perbandingan metode moving average (ma) dan neural network

142 | Perbandingan Metode Moving…

INFORMATION SYSTEM DEVELOPMENT [ISD] [VOLUME 3 NO.2 JULI 2018]

Perbandingan Metode Moving Average (MA) Dan Neural

Network yang Berbasis Algoritma Backpropagation Dalam

Prediksi Harga Saham

Darwin Purba Sugumonrong1)

, Diana Astria Gultom2)

1,2Fakultas Ilmu Komputer, Universitas Pelita Harapan

E-mail: [email protected])

, [email protected])

Abstract-- Stock prices experience rapid changes from time to time. The movement of

stock prices becomes a benchmark for investors to make decisions when

stocks should be bought, sold or maintained. For that we need an analytical

model with a high degree of accuracy in helping investors make decisions to

reduce the risk of loss. This study uses a comparison of the Moving Average

method and the Neural Network Backpropagation algorithm in predicting

stock prices. The data used is historical Jakarta Stock Exchange (^ JKSE)

data from 2010 - April 2018 obtained through Yahoo Finance. From the

results of the study it can be concluded that the smaller the error results, the

better the accuracy value. The smaller the error target, the greater the

number of epochs in the calculation using the Neural Network

Backpropagation algorithm method. Stock price predictions using the Moving

Average method are more accurate than the Neural Network

Backpropagation algorithm method, where the accuracy rate for Moving

Average (MA) is 80.11% and for the Neural Network the Backpropagation

algorithm is 78.91%.

Keywords:stock pricing prediction, moving average, neural network, backpropagtion

Abstrak-- Harga saham mengalami perubahan yang cepat dari waktu ke waktu.

Pergerakan harga saham menjadi tolak ukur bagi para investor untuk

mengambil keputusan kapan sebaiknya saham dibeli, dijual atau

dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat

akurasi yang tinggi dalam membantu para investor mengambil keputusan

untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan

metode Moving Average dan Neural Network algoritma Backpropagation

dalam memprediksi harga saham. Data yang digunakan merupakan data

historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018yang

diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan

adalah semakin kecil hasil error, maka nilai akurasinya semakin baik.

Semakin kecil target error, maka jumlah epoch akan semakin besar dalam

perhitungan menggunakan metode Neural Network algoritma

Backpropagation. Prediksi harga saham menggunakan metode Moving

Average lebih akurat dibandingan metode Neural Network algoritma

Backpropagation, dimana tingkat akurasi untuk Moving Average (MA)

adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah

78,91%.



Kata Kunci: prediksi harga saham, moving average, neural network, backpropagtion

PENDAHULUAN

Dunia investasi dan trading berkembang

cukup pesat di Indonesia. Berinvestasi

pada saham, forex atau komoditas

memang sangat menggiurkan, karena

kita bisa mendapatkan keuntungan yang

cukup besar. Puluhan, bahkan ratusan

persen dalam kurun waktu yang singkat

(sehari, seminggu, sebulan, tergantung

kondisi). Keuntungan yang diperoleh

juga bisa berkali lipat dari keuntungan

deposito. Namun, apabila terjadi salah

perhitungan, mampu membangkrutkan

investor dalam waktu yang singkat pula.

Saham merupakan asset yang paling

mudah untuk dilikuidasi, yang artinya

ketika kita membutuhkan uang tunai,

kita bisa mendapatkannya dengan cepat.

Harga saham mengalami perubahan

setiap saat dalam hitungan detik,

dikarenakan penilaian sesaat oleh para

pembeli maupun penjual yang

dipengaruhi oleh beberapa faktor.

Faktor-faktor yang dapat mempengaruhi

pergerakan harga saham yaitu mulai dari

inverstor emotions, economic ups and

downs, supply and demand, global

conditions(Cagan, 2016). Fluktuasi

jangka pendek pasti akan terjadi, tetapi

bertahan pada investasi jangka panjang

masih merupakan cara paling pasti untuk

melihat hasil terbaik.

