DECISION SUPPORT SYSTEMS

Sistem Pengambilan Keputusan pada Perdagangan Indeks Saham

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

1.1. Latar Belakang

Saham dapat didefinisikan sebagai tanda penyertaan atau kepemilikan

seseorang atau badan dalam suatu perusahaan atau perseroan terbatas. Wujud

saham adalah selembar kertas yang menerangkan bahwa pemilik kertas tersebut

adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi

kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan di

perusahaan tersebut (Darmadji dan Fakhruddin, 2001). Peran pasar saham dalam

perekonomian di Indonesia saat ini melembaga. Pembelian saham menjadi salah

satu pilihan modal yang sah. Banyak faktor yang mempengaruhi kestabilan

sebuah sistem industri dalam suatu organisasi, termasuk masalah keuangan

dimana salah satunya adalah mengenai pergerakan pasar saham.

Lakshminarayanan dan Hammad et al (2005) mengatakan tentang pentingnya

pasar saham sebagai sebuah instrumen dasar dan indikator dalam keuangan.

Pergerakan pasar saham selalu berubah-ubah setiap hari dan merupakan kegiatan

yang penting serta sangat sulit dilakukan (Tan, 1995).

Kegiatan memprediksi pergerakan pasar saham adalah merupakan suatu hal

yang lumrah dilakukan saat ini termasuk di dunia industri. Peramalan saham

dalam dunia industri perlu dilakukan mengingat rumitnya dan banyaknya faktor

yang mempengaruhi nilai instrumen keuangan tertentu (Lakshminarayanan,

2005). Fok, et al (2008) mengatakan bahwa memprediksi harga saham adalah

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

adalah Jaringan Syaraf Tiruan. Prediksi harga saham yang dilakukan

menggunakan Jaringan Syaraf Tiruan (JST) multilayer feedforward network

dengan algoritma backpropagation. JST merupakan alat alternatif atraktif bagi

peneliti maupun praktisi (Guokiang,dan Eddy, 1998).

Dalam memprediksi indeks harga saham seringkali dikaitkan dengan proses

peramalan (forecasting) suatu nilai karakteristik tertentu pada periode kedepan,

melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku

sistem. Dengan mendeteksi pola dan kecenderungan data time series, kemudian

memformulasikannya dalam suatu model, maka dapat digunakan untuk

memprediksi data yang akan datang. Model dengan akurasi yang tinggi akan

menyebabkan nilai prediksi indeks harga saham gabungan cukup valid untuk

digunakan sebagai pendukung dalam proses pengambilan keputusan. Pada proses

pengambilan keputusan juga dapat di lakukan atas bantuan suatu aplikasi

komputer dengan menggunakan metode backpropagation dari salah satu metode

yang ada pada materi Jaringan Syaraf Tiruan (JST). Pengembangan model

Jaringan Syaraf Tiruan dengan metode backpropagation dapat mengoptimasi

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.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka dapat diambil rumusan

masalah sebagi berikut:

1. Bagaimana proses pemodelan metode Jaringan Syaraf Tiruan (JST)

untuk meprediksi pergerakan indeks saham ?

2. Bagaimana keakuratan menggunakan metode Jaringan Syaraf Tiruan

(JST) untuk memprediksi indeks Saham ?

1.3 Tujuan

Berdasarkan rumusan masalah, maka dapat diuraikan tujuan sebagai berikut:

1. Mengetahui proses pemodelan metode Jaringan Syaraf Tiruan (JST)

untuk memprediksi pergerakan Saham.

2. Mengetahui keakuratan menggunakan metode Jaringan Syaraf

Tiruan (JST) untuk memprediksi indeks saham.

BAB II

Landasan Teori
2.1. Definisi DSS

Decision support systems (DSS) atau bisa juga disebut sistem pendukung

keputusan adalah sistem berbasis software yang dimaksudkan untuk membantu

manajer dalam pengambilan keputusan dengan mengakses sejumlah besar

informasi yang dihasilkan dari berbagai sistem informasi terkait yang terlibat

dalam proses bisnis organisasi, seperti sistem automatis kantor, sistem pemrosesan

transaksi, dll. DSS menggunakan ringkasan informasi, pengecualian, pola, dan

tren menggunakan model analisis. Sistem pendukung keputusan membantu dalam

pembuatan keputusan namun tidak harus memberikan keputusan itu sendiri. Para

pengambil keputusan mengumpulkan informasi yang berguna dari data mentah,

dokumen, pengetahuan pribadi, dan / atau model bisnis untuk mengidentifikasi

dan memecahkan masalah dan membuat keputusan.

Jenis Keputusan DSS ada dua jenis yaitu keputusan terprogram dan tidak

terprogram. Keputusan terprogram pada dasarnya adalah proses otomatis,

pekerjaan rutin umum, dimana keputusan ini telah diambil beberapa kali dan

keputusan ini mengikuti beberapa panduan atau peraturan. Misalnya, memilih

tingkat pemesanan ulang untuk persediaan, adalah keputusan terprogram.

