapisan. Model jaringan ini memiliki tiga kelompok lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Lapisan tersembunyi terletak diantara lapisan input dan lapisan output. Secara sederhana model jaringan feedforward multilayer dua lapisan tersembunyi digambarkan pada Gambar-3. Kinerja dari model JST sangat tergantung dari strukturnya, oleh karena itu harus ditentukan banyaknya lapisan tersembunyi dan neuron yang berada disetiap lapisan tersembunyi. Banyaknya lapisan tersembunyi yang digunakan biasanya satu atau dua. Menurut Gallo, Letizia, dan Stasio (2006) dua lapisan tersembunyi akan lebih efektif untuk peramalan data-data frekuensi tinggi – seperti data pasar saham. Secara umum feedforward multilayer memiliki perbedaan jumlah neuron dan perbedaan bobot untuk lapisan-lapisan yang berbeda (Cichocki dan Unbehauen, 1993). Menurut Talati (2000) banyaknya neuron pada lapisan tersembunyi merupakan parameter pembelajaran yang penting, karena memungkinkan terjadinya kondisi underfitting atau overfitting. Underfitting terjadi ketika banyaknya neuron pada lapisan tersembunyi ditetapkan terlalu sedikit. Jaringan tidak dapat menghasilkan output yang mendekati nilai target yang ditetapkan dan terlalu banyak menyamaratakan output. Sebaliknya, overfitting terjadi ketika neuron pada lapisan tersembunyi ditetapkan terlalu banyak. Jaringan akan lebih menjadi memorizing daripada generalizing. Dengan kata lain kemampuan mengeneralisasi jaringan menjadi menurun. Menurut beberapa peneliti banyaknya node pada lapisan tersembunyi dapat ditentukan dengan menggunakan rumus-rumus berikut:  n  nout   nhl   in  , oleh Lawrence (1994) dalam Talati (2000), 2    nhl  Jumlah input untuk training * Toleransi error , oleh Lawrence (1994) dalam Tan (-),  nhl  Maxnin , nout  , oleh Talati (2000), Jumlah input untuk training * Toleransi error  , oleh Baum dan Haussler  nhl  nin  nout  (1988), sedangkan menurut Gallo et al. (2006) adalah:  nhl  2.nin  1 ,  nhl  2.nin , 

nhl  nin , n  nout  nhl  in  nt , 2 dimana, nhl = banyak neuron pada lapisan tersembunyi (hidden layer), nin = banyak neuron input, nout = banyak neuron output, dan nt = banyaknya data untuk proses training. Selain itu, Shih (1994) dalam Tan (-) mengusulkan bahwa topologi jaringan harus berbentuk pyramid. Lapisan pertama memiliki neuron terbanyak, kemudian banyaknya neuron berkurang untuk lapisan-lapisan selanjutnya. Selanjutnya yang perlu diperhatikan adalah fungsi aktivasi yang akan digunakan. Dalam peramalan data pasar

ISBN : 978-979-99735-4-2 A-20-4


modal, fungsi aktivasi yang sering digunakan adalah fungsi sigmoid (sigmoid function) dan fungsi hyperbolic tangent. Untuk itu terdapat dua alasan. Pertama, karena fungsi tersebut merupakan fungsi aktivasi yang bersifat non linier. Perubahan yang sama pada input tidak selalu menghasilkan perubahan yang sama pada output. Kedua, karena fungsi tersebut merupakan fungsi yang smooth. Perubahan yang kecil pada input tidak menghasilkan perubahan yang besar atau kasar pada output. Terdapat dua bentuk fungsi sigmoid, yaitu fungsi sigmoid biner dan bipolar. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1, sedangkan fungsi sigmoid bipolar memiliki nilai pada range 1 sampai -1. Untuk fungsi hyperbolic tangent memiliki nilai pada range 1 sampai -1. Rumus ketiga fungsi tersebut adalah sebagai berikut: 1  y  f ( x)  (sigmoid biner), 1  e x 1  ex  y  f x   (sigmoid bipolar), 1  e x e x  ex    y f x  x (hyperbolic tangent). e  e x Algoritma Pembelajaran Teknologi JST yang berkembang pesat merupakan solusi persoalan komputasi yang tidak dapat diselesaikan oleh teknik komputer konvensional. Kelebihan yang dimiliki oleh model JST adalah kemampuan dalam melakukan pembelajaran. Dalam hal ini pembelajaran yang maksud adalah melakukan revisi terhadap parameter bobot-bobot dalam model jaringan sampai menghasilkan nilai error yang kecil, dengan menggunakan data sampel. Secara garis besar, algoritma pembelajaran dibedakan menjadi dua yaitu pembelajaran yang terawasi dan tidak terawasi. Perbedaaannya adalah pada proses training, pembelajaran yang terawasi dilakukan training menggunakan data sampel termasuk nilai taget atau output yang telah ditentukan, sedangkan pembelajaran yang tidak terawasi tidak memerlukan target nilai atau output. Untuk aplikasi peramalan algoritma pembelajaran yang disarankan adalah algoritma pembelajaran yang terawasi. Secara umum pembelajaran terawasi menurut Shapiro (2003) dapat digambarkan pada Gambar 4.

