JURNAL INFORMATIKA UPGRIS Vol. 3, No.

2, (2017)

PERAMALAN HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF

TIRUAN SECARA SUPERVISED LEARNING DENGAN ALGORITMA
BACKPROPAGATION

Eko Riyanto1
1
Teknik Informatika, STMIK Himsya Semarang
Jalan Raya Karanganyar Tugu KM.12 No.58
E-mail : [email protected]

Abstract Stock price prediction is useful for investors to see how the prospects of a company's stock investment in the future. Stock
price prediction can be used to anticipate the deviation of stock prices. It can also helps investors in decision making. Artificial
Neural Networks do not require mathematical models but data from problems to be solved. Information is conveyed through the
data, and the Artificial Neural Network filters the information through training. Therefore, Artificial Neural Network is appropriate
to solve the problem of stock price prediction. Learning method that will be used to predict stock price is Supervised Learning with
Backpropagation algorithm. With this algorithm, networks can be trained using stock price data from the previous time, classify it
and adjust network link weight as new input and forecast future stock prices. By using ANN, time series prediction is more accurate.
After analyzing the problem of stock price movement system, the writer can know the pattern of what variables will be taken for
further insert into the stock price forecasting system. This application can be used for stock price forecasting technique, so it will
be useful for beginner investor as well as advanced investor as reference to invest in capital market. Implementing supervised
learning backpropagation method will get accurate forecasting results more than 98%.

Keyword - artificial neural network, stock, backpropagation.

Abstrak Prediksi harga saham ini berguna bagi investor untuk melihat bagaimana prospek investasi saham perusahaan
di masa depan. Prediksi harga saham bisa digunakan untuk mengantisipasi penyimpangan harga saham. Ini juga bisa
membantu investor dalam pengambilan keputusan. Jaringan Syaraf Tiruan tidak memerlukan model matematis namun
data dari masalah harus dipecahkan. Informasi disampaikan melalui data, dan Jaringan Syaraf Tiruan menyaring
informasi melalui pelatihan. Oleh karena itu, Jaringan Syaraf Tiruan sesuai untuk memecahkan masalah prediksi harga
saham. Metode pembelajaran yang akan digunakan untuk memprediksi harga saham adalah. Dengan algoritma
Backpropagation. Dengan algoritma ini, jaringan dapat dilatih menggunakan data harga saham dari waktu
sebelumnya, mengklasifikasikannya dan menyesuaikan bobot link jaringan sebagai input baru dan perkiraan harga
saham di masa depan. Dengan menggunakan JST, prediksi time series lebih akurat. Setelah menganalisa masalah
sistem pergerakan harga saham, penulis dapat mengetahui pola variabel apa yang akan diambil untuk selanjutnya
dimasukkan ke dalam sistem peramalan harga saham. Aplikasi ini bisa digunakan untuk teknik peramalan harga
saham, sehingga akan bermanfaat bagi investor pemula maupun investor maju sebagai acuan investasi di pasar modal.
Melaksanakan metode backpropagation learning yang diawasi akan mendapatkan hasil peramalan yang akurat lebih
dari 98%.