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

palungan. Misalnya, berinvestasi dalam teknologi baru adalah keputusan yang

tidak terprogram. Sistem pendukung keputusan umumnya melibatkan keputusan

yang tidak terprogram. Oleh karena itu, tidak akan ada laporan, isi, atau format

yang tepat untuk sistem ini. Laporan dibuat dengan cepat. Atribut DSS (Decision

Support System) dan keuntungan DSS adalah diantaranya Kemampuan

beradaptasi dan fleksibel, Tingkat Interaktivitas yang tinggi, Kemudahan

penggunaan, Efisiensi dan efektivitas, Kontrol penuh oleh pengambil keputusan,

Kemudahan pengembangan, Dukungan untuk pemodelan dan analisis, Dukungan

untuk akses data, dan Standalone, terpadu, dan berbasis web

2.2. Tahap Pengambilan Keputusan

Dalam memproses pengambilan keputusan tidak bisa ditentukan sekaligus

tetapi dilaksanakan melalui beberapa tahapan. Pada dasarnya, pengambilan

keputusan dilakukan melalui empat tahap, yaitu :

a. Intelligence : Mempelajari realitas, identifikasi dan mendefinisikan

masalah. Kegiatannya meliputi mempelajari tujuan, mengumpulkan data,

dan mengidentifikasi, mengelompokkan, dan mendefinisikan masalah.

b. Design : Membangun model-model yang mewakili sistem, menvalidasi

model, dan menentukan kriteria evaluasi alternatif-alternatif tindakan yang

sudah diidentifikasi dengan cara membuat formulasi model, menentukan

kriteria pemilihan, mencari alternatif-alternatif, perkiraan dan pengukuran

hasil.
c. Choice: Membuat solusi untuk model-model yang digunakan, menguji

solusi yang didapat “ diatas kertas “, memilih alternatif dan tindakan yang

paling memungkinkan dengan cara membuat solusi untuk model,

membuat analisis sensitivitas, memilih alternatif terbaik, merencanakan

implementasi dan merancang sistem kendali.

 d. Implementation : Menerapkan solusi yang sudah diputuskan untuk dipilih

dan melihat sejauh mana solusi tersebut dapat menyelesaikan masalah

seperti yang diharapkan atau yang menjadi sasaran semula.

2.3. Karateristik dan kemampuan Decision Support System

Berikut ini akan dibahas mengenai karakteristik dan kemampuan kinerja

dari DSS atau Decision Support System, antara lain yaitu :

1. DSS menyediakan dukungan bagi pengambil keputusan utamanya pada

situasi semi-terstruktur dan tak terstruktur dengan memadukan pertimbangan

manusia dan informasi terkomputerisasi.

2. Dukungan disediakan untuk berbagai level manajerial yang berbeda, mulai

dari pimpinan puncak sampai manajer lapangan.

3. Dukungan disediakan bagi individu dan juga bagi grup. Berbagai masalah

organisasional melibatkan pengambilan keputusan dari orang dalam grup.

Untuk masalah yang strukturnya lebih sedikit seringkali hanya membutuhkan

keterlibatan beberapa individu dari departemen dan level organisasi yang

berbeda.
4. DSS menyediakan dukungan ke berbagai keputusan yang berurutan atau

saling berkaitan.
5. DSS mendukung berbagai fase proses pengambilan keputusan: intelligence,

design, choice dan implementation.

6. DSS mendukung berbagai proses pengambilan keputusan dan style yang

berbeda-beda; ada kesesuaian diantara DSS dan atribut pengambil keputusan

individu (contohnya vocabulary dan style keputusan).

7. DSS selalu bisa beradaptasi sepanjang masa. Pengambil keputusan harus

reaktif, mampu mengatasi perubahan kondisi secepatnya dan beradaptasi

untuk membuat DSS selalu bisa menangani perubahan ini. DSS adalah

fleksibel, sehingga user dapat menambahkan, menghapus,

 mengkombinasikan, mengubah, atau mengatur kembali elemen-elemen dasar

(menyediakan respon cepat pada situasi yang tak diharapkan). Kemampuan

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

(biaya membuat keputusan, termasuk biaya penggunaan komputer).

9. Pengguna harus mampu menyusun sendiri sistem yang sederhana. Sistem

yang lebih besar dapat dibangun dalam organisasi pengguna tadi dengan

melibatkan sedikit saja bantuan dari spesialis di bidang Information Systems

(IS).
10. DSS biasanya mendayagunakan berbagai model (standar atau sesuai

keinginan user) dalam menganalisis berbagai keputusan. Kemampuan

pemodelan ini menjadikan percobaan yang dilakukan dapat dilakukan pada

berbagai konfigurasi yang berbeda. berbagai percobaan tersebut lebih lanjut

akan memberikan pandangan dan pembelajaran baru.

11. DSS dalam tingkat lanjut dilengkapi dengan komponen knowledge yang bisa

memberikan solusi yang efisien dan efektif dari berbagai masalah yang pelik.

2.4. Komponen Decision Support System

Secara umum Decision Support System (DSS) atau Sistem Pendukung

Keputusan dibangun oleh tiga komponen besar yaitu database management,

Model Base dan Software System/User Interface. Komponen SPK tersebut dapat

digambarkan seperti gambar di bawah ini.