Agar tidak terjadi kerugian dalam

berinvestasi maka diperlukan suatu

model analisis dalam memprediksi harga

saham untuk mengambil keputusan.

Dalam penilitian ini, metode yang

digunakan adalah metode Moving

Average (MA) dan Neural Network

yang berbasis algoritma

Backpropagation dalam memprediksi

harga saham. Dataset yang digunakan

merupakan data historis dari harga

saham JakartaStockExchange (^JKSE)

tahun 2010 - April 2018 yang diperoleh

melalui YahooFinance.

Saham

Saham adalah bagian dari kepemilikan

suatu perusahaan, dan merupakan klaim

atas asset dan penghasilan perusahaan.

Ketika perusahaan membutuhkan lebih

banyak modal untuk memperluas

perusahaannya, perusahaan akan

menerbitkan sahamnya di pasar saham.

Pasar saham adalah tempat dimana

pembeli dan penjual saham bertemu dan

memutuskan harga untuk trade. Saat ini,

sebagian besar transaksi telah

dilaksanakan dengan sarana elektronik.

Bahkan, sebagian besar saham telah

disimpan dalam format elektronik atau

virtual, bukan dalam bentuk sertifikat

fisik(Investopedia, LLC, 2018).

Moving Average

Moving average adalah salah satu yang

paling serbaguna dan indikator yang

banyak digunakan di technical analysis.

Pada dasarnya, Moving Average adalah

perangkat pengikut trend dan perangkat

merapikan. Tujuannya adalah untuk

mengidentifikasi atau menandai bahwa

trend baru telah dimulai atau trend lama

telah berakhir. Dengan merata-ratakan

data harga, menghasilkan garis yang

lebih halus. Moving Average terbagi atas

3 (tiga) tipe yaitu simple moving

average, linear weighted average, dan

exponential moving average

(Investopedia, LLC, 2018). Contoh dari

Moving Average dapat dilihat pada

gambar dibawah ini.



Gambar 1. Moving Average

Sumber: Investopedia (2019)

Backpropagation

Backpropagation adalah algoritma

perhitungan untuk menemukan error

terkecil sehingga menghasilkan output

yang sempurna. Tahap perhitungan dari

algoritmaini yaitu perhitungan maju

untuk error antara output dan target, dan

perhitungan mundur yang

mempropagasikan balik error tersebut

untuk memperbaiki bobot-bobot pada

semua neuron yang ada. Arsitektur dari

Backpropagtion dapat dilihat pada

gambar di bawah ini.

Gambar 2. Arsitektur Backpropagation

Sumber: Medium (2017)

Langkah-langkah detail dari algoritma

Backpropagation, antaralain:

1. Inisialisasi, menentukan arsitektur

jaringan, nilai ambang MSE sebagai

stopping condition, learning rate,

serta menetapkan nilai bobot-bobot

melalui pembangkitan nilai acak

dengan interval nilai sembarang.

Bisa membangkitkan nilai acak

dalam interval [-1, +1] atau [-0.5,

+0.5] ataupun lainnya. Tidak ada

aturan yang baku mengenai interval

ini.

2. Selama stopping condition bernilai

false, maka lakukan langkah-langkah

berikut:

a. Feedforward

Setiap unit input (Xi,

i=1,2,3,…,n) menerima sinyal xi

dan meneruskan sinyal tersebut

ke semua unit pada hidden layer.