Kata kunci - jaringan syaraf tiruan, stok, backpropagation

I. PENDAHULUAN jangka panjang dan saham perusahaan. Adapun dana

Pasar modal merupakan tempat kegiatan menurut RJ Shook, pasar modal merupakan pasar
perusahaan mencari dana untuk membiayai kegiatan tempat dana-dana modal, seperti equitas dan hutang
usahanya. Selain itu, pasar modal juga merupakan diperdagangkan.
suatu usaha penghimpunan dana masyarakat secara Analisis teknikal merupakan alat untuk
langsung dengan cara menanamkan dana ke dalam memprediksi harga saham (kondisi pasar) dengan
perusahaan yang sehat dan baik pengelolaannya. mengamati perubahan harga saham tersebut (kondisi
Pasar modal adalah tempat dimana berbagai pihak pasar) diwaktu yang lampau. Dengan mencoba untuk
khususnya perusahaan menjual saham (stock) dan mendeteksi beberapa standar "pola" dalam
obligasi (bond) dengan tujuan dari hasil penjualan pergerakan harga yang mampu memanfaatkan tren
tersebut yang nantinya akan dipergunakan sebagai yang digunakan untuk menemukan pola pergerakan
tambahan dana atau untuk memperkuat modal harga saham tersebut.
perusahaan. Tinggi rendahnya harga saham dipengaruhi oleh
Sedangkan menurut Joel G. Siegel dan Jae K. banyak faktor seperti kondisi dan kinerja perusahaan,
Shim, pasar modal adalah pusat perdagangan utang resiko, deviden, tingkat suku bunga, kondisi

137
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 2, (2017)

perekonomian, kebijaksanaan pemerintah, laju inflasi, 3.2 Data Flow Diagram Level 0
penawaran dan permintaan serta masih banyak lagi. Load Data Saham

Karena dimungkinkan adanya perubahan faktor- Pengguna Masukkan Data Saham Pendataan

faktor di atas, harga saham dapat naik atau turun.

Prediksi harga saham akan sangat bermanfaat bagi
investor untuk dapat melihat bagaimana prospek
investasi saham sebuah perusahaan di masa datang. Tampilkan Hasil Pembelajaran

Prediksi harga saham dapat digunakan untuk Masukkan Nilai Learning Rate
Tentukan Lama Belajar Pembelajaran Data Training Data Belajar
Masukkan Jumlah Neuron
mengantisipasi naik-turunnya harga saham. Dengan
adanya prediksi harga saham, sangat membantu para
investor di dalam pengambilan keputusan. Jaringan Hasil Prediksi
Masukkan Input untuk Diprediksi
Syaraf Tiruan tidak memerlukan model matematis
tetapi data dari masalah yang akan diselesaikan. Prediksi Data Prediksi Data Hasil

Informasi disampaikan melalui data, dan Jaringan

Syaraf Tiruan menyaring informasi tersebut melalui Gambar 3.2 DFD Level 0
pelatihan. Oleh karena itu, Jaringan Syaraf Tiruan
sangat tepat untuk menyelesaikan masalah prediksi Terdapat tiga proses utama dalam aplikasi ini,
harga saham. Jaringan syaraf dapat diterapkan pada yaitu: pendataan, pembelajaran, dan uji prediksi. Pada
bidang prediksi. Data masa lalu diasumsikan seperti proses pendataan, pengguna memasukan data saham.
nilai-nilai fungsi. Jaringan syaraf membangun model Data-data saham yang telah dimasukkan akan di
fungsi yang menerangkan struktur dari data masa lalu. simpan di dalam database data saham. Pada proses
Fungsi tersebut menggambarkan ketergantungan nilai pembelajaran, pengguna melakukan input data untuk
data saat ini terhadap nilai data. variabel learning rate, menentukan lama
Jaringan Syaraf Tiruan memerlukan data dari pembelajaran, dan menentukan jumlah neuron yang
masalah yang akan diselesaikan. Informasi akan digunakan untuk pembelajaran. Data-data
disampaikan melalui data, dan Jaringan Syaraf Tiruan tersebut di simpan dalan database data training dan
menyaring informasi tersebut melalui pelatihan. Oleh hasil dari pembelajaran akan ditampilkan kepada
karena itu, Jaringan Syaraf Tiruan sangat tepat untuk pengguna. Untuk proses terakhir, pengguna
menyelesaikan masalah prediksi harga saham. melakukan uji prediksi dengan terlebih dahulu
memasukkan data-data yang akan diprediksi.