Gambar 4. Pembelajaran Terawasi Proses dimulai dengan menetapkan parameter-parameter yang diperlukan dan bobot-bobot secara random untuk setiap hubungan neuron dalam jaringan. Bobot-bobot tersebut merepresentasikan kekuatan hubungan antara dua neuron. Kemudian menghitung nilai keluaran pada setiap neuron lapisan tersembunyi dan diteruskan

ISBN : 978-979-99735-4-2 A-20-5


dengan menghitung keluaran jaringan. Jika keluaran (output) jaringan telah optimal, yaitu telah mendekati nilai target dengan tingkat kesalahan yang telah ditentukan, maka proses dihentikan, jika tidak, maka dilakukan proses penyesuaian bobot-bobot jaringan dan proses dilanjutkan sampai kondisi optimal dicapai atau kriteria penghentian proses pembelajaran yang lain tercapai (iterasi pembelajaran telah melewati iterasi pembelajaran maksimal yang ditentukan). Proses Peramalan Saham Dengan JST Sebuah proses peramalan dengan JST secara umum diilustrasikan dengan flow chart pada Gambar 5. Data Processing: o Choose information o Gather data

No

Build Network Yes Continue with same data ?

Train Network

No Trained successfully ? Yes

Test Network

No Tested successfully ? Yes

Run Network

Gambar 5. Proses Peramalan dengan Jaringan Syaraf Tiruan

Data Processing Mula-mula seorang peramal harus menentukan tujuan peramalan yang akan dilakukan. Dengan mengerti tujuan tersebut diharapkan dapat memutuskan informasi apa saja yang diperlukan. Data-data yang diperoleh harus berbentuk data time series, mengikuti periode yang ditentukan (harian, mingguan, atau bulanan). Terdapat dua tipe peramalan menurut data yang dilibatkan, yaitu peramalan yang hanya melibatkan datadata historis variabel yang diramalkan (univariate) dan peramalan yang melibatkan data time series variabel-variabel lainnya yangmana dianggap dapat menjadi variabel peramal (multivariate). Jika menetapkan bahwa peramalan yang dilakukan dengan menggunakan model uivariate, maka untuk menentukan input JST dapat dilakukan secara langsung atau terlebih dahulu dilakukan analisis autokorelasi. Dilakukan secara langsung berarti secara langsung peneliti menetapkan sejumlah data terakhir sebagai input, misalnya data observasi periode t, t-1, t-2, t-3 ditetapkan sebagai input model untuk peramalan

ISBN : 978-979-99735-4-2 A-20-6


periode selanjutnya (t+1). Sedangkan cara yang kedua, analisis autokorelasi dimaksudkan untuk mengetahui data periode-periode sebelumnya (t-1, t-2, t-3, …, t-n) yang memiliki korelasi yang kuat dengan periode sekarang (t), yangmana data periode yang memiliki nilai autokorelasi yang tinggi dianggap sebagai data yang tepat digunakan untuk meramalkan, sehingga ditetapkan sebagai input JST. Jika peramal menetapkan untuk menggunakan peramalan yang melibatkan variabel-variabel lain, maka menurut Gallo at al. (2006) sebaiknya data-data yang digunakan meliputi tiga kategori, yaitu market data, intermarket data, dan fundamental data (lihat Gambar 6). Market data Market evaluation Intermarket data

Forecast variable Macroeconomic evaluation

Fundamental data

Gambar 6. Tiga Kategori Data untuk Peramalan Keuangan

Setelah data dikumpulkan, selajutnya untuk memenuhi syarat input JST, datadata tersebut harus ditransformasikan untuk memperoleh data yang nilai-nilainya memiliki range -1 dampai +1. Menurut Yao dan Tan (-) rumus yang dapat digunakan adalah sebagai berikut: Nm 

