JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 1 Maret 2014

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014

ISSN : 2086 – 4981

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI HARGA SAHAM PADA PASAR MODAL INDONESIA Asrul Huda1 2

ABSTRACT Goal in this research is to predict a stock price based on the condition of the data previously. There are several models of analysis techniques used and developed, to analyze stock prices in this research, such as: Neural Network, Simple Moving Average (SMA), Exponential Moving Average (EMA) and Autoregressive Integrated Moving Average (ARIMA). Input used as some kind of a combination of price, such as: the opening price, highest price, lowest price and closing price. And as the output is a graph that shows a decision. In the research that will be discussed is the use of nerve sibilant Backpropagation Network. Data from the stock prices can be taken 'time series'. Shareholders will be discussed is the share of Bank International Indonesia Tbk and stock Telekomunikasi Indonesia Tbk. Results are given nerve network sibilant indeed approaching the data, so that it can be used to predict the closing stock price on the Jakarta Stock Exchange compared to the method Simple Moving Average (SMA), Exponential Moving Average (EMA) and Autoregressive Integrated Moving Average (ARIMA). Keywords: Stock Price, Neural Network, Backpropagation INTISARI Tujuan dalam penelitian ini adalah untuk memprediksi harga saham berdasarkan kondisi data sebelumnya . Ada beberapa model teknik analisis yang digunakan dan dikembangkan , untuk menganalisis harga saham dalam penelitian ini , seperti : Neural Network, Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA) . Input yang digunakan sebagai semacam kombinasi harga, seperti : harga pembukaan, harga tertinggi, harga terendah dan harga penutupan. Dan sebagai output adalah grafik yang menunjukkan keputusan. Dalam penelitian yang akan dibahas adalah penggunaan saraf sibilan Backpropagation Jaringan. Data dari harga saham dapat diambil 'time series'. Pemegang Saham yang akan dibahas adalah saham Bank International Indonesia Tbk dan saham Telekomunikasi Indonesia Tbk. Hasil diberikan jaringan saraf sibilan memang mendekati data, sehingga dapat digunakan untuk memprediksi harga saham penutupan di Bursa Efek Jakarta dibandingkan dengan metode Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA) Kata Kunci : Harga Saham , Neural Network , Backpropagation 1

Dosen Jurusan Teknik Elektronika Program Studi Pendidikan Teknik Informatika Mahasiswa Program Pascasarjana Program Studi Pendidikan Teknologi dan Kejuruan (S3) Fakultas Teknik Universitas Negeri Padang 2

29


PENDAHULUAN Pasar modal merupakan tempat kegiatan perusahaan mencari dana untuk membiayai kegiatan usahanya. Selain itu, pasar modal juga merupakan suatu usaha penghimpunan dana masyarakat secara langsung dengan cara menanamkan dana ke dalam perusahaan yang sehat dan baik pengelolaannya. Fungsi utama pasar modal adalah sebagai sarana pembentukan modal dan akumulasi dana bagi pembiayaan suatu perusahaan/emiten. Dengan demikian pasar modal merupakan salah satu sumber dana bagi pembiayaan pembangunan nasional pada umumnya dan emiten pada khususnya di luar sumber-sumber yang umum dikenal, seperti tabungan pemerintah, tabungan masyarakat, kredit perbankan dan bantuan luar negeri. Sementara itu, bagi kalangan masyarakat yang memiliki kelebihan dana dan berminat untuk melakukan investasi, hadirnya lembaga pasar modal di Indonesia menambah deretan alternatif untuk menanamkan dananya. Banyak jenis surat berharga (securities) dijual dipasar tersebut, salah satu yang diperdagangkan adalah saham. Saham perusahaan go public sebagai komoditi investasi tergolong berisiko tinggi, karena sifatnya yang peka terhadap perubahanperubahan yang terjadi baik oleh pengaruh yang bersumber dari luar ataupun dari dalam negeri seperti perubahan dibidang politik, ekonomi, moneter, undang-undang atau peraturan maupun perubahan yang terjadi dalam industri dan perusahaan yang mengeluarkan saham (emiten) itu sendiri. Untuk mengantisipasi perubahan harga saham tersebut maka diperlukan analisis saham. Terdapat dua pendekatan yang sering dilakukan untuk menganalisis

ISSN : 2086 – 4981

harga saham, yaitu analisis fundamental dan analisis teknikal [1]. Analisis Fundamental pada dasarnya adalah melakukan analisis historis atas kekuatan keuangan, dimana proses ini sering juga disebut sebagai analisis perusahaan (company analysis)[2], sementara itu analisis teknikal merupakan studi yang dilakukan untuk mempelajari berbagai kekuatan yang berpengaruh dipasar saham dan implikasi pada harga saham [3]. Analisis teknikal merupakan upaya untuk memperkirakan harga saham (kondisi pasar) dengan mengamati perubahan harga saham tersebut (kondisi pasar) diwaktu yang lampau. Meskipun demikian. analisis teknikal tidak terbatas dapat dilakukan pada saham saja, analisis teknikal dapat pula dilakukan untuk memprediksi harga suatu komoditi maupun mata uang asing [3]. Analisis teknikal menitikberatkan pada upaya-upaya untuk memperkirakan suatu harga saham. Teori yang mendasarinya adalah bahwa analisis ini berdasarkan pada kenyataan bahwa informasi masuk secara perlahanlahan kedalam harga saham, sehingga memungkinkan investor untuk memperoleh keuntungan yang lebih dari biasanya (excessive return) dengan mengamati tren pergerakan harga saham. Analisis teknikal dapat dilakukan dengan menggunakan metode-metode peramalan seperti Moving Average (MA), exponential moving average (EMA) dan trendline (Parisi dan Vasquez, 2000). Bursa efek merupakan lembaga yang menyelenggarakan kegiatan perdagangan sekuritas. Di Indonesia terdapat dua bursa efek yaitu BEJ dan BES. Masing-masing mempunyai persyaratan tersendiri agar suatu sekuritas bisa terdaftar dan diperdagangkan di bursa tersebut. Tujuan didirikan bursa efek