II. METODE PENELITIAN 3.3 Data Flow Diagram Level 1 dari Proses
3.1 Perancangan Sistem dengan Diagram Konteks Pendataan

Masukkan Data Saham 1.1

Pengguna Masukkan Data Saham
Bikin Data
Lakukan Baru
Pengguna Sistem JST
Peramalan
1.2
Load Data Saham
Hasil Peramalan Ubah Data
Lama

Gambar 3.1 Diagram Konteks Gambar 3.3 DFD Level 1 dari Proses Pendataan

Pengguna menggunakan aplikasi dari peramalan. Pengguna memasukkan data-data daham ke dalam
Kemudian pengguna memasukkan data saham ke proses bikin data baru. Di dalam proses ini, data-data
dalam sistem jaringan syaraf tiruan. Setelah sistem tersebut di olah dan kemudian di simpan ke dalam
mempelajari data-data yang dimasukkan pengguna, database data saham. Data-data yang dimasukkan
pengguna lalu melakukan peramalan. Kemudian terdiri dari lima variabel, yaitu: open, close, high, low,
sistem akan melakukan peramalan dan hasilnya akan dan adj close.
ditampilkan kepada pengguna.

138
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 2, (2017)

3.4 Data Flow Diagram Level 1 dari Proses dalam satu baris, dan pola yang berbeda ditulis dalam
Pembelajaran baris berikutnya.

Masukkan Jumlah Neuron

2.1
Pengguna Tentukan Lama Belajar Data Training Data Training
Pembelajaran
Masukkan Nilai Learning Rate

Tampilkan Hasil Pembelajaran

Gambar 3.4 DFD Level 1 dari Proses Pembelajaran

Proses pembelajan memerlukan inputan yang

dimasukkan oleh pengguna agar proses dapat berjalan
dengan baik. Pengguna memasukkan jumlah neuron,
menentukan lama belajar, dan menentukan nilai
learning rate. Inputan-inputan yang telah dimasukkan Gambar 4.1 Form Pendataan
oleh pengguna, akan diolah di proses pembelajaran
untuk kemudian di masukkan data hasil pembelajaran Kemudian, tentukan banyaknya neuron yang ada
ke dalam database training. Di dalam proses ini, juga pada hidden layer, dari 1 sampai 100. Selanjutnya,
membutuhkan data-data dari database data saham, tentukan besarnya tingkat pembelajaran atau learning
walaupun secara entity relationship diagram (ERD) rate dari neuron. Untuk dapat digunakan, jaringan
tidak saling berhubungan. Hasil dari pembejalaran syaraf tiruan harus dilatih dulu. Data yang digunakan
akan ditampilkan kembali kepada pengguna. untuk proses pembelajaran diambil dari file dengan
menekan tombol "Load File". Anda tidak bisa
3.5 Data Flow Diagram Level 1 dari Proses Uji menggunakan file yang memiliki format data yang
Prediksi tidak sesuai. Jika anda belum membuat file untuk data
training, anda bisa menggunakan editor pada bagian
3.1 "Pendataan". Tombol "Training" hanya bisa diakses
Pengguna Masukkan Input Untuk Diprediksi Data Prediksi Data Prediksi
Uji Prediksi jika anda sudah memasukkan file data yang sesuai.
Hasil Prediksi Jika sudah memasukkan file, tentukan lamanya epoch
atau proses pembelajaran dari neuron. Semakin lama
Gambar 3.7 DFD Level 1 dari Proses Uji Prediksi masa training, maka hasilnya akan semakin akurat.
Terakhir, tekan tombol "Training" untuk memulai
Pada proses uji prediksi, pengguna memasukkan proses pembelajaran.
input-input apa saja yang akan diprediksi oleh sistem.
Proses uji prediksi akan memprediksi inputan-inputan
yang telah dimasukkan oleh pengguna dan
memprosesnya dengan melihat data training sebagai
referensi. setelah diperoleh hasil prediksi di proses uji
prediksi, kemudian akan menampilkan hasil prediksi
kepada pengguna dan menyimpan hasilnya di dalam
database data prediksi.