Setiap unit hidden (Zj,

j=1,2,3,…,p) menjumlah sinyal-

sinyal input terbobot.

z_inj = v0j + 𝑥𝑛𝑖=1 ivij

Gunakan fungsi aktivasi untuk

menghitung sinyal output:

y = 𝑓 𝑥 =1

(1+ 𝑒−𝑥 )

dan kirimkan sinyal tersebut ke

semua unit di output layer.Setiap

unit output (Yk, k=1,2,3,…,m)

menjumlah sinyal sinyal input

terbobot.

y_ink = w0k + 𝑧𝑝𝑖=1 iwjk

Gunakan fungsi aktivasi untuk

menghitung sinyal output:

y = 𝑓 𝑥 =1

(1+ 𝑒−𝑥 )

Dan kirimkan sinyal tersebut ke

semua unit output layer.

b. Backpropagation

Setiap unit output (Yk,

k=1,2,3,...,m) menerima target

pola yang berhubungan dengan

pola input pembelajaran, hitung

informasi error.

k = (tk – yk) f’(y_ink)

Kemudian hitung koreksi bobot

(yang nantinya akan digunakan

untuk memperbaiki nilai wjk).

wjk = k zj

Hitung juga koreksi bias (yang

nantinya akan digunakan untuk

memperbaiki nilai w0k).

w0k = k


j=1,2,3,…,p) menjumlah delta

input.

_inj = 𝑚𝑖=1 kwjk



Kalikan nilai ini dengan turunan

dari fungsi aktivasi untuk

menghitung informasi error.

j = _inj f’(y_inj)

Kemudian hitung koreksi bobot


untuk memperbaiki nilai vij):

vij = j xi

kemudian hitung koreksi bias


untuk memperbaiki nilai v0j):

v0j = j

setiap unit output (Yk,

k=1,2,3,...,m) memperbaiki bias

dan bobotnya (j=0,1,2,…,p).

wjk (baru) = wjk (lama) + wjk


j=1,2,3,…,p) memperbaiki bias

dan bobotnya (i=0,1,2,…,n)

vij (baru) = vij (lama) + vij

3. Memeriksa stopping condition, jika

stopping condition telah terpenuhi,

maka pelatihan jaringan dapat

dihentikan. Dalam menentukan

stopping condition terbagi atas 2

(dua) cara yang bisa digunakan,

yaitu:

a. Membatasi iterasi yang ingin

dilakukan. Misalnya jaringan

akan dilatih sampai pada iterasi

yang ke-500. Yang dimaksud

dengan satu iterasi adalah

perulangan langkah-langkah yang

digunakan pada saat stopping

condition belum terpenuhi untuk

semua training data yang ada.

b. Membatasi error. Misalnya

menentukan besar MSE antara

output yang dikehendaki dan

output yang dihasilkan oleh

jaringan.

METODE PENELITIAN

Penelitian ini akan menerapkan metode

Moving Average dan Neural Network

berbasis algoritma Backpropagation dan

membandingkan keakuratan kedua

metode dalam memprediksi harga

saham. Dataset yang digunakan adalah

data historis dari JakartaStock Exchange

(^JKSE) tahun 2010 sampai dengan

April 2018. Dalam evaluasi tingkat

akurasi, metode yang digunakan adalah

Mean Squared Error (MSE).

Menggunakan dataset statistik

merupakan tipikal penelitian kuantitatif.

Penggunaan dataset ini merupakan

dataset yang sudah tersedia, digunakan,

dikumpulkan oleh pihak ketiga yang

memiliki otoritas. Dataset yang

digunakan dalam penelitian ini adalah

data historis dari harga saham Jakarta

Stock Exchange (^JKSE) periode tahun

2010 sampai dengan April 2018 yang

diperoleh dari Yahoo Finance, yang

akan dibagi menjadi data training dan

data testing.

Metode Prediksi dengan Moving

Average

Pada penelitian ini memprediksi harga

saham dengan Moving Average akan

menggunakan tipe Simple Moving

Average dan menggunakan MATLAB

sebagai tool-nya. Adapun langkah-

langkah metode prediksi dengan Moving

Average adalah:

1. Pembagian Data Training dan Data

Testing

Memisahkan data ke dalam training

dan testing set merupakan bagian

yang penting. Biasanya, ketika

memisahkan data menjadi training

set dan testing set, sebagian besar

data digunakan sebagai training set.