30

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 adalah menyelengarakan perdagangan efek yang teratur, wajar dan efisien. Sejauh ini, belum diketahui secara pasti korelasi atau hubungan antara faktor-faktor yang mempengaruhi nilai saham, sehingga secara matematis akan sulit membuat model yang dapat menggambarkan korelasi semua faktor tersebut. Disinilah tugas Jaringan Syaraf Tiruan, yaitu membuat model tersebut dan memetakan persoalan yang ada semata-mata berdasarkan masukan data yang kita berikan. Salah satu kemampuan dari jaringan syaraf tiruan adalah memprediksi berdasarkan data yang dipelajari sebelumnya dengan menggunakan metoda backpropagation. Hal lain yang menjadi keungulan dari Jaringan Syaraf Tiruan adalah kecepatan. Maksud kecepatan disini adalah kemampuan mendeteksi arah peningkatan harga saham sebelum analisa-analisa lainnya dapat menyimpulkannya. Kemampuan untuk mSelakukan hal tesebut, dapat menambah keuntungan dari pemakai (bila harga saham naik) dan mengurangi kerugian (bila harga saham turun).

ISSN : 2086 – 4981

pemrosesan informasi yang terdistribusi dan bekerja secara paralel, yang tediri dari elemen pemrosesan (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksikan bersama alur sinyal searah yang bercabang (fanout) kesejumlah koneksi collateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemrosesan tersebut). Keluaran dari elemen pemrosesan tersebut dapat merupakan sembarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemrosesan harus benar-benar dilakukan secara lokal yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal. [2] Jaringan syaraf tiruan dibayangkan seperti otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai manusia dalam menyimpulkan sesuatu potongan-potongan informasi yang diterima. Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya. Komputer diusahakan agar bisa sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan terharap aktivitas-aktivitas yang terjadi di dalam sebuah jaringan syaraf biologis. Ketika manusia berpikir, aktivitas-aktivitas, yang terjadi adalah aktivitas mengingat, memahami, menyimpan dan memanggil kembali apa yang pernah dipelajari oleh otak. Sesungguhnya apa yang terjadi di dalam otak manusia jauh lebih rumit dari apa yang telah disebutkan diatas. Para ahli bedah otak sering membicarakan mengenai adanya pengaktifan neuron, pembuatan

PENDEKATAN PEMECAHAN MASALAH Metode Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah merupakan salah satu representasi buatan dan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplimentasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama pembelajaran [5]. Robert Hecht-Nielsend mendefinisikan jaringan syaraf tiruan (Neural Network) adalah struktur

31

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 koneksi baru, atau pelatihan kembali pola-pola tingkah laku pada otak manusia. Sayangnya hingga saat ini bagaimana sesungguhnya aktivitasaktivitas tersebut berlangsung belum ada yang mengetahui dengan pasti. Itulah sebabnya mengapa jaringan syaraf tiruan dikatakan hanya mengambil ide dari cara kerja jaringan syaraf biologis. Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemenelemen pemrosesan pada jaringan syaraf tiruan yang paling terhubung dan beoperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron). Cara kerja dari elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti cara neuron meng-encode informasi yang diterimanya. Hal yang perlu mendapat perhatian istimewa adalah bahwa jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke dalam jaringan syaraf tiruan dimasukkan pola-pola input (dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima [6].

ISSN : 2086 – 4981

tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Jika dilihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi disebut dengan input akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan dioperasikan oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (thershold) tertentu melalui fungsi aktifasi, neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan keluaran (disebut dengan output) melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya, demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layers) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuronneuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan secara mundur pada jaringan.[7]. Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan syaraf biologis : 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron-neuron). 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal

Komponen Jaringan Syaraf Tiruan Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponenkomponen yang sama. Sepertinya halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antar neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasikan yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi

32

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 input berbobot). Tujuannya adalah untuk menentukan sinyal output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinier. Adapaun cara belajar jaringan syaraf tiruan sebagai berikut : Ke dalam jaringan syaraf tiruan diinputkan yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan syaraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan Tabel 1 memperlihatkan keanalogan antara jaringan syaraf tiruan dengan jaringan syaraf.[6] Tabel 1. Keanalogan Jaringan Syaraf Tiruan terhadap Jaringan Syaraf Biologis Jaringan Jaringan Syaraf Syaraf Biologis Tiruan Node atau Badan sel (soma) input Input Dendrit Output Akson Bobot Sinapsis Hal yang ingin dicapai dengan melatih/mengajari jaringan syaraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan syaraf tiruan untuk memamnggil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan jaringan syaraf tiruan untuk menghasilkan respons yang bisa diterima terhadap polapola input yang serupa (namun tidak

ISSN : 2086 – 4981

identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam jaringan syaraf tiruan itu diinputkan informasi baru yang belum pernah dipelajari, maka jaringan syaraf tiruan itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati. HASIL DAN PEMBAHASAN Analisa Sistem Yang Dilakukan Analisa sistem adalah penguraian dari suatu sistem informasi yang utuh ke dalam bagian komponen-komponen dengan maksud untuk mengindentifikasi dan mengevaluasi permasalahanpermasalahan, hambatan-hambatan yang terjadi dan kebutuhankebutuhan yang diharapkan sehingga dapat diusulkan suatu perbaikan. Sistem yang dikembangan adalah sebuah sistem yang berupa perangkat lunak yang membantu pengguna dalam memprediksi harga saham berdasarkan harga saham sebelumnya (historical prices) dengan menggunakan jaringan syaraf tiruan. Data yang dibutuhkan dalam sistem perhitungan prediksi harga saham adalah data yang berasal dari bursa efek Jakarta, sehingga model yang dibuat dapat memprediksi harga saham di masa mendatang. Inisialisasi Data Input Pada tahap ini, data yang dibutuhkan untuk kasus ini adalah data tentang harga saham di bursa efek Jakarta, dimana data tersebut sebelum diimplementasikan menjadi sebuah masukan/input yang dapat dimengerti oleh program maka harus di inisialisasi terlebih dahulu. Dari hasil pengambilan data, variabel yang termasuk dalam bursa saham pada bursa efek Jakarta adalah : a. Harga Pembukaan b. Harga Tertinggi