III. HASIL DAN PEMBAHASAN

4.1 Data Hasil Pembahasan
Data-data saham yang akan dipakai untuk data Gambar 4.2 Form Pembelajaran
pembelajaran, pertama kali haruslah diolah terlebih
dahulu agar bisa dikenali oleh program aplikasi Form prediksi digunakan untuk memprediksi
jaringan syaraf tiruan ini. Form Pendataan digunakan keluaran dari masukan yang diberikan oleh user.
untuk mengedit atau membuat file baru dengan Fungsi ini hanya bisa digunakan setelah anda
ekstensi .jst. File .jst digunakan sebagai data input melakukan training (pembelajaran) neuron.
untuk training. Sebagai batasan, setiap pola masukan Data hasil pembelajaran meliputi, banyaknya
terdiri atas lima data, X1, X2, X3, X4, dan X5 yang hidden layer, banyaknya epoch, berapa nilai learning
memiliki keluaran Y. Satu pola masukan harus ditulis rate, berapa lama hasil dari pembelajaran, dan berapa
nilai dari masing-masing bobot, bias, dan eror. Untuk

139
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 2, (2017)

tiap-tiap parameter hidden layer, epoch, dan learning Gambar 4.4 merupakan contoh dari penggunaan
rate yang berbeda, akan menghasilkan hasil yang form prediksi. Terdapat lima (5) masukan yang sudah
berbeda pula. Data-data tersebut akan ditampilkan ada hasil keluarannya. Kemudian dengan menekan
sesuai dengan perhitungan hasil pembelajaran. tombol “Prediksi”, maka aplikasi tersebut akan secara
otomatis menghitung nilai keluarannya berikut nilai
eror yang dihasilkan. Nilai eror didapat dengan
membandingkan keluaran aplikasi jaringan syaraf
tiruan dengan nilai keluaran sesungguhnya.
Pada pembelajaran dengan pola pertama, untuk
saham Telekomunikasi Indonesia didapatkan hasil
seperti pada gambar 4.5. Keluaran dari aplikasi
jaringan syaraf tiruan adalah 3901.33 dengan nilai
keluaran asli sebesar 3910. Sehingga didapatkan nilai
eror sebesar 0.22%.

Gambar 4.3 Data Neuron

Pada penelitian ini, terdapat tiga pola yang akan

dimasukkan sebagai parameter pembelajaran. Yaitu:
pola pertama ( hidden layer = 5, epoch = 10000, dan
learning rate = 0.2 ), pola kedua ( hidden layer = 5,
epoch = 10000, dan learning rate = 0.5 ), dan pola
ketiga ( hidden layer = 5, epoch = 10000, dan learning
rate = 0.15 ). Data-data dari masing-masing pola akan
digunakan sebagai parameter untuk memprediksi data
saham dari perusahaan Astra Graphia, Astra Gambar 4.5 Hasil Prediksi Saham TLKM dengan
Internasional, Indofood Sukses Makmur, dan Pembelajaran Pola Pertama
Telekomunikasi Indonesia. Data yang digunakan
adalah data saham selama lima tahun, mulai dari Pada pembelajaran dengan menggunakan pola
tahun 2012 sampai dengan tahun 2016. kedua, didapatkan hasil seperti pada gambar 4.4
diatas. Dengan mengunakan pola kedua, nilai dari
4.2 Data Hasil Prediksi eror membesar. Hal ini dikarenakan nilai dari bobot-
Data-data hasil pembelajaran yang telah disimpan, bobot hasil pembelajaran berubah sesuai dengan
kemudian akan digunakan untuk memprediksi data perhitungan dari parameter-parameter di pola kedua.
yang diinginkan. Data hasil pembelajaran yang Untuk pola ketiga, hasil dari aplikasi jaringan syaraf
diperlukan adalah data dari output neuron. Jadi, tiruan ditunjukkan dengan gambar 4.6. Pada pola
parameter-parameter dari output neuron lah yang ketiga, nilai dari eror mengecil jika dibandingkan
akan digunakan sebagai perhitungan di dalam aplikasi dengan menggunakan pembelajaran dengan pola
jaringan syaraf tiruan ini. Dengan menggunakan pertama maupun pola kedua. Pola ketiga memberikan
halaman prediksi, maka kita dapat memprediksi hasil keluaran sebesar 3906.31 dan eror sebesar
keluaran dari masukan-masukan yang kita kehendaki. 0.09%. perlu diketahui bahwa ketiga pola diatas
digunakan untuk memprediksi saham
Telekomunikasi Indonesia dengan masukan yang
sama pada tiap-tiap pola. Masukan tersebut adalah,
X1 = 3840, X2 = 3940, X3 = 3830, X4 = 3910, dan
X5 = 3910. Dengan nilai keluaran sebesar 3910.
Saham yang diprediksi berupa data saham harian.

