Peramalan Harga Saham Dengan Menggunakan Jaringan Saraf Tiruan (Artificial Neural Networks)

Kartikoadi, Wahyu (2003) Peramalan Harga Saham Dengan Menggunakan Jaringan Saraf Tiruan (Artificial Neural Networks). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2501201037-Master_Thesis.pdf Restricted to Repository staff only Download (12MB)

Abstract

Investasi dalam bentuk saham lazim dilakukan saat ini. Penghasilan yang diharapkan pelaku investasi saham tersebut secara mayoritas adalah capital gain atau pendapatan yang diperoleh dari selisih harga beli dan jual sejumlah saham yang dimiliki. Hal inilah yang menyebabkan proses peramalam nilai saham sangat penting dalam investasi saham. Berbagai macam metode peramalan harga saham telah dikembangan dan diterapkan oleh pelaku pasar saham. Metode peramalan tersebut sebagian besar mengadopsi konsep-konsep statistik untuk mengidentifikasi pola (trend) pergerakan harga saham pada masa yang telah lewat untuk meramalkan harga saham pada masa yang akan datang. Dalam penelitian ini, jaringan saraf tiruan digunakan untuk meramalkan harga saham. Jaringan saraf tiruan memiliki beberapa kelebihan dibandingkan dengan metode tradisional lainnya, yaitu kemampuan untuk belajar, menyesuaikan dengan kondisi yang berbeda-beda dengan algoritma pembelajarannya dan kemampuan untuk memproses input jamak. Hasil dari penelitian ini menunjukkan bahwa Jaringan saraf tiruan mampu menghasilkan dua model peramalan dengan besar error 1% dari proses pembelajarannya. Model peramalan yang dihasilkan menggunakan arsitektur multi- layer feedforward, dengan dua dan tiga hidden layer yang masing-masing mempunyai tujuh node proses. Masing-masing model mempunyai empat node input dan satu node output dengan algoritma backpropagation sebagai metode pembelajarannya. Nilai dari konstanta kecepatan belajar yang digunakan adalah 0.06 dengan nilai momentum 0.7. Dari hasil perbandingan dengan data aktual pada bagian testing, nilai error yang diperoleh barada antara 0.71% dan 16.06%. Kondisi ini mengindikasikan kurang mencukupinya akomodasi dari variabel input yang digunakan. Untuk penelitian selanjutnya, konsentrasi pada studi tentang variabel input sangat direkomendasikan.
======================================================================================================================================
The stock exchange market investment is commonly done at recent time. In majority, the most expected profit by investors is capital gain or profit from the differences between buying price and selling price. This makes the stock price forecasting is very important. Some forecasting methods are being developed and applied by investors. These usually adopt static concepts to identify the trend of stock price movement at the past time in order to forecast the future price. In this research, an artificial neural network method is applied to forecast the price of particular stock. An artificial neural network has several advantages compare to other traditional methods, such as learning ability, fitting to the new condition with some learning algorithm and ability to processes multi-input data. This research shows that an artificial neural network can build two forecasting models with 1% error in learning section. These models are using multilayer feedforward architecture, with two and three hidden layers which has seven process nodes each. Both of these models have four input nodes, one output node and using backpropagation learning algorithm. The learning rate value is 0.06 and momentum value is 0.7. In the testing section, it found that the error values compare to actual price are laying between 0.71% and 16.06%. This indicates that the input variable accomodation doesn’t good enough. For the next research, focusing on the input variable study is highly recommended.

Item Type:	Thesis (Masters)
Additional Information:	RTI 006.32 Kar p 2003 3100004019247 (WEEDING)
Uncontrolled Keywords:	peramalan, harga saham, jaringan saraf tiruan, pembelajaran, algoritma pembelajaran, forecasting, stock price, artificial neural network, learning rule, learning algorithm.
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.27 Business forecasting
Divisions:	Faculty of Industrial Technology > Industrial Engineering > 26101-(S2) Master Thesis
Depositing User:	Anis Wulandari
Date Deposited:	12 Feb 2026 04:35
Last Modified:	12 Feb 2026 04:35
URI:	http://repository.its.ac.id/id/eprint/132384

Actions (login required)

View Item