33

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 c. Harga Terendah d. Harga Penutupan

ISSN : 2086 – 4981

Backpropagation ini hasil analisis yang telah didapatkan akan diterapkan pada langkah-langkah algoritma Backpropagation dengan menggunakan fungsi interval [0.1, 0.9]. Berdasarkan kasus yang akan diselesaikan, maka jaringan syaraf tiruan yang dibangun terdiri dari 3 lapisan, dimana lapisan masukan terdiri dari 4 neuron masukan, lapisan keluaran terdiri dari 1 neuron keluaran, sedangkan untuk lapisan tersembunyi akan digunakan 3, 5, 7, 9 dan 11 neuron dalam pelatihan dan pengujianya. Adapun arsitektur jaringan syaraf tiruan yang digunakan seperti pada gambar berikut :

Penetapan Input Adapun sebagai data masukan/input untuk memprediksi harga saham pada bursa efek Jakarta berdasarkan harga saham terdahulu (historical prices) adalah : a. Harga Pembukaan b. Harga Tertinggi c. Harga Terendah d. Harga Penutupan Penetapan Output Keluaran sistem yang dari hasil perhitungan prediksi harga saham pada bursa efek jakarta dengan menggunakan jaringan syaraf tiruan adalah sebagai berikut : 1. Dari hasil pelatihan yang didapatkan adalah bobot dan bias pengolahan pelatihan (bobot bias terlatih) 2. Dari hasil pelatihan mendapatkan error pelatihan 3. Setelah pelatihan, dapat menentukan persamaan regresi 4. Dapat mengasilkan koefisien korelasi bagi data pelatihan dan data pengujian 5. Target adalah dapat memprediksi harga saham

Gambar 1. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 3 Neuron pada Lapisan Tersembunyi

Data Penelitian dengan Jaringan Syaraf Tiruan Penelitian dengan jaringan syaraf tiruan membutuhkan data untuk pelatihan dan implementasi atau pengujian. Data saham diambil dari data harga saham sebelum (historical prices). Adapun data yang jadikan sampel untuk pelatihan yaitu data : 1. Data Harga Saham Bank Internasional Indonesia Tbk 2. Data Harga Saham Telekomunikasi Indonesia Tbk


Pembangunan Jaringan Syaraf Tiruan Pada tahap perancangan JST dengan algoritma

34


ISSN : 2086 – 4981

Gambar 5. Arsitektur jaringan Backpropagation untuk memprediksi harga Saham Pada Bursa Efek Jakarta dengan 11 Neuron pada Lapisan Tersembunyi Jaringan syaraf tiruan yang digunakan ini dilatih menggunakan teknik propagasi balik (Backpropagation). Pembelajaran pada jaringan lapisan banyak ini menggunakan cara yang sama dengan Perceptron. Pada perceptron hanya ada satu pemberat atau bobot untuk setiap masukan, akan tetapi pada jaringan lapisan banyak ini setiap masukan mempunyai banyak pemberat. Pemberat ini berlangsung dua fase. Pertama pelatihan pola masukan diberikan ke lapisan masukan jaringan. Jaringan akan meneruskan pola masukan ini dari lapisan ke lapisan berikutnya hingga dihasilkan pola keluaran, dan dikenal dengan Feedforward. Bila pola keluaran berbeda dengan keluaran yang diharapkan, kesalahan dihitung dan dialirkan kearah balik (backward). Pemberat yang telah diset dimodifikasi selama kesalahan masih ada. Sinyal-sinyal masukan dilewatkan melalui fungsi aktivasi. Fungsi aktivasi yang sering digunakan adalah fungsi aktivasi Sigmoid.



Hasil Analisis Dengan Simple Moving Average Untuk dapat melihat perbandingan antara hasil pelatihan jaringan syaraf tiruan dengan metode Simple Moving Average, maka dari hasil perhitungan Simple Moving Average berdasarkan rumus yang ada dengan data sebenarnya ditunjukan pada tabel berikut ini :

35


ISSN : 2086 – 4981

Tabel 1. Perbandingan Data Sebenarnyan dengan Metode Simple Moving Average pada Harga Saham Bank Internasional Indonesia No Tanggal DS SMA Perbedaan % error 1 1/5/2009 385 2 1/6/2009 395 3 1/7/2009 400 393.33 -6.67 -0.02 4 1/8/2009 400 398.33 -1.67 0.00 5 1/9/2009 415 405.00 -10.00 -0.02 6 1/12/2009 385 400.00 15.00 0.04 7 1/13/2009 400 400.00 0.00 0.00 8 1/14/2009 390 391.67 1.67 0.00 9 1/15/2009 395 395.00 0.00 0.00 10 1/16/2009 380 388.33 8.33 0.02 11 1/19/2009 380 385.00 5.00 0.01 12 1/20/2009 370 376.67 6.67 0.02 13 1/21/2009 370 373.33 3.33 0.01 14 1/22/2009 370 370.00 0.00 0.00 15 1/23/2009 350 363.33 13.33 0.04 16 1/27/2009 350 356.67 6.67 0.02 17 1/28/2009 350 350.00 0.00 0.00 18 1/29/2009 355 351.67 -3.33 -0.01 19 1/30/2009 340 348.33 8.33 0.02 20 2/2/2009 340 345.00 5.00 0.01 21 2/3/2009 325 335.00 10.00 0.03 22 2/4/2009 325 330.00 5.00 0.02 23 2/5/2009 330 326.67 -3.33 -0.01 24 2/6/2009 335 330.00 -5.00 -0.01 25 2/9/2009 320 328.33 8.33 0.03 26 2/10/2009 320 325.00 5.00 0.02 27 2/11/2009 320 320.00 0.00 0.00 28 2/12/2009 315 318.33 3.33 0.01 29 2/13/2009 305 313.33 8.33 0.03 30 2/16/2009 310 310.00 0.00 0.00 31 2/17/2009 295 303.33 8.33 0.03 32 2/18/2009 295 300.00 5.00 0.02 33 2/19/2009 295 295.00 0.00 0.00 34 2/20/2009 295 295.00 0.00 0.00 35 2/23/2009 285 291.67 6.67 0.02 36 2/24/2009 290 290.00 0.00 0.00 37 2/25/2009 295 290.00 -5.00 -0.02 38 2/26/2009 295 293.33 -1.67 -0.01 39 2/27/2009 300 296.67 -3.33 -0.01 Total % Rata-Rata kedekatan dengan DS 0.01 Berdasarkan tabel diatas dilihat pada grafik hasil dari metode dapat dilihat bahwa rata-rata menggunakan simple moving kedekatan kesalahan adalah 0,01. average dibawah ini : Untuk lebih jelasnya maka dapat

