DISUSUN OLEH :
KELOMPOK 4 :
1. Auliya Shofi
17919007
2. Fitri Handayani 17919012
MAGISTER AKUNTANSI
PROGRAM PASCA SARJANA FAKULTAS EKONOMI
UNIVERSITAS ISLAM INDONESIA
2018/2019
BAB I
PENDAHULUAN
seseorang atau badan dalam suatu perusahaan atau perseroan terbatas. Wujud
saham adalah selembar kertas yang menerangkan bahwa pemilik kertas tersebut
perusahaan tersebut (Darmadji dan Fakhruddin, 2001). Peran pasar saham dalam
satu pilihan modal yang sah. Banyak faktor yang mempengaruhi kestabilan
pasar saham sebagai sebuah instrumen dasar dan indikator dalam keuangan.
Pergerakan pasar saham selalu berubah-ubah setiap hari dan merupakan kegiatan
yang lumrah dilakukan saat ini termasuk di dunia industri. Peramalan saham
dalam dunia industri perlu dilakukan mengingat rumitnya dan banyaknya faktor
sebuah kegiatan prediksi yang menantang pada kasus peramalan runtun waktu
modern. Peramalan runtun waktu adalah jenis peramalan yang menggunakan data
historis pada waktu lampau untuk memprediksi masa mendatang. Terdapat banyak
metode kuantitatif dalam peramalan runtun waktu, Subanar dan Suhartono (2005)
membagi metode dalam peramalan runtun waktu menjadi dua, yaitu metode
sederhana dan metode yang kompleks. Termasuk dalam metode kompleks ini
sistem. Dengan mendeteksi pola dan kecenderungan data time series, kemudian
memprediksi data yang akan datang. Model dengan akurasi yang tinggi akan
menyebabkan nilai prediksi indeks harga saham gabungan cukup valid untuk
yang ada pada materi Jaringan Syaraf Tiruan (JST). Pengembangan model
bobot dan bias yang akan digunakan serta meramalkan indeks saham. Dengan
mengoptimasi bobot maka tingkat kesalahan atau error (mean square error) yang
didapat semakin kecil, artinya nilai peramalan semakin baik merepresentasikan
nilai aktualnya.
1.3 Tujuan
BAB II
Landasan Teori
2.1. Definisi DSS
Decision support systems (DSS) atau bisa juga disebut sistem pendukung
informasi yang dihasilkan dari berbagai sistem informasi terkait yang terlibat
dalam proses bisnis organisasi, seperti sistem automatis kantor, sistem pemrosesan
pembuatan keputusan namun tidak harus memberikan keputusan itu sendiri. Para
Jenis Keputusan DSS ada dua jenis yaitu keputusan terprogram dan tidak
pekerjaan rutin umum, dimana keputusan ini telah diambil beberapa kali dan
Keputusan yang tidak terprogram terjadi dalam situasi yang tidak biasa dan tidak
ditangani, jadi: (1) Itu akan menjadi keputusan baru. (2) Tidak akan ada peraturan
yang harus diikuti. (3) Keputusan ini dibuat berdasarkan informasi yang tersedia.
(4) Keputusan ini didasarkan pada kebijaksanaan, naluri, persepsi dan penilaian
yang tepat untuk sistem ini. Laporan dibuat dengan cepat. Atribut DSS (Decision
hasil.
c. Choice: Membuat solusi untuk model-model yang digunakan, menguji
solusi yang didapat “ diatas kertas “, memilih alternatif dan tindakan yang
berbeda.
4. DSS menyediakan dukungan ke berbagai keputusan yang berurutan atau
saling berkaitan.
5. DSS mendukung berbagai fase proses pengambilan keputusan: intelligence,
untuk membuat DSS selalu bisa menangani perubahan ini. DSS adalah
ini memberikan analisis yang tepat waktu dan cepat setiap saat.
8. DSS mencoba untuk meningkatkan efektivitas dari pengambilan keputusan
(akurasi, jangka waktu, kualitas), lebih daripada efisiensi yang bisa diperoleh
yang lebih besar dapat dibangun dalam organisasi pengguna tadi dengan
(IS).
10. DSS biasanya mendayagunakan berbagai model (standar atau sesuai
memberikan solusi yang efisien dan efektif dari berbagai masalah yang pelik.
Model Base dan Software System/User Interface. Komponen SPK tersebut dapat
dalam suatu basis data. Data yang merupakan suatu sistem pendukung
dan alternatif. Jika ada n alternatif keputusan dari suatu masalah, maka alternatif-
P = {P1, P2, P3 }.
menjadi struktur hirarki. Struktur hirarki permasalahan dapat dilihat pada gambar
berikut ini :
melalui kriteria yang ada pada Level 2 (pada level ini jumlahnya tidak
dibatasi).
