PERANCANGAN PROGRAM APLIKASI BERBASIS WEB MENGGUNAKAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
Ivan David Tehnik Informatika dan Matematika, Binus University, Jakarta
[email protected] Abstract - The main purpose of this dissertation is to provide the best possible decision for the investors to make investment decisions stock purchase. Shares have the characteristics of high risk-high return, meaning stocks allow investors to get profits (capital gains) in large quantities in a short time, but it can also make stock investors suffered heavy losses in a short time. For that investors need a predictive tool that can help in the purchase of shares of an investment decision. Dissertation methods using Artificial Neural Network with Backpropagation method. Analysis of the data on the share price the day before an appropriate tool for predicting stock prices in the days that followed. The results achieved with the backpropagation algorithm on the stock price can then be predicted accurately. The conclusions of this dissertation is to error predetermined targets writer, whose stock price has a high and low range is not too far away has a stock price prediction results more accurate.I.D Keyword: Artificial Neural Network, Backpropagation, Investment, Stock
PENDAHULUAN Terdapat dua metode yang dapat digunakan dalam implementasi prediksi yaitu metode konvensional dan Jaringan Syaraf Tiruan (JST). Metode konvensional berhubungan dengan pengidentifikasian dan pemodelan. Pengidentifikasian melakukan pengamatan besaran yang keluar dari proses untuk masukan yang telah diketahui sebelumnya. Sedangkan pemodelan memerlukan suatu aturan yang menjelaskan tingkah laku dari proses tersebut. Model dapat berupa gambar, warna, persamaan matematis dan sebagainya. Untuk keperluan prediksi, model matematis lebih diinginkan daripada model-model lainnya. Seringkali model matematis dari suatu masalah sangat sukar untuk dibuat dan yang ada hanya data. Seperti halnya model fungsi perubahan harga saham sangat sulit untuk diketahui. Jaringan Syaraf Tiruan tidak memerlukan model matematis tetapi data dari masalah yang akan diselesaikan. Informasi disampaikan melalui data, dan Jaringan Syaraf Tiruan (JST) menyaring informasi tersebut melalui pelatihan.Oleh karena itu, Jaringan Syaraf Tiruan sangat tepat untuk menyelesaikan masalah prediksi harga saham. Prediksi harga saham dapat dilakukan dengan pendekatan analisis fundamental dan analisis teknikal. Prediksi yang akan dibahas disini adalah melalui pendekatan analisis teknikal dengan menggunakan Jaringan Syaraf Tiruan (JST). Jaringan Syaraf Tiruan mempelajari nilai harga saham yang lalu untuk memperoleh nilai bobot koneksi yang optimum dan menggunakan nilai bobot tersebut sebagai pengetahuan untuk menentukan harga saham mendatang.Untuk dapat menyelesaikan suatu permasalahan, Jaringan Syaraf Tiruan memerlukan algoritma pembelajaran. Metode pembelajaran yang akan digunakan untuk memprediksi harga saham adalah Supervised Learning dengan algoritma Backpropagation. Dengan algoritma ini, jaringan-jaringan dapat dilatih dengan menggunakan data harga saham dari situasi sebelumnya, menggolongkannya dan menyesuaikan bobot penghubung dalam jaringan sebagai input baru dan meramalkan harga saham berikutnya
METODE PENELITIAN Menurut Agus Kretarto (2001:63-67) dalam rangka penilaian atas perusahaan dan memprediksi harga sahamnya, biasanya analisis menggunakan dua jenis analisis, yaitu analisis fundamental dan analisis teknikal.