36


ISSN : 2086 – 4981

Simple Moving Average 450 400 350

Value

300 250

Actual

200

Forecast

150 100 50 0 1

3

5

7

9

11

13

15 17

19

21

23 25

27

29 31

33

35 37

39

Data Point

Gambar 6. Grafik Hasil Pengujian Saham Bank Internasional Indonesia Menggunakan Metode Simple Moving Average Untuk perbandingan data menggunakan Metode Simple harga saham Telekomunikasi Moving Average maka dapat dilihat Indonesia Tbk dengan pada tabel dibawah ini : Tabel 2. Perbandingan Data sebenarnya dengan Metode Simple Moving Average pada Harga Saham Telekomunikasi Indonesia Tbk No Tanggal DS SMA Perbedaan % error 1 1/5/2009 5300 2 1/6/2009 5400 3 1/7/2009 5650 5450.00 -200.00 -0.04 4 1/8/2009 5700 5583.33 -116.67 -0.02 5 1/9/2009 6100 5816.67 -283.33 -0.05 6 1/12/2009 6150 5983.33 -166.67 -0.03 7 1/13/2009 6100 6116.67 16.67 0.00 8 1/14/2009 6000 6083.33 83.33 0.01 9 1/15/2009 5700 5933.33 233.33 0.04 10 1/16/2009 5800 5833.33 33.33 0.01 11 1/19/2009 5900 5800.00 -100.00 -0.02 12 1/20/2009 5550 5750.00 200.00 0.04 13 1/21/2009 5600 5683.33 83.33 0.01 14 1/22/2009 5750 5633.33 -116.67 -0.02 15 1/23/2009 5500 5616.67 116.67 0.02 16 1/27/2009 5600 5616.67 16.67 0.00 5450 17 1/28/2009 5516.67 66.67 0.01 18 1/29/2009 5750 5600.00 -150.00 -0.03 19 1/30/2009 5700 5633.33 -66.67 -0.01 5850 20 2/2/2009 5766.67 -83.33 -0.01 21 2/3/2009 6000 5850.00 -150.00 -0.03 5750 22 2/4/2009 5866.67 116.67 0.02 23 2/5/2009 5800 5850.00 50.00 0.01 24 2/6/2009 5800 5783.33 -16.67 0.00 6000 25 2/9/2009 5866.67 -133.33 -0.02 26 2/10/2009 6600 6133.33 -466.67 -0.07 6900 27 2/11/2009 6500.00 -400.00 -0.06 28 2/12/2009 6600 6700.00 100.00 0.02 6600 29 2/13/2009 6700.00 100.00 0.02 30 2/16/2009 7250 6816.67 -433.33 -0.06 31 2/17/2009 6950 6933.33 -16.67 0.00

37


ISSN : 2086 – 4981

No 32 33 34 35 36 37 38 39

Tanggal DS SMA Perbedaan % error 2/18/2009 7150 7116.67 -33.33 0.00 6750 2/19/2009 6950.00 200.00 0.03 2/20/2009 6800 6900.00 100.00 0.01 2/23/2009 7050 6866.67 -183.33 -0.03 6950 2/24/2009 6933.33 -16.67 0.00 2/25/2009 6850 6950.00 100.00 0.01 6800 2/26/2009 6866.67 66.67 0.01 2/27/2009 6900 6850.00 -50.00 -0.01 Total % Rata-Rata kedekatan dengan DS -0.006 Berdasarkan tabel diatas dilihat pada grafik hasil dari metode dapat dilihat bahwa rata-rata menggunakan Simple Moving kedekatan kesalahan adalah 0,006. Average dibawah ini : Untuk lebih jelasnya maka dapat Simple Moving Average 8000 7000 6000

Value

5000 Actual

4000

Forecast

3000 2000 1000 0 1

3

5

7

9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Data Point

Gambar 7. Grafik Hasil Pengujian Saham Telekomunikasi Indonesia Tbk Menggunakan Metode Simple Moving Average Perbandingan Data Sebenarnya dengan Metode Exponential Moving Average Untuk dapat melihat perbandingan antara data

sebenarnya dengan metode Exponential Moving Average (EMA), maka dari hasil perhitungan Moving Average maka dapat ditunjukan pada tabel dibawah ini :

Tabel 3. Perbandingan Hasil Data Sebenarnya dengan Metode Exponential Moving Average pada Harga Saham Bank Internasional Indonesia No Tanggal DS EMA Perbedaan % error 1 1/5/2009 385 2 1/6/2009 395 385.00 -10.00 -0.03 3 1/7/2009 400 392.00 -8.00 -0.02 4 1/8/2009 400 397.60 -2.40 -0.01 5 1/9/2009 415 399.28 -15.72 -0.04 6 1/12/2009 385 410.28 25.28 0.07 7 1/13/2009 400 392.59 -7.41 -0.02 8 1/14/2009 390 397.78 7.78 0.02 9 1/15/2009 395 392.33 -2.67 -0.01 10 1/16/2009 380 394.20 14.20 0.04 11 1/19/2009 380 384.26 4.26 0.01 12 1/20/2009 370 381.28 11.28 0.03

38

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 No 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