Garis - garis yang menghubungkan kotak - kotak antar level merupakan
2.6. Saham
Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan
dalam suatu perusahaan atau perusahaan terbatas. Wujud saham berupa selembar
tersebut. Otak manusia berisi berjuta-juta sel saraf yang bertugas untuk
Sel syaraf biologis atau disebut juga Neuron memiliki tiga komponen penyusun
yang saling bekerja sama untuk mengolah sinyal-sinyal informasi. Tiga komponen
tersebut adalah dendirt, soma atau badan sel dan axon seperti tampak pada
pendek dan berjumlah lebih dari satu ini bertugas menerima sinyal dari neuron
lain. Sinyal listrik ini dilewatkan melalui celah sinapsis (sianapsis gap) yang pada
Gambar 2 : Neuron
2.7.2. Struktur jaringan saraf tiruan
JST disusun oleh elemen – elemen pemroses yang berada pada lapisan-
lapisan yang berhubungan dan diberi bobot. Dengan serangkaian inputan diluar
sistem yang diberikan kepadanya jaringan ini dapat memodifikasi bobot yang
harga keluaran dari satu ataupun banyak masukan. Struktur jaringan akan
dari sel lain atau dari inputan luar (bukan dari neuron). Selanjutnya setiap inputan
(1)
dan hasil persamaan tersebut akan menjadi masukan bagi fungsi aktivasi untuk
(2)
Pada umumnya sinyal fungsi aktivasi yang dikeluarkan tiap neuron berbeda,
hal ini dikarenakan berbedanya nilai bobot yang diterima tiap neuron berbeda.
Pemodelan jaringan pada syaraf tiruan sering dikategorikan menjadi tiga yaitu :
Single layer, multi layer dan competitve layer. Namun pada pembahasan kali ini
hanya akan dibahas single layer dan multi layer, karena mengingat kaidah
pada lapisan (Layer) yang sama atau dapat kita sebut neuron mempunyai tingkah
laku yang sama untuk pemrosesan sinyal data. Hanya hal terpenting yang perlu
masing unit pada lapisan tersebut dan pola koneksi pembobot antar lapisan.
Namun biasanya unit pada lapisan yang sama mempunyai jenis fungsi aktifasi
yang sama dan pola koneksi pembobot yang sama pula. Untuk pemilihan jumlah
layer bukan berarti pemilihan layer untuk neuron, namun pemilihan layer untuk
penghubung jalur pembobot antar neuron. Jadi variabel terpenting untuk
pada setiap layer. Ada dua jenis pelatihan dalam sistem Jaringan Syaraf Tiruan,
yaitu:
1. Supervised Learning.
Dalam proses pelatihan ini, jaringan dilatih dengan cara diberikan data-
data yang disebut training data yang terdiri atas pasangan input-output yang
memory dapat mengingat suatu pola. Jika jaringan diberi input baru, jaringan
dapat menghasilkan output seperti yang diharapkan berdasarkan pola yang sudah
ada.
2. Unsupervised Learning.
Dalam proses pelatihan ini, jaringan dilatih hanya dengan diberi data input
Peramalan yang sering dilakukan adalah peramalan nilai tukar valuta asing,
peramalan cuaca dan lain-lain. Secara umum peramalan yang dapat dilakukan
oleh Jaringan Syaraf Tiruan adalah peramalan runtut waktu (time series) sebagai
input dan target dari output yang diinginkan pada proses pelatihan adalah data
periode sebelum tahun yang akan diramal, data tersebut digunakan untuk
menentukan bobot yang optimal. Setelah bobot optimal didapatkan dari proses
pelatihan, bobot-bobot tersebut digunakan untuk menentukan nilai peramalan jika
sistem diuji oleh data yang pernah masuk dalam sistem peramalan. Tiga metode
berikut:
1. Input data saham periode sebelumnya
2. Data akan diproses melalui 2 tahap, yaitu tahap pelatihan dan tahap pengujian
3. Output akan didapatkan berupa harga saham yang diprediksi
BAB III
PEMBAHASAN
untuk saham tertentu, indeks saham, atau aset keuangan lainnya, dan sering sangat
tergantung pada input yang telah dipilih sebelumnya dan model parameter yang
mengarah ke model perdagangan rinci yang menyediakan cara yang lebih efektif
dan cerdas untuk mengenali sinyal perdagangan dan membantu investor dengan
pendekatan yang adaptif, multiple input dan pemodelan teknik yang digunakan,
adaptif dikembangkan.
optimasi dan Jaringan Syaraf Tiruan untuk memprediksi arah masa depan gerakan
indeks saham. Analisis teknis telah banyak digunakan dalam sistem perdagangan,
para peneliti sering berfokus pada urutan harga dan pola, dengan beberapa bentuk
analisis saham atau indeks. Model adaptif yang diusulkan unik yang
jaringan terbaik.
