“Pelatihan Feedforward Neural Network Menggunakan Particle Swarm Optimization untuk Peramalan Harga Saham
| Main Authors: | Amalia, Fildzah, Imam Cholissodin, S.Si., M.Kom, Arief Andy Soebroto, S.T., M.Kom. |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/194687/1/0520150168-Fildzah%20Amalia.pdf http://repository.ub.ac.id/id/eprint/194687/ |
Daftar Isi:
- Saham merupakan salah satu bentuk investasi. Berinvestasi saham juga sangat fleksibel, para investor dapat menjual sahamnya kapan saja baik sebagian ataupun seluruh sahamnya. Tingginya potensi imbal hasil atau return yang ditawarkan membuat saham menjadi begitu terkenal dikalangan para ivestor. Namun, tingkat partisipasi masyarakat Indonesia dalam berinvestasi di pasar saham masih sangat rendah. Jumlah investor yang tercatat di Bursa Efek Indonesia (BEI) yaitu sekitar 0,2% penduduk Indoensia yang menjadi investor di pasar saham. Hal ini dikarenakan kurangnya edukasi mendalam tentang apa dan bagaimana sebenarnya investasi saham tersebut. Harga saham yang fluktuatif juga merupakah salah satu faktor orang enggan menjadi investor saham. Oleh karena itu, investasi pada saham memerlukan analisis yang bagus agar para investor dapat mengetahui kapan harus menjual ataupun membeli saham agar dapat meningkatkan keuntungan, salah satunya dengan cara meramalkan harga saham dari waktu ke waktu sehingga harga saham yang akan datang dapat diramalkan dengan melakukan analisis teknis. Pada penelitian ini, peramalan dilakukan dengan menggunakan salah satu metode jaringan saraf tiruan yaitu Feedforward Neural Network (FFNN) yang dilatih menggunakan metode Particle Swarm Optimization (PSO). Algoritme PSO dianggap mampu menggantikan algoritme Backpropagation dalam melatih jaringan. Tingkat error hasil peramalan dihitung menggunakan Mean Absolute Percentage Error (MAPE). Pada pengujian dihasilkan nilai MAPE terkecil sebesar 1,793% dan nilai fitness sebesar 0.98239 dengan 4 input layer, 2 hidden layer, dan 1 output layer pada arsitektur jaringannya. Pengujian dilakukan menggunakan data harga saham Bank Central Asia (BCA) dari tanggal 01 Januari 2017 sampai dengan 30 September 2019 dengan menguji sebanyak 196 data uji dengan 460 data latih.