2 * Y  Max  Min  Max  Min

Build Network Pada tahap ini seorang peramal harus memutuskan arsitektur JST yang akan digunakan, yang mana meliputi tipe JST, jumlah lapisan tersembunyi (hidden layer), jumlah neuron pada setiap lapisan, fungsi aktivasi, dan parameter-parameter yang dilibatkan (inisialisasi bobot, batas toleransi error). Selain itu, peramal juga harus menentukan algoritma pembelajaran yang digunakan. Penjelasan secara rinci untuk bagian ini telah dijelas di bagian sebelumnya (subbab Jaringan Syaraf Tiruan). Train and Test Network Data-data time series yang telah ditransformasi harus di pecah menjadi dua kelompok, satu untuk training dan satu lagi untuk testing. Biasanya data yang digunakan untuk training lebih banyak dibanding data untuk testing. Data-data kelompok traning digunakan untuk mentraining JST yang telah dibentuk. Dalam proses training ini, JST akan melakukan pembelajaran untuk mendapatkan error yang terkecil atau yang telah ditentukan, dengan cara melakukan perubahan-perubahan setiap nilai bobot yang ada pada JST. Sedangkan pada proses testing, JST yang dihasilkan pada proses training diuji dengan memberikan data input yang berbeda, yang mana telah disiapkan sebagai data testing. Pada proses ini tidak dilakukan perubahan-perubahan nilai bobot jaringan. Jika pada proses testing ini diperoleh hasil yang memuaskan, maka JST yang telah dibetuk dapat direkomendasikan untuk digunakan sebagai alat peramalan. Pengukuran Keefektifan Peramalan Terdapat dua kelompok ukuran keefektifan peramalan keuangan. Pertama adalah pengukuran keefektifan dengan menggunakan ukuran-ukuran error. Kedua adalah

ISBN : 978-979-99735-4-2 A-20-7


dengan menggunakan ukuran return yang diperoleh dari technical trading berdasarkan hasil peramalan. Ukuran error Biasanya keefektifan peramalan ditunjukkan atau diidentikkan dengan nilai kesalahan. Semakin kecil nilai kesalahan, semakin efektif peramalan yang dihasilkan. Salah satu ukuran statistik yang sering digunakan dalam menentukan kesalahan peramalan adalah mean square error (MSE). n

MSE 

e t 1

2 t

n Namun menurut Jasic dan Wood (2004) ukuran tersebut tidak mewakili nilai informasi dari peramalan, karena ukuran tersebut lebih menekankan pada pengukuran kesesuaian (fit) yang ditunjukkan oleh kesalahan (error). Dalam capital/ financial markets keuntungan yang diperoleh tergantung pada ketepatan petunjuk perubahan yang terjadi, sehingga pengukuran ketepatan peramalan lebih memberikan informasi untuk menentukan keputusan membeli atau menjual. Jasic dan Wood (2004), Yao dan Tan (2000) menggunakan dua ukuran yang dapat digunakan, yaitu Sign Statistic (Sstat) dan Direction Change Statistic (Dstat). Sign Statistic mengukur persentase ketepatan prediksi perubahan harga, yangmana ditunjukkan oleh ketepatan tanda return (sign of return). Rumus Sign Statistic dituliskan pada persamaan berikut: 1 S stat   a k N kP dimana a k  1 jika xt y t  0 atau xt  y t  0, dan a k  0 untuk yang lain. Sedangkan Direction Change Statistic mengukur persentase ketepatan prediksi perubahan arah return (gradient of return). Persamaan berikut ini merupakan perumusan Direction Change Statistic. 1 Dstat   bk N kP dimana bk  1 jika  xt 1  xt  y t 1  xt   0 dan bk  0 untuk yang lain. P adalah himpunan yang terdiri dari N pasangan nilai return aktual ( xt ) dan nilai return hasil peramalan ( y t ). Ukuran return Agar lebih sesuai dengan kondisi nyata dalam perdagangan, hasil peramalan digunakan untuk technical trading. Maksudnya adalah untuk mengetahui apakah hasil peramalan dapat memberikan return dalam aktivitas perdagangan. Dalam hal ini, digunakan sebuah strategi technical trading yang relatif sederhana, yangmana sinyal membeli (long positions) ditunjukkan oleh return yang siharapkan pada periode mendatang bertanda positif dan jika sebaliknya maka menunjukkan sinyal jual (sort positions). Berdasarkan penggunaan strategi technical trading yang sederhana itu, selanjutnya dapat dihitung keuntungan yang dihasilkan. Total return dalam aktivitas technical trading di estimasi dengan rumus berikut: N