Gambar 4.4 Form Prediksi

140
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 2, (2017)

0.73%, sehingga nilai keakuratannya adalah 99.27%.

Nilai tersebut diperoleh dari perbandingan antara hasil
keluaran aktual sebesar 8250 dengan hasil keluaran
prediksi sebesar 8189.77. Rata-rata dari tingkat
keakuratan masing-masing pola adalah : pola 1
sebesar 98.70%, pola kedua sebesar 99.02%, pola
ketiga sebesar 98.39%, dan pola keempat sebesar
98.45%.
Perbandingan antara keluaran aktual dengan hasil
prediksi untuk Indofood Sukses Makmur, untuk pola
pertama, nilai error terkecil adalah 0.95% dengan
keakuratan mencapai 99.05%. Untuk pola kedua, nilai
Gambar 4.5 Hasil Prediksi Saham TLKM dengan
error terkecil adalah 0.82% dengan keakuratan
Pembelajaran Pola Pertama
mencapai 99.18%. Untuk pola ketiga, nilai error
terkecil adalah 1.02% dengan keakuratan mencapai
Hasil prediksi dari Astra Graphia dengan
98.98%. Untuk pola keempat, nilai error terkecil
menggunakan pola keempatlah yang memiliki tingkat
adalah 0.78% dengan keakuratan mencapai 99.22%.
error yang paling rendah dibandingkan dengan pola-
Nilai error terkecil semua pola didapat pada data
pola yang lain. Untuk pola pertama, nilai error yang
tanggal 30 September 2016, dengan keluaran aktual
paling rendah adalah 2.62%, dengan nilai keluaran
8700 dan hasil prediksi sebesar 8618.44 untuk pola
aktual sebesar 2032.87 dan nilai keluaran hasil
pertama, 8629.11 untuk pola kedua, 8612.49 untuk
prediksi sebesar 1980.95. Sehingga untuk tingkat
pola ketiga, dan 8632.1 untuk pola keempat. Rata-rata
keakuratannya sebesar 97.38%. Untuk pola kedua,
dari tingkat keakuratan masing-masing pola adalah :
nilai error yang paling rendah adalah 2.01%, dengan
pola 1 sebesar 98.21%, pola kedua sebesar 98.38%,
nilai keluaran aktual sebesar 2042.74 dan nilai
pola ketiga sebesar 98.10%, dan pola keempat sebesar
keluaran hasil prediksi sebesar 2002.39. Sehingga
96.97%.
untuk tingkat keakuratannya sebesar 97.99%. Untuk
Berdasarkan penelitian untuk saham
pola ketiga, nilai error yang paling rendah adalah
Telekomunikasi Indonesia, hasil prediksi dengan
2.80%, dengan nilai keluaran aktual sebesar 2032.87
menggunakan pola keempatlah yang memiliki tingkat
dan nilai keluaran hasil prediksi sebesar 1986.31.