Analisis teknikal digunakan untuk memprediksi fluktuasi harga saham atas dasar data historis hargaharga saham, volume perdagangan dan faktor-faktor lain, seperti tinggi atau rendahnya perdagangan serta luasnya pasar dan Indeks Harga Saham Gabungan (IHSG). Analisis yang menggunakan pendekatan ini lebih dilatarbelakangi oleh logika permintaan dan penawaran yang mempengaruhi harga saham.Sementara faktorfaktor yang menyebabkan perubahan permintaan dan penawaran seperti faktor lingkungan usaha (ekonomi, politik dan stabilitas keamanan nasional), maupun kinerja perusahaan kurang diperhatikan oleh analisis teknikal. Harga saham akan berubah-ubah sesuai dengan permintaan dan penawaran. Pergerakan harga saham baik secara individual maupun keseluruhan biasanya cenderung mengikuti suatu pola tertentu sehingga dapat dikenali. Dengan demikian, para analisis teknikal akan memprediksi harga saham menurut pola yang sudah dikenali sebelumnya. Ada dua alat yang dapat digunakan untuk melakukan analisis teknikal, yaitu dengan menggunakan grafik atau dengan persamaan matematis yang lalu dituangkan kedalam grafik. Analisis teknikal sering disebut chartist karena teknik ini menggunakan grafik-grafik dan diagram-diagram untuk memprediksi kinerja saham. Grafik dan diagram itu dimaksudkan untuk memprediksi kinerja saham. Perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian dibandingkan dengan nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input melewati suatu nilai ambang tertentu, maka neuron akan diaktifkan, tapi jika tidak maka neuron tidak akan diaktifkan. Apabila neuron diaktifkan, maka neuron akan mengirimkan output melalui bobot-bobot outputnya kesemua neuron yang berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-neuron dikumpulkan dalam lapisan-lapisan (layer) yang disebut lapisan neuron (neuron layers). Biasanya neuronneuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf dirambatkan lapisan kelapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Masukan pada lapisan input dari gambar adalah X selanjutnya input ini diberi bobot sebelum masuk ke hidden layer. Pada hidden layer, dibentuk kombinasi linier dari input dan bobot yaitu :
a. k adalah banyak keluaran b. N, banyaknya lapisan tersembunyi c. Wo adalah bobot yang menghubungkan lapisan tersembunyi dan keluaran Suatu bias (treshold) dilibatkan dalam jaringan. Keluaran dari hidden layer masuk ke dalam suatu fungsi aktivasi tertentu sebelum menuju output layer. Jadi output dari model diatas adalah :
Dengan f merupakan fungsi aktivasi x adalah vector masukkan (x1-xm), variabel m yang dipakai pada contoh ini adalah 4 (3 masukkan dan 1 treshold). Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu :
Jaringan propagasi balik dikembangkan oleh Paul Werbos (Valurru B. Rao and Hayagriva V Rao, 1993;87) dan hampir 80% dari seluruh jaringan syaraf tiruan yang ada dalam perkembangannya menggunakan jaringan ini karena mudah dalam proses belajarnya. Jaringan syaraf tiruan propagasi balik memiliki kemampuan untuk menentukan hubungan antara sekelompok pola masukan dengan sekelompok pola keluaran yang diberikan dan menggunakan hubungan ini pada saat diberikan pola masukan baru. Suatu fungsi aktivasi propagasi balik memiliki ciri utama yaitu berkesinambungan dan adanya peningkatan atau perbaikan yang berulang-ulang. Aplikasi propagasi balik yaitu memetakan masukan (input) terhadap target keluaran (output). Tujuan pemetaan adalah untuk melatih jaringan mencapai suatu keseimbangan antara kemampuan merespon polamasukan yang digunakan dalam pelatihan dengan kemampuan untuk memberi respon masukan yang disesuaikan. Prosedur belajar propagasi balik menggunakan metode gradient descent dengan paradigma belajar supervised, sehingga pasangan data input-output (set data) mutlak harus tersedia. Data ini akan digunakan
