TINF

ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN

TESIS

ARMANSYAH BARUS 117038059 / TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013

Universita Sumatera Utara


TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

ARMANSYAH BARUS 117038059 / TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013



PERNYATAAN


TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing- masing telah disebutkan sumbernya.



Telah diuji pada Tanggal : Agustus 2013

PANITIA PENGUJI TESIS Ketua

: Prof. Dr. Muhammad Zarlis

Anggota

: 1. Dr. Erna Budhiarti Nababan, M.IT 2. Prof. Dr. Herman Mawengkang 3. Prof. Dr. Tulus 4. Prof. Dr. Opim Salim Sitompul


RIWAYAT HIDUP

DATA PRIBADI Nama Lengkap

: ARMANSYAH BARUS

Tempat dan Tanggal Lahir

: Delitua, 07 Mei 1986

Alamat Rumah

: Dusun III Simpang Ranting Desa Namotualang Kec. SiBirubiru Kab. Deli Serdang

Telepon

:-

Email

: [email protected]

Instansi Tempat Bekerja

: STIKes Deli Husada Delitua

Alamat Kantor

: Jl. Besar Delitua No. 77 Delitua

DATA PENDIDIKAN : SD

: Negeri 101812 Biru-Biru

TAMAT : 1998

SMP : Sw. Singosari Delitua

TAMAT : 2001

SMA : Negeri 13 Medan

TAMAT : 2004

S1

: STMIK Mikroskil Medan

TAMAT : 2008

S2

: Teknik Informatika USU

TAMAT : 2013


KATA PENGANTAR

Puji Syukur Penulis ucapkan kepada Tuhan Yang Maha Esa atas segala limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesikan tesis ini dengan

judul

:

ANALISIS

ACCELARATED

LEARNING

PADA

BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN Dengan selesainya tesis ini, penulis menyampaikan terima kasih sebesarbesarnya kepada: Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister. Prof. Dr. Muhammad Zarlis, selaku Ketua Program Studi Magister Teknik Informatika Universitas Sumatera Utara. M. Andri Budiman, S.T., M.Comp Sc., M.E.M., selaku Sekretaris Program Studi Magister Teknik Informatika. Prof. Dr. Muhammad Zarlis, selaku Pembimbing Utama yang telah banyak memberikan bimbingan dan arahan serta motivasi kepada penulis. Dr. Erna Budhiarti M.IT, selaku Pembimbing Kedua yang telah banyak memberikan bimbingan dan arahan serta motivasi kepada penulis. Seluruh Staff Pengajar yang telah banyak memberikan ilmu pengetahuan selama masa perkuliahan serta Seluruh Staff Pegawai pada Program Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Teristimewa kepada Istri tercinta Rona Fransiska, Anak yang dibanggakan Arna Nathanniel, Ayahanda Dahlan Barus dan Ibunda Marheni Br Sembiring, yang telah memberikan doa, dukungan, perhatian dan kasih sayang yang tulus serta pengorbanan yang tidak ternilai harganya hingga penulis menyelesaikan tesis ini.


Kakak dan adik-adik tersayang serta seluruh keluarga tercinta yang selalu memberikan dukungan kepada penulis. Ucapan terima kasih juga penulis ucapkan kepada sahabat-sahabat terbaik, Arta Trisades Pinem, Ertina Barus dan rekan-rekan kuliah angkatan ’11 yang telah memberikan semangat kepada penulis. Akhir kata penulis berdoa kepada Tuhan Yang Maha Esa semoga Allah memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian, serta kerja samanya kepada penulis dalam menyelesaikan tesis ini.

