Hasil Review Jurnal Penerapan Jaringan Syaraf Tiruan:

Model Integrasi Jaringan Syaraf Tiruan dan Sistem Pakar Untuk

Pengambilan Keputusan Investasi Saham
Penulis: Aliq Zuhdi, Anna Maria Sri Asih, dan S B Sutono

Disusun Oleh:
Indri Claudia Magdalena M.
11/319926/TK/38944

PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
2014

Latar Belakang
Penerapan jaringan syaraf tiruan telah dilakukan di berbagai macam aspek. Manfaat serta
hasil dari pengimplementasiannya juga telah banyak dirasakan dalam membantu pekerjaan
manusia. Penerapan jaringan syaraf tiruan yang akan dibahas kali ini merupakan penerapannya
dalam bidang investasi saham.
Terdapat sifat yang perlu diperhatikan dalam melakukan investasi saham, yaitu sifat high
return dimana investasi ini memungkinkan pemodalnya untuk mendapatkan return lebih besar
dalam waktu yang relatif singkat. Sifat tersebut diikuti juga oleh sifat high risk karena penurunan
harga saham dapat terjadi secara cepat dan tidak terduga.
Maka perlu analisis yang tepat untuk melakukan gerakan dalam investasi untuk
mendapatkan hasil yang paling menguntungkan. Dalam paper ini analisis dilakukan dengan dua
pendekatan anlisis, yaitu analisis fundamental dan anlisis teknik. Dalam analisis fundamental
akan dilakukan perkiraan harga saham di masa mendatak dengan memfokuskan pada penilaian
terhadap kemampuan dan prospek perusahaan yang menyebabkan harga saham bergerak
naik/turun. Sedangkan analisis teknikal akan mencoba memperkirakan harga saham di waktu lalu
dan menitik-beratkan pada gerakan harga dan volume perdagangan, sehingga dapat diketahui
pada level harga berapa tindakan beli atau jual yang menguntungkan secara maksimal.
Dengan kedua analisis ini maka penelitian akan dikembangkan suatu sistem yang
menggabungkan keduanya dan mengaplikasikan sistem pakar serta jaringan syaraf tiruan sebagai
alat simulasi perencanaan strategi pengambilan keputusan investasi saham di bursa sehingga
keputusan yang diambil merupakan keputusan yang tepat dan menguntungkan. Keputusan akhir
yang menjadi alternatif rekomendasi terdapat 9 butir, yaitu beli (buy on long), beli bertahap, jual
sekarang (cut loss), jual bertahap (long covering), tahan untuk tidak membeli dahulu , tahan
untuk tidak menjual dahulu, one day trading, short selling, dan tidak melakukan investasi.

Tujuan Pengaplikasian Jaringan Syaraf Tiruan

1. Untuk membuat prototype sistem cerdas untuk konsultasi analisis investasi saham.
2. Sebagai alat bantu untuk melakukan perencanaan strategi pengambilan keputusan investasi
yang tepat untuk meminimasi resiko ketidakpastian saham yang ada di bursa efek.

Arsitektur Jaringan dan Learning Algorithm

Jaringan syaraf tiruan yang digunakan dalam penyelesaian masalah ini adalah
backpropagation dengan input berupa data teknikal, yaitu data harga saham yang diambil dari
BEJ dan merupakan data transaksi setiap hari selama 255 hari. Parameter yang digunakan adalah
closing price, highest price, lowest price, volume perdagangan, dan stock index individual.

Tabel 1. Learning Algorithm JST

Karakteristik

Spesifikasi

Arsitektur Jaringan

1 hidden layer

Unit neuron lapisan input

Unit neuron hidden layer

10-50

Unit neuron output

Inisialisasi Bobot

Nguyen-Widrow

Fungsi Aktivasi

Sigmoid

Fungsi Pelatihan

Metode Levenberg-Marquardt

Learning Rate

0.1, 0.2, dan 0.3

Momentum

0.9

Jumlah Iterasi (Epoch)

1000

Toleransi (Error Goal (MSE))

0.01

Desain Proses Penerapan JST

Dalam kasus ini, proses yang menerapkan JST adalah Proses Prediksi. Proses ini
mengimplementasikan JST backpropagation dengan penyesuaian bobot menggunakan metode
Levenberg-Marwuartd. Keluaran yang diharapkan adalah berupa trend pola perubahan harga,
yaitu prediksi harga penutupan selama 40 hari mendatang, yang nantinya akan menjadi input
pada sistem pakar untuk diolah dan dicari titik temunya dengan analisis fundamental untuk
mendapatkan suatu keputusan akhir.
Tabel 2. Perbandingan Hasil Pengujian JST dengan hidden neuron 10 50 unit (Learning rate =
0.1)
Jumlah Hidden Neuron

10 unit

20 unit

30 unit

40 unit

50 unit

Rata-rata APE

3,88%

3,81%

3,87%

4,00%

4,04%

MSE Pelatihan

0,0083

0,0069

0,0090

0,0075

0,0072

Epoch

Tabel 3. Perbandingan Hasil Pengujian JST dengan hidden neuron 10 50 unit (Learning rate =
0.2)
Jumlah Hidden Neuron

10 unit

20 unit

30 unit

40 unit

50 unit

Rata-rata APE

3,56%

3,72%

3,58%

3,49%

3,61%

MSE Pelatihan

0,0069

0,0092

0,0091

0,00726

0,009

Epoch

Tabel 4. Perbandingan Hasil Pengujian JST dengan hidden neuron 10 50 unit (Learning rate =
0.3)
Jumlah Hidden Neuron

10 unit

20 unit

30 unit

40 unit

50 unit

Rata-rata APE

3,07%

3,48%

4,87%

4,78%

4,03%

MSE Pelatihan

0,0059

0,0066

0,0098

0,0098

0,0077

Epoch

JST dapat mencapai MSE yang diinginkan untuk konvergensi pada semua jumlah hidden
neuron. Jaringan mengalami kesalahan terkecil saat hidden neuron sebanyak 10 unit yaitu
sebesar 3,07%. Berdasarkan hasil tersebut, maka struktur untuk implementasi proses prediksi
jumlah hidden neuron yang akan digunakan untuk proses selanjutnya adalah 10 unit dengan
learning rate 0.3.

Kesimpulan
-

Dari pengujian jaringan syaraf tiruan diperoleh presentase kesalahan terkecil adalah 3,07%
yang berarti memiliki akurasi 96,92%. Hasil tersebut terjadi pada konvergensi jaringan
dengan nilai MSE pelatihan 0.01 dengan learning rate 0.3 dan 10 unit lapisan hidden
neuron dengan metode penyesuaian bobot Levenberg-Marquartd.

Output JST dengan data masukan berupa pelatihan matrik 5 x 255 menunjukkan trend
pergerakan perubahan harga untuk rentang 40 hari ke depan (pada masa itu) yang cenderung
naik.

Hasil akhir dari seluruh pengujian dalam paper ini adalah merekomendasikan keputusan beli
(Buy on long) yang sesuai dengan kondisi nyata yang memang telah terjadi.

Saran
-

Melakukan perhitungan keseluruhan dengan mengaplikasikan Jaringan Syaraf Tiruan

tanpa harus menggunakan tools bantuan lainnya.

Mengembangkan sistem fuzzy dalam pengklasifikasian data dan dalam pembuatan rules
set-nya.