sebagai pembimbing dalam mengenali polanya. Untuk dapat mengubah bobot sinapsis, maka proses komputasi dilakukan dengan cara arah maju (forward) dan arah mundur (backward). Dengan mengacu pada gambar 2.5, prosedur pelatihan jaringan beserta penjelasannya : pertama sebuah vektor masukan, X=Xp1, Xp1, …, XpN diberikan pada lapisan masukan jaringan dengan p menyatakan pasangan vektor ke-p. Sel-sel masukan mendistribusikan nilai-nilai masukan tersebut ke sel pada lapisan dalam. Jumlah masukan keseluruhan (net input) untuk sel lapisan dalam ke-j dihitung sebagai penjumlahan dari keluaran sel-sel lapisan masukan yang dikalikan dengan bobot interkoneksinya ditambah dengan suatu besaran yang disebut bobot bias. Bias satuan ini memberikan nilai masukan fiktif 1 pada bobot bias dan pada bobot lainnya. Bobot bias diperlakukan sama dan berpartisipasi dalam proses belajar seperti halnya bobot-bobot lainnya. Masukan net pada sel tersembunyi ke-j adalah. Proses belajar dari model jaringan propagasi balik adalah sebagai berikut : a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). b. Tetapkan : Maksimum Epoh, Target Error, dan Learning Rate (á). c. Inisialisasi : Epoh = 0, MSE=1. d. Kerjakan langkah-langkah berikut selama (Epoh < Maksimum Epoh) dan (MSE > Target error). 1. Epoh = Epoh+1 2. Untuk tiap-tiap elemen input yang akan dilakukan pembelajaran, kerjakan : Feedforward : a. Tiap-tiap unit input (xi, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit pada suatu lapisan tersembunyi (zj, j=1,2,3,…,p) menjumlahkan sinyal-sinyal terbobot :
gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
c.
zj= f (z_inj) (2) dan kirimkan sinyal tersebut ke unit di lapisan atasnya. Tiap-tiap unit outputnya (yk, k= 1,2,3,…,m) menjumlahkan sinyal-sinyal masukkan terbobot:
gunakan fungsi aktifasi untuk menghitung sinyal outputnya:
yk= f(y_ink) d.
(4)
Tiap-tiap unit keluaran (Yk, k=1,2,3,…,m) menerima target referensi, untuk dihitung informasi kesalahan-nya
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Wjk): hitung koreksi biasnya:
∆w0k= αδk e.
Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. Tiap-tiap unit tersembunyi (zj, j=1,2,3…,p) menjumlahkan delta input :
_
kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi kesalahan:
δj= δ_inj ƒ1(z_inj) kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai vij):
∆vij= αδj χk Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j):
∆v0j= α δj f.
Tiap-tiap unit output (yk, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=0,1,2,..,p):
wjk(baru)= wjk(lama) + ∆wjk tiap-tiap unit tersembunyi (zj, j=1,2,3,..,p) memperbaiki bias dan bobotnya (i=0,1,2,…,n):
vij(baru)= vij(lama) + ∆vij 3.Hitung MSE Obyektif dari prosedur ini adalah untuk mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah Sum Square Error melalui model yang dikembangkan (training set). Langkah – langkah yang digunakan adalah : a. Dimulai dengan lapisan masukan, hitung luaran dari setiap elemen pemroses melalui lapisan luaran. b. Hitung kesalahan pada lapisan luaran yang merupakan selisih antara data aktual dan target. c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses. d. Propagasi balik kesalahan-kesalahan tersebut ke lapisan tersembunyi. Transformasikan kesalahan ini pada luaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. e. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen pemroses dan luaran elemen pemroses yang terhubung. Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada luaran dari jaringan merupakan selisih antara keluaran aktual (currentoutput) dan keluaran target (desired output). Sum Square Error (SSE) dihitung sebagai berikut: a. Hitung luaran prediksi atau luaran model untuk masukan pertama. b. Hitung selisih antara nilai luaran prediksi dan nilai target atau sinyal latihan untuk setiap luaran. c. Kuadratkan setiap luaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh latihan.
a. b.
Root Mean Square Error (RMS Error) dihitung sebagai berikut: Hitung SSE Hasilnya dibagi dengan perkalian antara banyaknya data latihan dan banyaknya luaran, kemudian di akarkan. Keterangan: RMSE = SSE = N = K =
. !