Rˆ T   ˆ t rt t 1

dimana rt adalah return pada periode t, ˆ t = +1 (untuk long positions) dan -1 (untuk

ISBN : 978-979-99735-4-2 A-20-8


sort positions), dan N adalah jumlah observasi. Total return adalah ukuran yang mengukur jumlah return yang diperoleh oleh seorang trader untuk sejumlah investasinya. Untuk mengetahui keuntungan bersih (net return) dari yang dilakukan, dihitung dengan melibatkan biaya transaksi (transaction cost), c, yang dirumuskan sebagai berikut: N 1  c  Rˆ Net   ˆ t rt  m log   1  c  t 1 dimana m adalah number of reversals between different trading signals, dan besarnya transaction cost (c) bisanya tidak lebih dai 1%. Sharpe ratio merupakan sebuah ukuran yang juga digunakan untuk mengukur profitability sebuah model peramalan. Sharpe ratio dihitung dengan cara membagi nilai mean return of trading dengan standard deviations, ditunjukkan pada persamaan berikut:  Rˆ SR  T  Rˆ T

Nilai sharpe ratio yang tinggi menunjukkan bahwa return yang diperoleh adalah tinggi dan volatilitasnya rendah. Penelitian Terdahulu Aplikasi JST untuk peramalan keuangan merupakan salah satu area penelitian yang sangat menarik perhatian para peneliti. Hal tersebut ditunjukkan oleh banyaknya penelitian yang dilakukan oleh para pakar keuangan ataupun ilmu komputer atau statistik. Penelitian-penelitian yang dilakukan seringkali bermaksud untuk menguji hipotesis pasar efisiensi (efficiency market hypothesis) dan menguji keefektifan model JST. Untuk menguji keefektifan model peramalan biasanya digunakan ukuran yang menunjukkan tingkat kesalahan (error). Namun untuk lebih sesuai dengan fakta atau kondisi pasar keuangan, keefektifan model peramalan juga harus diuji dengan kemampuannya untuk menghasilkan return dalam perdagangan. Lawrence (1997) menggunakan model JST untuk memprediksi harga saham dan menguji hipotesis pasar efisiensi. Dia juga membandingkan model JST dengan regression techniques. Kesimpulannya bahwa model JST menghasilkan peramalan yang lebih akurat dibandingkan dengan model regresi dan mampu untuk memprediksi pergerakan harga, sehingga memungkinkan penolakan terhadap hipotesis pasar efisiensi. Yu (1999) membuktikan bahwa model JST lebih efektif daripada model ARIMA untuk melakukan peramalan terhadap Nikkei Stock Index Future. Qi (1999) juga membuktikan bahwa model JST lebih akurat daripada model regresi linier, dan memberikan return yang lebih besar dibandingkan buy and hold market portfolio dan swiching portfolio berdasarkan model linier. Fernandez-Rodriguez, Fernando., Gonzalez-Martel, Christian., dan Sosvilla-Rivero, Simon (2000) menguji apakah peramalan model JST memberikaan return yang lebih besar dibandingkan buy and hold strategy pada General Index di Madrid Stock Index berdasarkan kondisi pasar bearish, stable, dan bullish. Mereka mendapatkan bukti bahwa dengan asumsi tanpa biaya transaksi (transaction cost), perdagangan secara teknikal berdasarkan peramalan model JST untuk konsisi pasar bearish dan stable memberikan return yang lebih besar dibadingkan buy and hold strategy, sedangakan untuk konsisi pasar bullish adalah sebaliknya. Bautista (2001) membandingkan model JST dengan random work untuk meramalkan Philippine Stock Price Index. Hasil yang diperoleh adalah model JST univariat dengan lag yang pendek memberikan hasil peramalan yang tidak signifikan