Pembagian training set dan testing

set akan dibagi dengan komposisi

sebagai berikut:

a. Training set diambil sebanyak

75% dari keseluruhan data

b. Testing set diambil sebanyak


2. Training Moving Average

Training Moving Average akan

dilakukan dengan menggunakan tool

MATLAB. Proses training akan



melalui langkah-langkah sebagai

berikut.

𝑥𝑡+1 = 𝑥𝑡 + 𝑥𝑡−1 + ⋯ + 𝑥𝑡−𝑛+1

𝑛

dimana:

xt+1 = forecast untuk period eke t+1

xt = Data periode t

n = Jangka waktu Moving Average

3. Testing Moving Average

Setelah melalui proses training,

maka tahap selanjutnya adalah

melakukan peramalan dengan

Moving Average. Pada tahap ini data

input yang digunakan merupakan

langkah-langkah yang sama dalam

tahap training yakni:

𝑥𝑡+1 = 𝑥𝑡 + 𝑥𝑡−1 + ⋯ + 𝑥𝑡−𝑛+1

𝑛

dimana:

xt+1 = forecast untuk period eke t+1

xt = Data periode t

n = Jangka waktu Moving Average

Metode Prediksi dengan Neural

Network Algoritma Backpropagation

Pada penelitian ini memprediksi harga

saham dengan Neural Network

algoritma Backpropagation dan

menggunakan MATLAB sebagai tool-

nya. Adapun langkah-langkah metode

prediksi dengan Neural Network

berbasis algoritma Backpropagation

adalah :

1. Pembagian Data Training dan Data

Testing

Proses training dan testing

diperlukan dalam proses evaluasi

metode. Memisahkan data ke dalam

training dan testing set merupakan

bagian yang penting. Setelah metode

diproses dengan training set, maka

akan dilakukan pengujian dengan

membuat prediksi terhadap testing

set. Pembagian training set dan

testing set akan dibagi dengan

komposisi sebagai berikut:

a. Training set diambil sebanyak


b. Testing set diambil sebanyak


2. Training Neural Network Algoritma

Backpropagation

Training Neural Network akan

dilakukan menggunakan tool

MATLAB. Proses training akan

melalui langkah-langkah sebagai

berikut.

a. Normalisasi Data Training

Data input akan melalui proses

normalisasi sehingga mempunyai

nilai dengan rentang data [0,1].

Berikut ini merupakan rumus

yang digunakan untuk

normalisasi data;

x =(𝑥𝑝 − min𝑥𝑝)

(max 𝑥𝑝 − min 𝑥𝑝)

dimana:

x = nilai hasil normalisasi dengan

rentang antara 0 sampai 1

xp = nilai data asli yang belum

dinormalisasi

min xp = nilai minimum pada

dataset

max xp = nilai maximum pada

data set

b. Menentukan Fungsi Aktivasi,

Jumlah Hidden Neuron, Learning

Rate, Bobot dan Epoch

Pada proses training, fungsi

aktivasi, jumlah hidden neuron,

learning rate, bobot dan epoch

akan ditentukan terlebih dahulu.

Penelitian ini memakai fungsi

aktivasi Sigmoid. Apabila Neural

Network menghasilkan

outputyang kurang optimal, maka

jumlah hidden neuron akan

diubah. Bobot akan diinisiasi

secara random. Nilai learning

rate yang digunakan adalah 0.25.

Jumlah epoch yang

digunakanadalah 50.000.

c. Denormalisasi Data Training

Output yang dihasilkan dari

proses training akan

didenormalisasi. Berikut rumus



yang digunakan untuk

denormalisasi.

x = (𝑥𝑝 × max 𝑥𝑝 − 𝑚𝑖𝑛𝑥𝑝) + min 𝑥𝑝

dimana:

x = nilai hasil denormalisasi

xp = nilai data asli yang belum

didenormalisasi

min xp = nilai minimum pada

dataset sebelum normalisasi

max xp = nilai maximum pada

data set sebelum normalisasi

Testing Neural Network Algoritma

Backpropagation

Setelah melalui proses training, maka

tahap selanjutnya adalah melakukan

peramalan dengan Neural Network. Pada

tahap ini data input dinormalisasi dan

didenormalisasi dengan menggunakan

langkah-langkah yang sama dalam tahap

training.