ISSN : 2086 – 4981

Tanggal DS EMA Perbedaan 1/21/2009 370 373.38 3.38 1/22/2009 370 371.02 1.02 1/23/2009 350 370.30 20.30 1/27/2009 350 356.09 6.09 1/28/2009 350 351.83 1.83 1/29/2009 355 350.55 -4.45 1/30/2009 340 353.66 13.66 2/2/2009 340 344.10 4.10 2/3/2009 325 341.23 16.23 2/4/2009 325 329.87 4.87 2/5/2009 330 326.46 -3.54 2/6/2009 335 328.94 -6.06 2/9/2009 320 333.18 13.18 2/10/2009 320 323.95 3.95 2/11/2009 320 321.19 1.19 2/12/2009 315 320.36 5.36 2/13/2009 305 316.61 11.61 2/16/2009 310 308.48 -1.52 2/17/2009 295 309.54 14.54 2/18/2009 295 299.36 4.36 2/19/2009 295 296.31 1.31 2/20/2009 295 295.39 0.39 2/23/2009 285 295.12 10.12 2/24/2009 290 288.04 -1.96 2/25/2009 295 289.41 -5.59 2/26/2009 295 293.32 -1.68 2/27/2009 300 294.50 -5.50 Total % Rata-Rata kedekatan dengan DS

Berdasarkan tabel diatas dapat dilihat bahwa rata-rata kedekatan kesalahan adalah 0,01. Untuk perbandingan data harga

% error 0.01 0.00 0.06 0.02 0.01 -0.01 0.04 0.01 0.05 0.01 -0.01 -0.02 0.04 0.01 0.00 0.02 0.04 0.00 0.05 0.01 0.00 0.00 0.04 -0.01 -0.02 -0.01 -0.02 0.01

saham Telekomunikasi Indonesia Tbk dengan menggunakan Metode Exponential Moving Average maka dapat dilihat pada tabel dibawah ini :

Tabel 4. Perbandingan Hasil Data Sebenarnya dengan Metode Exponential Moving Average pada Harga Saham Telekomunikasi Indonesia Tbk No Tanggal DS EMA Perbedaan % error 1 1/5/2009 5300 #N/A 5400 2 1/6/2009 5300 -100.00 -0.02 3 1/7/2009 5650 5370 -280.00 -0.05 5700 4 1/8/2009 5566 -134.00 -0.02 5 1/9/2009 6100 5660 -440.20 -0.07 6 1/12/2009 6150 5968 -182.06 -0.03 7 1/13/2009 6100 6095 -4.62 0.00 8 1/14/2009 6000 6099 98.61 0.02 9 1/15/2009 5700 6030 329.58 0.06 10 1/16/2009 5800 5799 -1.12 0.00 11 1/19/2009 5900 5800 -100.34 -0.02 12 1/20/2009 5550 5870 319.90 0.06

39


ISSN : 2086 – 4981

No 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

Tanggal DS EMA Perbedaan % error 1/21/2009 5600 5646 45.97 0.01 1/22/2009 5750 5614 -136.21 -0.02 1/23/2009 5500 5709 209.14 0.04 1/27/2009 5600 5563 -37.26 -0.01 1/28/2009 5450 5589 138.82 0.03 1/29/2009 5750 5492 -258.35 -0.04 1/30/2009 5700 5672 -27.51 0.00 2/2/2009 5850 5692 -158.25 -0.03 2/3/2009 6000 5803 -197.48 -0.03 2/4/2009 5750 5941 190.76 0.03 2/5/2009 5800 5807 7.23 0.00 2/6/2009 5800 5802 2.17 0.00 2/9/2009 6000 5801 -199.35 -0.03 2/10/2009 6600 5940 -659.80 -0.10 2/11/2009 6900 6402 -497.94 -0.07 2/12/2009 6600 6751 150.62 0.02 6600 2/13/2009 6645 45.19 0.01 2/16/2009 7250 6614 -636.44 -0.09 6950 2/17/2009 7059 109.07 0.02 2/18/2009 7150 6983 -167.28 -0.02 6750 2/19/2009 7100 349.82 0.05 2/20/2009 6800 6855 54.94 0.01 2/23/2009 7050 6816 -233.52 -0.03 6950 2/24/2009 6980 29.95 0.00 2/25/2009 6850 6959 108.98 0.02 6800 2/26/2009 6883 82.70 0.01 2/27/2009 6900 6825 -75.19 -0.01 Total % Rata-Rata kedekatan dengan DS -0.009 Berdasarkan tabel diatas dapat JST dengan beberapa neuron pada dilihat bahwa rata-rata kedekatan lapisan tersembunyi terhadap data kesalahan adalah 0,009. yang ada maka didapat hasil seperti tabel 5. dibawah ini : Rekap Hasil Pelatihan dan a.) Untuk harga Saham Bank Pengujian Internasional Indonesia Tbk Berdasarkan pelatihan dan pengujian yang dilakukan terhadap Tabel 5. Hasil Pelatihan untuk Harga Saham Bank Internasional Indonesia Tbk Arsitektur JST Epoch Perfomansi Ketepatan 3 Neuron LT 9 0.00971917 46,15% 5 Neuron LT 7 0.00931907 61,54% Training 7 Neuron LT 2 0.00898837 51,28% 9 Neuron LT 16 0.00845599 41,03% 11 Neuron LT 6 0.00879177 56,41% Dari tabel 5.15 terlihat pada lapisan tersembunyi yaitu bahwa pada proses pelatihan memberikan hasil prediksi dengan beberapa neuron yang sebesar 61,54% dengan nilai ketepatan prediksinya mendekati MSE yang cukup kecil dan adalah JST dengan 5 neuron epoch sebesar 7.