ISBN : 978-979-99735-4-2 A-20-9


berbeda dengan random work, tetapi dengan lag yang panjang memberikan hasil yang lebih baik. Dia juga membuktikan bahwa penggunaan model JST multivariat yangmana melibatkan variabel-variabel fundamental dan teknikal, menghasilkan peramalan yang lebih superior dibandingkan random work. Phua, Paul KH., Ming, Daohua., dan Lin, Weidong (2001) meramalkan Straits Times Index pada Stock Exchange of Singapore (SES) menggunakan model JST dengan algoritma genetik (genetic algoritm). Hasil yang diperoleh mencapai tingkat keakuratan sebesar 81% yangmana dianggap hasil yang memuaskan. Jasic, Teo., dan Wood, Douglas (2004) menguji model JST univariat dengan model auto regressive (AR) untuk meramalkan stock markets index return dari S&P 500, DAX, TOPIX, dan FTSP. Mereka menemukan bukti bahwa secara statistik model JST menghasilkan peramalan yang lebih akurat dibandingkan model auto regressive, dan dalam strategi perdagangan berdasarkan prediksi yang dihasilkan model JST, dengan asumsi transaction cost adalah 0,5% dan 1%, memberikan hasil return yang lebih dibandingkan dengan buy and hold strategy dan AR strategy. Pan, Heping., Tilakaratne, Chandima., dan Yearwood, John (2005) menguji model JST untuk meramalkan Australian Stock Markets Index. Mereka menemukan peramalan yang dihasilkan oleh model JST adalah 80% benar (correct). Altay dan Satman (2005) membandingkan kinerja peramalan model JST dengan linear regression strategies di Istanbul Stock Exchange. Hasilnya memperlihatkan bahwa ketepatan peramalan secara statistik (RMSE, MAE dan Theil’s U) dari model JST tidak berbeda secara signifikan dengan linear regression strategies. Namun, ketika hasil peramalannya digunakan untuk strategi perdagangan secara teknikal dapat memberikan return yang lebih besar daripada regresi dan buy and hold strategy. Samantan dan Bordoloi (2005) membandingkan kinerja peramalan model JST dengan random work, hasilnya membuktikan bahwa model JST memberikan peramalan yang memiliki error yang lebih kecil. Kajitani at al. (2005) juga membuktikan bahwa model JST feedfoward memiliki kinerja yang lebih baik dibandingkan model peramalan konvensional, secara khusus untuk data-data yang bersifat non linier dan tidak mengikuti distribusi Gausian. Di Indonesia, penelitian aplikasi peramalan dengan JST dilakukan oleh Bambang, Budi., Widodo, Rochani C., Sutalaksana, Iftikar Z., dan Singgih, Moses L (1999) yangmana melakukan peramalan harga saham PT Semen Gresik dan PT Gudang Garam; dan Surya, Yohanes., dan Situngkir, Hokky (2003) melakukan peramalan terhadap harga saham PT TELKOM. Hasil dari kedua penelitian di Indonesia tersebut memberikan kesalahan peramalan yang sangat kecil (mendekati nol). Keunggulan JST dalam peramalan data-data keuangan, pada dasarnya disebabkan oleh kesesuaian asumsi yang dimiliki dengan karakteristik data-data keuangan, yaitu bersifat non linier, tidak mengikuti distribusi normal, volatilitas tidak konstan (heteroscedasticity). KESIMPULAN Harus diakui bahwa perkembangan ilmu komputer memiliki dampak yang signifikan dalam beberapa disiplin ilmu, termasuk ilmu keuangan. Model jaringan syaraf tiruan yang mana adalah hasil dari perkembangan artificial intelligent memberikan kontribusi besar terhadap ilmu keuangan, salah stunya dalam permasalahan peramalan keuangan. Sekian banyak penelitian yang telah dilakukan, sebagian besar membuktikan bahwa model jaringan syaraf tiruan lebih superior dibandingkan model peramalan konvensional (analisis regresi sampai pada ARIMA). Tidak hanya memberikan hasil peramalan yang memiliki error sangat kecil, melainkan juga memberikan return yang lebih besar jika hasil peramalan digunakan sebagai indikator