Metode Analisis dengan MSE

Metode yang digunakan dalam evaluasi

tingkat akurasi hasil prediksi dari


algoritma Backpropagation adalah Mean

Squared Error (MSE). Maka rumus

untuk menghitung MSE digunakan

persamaan berikut:

MSE = (𝑡𝑘 − 𝑦𝑘)2𝑛

𝑖=1

𝑛

dimana:

n = jumlah data

tk = mewakili observedvalues

yk = mewakili predictedvalues

HASIL DAN PEMBAHASAN

Dengan melakukan pencarian data pada

situs Yahoo Finance, dapat diperoleh

data set harga saham yang bersifat

klasifikasi. Data set ini terdiri dari 2.057

data harga saham harian dari Jakarta

Stock Exchange (^JKSE). Informasi nilai

data set akan disediakan dalam file excel

dengan format seperti yang ditampilkan

pada gambar di bawah ini.

Gambar 1. Data Set

Training Moving Average

Setelah data set dibagi atas data training

dan data testing, maka selanjutnya

melakukan metode.

Gambar 2. Hasil Training Moving

Average

Testing Moving Average

Pada tahap ini data input yang

digunakan merupakan langkah-langkah

yang sama dalam tahap training. Data

yang digunakan merupakan data testing

sebanyak 25% dari keseluruhan data,

sehingga total data testing adalah 515

data harga saham harian. Hasil testing

Moving Average dapat dilihat pada di

bawah ini.



Gambar 3. Hasil Testing Moving

Average

Prediksi dengan NeuralNetwork

Algoritma Backpropagation Hal yang perlu ditentukan dalam prediksi

menggunakan Neural Network algoritma

Backpropagation adalah jumlah input.

Penilitian ini menggunakan 3 (tiga) variabel input yakni harga close, harga open, dan

jumlah split.

Gambar 4. Neural Network Training

Testing Neural Network

Setelah melalui proses training, maka

tahap selanjutnya adalah melakukan

peramalan dengan Neural Network. Pada

tahap ini data input dinormalisasi dan

didenormalisasi dengan menggunakan

langkah-langkah yang sama dalam tahap

training. Data yang digunakan

merupakan data testing sebanyak 25%

dari keseluruhan data, sehingga total

data testing adalah 515 data harga saham

harian.

Gambar 5. Hasil Testing Neural

Network

Tabel 1. Nilai MSE Dengan Perbedaan

Jumlah Epoch menunjukkan nilai MSE

yang dihasilkan dari testing dengan

jumlah epoch berbeda-beda.

Tabel 1. Nilai MSE Dengan Perbedaan

Jumlah Epoch

Hasil

Testing

Jumlah Epoch

100

00

150

00

300

00

500

00

100

000

150

000

MSE 524

391

582

337

305

125

438

179

208

243

135

681

Analisis Hasil Prediksi

Tahap terakhir dari penelitian ini adalah

mengukur performance Moving Average

dan Neural Network yang digunakan

untuk memprediksi pada penelitian ini.

Evaluasi tingkat akurasi hasil prediksi

dari Moving Average dan Neural

Network algoritma Backpropagation

adalah Mean Squared Error (MSE) yang

telah ditetapkan nilainya. Oleh karena

keakuratan metode dilihat dari hasil

testing, maka perbandingan metode


algoritma Backpropagation hanya

dilihat dari hasil proses testing. Proses

dari analisis hasil prediksi dapat dilihat

pada

KESIMPULAN

Dari hasil penelitian dan analisis

perbandingan metodeMoving Average

(MA) dan Neural Network berbasi



salgoritma Backpropagation, maka dapat

diambil kesimpulan sebagaib erikut:

1. Prediksi harga saham dengan metode

Moving Average (MA) lebih akurat

dibandingkan dengan Neural

Network algoritma Backpropagation,

dimana tingkat akurasi untuk

Moving Average (MA) adalah

80,11% dan untuk Neural Network

algoritma Backpropagation adalah

78,91%.