40


ISSN : 2086 – 4981

b.) Untuk harga Saham Telekomunikasi Indonesia Tbk Tabel 6. Hasil Pelatihan untuk Harga Saham Telekomunikasi Indonesia Tbk Arsitektur JST Epoch Perfomansi Ketepatan 3 Neuron LT 166 0.00989499 61,54% 5 Neuron LT 28 0.0082119 53,85% Pengujian 7 Neuron LT 26 0.00858558 58,97% 9 Neuron LT 15 0.0096189 48,72% 11 Neuron LT 19 0.00986498 53,85% Korelasi dan Bentuk Persamaan Dari tabel 6 terlihat Regresi yang dihasilkan bahwa pada proses pelatihan dengan beberapa neuron yang Berdasarkan hasil ketepatan prediksinya mendekati pengolahan data yang telah adalah JST dengan 3 neuron dilakukan maka dihasilkan bentuk pada lapisan tersembunyi yaitu persamaan regresi dan besarnya memberikan hasil prediksi korelasi dari data yang telah sebesar 61,54% dengan nilai dilakukan pelatihan dan pengujian MSE yang cukup kecil dan yang telah dilakukan. Untuk lebih epoch sebesar 166. jelasnya dapat dilihat pada tabel dibawah ini : Tabel 7. Korelasi dan Bentuk Persamaan Regresi yang dihasilkan Hasil Pelatihan dan pengujian No Nama Perusahaan Korelasi Persamaan Regresi 1 Bank Internasional Indonesia Tbk 0,948 A = (0,898) T + (0,0528) 2 Telekomunikasi Indonesia Tbk 0,751 A = (0,565) T + (0,209) Dari tabel diatas dapat dilihat Analisis Data dengan Metode bahwa korelasi antara harga saham ARIMA pada Bank Internasional Indonesia Tbk cukup besar terhadap Untuk menganalisis data perubahan waktu yaitu sebesar dengan menggunakan metode 0,948 (94,8)% dengan bentuk ARIMA maka pengolahan data yang persamaan regresi A = (0,898) T + dikerjakan akan dibantu dengan (0,0528). Sedangkan untuk harga program NCSS sehingga akan dapat saham Telekomunikasi Indonesia menghasilkan suatu prediksi harga Tbk didapatkan korelasi sebesar saham dimasa yang akan datang 0,751 (75,1%) dengan bentuk sesuai dengan kebutuhan. persamaan regresi A = (0,565) T + (0,209) Tabel 8. Hasil Analisis Prediksi Harga Saham Bank Internasional Indonesia Tbk dengan Metode ARIMA No Tanggal DS ARIMA Perbedaan % error 1 1/5/2009 385 386.86 1.86 0.0048 2 1/6/2009 395 385.24 9.76 0.0247 3 1/7/2009 400 392.16 7.84 0.0196 4 1/8/2009 400 397.95 2.05 0.0051 5 1/9/2009 415 399.33 15.67 0.0378 6 1/12/2009 385 410.61 -25.61 -0.0665 7 1/13/2009 400 391.44 8.56 0.0214

41


ISSN : 2086 – 4981

No 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

Tanggal DS ARIMA Perbedaan % error 1/14/2009 390 396.77 -6.77 -0.0174 1/15/2009 395 391.71 3.29 0.0083 1/16/2009 380 393.65 -13.65 -0.0359 1/19/2009 380 383.28 -3.28 -0.0086 1/20/2009 370 380.23 -10.23 -0.0277 1/21/2009 370 372.34 -2.34 -0.0063 1/22/2009 370 370.16 -0.16 -0.0004 1/23/2009 350 369.85 -19.85 -0.0567 1/27/2009 350 354.84 -4.84 -0.0138 1/28/2009 350 350.65 -0.65 -0.0019 1/29/2009 355 350.04 4.96 0.0140 1/30/2009 340 353.66 -13.66 -0.0402 2/2/2009 340 343.52 -3.52 -0.0104 2/3/2009 325 340.52 -15.52 -0.0477 2/4/2009 325 328.87 -3.87 -0.0119 2/5/2009 330 325.65 4.35 0.0132 2/6/2009 335 328.89 6.11 0.0182 2/9/2009 320 333.61 -13.61 -0.0425 2/10/2009 320 323.62 -3.62 -0.0113 2/11/2009 320 320.64 -0.64 -0.0020 2/12/2009 315 320.21 -5.21 -0.0165 2/13/2009 305 316.42 -11.42 -0.0375 2/16/2009 310 307.88 2.12 0.0068 2/17/2009 295 309.33 -14.33 -0.0486 2/18/2009 295 298.85 -3.85 -0.0131 2/19/2009 295 295.81 -0.81 -0.0027 2/20/2009 295 295.37 -0.37 -0.0012 2/23/2009 285 295.30 -10.30 -0.0361 2/24/2009 290 287.82 2.18 0.0075 2/25/2009 295 289.42 5.58 0.0189 2/26/2009 295 293.90 1.10 0.0037 2/27/2009 300 295.09 4.91 0.0164 Total % Rata-Rata kedekatan dengan DS -0.0086 Berdasarkan tabel diatas dengan memanfaatkan program dapat dilihat bahwa hasil NCSS dapat dilihat bahwa ratapengolahan data harga Saham Bank rata kedekatan adalah -0.0086. Internasional Indonesia Tbk Untuk lebih jelasnya dapat dilihat menggunakan metode ARIMA pada lampiran. Tabel 9. Hasil Analisis Prediksi Harga Saham Telekomunikasi Indonesia Tbk dengan Metode ARIMA No Tanggal DS ARIMA Perbedaan % error 5300 1 1/5/2009 5361.07 61.07 0.0115 2 1/6/2009 5400 5326.86 73.14 0.0135 5650 3 1/7/2009 5411.23 238.77 0.0423 4 1/8/2009 5700 5637.38 62.62 0.0110 5 1/9/2009 6100 5703.00 397.00 0.0651 6150 6 1/12/2009 6059.37 90.63 0.0147 7 1/13/2009 6100 6137.53 -37.53 -0.0062

