Prediksi IHSG dengan Backpropagation Neural Network
| Main Authors: | Santoso, Andy, Hansun, Seng |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
Ikatan Ahli Informatika Indonesia (IAII)
, 2019
|
| Subjects: | |
| Online Access: |
http://jurnal.iaii.or.id/index.php/RESTI/article/view/887 http://jurnal.iaii.or.id/index.php/RESTI/article/view/887/159 |
Daftar Isi:
- IDX Composite is a combination of all common stock and preferred stock which registered on Bursa Efek Indonesia (BEI). IDX Composite is often used by investor to predict the stock price to get profit. But, to predict the stock price is not easy, hence it yields a high risk to investor. This study offers the usage of backpropagation algorithm to minimize the risk. Backpropagation is a supervised algorithm and will be made in Python programming language, in this case, backpropagation will use and learn the past 5 days data to predict the outcome. Also, this study shows that backpropagation have a high accuracy which reflects in Mean Square Error Testing value of 320.49865083640924 to predict IDX Composite using 0.3 learning rate and 3000 epoch.
- Indeks Harga Saham Gabungan (IHSG) merupakan gabungan dari seluruh saham biasa dan saham preferen yang tercatat di Bursa Efek Indonesia (BEI). IHSG dapat dijadikan acuan oleh para investor untuk meramalkan harga saham sehingga mendapatkan keuntungan. Tetapi, untuk memprediksi harga saham kedepannya merupakan hal yang cukup sulit sehingga dapat menjadi suatu resiko bagi para investor, sehingga diperlukan suatu metode yang dapat meramalkan data IHSG untuk mengurangi resiko tersebut. Dalam penelitian ini, akan digunakan algoritma backpropagation yang merupakan algoritma pembelajaran tersupervisi yang dibangun dengan menggunakan bahasa pemrograman Python. Algoritma ini akan mempelajari data 5 (lima) hari sebelumnya dan akan digunakan untuk memprediksi harga kedepannya. Penelitian ini memiliki tingkat akurasi berupa MSE testing sebesar 320,49865083640924 dengan menggunakan learning rate 0,3 dan 3.000 epoch.