Root Mean Square Error Sum Square Error Banyaknya data pada latihan Banyaknya output
Analisis Sistem Untuk melakukan peramalan dibutuhkan dua hal mendasar yaitu kemampuan menganalisis data runtut waktu (time seriesdata) dan pemilihan metode peramalan yang sesuai dengan data runtut waktu tersebut. Pola kegiatan harga saham setiap harinya selalu mengalami penaikan atau penurunan, kondisi ini tergantung pada banyak tidaknya pelaku pasar modal yang bertransaksi pada hari itu. Hal ini juga dipengaruhi dengan kondisi perekonomian di Indonesia yang sedang berkembang. Data harga saham yang digunakan untuk dilakukan prediksi dengan pengenalan pola merupakan saham dari perusahaan yang telah go public. Perusahaan-perusahaan yang digunakan adalah PT. Telekomunikasi Indonesia Tbk., PT. H.M Sampoerna Tbk., PT. Astra International Tbk., PT. Bank Central Asia Tbk., dan PT. Jasa Marga Tbk. Dalam prediksi harga saham, data yang paling dibutuhkan adalah data historical harga perubahan saham selama beberapa waktu terakhir yang kemudian diolah untuk meramal harga saham beberapa waktu kedepan. Tentunya masih ada banyak faktor yang dapat mempengaruhi harga saham yang akan terjadi, misalnya adalah inflasi, faktor politik, kebijakan moneter dan kebijakan fiskal. Namun jika terlalu banyak faktor yang diperhitungkan dalam peramalan hnya akan mempersulit peramalan itu sendiri karena terkadang faktor yang ada justru saling bertolakbelakang untuk dianalisis. Semua ini menyebabkan metode yang tadi digunakan tidak dapat memberikan peramalan yang memuaskan, sebab pola yang terjadi menjadi sangat dinamis. Jaringan
Syaraf Tiruan (JST) mempelajari data-data input dan melihat hubungannya melalui weight dan output merupakan metode pendekatan yang jauh lebih baik dalam memberikan hasil peramalan yang lebih memuaskan dari pada metode- metode lainnya. Input yang dipakai dalam peramalan bukan data mentah semata, namun data yang telah diolah terlebih dahulu dengan sehingga dapat digunakan dalam pelatihan dan uji coba untuk lebih meningkatkan performa JST. Dalam menganalisis sistem peramalan harga saham, penulis menganalisis hal-hal penting diantaranya: a. Perancangan aplikasi yang user interface untuk memudahkan pengguna mengoperasikan sistem. b. Metode-metode yang dipakai dalam peramalan, penulis menggunakan algoritma jaringan syaraf tiruan metode Backrpopagation. c. Data-data yang dipakai untuk input adalah data histori harga saham sebelumnya. d. Proses training memakan waktu yang lama apabila data-data yang dipakai sebagai inputan sangat banyak dan jumlah epoch yang besar. Beberapa hal penting yang perlu diperhatikan untuk memberikan peramalan yang lebih baik adalah penentuan variabel input-output, fungsi aktivasi, dan jumlah hidden layer yang akan dipakai dalam metode Backpropagation tersebut. Data-data histori nilai harga saham dapat di-download / diambil dari http://www.idx.co.id/id-id/beranda/unduhdata/ringkasan.aspx. Data histori nilai-nilai yang ada, dari tanggal 1 Mei 2013 sampai tanggal 31 Mei 2013. Berdasarkan pola di pasar Bursa Efek Jakarta menunjukan bahwa harga saham pada suatu hari dipengaruhi oleh harga saham pada hari-hari sebelumnya. Di dalam simulasi ini digunakan harga penutupan pada satu hari ke depan sebagai target (variable Y) yang akan dibandingkan dengan hasil dari proses JST.Berikut data – data yang digunakan untuk training program JST.