Medan, 20 Agustus 2013

Penulis


ABSTRAK

Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam menentukan kapan harus menjual dan membeli suatu indeks saham. Banyak teori metematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat tetapi system peramalan yang sering digunakan masih statis. Untuk kasus yang nilainya dinamis, sangatlah sulit dalam pengembangan model matematisnya. Sesuai dengan perkembangan teknologi komputer, penerapan metode Artificial Neural Network menjadi lebih mudah dalam memodelkan system dinamis. Resilient Backpropagation adalah salah satu model Artificial Neural Network (ANN) yang telah diimplementasikan untuk peramalan indeks saham. Risilient Backpropagation mempunyai kemampuan untuk melakukan pembelajaran dan meramalkan data keluaran pada waktu mendatang berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini, metode ANN akan diterapkan untuk meramalkan harga Open, High, Low dan Close dalam indeks saham Bursa Efek Indonesia. Dengan data berupa harga saham harian, jaringan syaraf tiruan yang dirancang akan menghasilkan bobotbobot yang digunakan untuk meramal harga saham di hari berikutnya. Dalam penelitian ini, dapat disimpulkan jaringan yang menggunakan variabel input harga opening, high, low dan close dan variabel output open, high, low dan close dengan menggunakan dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node hidden layer2 150 menghasilkan keakuratan peramalan yang paling baik. Penelitian ini masih dalam tahap awal, dimana masih banyak faktor yang dapat dikembangkan atau diteliti lebih lanjut. Kata Kunci : Resilient Backpropagation, Peramalan, Saham.


ANALYSIS OF ACCELARATED LEARNING FOR BACKPROPAGATION IN FORECASTING STOCK PRICE INDEX

ABSTRACT

Forecasting stock is much needed equity investor in deciding when to sell and buy a stock index. Metematis many theories that have been used to get the right results but forecasting system that is often used is static. For cases whose value is dynamic, it is difficult in the development of mathematical models. In accordance with the development of computer technology, the application of Artificial Neural Network method becomes easier to model the dynamic system. Resilient Backpropagation is one model of Artificial Neural Network (ANN), which has been implemented for forecasting stock index. Risilient Backpropagation learning has the ability to output data and predict the future based on the learning outcomes that have been done. In this study, ANN method will be applied to forecast price of the Open, High, Low and Close in the Indonesia Stock Exchange stock index. With the data in the form of daily stock prices, artificial neural networks are designed to give the weights that are used to predict the stock price in the next day. In this study, we can conclude that the network uses the input variable opening price, high, low and close and output variables open, high, low and close using the two (2) hidden layer with the number of nodes and the number 100 hidden layer1 layer2 150 hidden nodes produce the best forecasting accuracy. This research is still in its early stages, where there are many factors that can be developed or researched further. Keyword : Resilient Backpropagation, Forecasting, Stock.


DAFTAR ISI

ABSTRAK

i

ABSTRACT

iii

DAFTAR ISI

iv

DAFTAR TABEL

viii

DAFTAR GAMBAR

ix

BAB I PENDAHULUAN

1

1.1. Latar Belakang

1

1.2.

Perumusan Masalah

2

1.3.

Batasan Masalah

3

1.4.

Tujuan Penelitian

3

1.5.