error yang paling rendah dibandingkan dengan pola-
Sehingga untuk tingkat keakuratannya sebesar 97.2%.
pola yang lain. Untuk pola pertama, nilai error yang
Sedangkan untuk pola keempat, nilai error yang
paling rendah adalah 1.60%, dengan nilai keluaran
paling rendah adalah 1.72%, dengan nilai keluaran
aktual sebesar 4209.9 dan nilai keluaran hasil prediksi
aktual sebesar 2070 dan nilai keluaran hasil prediksi
sebesar 4142.61. Sehingga untuk tingkat
sebesar 2034.95. Sehingga untuk tingkat
keakuratannya sebesar 98.40%. Untuk pola kedua,
keakuratannya sebesar 98.28%. Untuk rata-rata
nilai error yang paling rendah adalah 1.92%, dengan
tingkat keakuratan masing-masing pola berdasarkan
nilai keluaran aktual sebesar 4209.09 dan nilai
tabel diatas yaitu, pola pertama sebesar 97.15%, pola
keluaran hasil prediksi sebesar 4129.87. Sehingga
kedua sebesar 97.84%, pola ketiga sebesar 96.62%,
untuk tingkat keakuratannya sebesar 98.08%. Untuk
dan pola keempat sebesar 98.08%.
pola ketiga, terdapat tiga data dengan nilai error yang
Prediksi harga saham Astra International, untuk
paling rendah, yaitu 1.45%, dengan tingkat
pola pertama, hasil error terkecil adalah 0.35%,
keakuratan 98.55%. Sedangkan untuk pola keempat,
sehingga nilai keakuratannya adalah 99.35%. Nilai
terdapat dua data yang memiliki nilai error yang
tersebut diperoleh dari perbandingan antara hasil
paling rendah, yaitu 0.37%, sehingga untuk tingkat
keluaran aktual sebesar 8250 dengan hasil keluaran
keakuratannya sebesar 99.63%. Untuk rata-rata
prediksi sebesar 8156.24. Untuk pola kedua, hasil
tingkat keakuratan masing-masing pola berdasarkan
error terkecil adalah 0.39%, sehingga nilai
tabel diatas yaitu, pola pertama sebesar 98.14%, pola
keakuratannya adalah 99.61%. Nilai tersebut
kedua sebesar 97.79%, pola ketiga sebesar 98.31%,
diperoleh dari perbandingan antara hasil keluaran
dan pola keempat sebesar 99.48%.
aktual sebesar 8250 dengan hasil keluaran prediksi
sebesar 8217.58. Untuk pola ketiga, hasil error
terkecil adalah 0.92%, sehingga nilai keakuratannya
adalah 99.08%. Nilai tersebut diperoleh dari
perbandingan antara hasil keluaran aktual sebesar
8250 dengan hasil keluaran prediksi sebesar 8174.84.
Untuk pola keempat, hasil error terkecil adalah

141
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 2, (2017)