HASIL DAN BAHASAN Pengujian dilakukan berdasarkan data pelatihan,dengan diambil sampel uji sebanyak 10 hari. Table 4.2 Table Hasil Nilai Prediksi PT Jasa Marga
Tanggal 14/05/2013 15/05/2013 16/05/2013 17/05/2013 20/05/2013 21/05/2013 22/05/2013 23/05/2013 24/05/2013 27/05/2013 MAPE
Pembukaan
Tertinggi
Terendah
Penutupan
Real 6600
Prediksi 6604
Real 6700
Prediksi 6700
Real 6600
Prediksi 6600
Real 6650
Prediksi 6654
6650 6650 6650 6850 6850 6800 6750 6600 6650
6604 6698 6649 6800 6845 6750 6800 6650 6600
6700 6700 6850 6950 6900 6800 6800 6750 6700
6700 6695 6700 6850 6834 6833 6801 6800 6700
6600 6650 6650 6800 6650 6650 6600 6600 6550
6600 6599 6645 6799 6649 6649 6650 6600 6603
6650 6700 6850 6900 6800 6700 6600 6700 6550
6654 6695 6750 6850 6836 6750 6701 6601 6600
0.527757
0.5900515
0.245362
0.3456219
Table 4.3 Hasil Prediksi Saham PT Telekomunikasi Indonesia
Tanggal 14/05/2013 15/05/2013 16/05/2013 17/05/2013 20/05/2013 21/05/2013 22/05/2013 23/05/2013 24/05/2013 27/05/2013 MAPE .
Pembukaan
Tertinggi
Terendah
Penutupan
Real 11800
Prediksi 11788
Real 11900
Prediksi 11856
Real 11700
Prediksi 11656
Real 11850
Prediksi 11800
11900 12050 11900 12150 12400 12150 12250 12300 12300
11856 11900 12046 12099 12351 12151 12233 12250 12246
12100 12100 12050 12900 12600 12450 12400 12400 12300
11988 12093 12098 12849 12533 12482 12482 12481 12333
11800 11850 11900 12150 21200 12150 12050 12250 12050
11756 11795 11848 12149 12180 12150 12150 12112 12100
11900 11900 11950 12300 12250 12350 12200 12300 12200
11884 11898 11900 12298 12299 12259 12260 12262 12256
0.5235648
0.4336775
0.4248896
0.2568451
Tabel 4.4 Hasil Nilai Prediksi Saham PT H.M Sampoerna
Tanggal
Pembukaan
Tertinggi
Terendah
Penutupan
14/05/2013
Real 86500
Prediksi 86501
Real 86500
Prediksi 86501
Real 86500
Prediksi 86400
Real 86500
Prediksi 86000
15/05/2013
86500
86501
86500
86501
85000
85008
85900
85903
16/05/2013
84500
85500
85500
86500
84500
85000
85500
85500
17/05/2013
85500
85501
88000
87500
85500
85000
88000
87500
20/05/2013
88000
87900
88000
87900
87000
86500
87800
87886
21/05/2013
87950
87747
88000
87873
87950
87747
88000
87873
22/05/2013
88000
87998
88000
88000
88000
87989
88000
87998
23/05/2013
87000
87500
87500
87873
87000
87000
87500
87873
24/05/2013
87005
87800
87950
87503
87750
87500
87950
87873
27/05/2013
87000
87746
87050
87500
87000
87500
87050
87500
MAPE
0.9365489
0.745145
0.821457
0.8456812
Table 4.5 Hasil Nilai Prediksi PT Astra International
Tanggal
Pembukaan
14/05/2013 15/05/2013 16/05/2013 17/05/2013 20/05/2013 21/05/2013 22/05/2013 23/05/2013 24/05/2013 27/05/2013 MAPE
Tertinggi
Terendah
Penutupan
Real 6950
Prediksi 7000
Real 7050
Prediksi 7100
Real 6950
Prediksi 6988
Real 6950
Prediksi 7000
7050 7150 7050 7100 7150 7150 7150 7150 7150
7166 7167 7081 7050 7150 7100 7124 7150 7150
7200 7150 7150 7300 7200 7250 7200 7200 7200
7179 7180 7150 7250 7233 7259 7249 7200 7233
7050 7050 7000 7100 7050 7150 7000 7100 7000
7049 7049 7016 7050 7099 7100 7098 7050 7099
7050 7050 7050 7200 7150 7150 7050 7200 7000
7049 7049 7016 7149 7143 7159 7100 7150 7050
0.445874
0.312564
0.247841
0.2148976
Table 4.6 Table hasil nilai prediksi PT Bank Central Asia
Tanggal
Pembukaan
Tertinggi
Terendah
Penutupan
14/05/2013
Real 11100
Prediksi 11050
Real 11100
Prediksi 11050
Real 10900
Prediksi 10898
Real 11000
Prediksi 10999
15/05/2013
11050
11000
11049
11050
10900