42


ISSN : 2086 – 4981

6000 1/14/2009 6103.71 -103.71 -0.0173 1/15/2009 5700 6013.85 -313.85 -0.0551 1/16/2009 5800 5742.27 57.73 0.0100 5900 1/19/2009 5804.83 95.17 0.0161 1/20/2009 5550 5896.13 -346.13 -0.0624 5600 1/21/2009 5597.68 2.32 0.0004 1/22/2009 5750 5615.42 134.58 0.0234 5500 1/23/2009 5746.28 -246.28 -0.0448 1/27/2009 5600 5539.10 60.90 0.0109 1/28/2009 5450 5608.88 -158.88 -0.0292 5750 1/29/2009 5482.39 267.61 0.0465 1/30/2009 5700 5733.50 -33.50 -0.0059 5850 2/2/2009 5712.56 137.44 0.0235 2/3/2009 6000 5843.46 156.54 0.0261 2/4/2009 5750 5986.63 -236.63 -0.0412 5800 2/5/2009 5781.87 18.13 0.0031 2/6/2009 5800 5808.17 -8.17 -0.0014 6000 2/9/2009 5809.28 190.72 0.0318 2/10/2009 6600 5984.12 615.88 0.0933 6900 2/11/2009 6521.59 378.41 0.0548 2/12/2009 6600 6835.17 -235.17 -0.0356 2/13/2009 6600 6607.31 -7.31 -0.0011 7250 2/16/2009 6589.14 660.86 0.0912 2/17/2009 6950 7149.44 -199.44 -0.0287 7150 2/18/2009 6942.02 207.98 0.0291 2/19/2009 6750 7100.95 -350.95 -0.0520 2/20/2009 6800 6765.61 34.39 0.0051 7050 2/23/2009 6780.08 269.92 0.0383 2/24/2009 6950 6996.50 -46.50 -0.0067 6850 2/25/2009 6929.67 -79.67 -0.0116 2/26/2009 6800 6837.90 -37.90 -0.0056 6900 2/27/2009 6785.60 114.40 0.0166 Total % Rata-Rata kedekatan dengan DS 0.0070 Perbandingan Hasil Analisis Data Berdasarkan tabel diatas dengan Metode JST, SMA, EMA dapat dilihat bahwa hasil dan ARIMA pengolahan data harga Saham Telekomunikasi Indonesia Tbk Berikut ditampilkan menggunakan metode ARIMA perbandingan hasil analisis data dengan memanfaatkan program dengan metode Jaringan syaraf NCSS dapat dilihat bahwa rata-rata tiruan, simple moving average, kedekatannya adalah sebesar exponential moving average dan 0.0070. Untuk lebih jelasnya dapat Autoregressive Integrated Moving dilihat pada lampiran. Average. 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

43


ISSN : 2086 – 4981

Tabel 10. Hasil Perbadingan Analisis Prediksi Harga Saham Bank Internasional Indonesia Tbk Menggunakan Metode JST, SMA, EMA, ARIMA dengan data sebenarnya No Tanggal DS JST SMA EMA ARIMA 1 1/5/2009 385 395 386.86 #N/A 386.86 2 1/6/2009 395 400 385.24 #N/A 385.24 3 1/7/2009 400 420 392.16 393.33 392.16 4 1/8/2009 400 400 397.95 398.33 397.95 5 1/9/2009 415 415 399.33 405.00 399.33 6 1/12/2009 385 420 410.61 400.00 410.61 7 1/13/2009 400 400 391.44 400.00 391.44 8 1/14/2009 390 400 396.77 391.67 396.77 9 1/15/2009 395 395 391.71 395.00 391.71 10 1/16/2009 380 380 393.65 388.33 393.65 11 1/19/2009 380 385 383.28 385.00 383.28 12 1/20/2009 370 380 380.23 376.67 380.23 13 1/21/2009 370 370 372.34 373.33 372.34 14 1/22/2009 370 380 370.16 370.00 370.16 15 1/23/2009 350 360 369.85 363.33 369.85 16 1/27/2009 350 355 354.84 356.67 354.84 17 1/28/2009 350 360 350.65 350.00 350.65 18 1/29/2009 355 370 350.04 351.67 350.04 19 1/30/2009 340 360 353.66 348.33 353.66 20 2/2/2009 340 350 343.52 345.00 343.52 21 2/3/2009 325 340 340.52 335.00 340.52 22 2/4/2009 325 335 328.87 330.00 328.87 23 2/5/2009 330 335 325.65 326.67 325.65 24 2/6/2009 335 335 328.89 330.00 328.89 25 2/9/2009 320 345 333.61 328.33 333.61 26 2/10/2009 320 320 323.62 325.00 323.62 27 2/11/2009 320 325 320.64 320.00 320.64 28 2/12/2009 315 320 320.21 318.33 320.21 29 2/13/2009 305 315 316.42 313.33 316.42 30 2/16/2009 310 315 307.88 310.00 307.88 31 2/17/2009 295 310 309.33 303.33 309.33 32 2/18/2009 295 305 298.85 300.00 298.85 33 2/19/2009 295 300 295.81 295.00 295.81 34 2/20/2009 295 300 295.37 295.00 295.37 35 2/23/2009 285 295 295.30 291.67 295.30 36 2/24/2009 290 305 287.82 290.00 287.82 37 2/25/2009 295 305 289.42 290.00 289.42 38 2/26/2009 295 295 293.90 293.33 293.90 39 2/27/2009 300 300 295.09 296.67 295.09 Berdasarkan hasil analisis prediksi sesuai dengan data yang telah dilakukan menurut tabel sebenarnya sedangkan dengan 5.22 diatas dapat dilihat bahwa hasil metode yang lainnya hanya analisis dengan JST lebih baik mendekati saja. karena ada beberapa nilai hasil

