Peramalan Indeks Harga Saham Gabungan Indonesia (IHSG) Dengan Metode Radial Basis Function Neural Network

Hakim, Fauzul (2023) Peramalan Indeks Harga Saham Gabungan Indonesia (IHSG) Dengan Metode Radial Basis Function Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06311840000034-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (1MB) | Request a copy

Abstract

Peramalan Indeks Harga Saham Gabungan dianggap sebagai salah satu aspek terpenting dalam pengelolaan dana investasi. Permasalahan untuk mendapatkan metode yang andal dalam peramalan indeks harga saham gabungan telah banyak dibahas oleh penelitian sebelumnya. Salah satu metode peramalan adalah time series. Time series merupakan serangkaian data yang dikumpulkan secara berurutan. Metode peramalan yang akan digunakan pada penelitian ini adalan Artificial neural network, yaitu berfokus pada metode Radial Basis Function Neural Network (RBFNN). Dalam penelitian ini akan menggunakan variabel Indeks Dow Jones, Indeks Nikkei 225, Kurs USD sebagai variabel input dan Indeks Saham Gabungan Indonesia sebagai variabel output. Diharapkan dengan adanya penelitian ini dapat menambah wawasan tentang Indeks Harga Saham Gabungan dan dapat digunakan sebagai acuan dalam berinvestasi. Hasil penelitian menunjukkan bahwa model model yang terbaik dengan menggunakan metode Radial Basis Function Neural Network (RBFNN) yaitu dengan menggunakan 4 neuron pada input layer, 6 neuron pada hidden layer, dan 1 neuron pada output layer (4-6-1). Prediksi nilai Indeks Harga Saham Gabungan (IHSG) untuk 10 hari mendatang adalah sebagai berikut : 6014,8862 untuk hari pertama, 6014,8885 untuk hari kedua, 6014,8886 untuk hari ketiga, 6015,1451 untuk hari keempat, 6054,812 untuk hari kelima, 6063,39653 untuk hari keenam, 6085,893 untuk hari ketujuh, 6117,241 untuk hari kedelapan, 6116,342949 untuk hari kesembilan, dan 6089,910865 untuk hari kesepuluh.
=====================================================================================================================================
Forecasting the Composite Stock Price Index is considered as one of the most important aspects in managing investment funds. The problem of obtaining a reliable method for forecasting the composite stock price index has been widely discussed by previous studies. One of the forecasting methods is time series. Time series is a series of data collected sequentially. The forecasting method that will be used in this research is Artificial neural network, which focuses on the Radial Basis Function Neural (RBFNN) method. In this study, the Dow Jones Index, Nikkei 225 Index, USD Exchange rate as input variables and the Indonesian Composite Index as output variables will be used. It is hoped that this research can add insight into the Composite Stock Price Index and can be used as a reference in investing. The results showed that the best model was using the Radial Basis Function Neural Network (RBFNN) method, namely by using 4 neurons in the input layer, 6 neurons in the hidden layer, and 1 neuron in the output layer (4-6-1). The predicted value of the Composite Stock Price Index (IHSG) for the next 10 days is as follows : 6014.8862 for the first day, 6014.8885 for the second day, 6014.8886 for the third day, 6015.1451 for the fourth day, 6054.812 for the fifth day, 6063.39653 for the sixth day, 6085.893 for the seventh day, 6117 .241 for the eighth day, 6116.342949 for the ninth day, and 6089.910865 for the tenth day.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Composite Stock Price Index, Forecasting, Radial basis function neural network (RBFNN), Time series, Indeks Harga Saham Gabungan, Peramalan, Radial basis function neural network (RBFNN), Time series.
Subjects:	H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models. Q Science > QA Mathematics Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Fauzul Hakim
Date Deposited:	17 Jan 2024 08:47
Last Modified:	17 Jan 2024 08:47
URI:	http://repository.its.ac.id/id/eprint/102147

Actions (login required)

View Item