10899
11000
11000
16/05/2013
10950
11016
11000
11058
10850
10900
10900
11000
17/05/2013
10800
10950
11000
11000
10800
10850
11000
10900
20/05/2013
11050
10801
11150
11000
10900
10800
10900
10903
21/05/2013
11000
10800
11050
11000
10900
10800
11000
10907
22/05/2013
11000
10800
11050
11000
10950
10800
10950
11000
23/05/2013
11000
11020
11050
11089
10800
10900
10900
10950
24/05/2013
10950
11000
11050
11050
10950
10800
10950
10900
27/05/2013
11000
10950
11050
11050
10700
10823
10700
10907
MAPE
0,411256
0.286357
0.365655
0.215647
Dalam program peramalan ini, Mean Average Percentage Error (MAPE) dihitung dengan mencari jumlah dari selisih antara nilai sebenarnya dan nilai peramalan, kemudian dibagi dengan nilai sebenarnya.Setelah itu diubah kedalam bentuk persen dan dibagi dengan jumlah data untuk melihat nilai error yang terjadi. Evaluasi Program Evaluasi program dilakukan untuk mengetahui kelemahan - kelemahan dan kelebihan - kelebihan dari program yang teleh dibuat. Setelah dilakukan evaluasi diharapkan perancangan ini dapat terus dikembangkan dan diperbaiki.
Kelebihan dan Kelemahan Dari percobaan 5 perusahaan yang telah dilakukan, penulis dapat menyimpulkan bahwa keakurasian dari tingkat peramalan cukup tinggi terutama apabila jarak penurunan atau kenaikkan harga saham tidak terlalu tinggi. Dapat dilihat bahwa kenaikkan dan penurunan harga saham yang sebenarnya dapat diramalkan oleh aplikasi yang di buat oleh penulis, walaupun tidak dalam satu garis yang sama. Kelemahan dari program ini adalah apabila terjadi penurunan atau kenaikkan yang cukup signifikan pada harga saham program ini akurasinya menjadi lemah.
SIMPULAN DAN SARAN Kesimpulan yang dapat diambil dari mulai tahap rancangan sampai kedalam tahap implementasidan evaluasi sistem program.Juga akan dibahas saran-saran yang perlu untuk dibahas dan dikembangkan untuk sistem aplikasi program web.
Kesimpulan Program peramalan dengan Jaringan syaraf tiruan dengan algoritma Backpropagation memberikan hasil yang cukup memuaskan dalam peramalan harga sahamsehingga baik untuk dijadikan pertimbangan dalam mengambil keputusan pembelian atau penjualan saham. Setelah perancangan Neural Network dan program, pembuatan, implementasi sampai analisis dalam program ini, dapat diambil beberapa kesimpulan sebagai berikut: a. Dalam menghasilkan suatu keputusan yang akurat guna menghindari hal-hal yang tidak diinginkan pada masa yang akan datang suatu metode peramalan sangat diperlukan. b. Peramalan dengan metode Jaringan syaraf tiruan Backpropagation merupakan salah satu metode peramalan yang cukup akurat c. Faktor pemilihan input sangat berpengaruh pada ketepatan hasil peramalan harga saham tergantung pada arsitektur yang digunakan. Input dalam proses training yang digunakan dalam peramalan ini yaitu nilai Open, Close, High dan Low. d. Dengan melihat hasil peramalan, dapat diambil kesimpulan bahwa harga saham PT H.M Sampoerna memilki rentang high dan low harga saham yang cukup jauh sehingga program kurang akurat dalam memprediksi. Sedangkan pada PT Jasa Marga, PT Telekomunikasi Indonesia, PT Astra International, dan PT Bank Central Asia program meramalkan dengan cukup baik dikarenakan rentang harga saham high dan low tidak terlalu jauh. e. Mengacu kepada hasil peramalan yang cukup baik, program ini dapat digunakan oleh para investor dalam mempertimbangkan pembelian atau penjualan saham.