44


ISSN : 2086 – 4981

Tabel 11. Hasil Analisis Prediksi Harga Saham Telekomunikasi Indonesia Tbk Menggunakan Metode JST, SMA, EMA, ARIMA dengan data sebenarnya No Tanggal DS JST SMA EMA ARIMA 1 1/5/2009 5300 5301 #N/A 5361.07 5400 2 1/6/2009 5401 5300 5326.86 3 1/7/2009 5650 5651 5450.00 5370 5411.23 5700 4 1/8/2009 5701 5583.33 5566 5637.38 5 1/9/2009 6100 6101 5816.67 5660 5703.00 6 1/12/2009 6150 6151 5983.33 5968 6059.37 6100 7 1/13/2009 6101 6116.67 6095 6137.53 8 1/14/2009 6000 6001 6083.33 6099 6103.71 5700 9 1/15/2009 5701 5933.33 6030 6013.85 10 1/16/2009 5800 5801 5833.33 5799 5742.27 5900 11 1/19/2009 5901 5800.00 5800 5804.83 12 1/20/2009 5550 5551 5750.00 5870 5896.13 13 1/21/2009 5600 5600 5683.33 5646 5597.68 5750 14 1/22/2009 5750 5633.33 5614 5615.42 15 1/23/2009 5500 5500 5616.67 5709 5746.28 5600 16 1/27/2009 5601 5616.67 5563 5539.10 17 1/28/2009 5450 5451 5516.67 5589 5608.88 18 1/29/2009 5750 5751 5600.00 5492 5482.39 5700 19 1/30/2009 5701 5633.33 5672 5733.50 20 2/2/2009 5850 5850 5766.67 5692 5712.56 6000 21 2/3/2009 6001 5850.00 5803 5843.46 22 2/4/2009 5750 5750 5866.67 5941 5986.63 5800 23 2/5/2009 5801 5850.00 5807 5781.87 24 2/6/2009 5800 5801 5783.33 5802 5808.17 25 2/9/2009 6000 6001 5866.67 5801 5809.28 6600 26 2/10/2009 6601 6133.33 5940 5984.12 27 2/11/2009 6900 6901 6500.00 6402 6521.59 6600 28 2/12/2009 6601 6700.00 6751 6835.17 29 2/13/2009 6600 6601 6700.00 6645 6607.31 30 2/16/2009 7250 7251 6816.67 6614 6589.14 6950 31 2/17/2009 6951 6933.33 7059 7149.44 32 2/18/2009 7150 7151 7116.67 6983 6942.02 6750 33 2/19/2009 6751 6950.00 7100 7100.95 34 2/20/2009 6800 6801 6900.00 6855 6765.61 7050 35 2/23/2009 7051 6866.67 6816 6780.08 36 2/24/2009 6950 6951 6933.33 6980 6996.50 37 2/25/2009 6850 6851 6950.00 6959 6929.67 6800 38 2/26/2009 6801 6866.67 6883 6837.90 39 2/27/2009 6900 6901 6850.00 6825 6785.60 Berdasarkan hasil analisis metode yang lainnya hanya yang telah dilakukan menurut tabel mendekati saja. 5.23 diatas dapat dilihat bahwa hasil KESIMPULAN analisis dengan JST lebih baik karena ada beberapa nilai hasil Pada bab ini dijelaskan prediksi sesuai dengan data beberapa kesimpulan sesuai dengan sebenarnya sedangkan dengan uraian yang telah dijelaskan bagi

45

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 kelanjutan penelitian ini yaitu sebagai berikut : a) Penerapan jaringan syaraf tiruan dengan metode backpropagation pada penelitian ini untuk memprediksi indeks harga saham pada Bursa Efek Jakarta berdasarkan harga saham terdahulu (historical prices), dari hasil pengujian data yang belum pernah dilatih mencapai target yang cukup memuaskan, dimana untuk data Bank Internasional Indonesia Tbk keberhasilannya mencapai 61,54% dan untuk Telekomunikasi Indonesia Tbk keberhasilannya mencapai 61,54%. b) Hasil pola JST yang digunakan dalam penelitian ini untuk data yang berasal dari Bank Internasional Indonesia Tbk yaitu JST dengan 3 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 46,15%, JST dengan 5 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 61,54%, JST dengan 7 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 51,28%, JST dengan 9 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 41,03%, dan JST dengan 11 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 56,41%. c) Hasil pola JST yang digunakan dalam penelitian ini untuk data yang berasal dari Telekomunikasi Indonesia Tbk yaitu JST dengan 3 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 61,54%, JST dengan 5 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 53,85%, JST dengan 7 lapisan tersembunyi memberikan hasil keakuratan prediksi sebesar 58,97%, JST dengan 9 lapisan tersembunyi memberikan hasil

ISSN : 2086 – 4981

kekuratan prediksi sebesar 48,72%, dan JST dengan 11 lapisan tersembunyi memberikan hasil kekuratan prediksi sebesar 53,85%. d) Penelitian ini telah memberikan kontribusi dalam memprediksi harga saham dimasa yang akan datang. Secara umum, untuk memprediksi harga saham, ada persamaan antara target dan aktual output, terutama untuk harga saham Bank Internasional Indonesia Tbk dengan korelasi sebesar 94,8% dan bentuk persamaan regresi yang dihasilkan adalah A=(0,898) T + (0,0528). Sedangkan untuk Telekomunikasi Indonesia Tbk didapatkan korelasi sebesar 75,1% dengen bentuk persamaan regresi A=(0,565) T + (0,209). e) Hasil yang diberikan jaringan syaraf tiruan mendekati data sesungguhnya, sehingga dapat digunakan dalam memprediksi harga penutupan saham pada Bursa Efek Jakarta jika dibandingan dengan metode Simple Moving Average (SMA), Exponential Moving Average (EMA) dan Autoregressive Integrated Moving Average (ARIMA). DAFTAR PUSTAKA [1] Sabry, M, Latif, A.E, Yousef, S dan Badra, N. 2007. Use of Box and Jenkins Time Series Technique in Traffic Volume Forecasting, Research Journal of Social Sciences, 2: 83-90, INSInet Publication [2] Fauset, Laurence. 1994. Fundamental of Neural Network : Archictecture. Algorithm, and Application. New Jersey : Prentice – Hall.

46

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN VOL. 7 NO. 1 Maret 2014 [3] Siang, JJ.. 2004. Jaringan Syaraf Tiruan dan Pemogramannya menggunakan MATLAB. Yogyakarta : Andi Offset. [4] H. M., Yogiyanto. 2007. Teori Portofolio dan Analisis Investasi. Yogyakarta : BPFE. [5] Sri Kusumadewi, Ssi. MT. 2002. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Teknik Informatika FTI UII. [6] Diyah Puspitaningrum. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Andi Offset. [7] Anita Desiani dan Arhami, Muhammad. 2006. Konsep Kecerdasan Buatan. Yogyakarta: Andi Offset

47

ISSN : 2086 – 4981

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 1 Maret 2014

Recommend Documents