ISBN : 978-979-99735-4-2 A-20-10


perdagangan secara teknikal. Keunggulan model jaringan syaraf tiruan tersebut pada dasarnya disebabkan oleh kesesuaian antara asumsi yang dimiliki dengan realitas sifat data keuangan, yaitu nonlinieritas. Bukti-bukti dari penelitian terdahulu dapat meyakinkan para analis keuangan dan departemen riset lembaga sekuritas untuk mempertimbangkan model JST sebagai alat untuk peramalan, sebagai upaya untuk memperoleh return yang lebih besar. Bagaimanapun, model JST harus terus dikembangkan dan diuji, karena kinerjanya sangat tergantung pada struktur atau arsitektur yang digunakan. REFERENSI Altay dan Satman. 2005. Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in an Emerging Market. Journal of Financial Management and Analysis. Bambang, Budi., Widodo, Rochani C., Sutalaksana, Iftikar Z., dan Singgih, Moses L. 1999. Teknik Jaringan Syaraf Tiruan FeedForward untuk Prediksi Harga Saham pada Pasar Modal Indonesia. Jurnal Informatika, Vol. 1, No. 1. Bautista, Carlos C. 2001. Predicting the Philippine Stock Price Index using Artificial Neural Networks. http://www.up.edu.ph/~cba/bautista/papers/ann01.pdf. Didownload pada tanggal 30 Mei 2006. Cichocki dan Unbehauen. 1993. Neural Networks for Optimization and Signal Processing. John Wiley dan Sons, Ltd. New York. USA. Fernandez-Rodriguez, Fernando., Gonzalez-Martel, Christian., dan Sosvilla-Rivero, Simon. 2000. On the profitability of technical trading rules based on artificial neural networks: Evidence from the Madrid Stock Market. Economics Letters, 69. Gallo, Crescenzio., Letizia, Cristina Di., dan Stasio, Giancarlo De. 2006. Artificial Neural Networks in Financial Modelling. http://www.dsems.unifg.it/q022006.pdf. Didownload pada tanggal 30 Mei 2006. Jasic, Teo., dan Wood, Douglas. 2004. The profitability of daily stock market indices trades based on neural network predictions: case study for the S&P 500, the DAX, the TOPIX and the FTSE in the period 1965-1999. Applied Financial Economics, 14. Jong, Jek Siang. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi. Yagyakarta. Kajitani, Yoshio., Hipel, Keith W., dan McLeod, A Ian. 2005. Forecasting Nonlinear Time Series with Feed-Forward Neural Networks: A Case Study of Canadian Lynx Data. Journal of Forecasting. Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu. Yogyakarta. Lawrence, Ramon. 1997. Using Neural Networks to Forecast Stock Market Prices. www.cs.uiowa.edu/~rlawrenc/research/Papers/nn.pdf. Didownload pada tanggal 30 Mei 2006.

ISBN : 978-979-99735-4-2 A-20-11


Pan, Heping., Tilakaratne, Chandima., dan Yearwood, John. 2005. Predicting Australian Stock Market Index Using Neural Networks Exploiting Dynamical Swings and Intermarket Influences. Journal of Research and Practice in Information Technology, Vol. 37, No. 1. Phua, Paul KH., Ming, Daohua., dan Lin, Weidong. 2001. Neural Network With Genetically Evolved Algorithms for Stock Prediction. Asia – Pacific Journal of Operational Research. Qi, Min. 1999. Nonliear Predictability of Stock Returns Using Financial and Economic Variables. Journal of Business dan Economic Statistics. Samanta dan Bordoloi. 2005. Predicting Stock Market-An Application of Artificial Neural Network Technique through Genetic Algorithm. Finance India. Shapiro, Arnold F. 2003. Capital Market Applications of Neural Network: Fuzzy Logic and Genetic Algoritm. www.actuaries.org/AFIR/colloquia/Maastricht/Shapiro.pdf. Didownload pada tanggal 7 Agustus 2006. Surya dan Situngkir. 2003. Keuangan Komputasional: Jaringan Syaraf untuk Prediksi Data Deret Waktu Keuangan. www.bandungfe.net/hs/finan1.pdf. Tan, Clarence N W. 1999. A Hybrid Financial Trading System Incorporating Chaos Theory, Statistical and Artificial Intelligence/Soft Computing Methods. www.smartquant.com/references/NeuralNetworks/neural29.pdf. Didownload pada tanggal 7 Agustus 2006. Yao, Jing Tao dan Tan, Chew Lim. -. Guidelines for Financial Forecasting with Neural Networks. www2.cs.uregina.ca/~jtyao/Papers/guide_iconip01.pdf. Didownload pada tanggal 30 Mei 2006. Yu, Shang-Wu. 1999. Forecasting and Arbitrage of the Nikkei Stock Index Futures: An Application of Backpropagation Networks. Asia – Pacific Financial Market.

ISBN : 978-979-99735-4-2 A-20-12


ISBN : 978-979-99735-4-2 A-20-13


ISBN : 978-979-99735-4-2 A-20-14

APLIKASI JARINGAN SYARAF TIRUAN UNTUK PERAMALAN SAHAM: SEBUAH REVIEW PENELITIAN TERDAHULU

Recommend Documents