Saran Dalam perancangan program aplikasi peramalan yang telah dilakukan,ada beberapa saran yang dapat diberikan untuk penelitian dan pengembangan lebih lanjut, yaitu: a. Perlu diadakan penelitian lebih lanjut mengenai metode untuk peramalan harga saham yang lebih akurat. Hal ini perlu dilakukan karena adanya faktor- faktor lainnya yang mempengaruhi pergerakan harga saham seperti kegiatan perekonomian, pajak, keadaan bursa saham, faktor politik dan keamanan dalam negri dan juga proporsi jumlah hutang perusahaan. b. Mencoba menambah data-data historis yang telah ada menjadi lebih lengkap lagi sehingga meningkatkan keakuratan peramalan. Semakin banyak data historis yang ada untuk di training maka semakin akurat peramalan dengan menggunakan jaringan syaraf tiruan. c. Menggunakan hidden layer yang lebih banyak sehingga dapat diperoleh hasil yang akurat. d. Dengan melihat keunggulan yang ada, program peramalan dengan Jaringan Syaraf Tiruandapat dijadikan bahan pertimbangan bagi para pengamat bursa saham dan parainvestorsaham. Jaringan Syaraf Tiruan sebagai Artificial Intelligence dapat diterapkan disegala bidang termasuk bidang peramalan harga saham dengan banyaknya keunggulan yang ada, peramalan dengan Jaringan syaraf tiruandapat menjadi metode yang paling sering digunakan. Kembali kepada dasar tolak ukur keberhasilan peramalan yaitu factor kecepatan dan keakuratan.
REFERENSI Agus Kretarto, 2001, Investor Relation: Pemasaran dan Komunikasi Keuangan Perusahaan berbasis kepatuhan,
Penerbit PT. Grafiti Pres, Jakarta Bart Kosko (1992). Neural Network and Fuzzy Systems : A Dinamical Systems Approach to Machine Intelegence. Prentice-Hall, Inc. Cullis, J.G. and P.R. Jones. 1992. Public Finance and Public Choice. McGrow Hill. Singapore. Ham FM, Kostanic I. 2001. Principles of Neurocomputing for Science andEngineering. New York: McGrawHill, Inc. Husnan, Suad. 1998. Dasar-dasar Teori Portofolio dan Analisis Sekuritas. Edisi Kedua. Yogyakarta: UPP-AMP YKPN. Marzuki Usman, Singgih Riphat, Syahrir, Pengetahuan Dasar Pasar Modal, Institut Bankir Indonesia dan Jurnal Keuangan & Moneter, Jakarta, 1997. Muhammad, Arfan. 2006. Pengaruh Arus Kas Bebas, Set Kesempatan Investasi, Dan Financial Leverage Terhadap Manajemen Laba. Disertasi Doktor. Universitas Padjadjaran, Bandung. Patterson, Dan W. Artificial Neural Networks (Theory And Applications). Prentice Hall. 1996. Rao, V.B. dan Rao, H.V., 1993, Neural Network and Fuzzy Logic, Management Information Source, New York. Saludin Muis. 2006. Teknik Jaringan Syaraf Tiruan. Yogyakarta: Penerbit Graha Ilmu Sartono, Agus. 1999. Manajemen Keuangan-Teori dan Aplikasi, Edisi Keempat, Cetakan Keenam, Yogyakarta: BPFE-UGM. Suyanto. Artificial Intelligence, Bandung: Informatika. 2007 Szeliski, R. (2011). Computer Vision : Algorithms and Applications. New York: Springer. Trippi, Robert R. And Turban, Efraim. Neural Networks In Finance and Investing, Probus Publishing Company. 1993. .