Manfaat Penelitian

4

BAB II TINJAUAN PUSTAKA

5

2.1. Neural Network

5

2.2. Pelatihan Jaringan Syaraf Tiruan

7

2.3. Backpropagation

8

2.4. Model Pembelajaran Accelerated Learning

10

2.5. Jaringan Saraf Tiruan untuk Prediksi

11

2.6. Saham

11

2.6.1. Pengertian Saham

11

2.6.2. Jenis Saham

11

2.7. Teknik Peramalan Harga Saham

15

2.7.1. Analisis Fundamental

15

2.7.2. Analisis Teknikal

17

2.8. Penelitian Terkait

17


BAB III METODE PENELITIAN

19

3.1. Pendahuluan

19

3.2. Pengumpulan Data

19

3.3. Analisis Sistem

20

3.4. Pemilihan Variabel Input

21

3.5. Pemilihan Variabel Output

21

3.6. Normalisasi Data

22

3.7. Arsitektur Jaringan Saraf Tiruan

23

3.8. Training

24

3.9. Perhitungan Error

27

3.10. Testing

27

BAB IV PEMBAHASAN DAN HASIL PENELITIAN

31

4.1. Lingkungan Implementasi

31

4.2. Pengumpulan dan Pengolahan Data

32

4.3. Pencarian Arsitektur Jaringan Terbaik

32

4.3.1. Variasi Jumlah Neuron dan Hidden Layer

33

4.3.2. Pengolahan Data dengan Menggunakan Resilient Backpropagation

34

4.4. Algoritma dalam MATLAB

35

4.4.1. Membersihkan Jendela Command

35

4.4.2. Mengambil Data yang Ada

35

4.4.3. Menentukan matriks Input dan Matriks Target (T)

36

4.4.4. Membagi data menjadi data Pelatihan (training)

37

4.4.5. Lakukan Iterasi untuk Membandingkan Nilai MSE Terkecil dan Pengaturan Penentuan Formula.

37

4.4.6. Menentukan Jumlah Maksimal Epoch

38

4.4.7. Menggeser nilai goal MSE dan menentukan nilai pembelajaran(α) 4.4.8. Menentukan Nilai Pembelajaran (Learning Rate) dan Momentum

38


4.4.9. Menentukan Rasio Untuk Menaikkan Nilai Pembelajaran dan untuk Menurunkan Nilai Pembelajaran (Learning Rate)

39

4.4.10. Melakukan Pelatihan Resilient Backpropagation dan Simulasikan Hasil Pelatihan

40

4.4.11. Menghitung MSE antara Target dan Output

40

4.4.12. Melakukan Prediksi untuk hari ke-261 s/d 290

41

4.4.13. Hitung MSE dari Hasil Testing

41

4.4.14. Running Program

42

4.5. Pengolahan Data dengan Pemrograman MATLAB

42

4.5.1. Peramalan Data Harga Pembuka (Open) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2

43

4.5.2. Peramalan Data Harga Tertinggi (High) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2

44

4.5.3. Peramalan Data Harga Terendah (Low) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2

45

4.5.4. Peramalan Data Harga Penutup (Close) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2

46

4.6. Hasil Peramalan

47

4.7. Hasil Peramalan Harga Saham Menggunakan Metode Resilient Backpropagation dengan Jumlah Hidden Layer 2 BAB V KESIMPULAN DAN SARAN

47 53

5.1. Kesimpulan

53

5.2. Saran

54

DAFTAR PUSTAKA


DAFTAR TABEL

Halaman Tabel 2.1. Penelitan Terkait

14

Tabel 4.1. Daftar Harga Saham

32

Tabel 4.2 Percobaan Beberapa Variasi Neuron dan Hidden Layer

33

Tabel 4.3. Hasil Peramalan

46

Tabel 4.4. Hasil Percobaan dengan 1 Hidden layer

48

Tabel 4.5. Hasil Percobaan dengan 2 Hidden Layer

48


DAFTAR GAMBAR

Halaman Gambar 2.1. Susunan Syaraf Pada Manusia

5

Gambar 2.2. Konfigurasi JST Propagasi balik

9

Gambar 3.1. Analisis Sistem

20

Gambar 3.2. Arsitektur Artificial Neural Network (ANN)

24

Gambar 3.3 Flowchart training JST dengan Accelereted Learning

26

Gambar 3.4. Flowchart Testing dengan Accelereted Learning

28

Gambar 4.1. Windows Neural Network Training (Nntraintool Open)

42

Gambar 4.2. Windows Neural Network Training (Nntraintool High)

43

Gambar 4.3. Windows Neural Network Training (Nntraintool Low)

44

Gambar 4.4. Windows Neural Network Training (Nntraintool Close)

45

Gambar 4.5. Perbandingan Peramalan Nilai Open dengan 1 dan 2 Hidden Layer

49

Gambar 4.6. Perbandingan Peramalan Nilai High dengan 1 dan 2 Hidden Layer

49

Gambar 4.7. Perbandingan Peramalan Nilai Low dengan 1 dan 2 Hidden Layer

50

Gambar 4.5. Perbandingan Peramalan Nilai Close dengan 1 dan 2 Hidden Layer 50



TINF

Recommend Documents