2. Penerapan Neural Network

membutuhkan waktu yang lebih

lama dalam prediksi karena perlu

melakukan banyak percobaan dalam

menetapkan jumlah input data,

jumlah neuron dalam hidden layer,

penentuan besarnya learning rate.

3. Semakin kecil target error, maka

jumlah epoch akan semakin besar.

Semakin kecil hasil error, maka nilai

akurasinya semakin baik.

DAFTAR PUSTAKA [1] Abbas, I, Penerapan Metode

Moving Average Berbasis

Algoritma Support Vector Machine

Untuk Membandingkan Pola Kurva

dengan Trend Kurva Pada Trading

Forex Online, 2016.

[2] Cagan, M., Stock Market 101.

Adams Media, 2016.

[3] Group, Forex Training. (2018,

December 15). Basic Tenets Of

The Dow Theory In Technical

Analysis. Retrieved from Forex

Training Group:

https://forextraininggroup.com/basi

c-tenets-dow-theory-technical-

analysis/

[4] Hidayat, A. (2017, June 2).

Statistikian. Retrieved from

Statistikian:

http://www.google.co.id/amp/s/ww

w.statistikian.com/2012/10/peneliti

an-kuantitatif.html

[5] Hidayat, R, Prediksi Harga Saham

Menggunakan Neural Network,

2016.

[6] Investopedia, LLC. (2018). Stock

Market. Retrieved from

Investopedia:

https://www.investopedia.com/ter

ms/s/stockmarket.asp

[7] Jumaidi, H. (2018, January 10).

Astronacci. Retrieved from

Astronacci:

https://www.astronacci.com/blog/r

ead/kenali-trend-dan-candlestick-

pada-awal-trading

[8] Kholis, I, Analisis Variasi

Parameter Backpropagation

Artificial Neural Network

Terhadap Pengenalan Pola Data

Iris, 2015.

[9] Kusumodestoni, R. H., & Sarwido,

Komparasi Support Vector

Machines (SVM) dan Neural

Network Untuk Mengetahui

Tingkat Akurasi Prediksi Tertinggi

Harga Saham, 2017.

[10] Nurlifa, A., & Kusumadewi, S,

Sistem Peramalan Jumlah

Penjualan Menggunakan Metode

Moving Average Pada Rumah

Jilbab Zaky, 2017.

[11] Sekolah Saham. (2019). Sekolah

Saham. Retrieved from Sekolah

Saham: https://sekolahsaham.com/

[12] Siahaan, L. E., Umbara, S.Si, MSi,

R. F., & Sibaroni, S.T., M.T., Y,

Prediksi Indeks Harga Saham

dengan Metode Gabungan Support

Vector Regression dan Jaringan

Syaraf Tiruan, 2017.

[13] Suyanto, Artificial Intelligence.

Yogyakarta: Informatika Bandung,

2014.

[14] T, N. A., Murnomo, A., &

Suryanto, A, Implementasi Neural

Network pada Matlab untuk

Prakiraan Konsumsi Beban Listrik

Kabupaten Ponorogo Jawa Timur,

2017.

[15] Widodo, P. P., & Handayanto, R.

T, Penerapan Soft Computing

Dengan Matlab. Bandung:

Rekayasa Sains, 2012.



[16] Widodo, S, Analisis Metode Single

Moving Average dan Exponential

Smoothing Dalam Peramalan

Permintaan Senapan Angin (Studi

Kasus : UD.HAFARA), 2017.

perbandingan metode moving average (ma) dan neural network

Documents