Implementasi Metode Backpropogation dengan Inisialisasi Bobot Nguyen Widrow untuk Peramalan Harga Saham

Penulis

Eliv Kurniawan, Hari Wibawanto, Djoko Adi Widodo

Abstrak

Jaringan saraf tiruan merupakan suatu ilmu yang terus berkembang pesat hingga saat ini. Jaringan saraf tiruan merupakan suatu ilmu komputasi yang didasarkan dan terinspirasi dari cara kerja sistem saraf manusia. Sama halnya dengan sistem saraf manusia, jaringan saraf tiruan bekerja melalui proses pembelajaran terhadap data-data yang sudah ada untuk memformulakan keluaran dari data-data baru. Jaringan saraf tiruan dengan metode backpropagation mampu melakukan peramalan untuk data nonlinear seperti bentuk data harian harga saham. Salah satu algoritma inisialisasi bobot yang dapat meningkatkan waktu eksekusi adalah nguyen-widrow. Pada penelitian ini akan dilakukan implementasi metode backpropagation dengan inisialisasi bobot nguyen widrow untuk meramalkan harga saham. Proses implementasi melalui 3 tahapan, yaitu preprosesing data, pelatihan jaringan, dan pengujian jaringan. Hasil dari penelitian ini menunjukkan bahwa pelatihan jaringan saraf tiruan dengan jumlah dataset yang banyak membutuhkan perhitungan yang kompleks, sehingga jaringan saraf tiruan dengan arsitektur jaringan yang sederhana kurang efektif dan dapat terjebak pada titik lokal minimum. Hasil peramalan untuk harga close saham BBCA.JK memiliki nilai MAPE 0,85% dan untuk harga close saham AALI.JK memiliki nilai MAPE sebesar 1,84%.

Abstract

Artificial neural network is a hot topic and invite a lot of admiration in the last decade. Artificial Neural Network is one of the artificial representations of the humans brain who always try to simulate the learning process of the humans brain. Artificial neural network with backpropagation method is able to forecast nonlinear data such as daily data form stock price. One of the weight initialization algorithms that can be increase the execution time is nguyen-widrow. In this research will be implemented backpropagation method with nguyen widrow weight initialization to forecast stock prices. The process of implementation through 3 stages, that is preprosesing data, training, and testing or simulate. The results of this research indicate that the training of artificial neural networks with many datasets required a complex calculations, so the artificial neural network with simple architectures is less effective and can get stuck at minimum local points. The results forecasting for the close price of BBCA.JK have a MAPE value 0.85% and for the close price of AALI.JK have 1.84% of MAPE value

Kata Kunci


Peramalan, Jaringan Saraf Tiruan, Backpropagation, Nguyen Widrow

Teks Lengkap:

PDF

Referensi


AYU, TRIMULYA, 2015. Implementasi Jaringan Syaraf Tiruan Metode Backpropagation Untuk Memprediksi Harga Saham, Jurnal Coding Sistem Komputer Untan.

DWI, EFRI RUFIYANTI, 2015. Implementasi Jaringan Syaraf Tiruan Backpropagation Dengan Input Model Arima Untuk Peramalan Harga Saham, Universitas Negeri Semarang.

IVAN, DAVID, 2013. Perancangan Program Aplikasi Berbasis Web Menggunakan Metode Backpropagation Untuk Memprediksi Harga Saham, Jurnal Binus University.

KHAN, Z. H., ALIN, T. S. DAN HUSSAIN. M. A. 2011. Price Prediction of Share Market using Artificial Neural Network. Internasional Journal of Computer Application 22(2): 42-47.

KUSUMADEWI, 2013. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Graha Ilmu Yogyakarta.

MALVIN, CHANDRA, 2015. Analisis Metode Backpropagation Untuk Memprediksi Indeks Harga Saham Indofood Sukses Makmur, Jurnal KomTekInfo Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang .

MISHRA, KHUSHBOO, et al, 2014, Image

Compression Using Multilayer Feed Forward Artificial Neural Network with Nguyen Widrow Weight Initialization Method, Internasional Journal of Emerging Technology and Advanced Engineering, Volume 4, Issue 4, April.

PUSPITANINGRUM, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi Offset.

SIANG, J. J. 2005. Jaringan Saraf Tiruan dan Pemrogamannya Menggunakan Matlab. Yogyakarta: Penerbit Andi Offset.




DOI: http://dx.doi.org/10.25126/jtiik.201961904