IV. KESIMPULAN DAFTAR PUSTAKA

Berdasarkan pembahasan aplikasi peramalan harga [1] Chauhan, Bhagwant. Bidave, Umesh.
saham menggunakan jaringan syaraf tiruan secara Gangathade, Ajit. Kale, Sachin., 2014,
supervised learning dengan algoritma “Stock Market Prediction using Artificial
backpropagation, maka dapat disimpulkan sebagai Neural Networks”. International Journal of
berikut : Computer Science and Information
1. Metode jaringan syaraf tiruan bersifat adaptif Technologies. Volume 5, No. 1.
untuk berusaha mencapai kestabilan proses output [2] Khan, Haider Zabir. Alin, Sharmin Tasnim.
yang diharapkan. Hal ini dikarenakan adanya Hussain, Akter. Md., May 2011, “Price
perubahan-perubahan bobot yang dilakukan pada Prediction of Share Market using Artificial
saat proses pembelajaran. Neural Network (ANN)”. International
2. Penentuan parameter-parameter jaringan yang Journal of Computer Applications. Volume
optimum hanya dapat dilakukan berdasarkan 22, No. 2.
proses pembelajaran dan penentuan besarnya [3] Kusumadewi, Sri.2003. Artificial
kesalahan sehingga lamanya waktu belajar tidak Intelligence (Teknik dan Aplikasinya).
dapat ditentukan secara pasti. Yogyakarta : Graha Ilmu.
3. Hasil penelitian menunjukkan rata-rata saham [4] Nugroho, Adi.2010.Rekayasa Perangkat
Astra Graphia yang telah diuji prediksi dengan Lunak Berorientasi Objek Dengan Metode
keempat pola, memiliki tingkat keakuratan USDP (Unified Software Development
tertinggi sebesar 98.28% jika dibandingkan Process). Yogyakarta : Andi.
dengan keluaran aktualnya. Sedangkan untuk rata- [5] Ramani, Prakash. Murarka, P.D. DR, April
rata saham Astra International, setelah diuji 2013, “Stock Market Prediction Using
prediksi memiliki tingkat keakuratan tertinggi Artificial Neural Network”. International
sebesar 99.61% dibandingkan dengan keluaran Journal of Advanced Researched in
aktualnya. Untuk saham Indofood Sukses Computer Science and Software
Makmur, memiliki nilai rata-rata tertinggi 99.22% Engineering. Volume 3, Issue 4.
setelah uji prediksi dengan empat pola jika [6] Samsul, Mohamad.2006.Pasar Modal dan
dibandingkan dengan keluaran aktualnya. Manajemen Portofolio. Jakarta : Erlangga.
Telekomunikasi Indonesia memiliki nilai rata-rata [7] Sianipar, R. H.2014. Pemrograman Visual
keakuratan tertinggi sebesar 99.68% jika Basic.Net.Bandung : Informatika.
dibandingkan dengan nilai keluaran aktualnya [8] Suprianto, Edi.2004. Penerapan Jaringan
setelah uji prediksi. Sehingga untuk uji prediksi Syaraf Tiruan Untuk Memprediksi Hrga
harga saham yang menggunakan jaringan syaraf Saham.Skripsi. Universitas Komputer
tiruan secara supervised learning dengan Indonesia.
algoritma backpropagation memiliki tingkat [9] Website:http://metodepengembangansistem.
keakuratan di atas 98% jika dibandingkan dengan blogspot.co.id/2015/02/sdlc-air-terjun-
aktualnya. waterfall-menurut rosa.html, diakses tanggal
4. Semakin banyak hidden layer, akan semakin 14 Nov 2016 9.30
akurat nilai dari keluaran prediksi, tetapi [10] Website:https://strategika.wordpress.com/2
menghasilkan waktu pembelajaran yang lama. 007/11/12/download-data-saham/, diakses
5. Semakin banyak epoch, akan menghasilkan tanggal 26 Des 2016 7.06
keakuratan yang semakin besar. Tetapi, jika epoch [11] Website:https://gedeiwan.wordpress.com/20
terlalu besar, akan terjadi saturasi pada system 13/03/20/cara-mencari-data-harga-saham-
jaringan syaraf tiruan, sehingga sistem menjadi di-website-yahoofinance/, diakses tanggal
tidak efektif. 26 Des 26 7.14
6. Semakin besar nilai learning rate, maka akan [12] Website:http://bayuprn.blog.uns.ac.id/jaring
semakin akurat hasil prediksinya, tetapi an-saraf-tiruan-dengan-visual-basic-
menghasilkan waktu pembelajaran yang lama. net.html, diakses tanggal 26 Des 2016 8.22
7. Pemberian nilai bias pertama kali sangat [13] Zekic, Marijana. MS, “Neural Network
berpengaruh terhadap keakuratan hasil prediksi. Application in Stock Market Predictions – A
Methodology Analysis”. University of Josip
Juraj Strossmayer in Osijek.

142