Jaringan Syaraf Tiruan, yang sering sangat sensitif terhadap pemilihan masukan
dan pengaturan parameter, dengan menyesuaikan model sesuai indeks saham yang
indeks saham pilihan, adaptasi dan fleksibilitas dari sistem yang diusulkan untuk
membuatnya berlaku untuk situasi kehidupan nyata, tanpa kerugian dari mencoba
untuk mengembangkan sistem baru setiap kali input data dan/atau perubahan
output yang diinginkan. Selain memprediksi harga indeks saham, kekuatan sistem
yang diusulkan adalah bahwa system tersebut menghasilkan sinyal trading dengan
memprediksi arah harga indeks saham. Tidak seperti banyak sistem tradisional
lain yang mencoba untuk memperkirakan tingkat indeks atau harga saham,
pelatihan arah hasil harga indeks saham di jaringan yang kurang kompleks,
memungkinkan untuk lebih cepat sistem pelatihan dan akurasi pengujian yang
layak untuk aplikasi real-time, tidak seperti sistem yang lebih rumit lainnya.
Simulasi dan evaluasi pada indeks saham sampel menunjukkan bahwa
dibandingkan dengan yang dicapai mengikuti strategi beli dan tahan. Penggunaan
ini terbatas pada penggunaan indikator dan pola teknis sebagai masukan.
Meskipun ini mungkin menawarkan keuntungan bagi indeks pasar saham yang
diuji, studi tambahan dapat dilakukan untuk lebih menyoroti ketahanan model. Ini
mungkin juga berlaku untuk periode waktu yang diteliti. Beberapa model,
terutama yang menggunakan input teknis, secara inheren berkinerja lebih baik di
pasar yang sedang tren (pasar bull atau bear), dibandingkan dengan pasar
selama periode pemeriksaan. Dalam kinerja model kasus penelitian ini hanya
dipertanyakan (2010) tidak berada dalam tren bullish atau bearish yang
untuk menggunakan sistem yang diusulkan untuk kelas aset dan jenis sekuritas
dipertimbangkan. Selain itu, kontrak valuta asing merupakan kandidat yang baik
untuk analisis masa depan mengingat pentingnya menggunakan analisa teknikal
saat memperdagangkan kelas aset ini, dan juga memiliki kemampuan untuk
menerima sinyal perdagangan posisi pendek. Kedua, bentuk input lainnya selain
indikator dan pola analisis teknis umum dapat dipertimbangkan, seperti data
makroekonomi, terutama jika periode pengujian yang lebih lama (selain harian)
data keuangan, seperti jaringan syaraf probabilistik, jaringan syaraf tiruan umum,
digunakan untuk lebih menyoroti masukan sistem yang paling penting dan
jaringan.
A. Kelebihan
keputusan (DSS) yang berbasis pada metode jaringan saraf tiruan, memudahkan
membeli saham dengan cepat dan tepat. Hal ini sesuai dengan tujuan dari DSS itu
lebih akurat dari pada menggunakan metode yang lain. Dengan mengambil
sampel campuran antara indeks saham skala kecil, menengah, dan besar dari
indeks baik domestik maupun internasional, membuat penelitian ini lebih akurat
jika diterapkan dalam dunia pasar modal yang sesungguhnya.
B. Kekurangan
hidden layer, menetapkan jumlah neuron dalam hidden layer, penetuan besarnya
learning layer rate serta menerapkan teknik pembelajaran pada jaringan yang
direncanakan.
BAB IV
PENUTUP
4.1. KESIMPULAN
Berdasarkan pembahasan aplikasi peramalan harga saham menggunakan
pembelajaran.
2. Penentuan parameter-parameter jaringan yang optimum hanya dapat
pasti.
4.2 . SARAN
Semakin banyak hidden layer, akan semakin akurat nilai dari keluaran
bobot jaringan syaraf tiruan, akan menghasilkan keakuratan yang semakin besar.
Tetapi, jika bobot jaringan syaraf tiruan terlalu besar, akan terjadi saturasi pada
system jaringan syaraf tiruan, sehingga sistem menjadi tidak efektif. Semakin
besar nilai learning rate, maka akan semakin akurat hasil prediksinya, tetapi
menghasilkan waktu pembelajaran yang lama Pemberian nilai biasa pertama kali
DAFTAR PUSTAKA
Chiang, Enke, & Tong Wu, 20 April 2016, “An Adaptive Stock Index Trading
Decision Support System”, Expert Systems with Aplication, Elsevier.
Turban, Sharda, & Delen. 2011. Decision Support and Business Intelligence
Systems. 9nd ed. Pearson Education Australia. Melbourne