Gambar 1 : Komponen Decision Support System (DSS)

1. Database Management Merupakan subsistem data yang terorganisasi

dalam suatu basis data. Data yang merupakan suatu sistem pendukung

keputusan dapat berasal dari luar maupun dalam lingkungan. Untuk

keperluan decision support system (DSS), diperlukan data yang relevan

dengan permasalahan yang hendak dipecahkan melalui simulasi.

2. Model Base Merupakan suatu model yang merepresentasikan permasalahan

kedalam format kuantitatif (model matematika sebagai contohnya) sebagai

dasar simulasi atau pengambilan keputusan, termasuk didalamnya tujuan

dari permaslahan (objektif), komponen-komponen terkait, batasan-batasan

yang ada (constraints), dan hal-hal terkait lainnya. Model Base

memungkinkan pengambil keputusan menganalisa secara utuh dengan

mengembangkan dan membandingkan solusi alternatif.

3. User Interface/ Pengelolaan Dialog Terkadang disebut sebagai subsistem

dialog, merupakan penggabungan antara dua komponen sebelumnya yaitu

Database Management dan Model Base yang disatukan dalam komponen

ketiga (user interface), setelah sebelumnya dipresentasikan dalam bentuk

model yang dimengerti computer. User Interface menampilkan keluaran

 sistem bagi pemakai dan menerima masukan dari pemakai kedalam

decision support system (DSS) atau Sistem Pendukung Keputusan.

2.5. Decision Support System Dalam Penilaian Kriteria dan Alternatif.

Dalam menyelesaikan masalah dengan Jaringan Syaraf backpropagation,

masalah yang akan diselesaikan diuraikan menjadi unsur-unsurnya yaitu kriteria

dan alternatif. Jika ada n alternatif keputusan dari suatu masalah, maka alternatif-

alternatif tersebut dapat ditulis sebagai

P = {P1, P2, P3 }.

Jika ada k kriteria maka dapat dituliskan sebagai

K = {K1, K2, ... Kn}.

Setelah ditentukan tujuan (goal), alternatif dan kriteria, kemudian disusun

menjadi struktur hirarki. Struktur hirarki permasalahan dapat dilihat pada gambar

berikut ini :

Dari gambar di atas dapat disimpulkan bahwa :

 Level 1 melambangkan tujuan umum yang ingin dicapai.

 Level 2 melambangkan faktor - faktor atau kriteria - kriteria yang

berpengaruh untuk mencapai tujuan, karena banyaknya faktor yang terlibat

tergantung dari permasalahan.

  Level 3 melambangkan alternatif - alternatif tujuan yang akan dievaluasi

melalui kriteria yang ada pada Level 2 (pada level ini jumlahnya tidak

dibatasi).
 Garis - garis yang menghubungkan kotak - kotak antar level merupakan

hubungan yang perlu diukur dengan perbandingan berpasangan kearah level

yang lebih tinggi.

2.6. Saham
Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan

dalam suatu perusahaan atau perusahaan terbatas. Wujud saham berupa selembar

kertas yang menerangkan siapa pemiliknya.

2.7. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah salah satu representasi buatan dari otak manusia

yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia

tersebut. Otak manusia berisi berjuta-juta sel saraf yang bertugas untuk

memproses informasi. Tiap-tiap sel bekerja seperti suatu processor sederhana.

Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan

kerja otak manusia.

2.7.1 Struktur sel syaraf biologis

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

gambar dibawah ini. Dendrit merupakan serabut saraf yang bercabang-cabang

pendek dan berjumlah lebih dari satu ini bertugas menerima sinyal dari neuron

lain. Sinyal listrik ini dilewatkan melalui celah sinapsis (sianapsis gap) yang pada

perjalanan biologisnya terjadi proses kimiawi dengan penskalaan frekuensi sinyal,

pada jaringan syaraf tiruan proses ini disebut pembentukan bobot. Sinyal yang

diterima diolah oleh soma dan kemudian dijumlahkan.

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

akan dihasilkannya, sehingga akan menghasilkan output yang konsisten sesuai

dengan input yang diberian kepadanya. Setiap elemen pemroses melaksanakan

operasi matematika yang sudah ditentukan dan menghasilkan (hanya) sebuah

harga keluaran dari satu ataupun banyak masukan. Struktur jaringan akan

ditunjukkan seperti pada gambar berikut ini :

Gambar 3 : Model Tiruan Neuron

Sebuah pemodelan neuron memiliki masukan Xp sebanyak p, yang berasal

dari sel lain atau dari inputan luar (bukan dari neuron). Selanjutnya setiap inputan

diberi pembobot Wkp. Masing – masing inputan Xp akan dikalikan dengan

pembobot Wk yang berkesesuaian. Untuk semua hasil perkalian akan dijumlahkan

sebagaimana pada persamaan dibawah ini :

(1)
 dan hasil persamaan tersebut akan menjadi masukan bagi fungsi aktivasi untuk

mendapatkan tingkat derajat sinyal keluaran pada neuron, dimana terdapat

bermacam-macam jenis fungsi aktivasi. Untuk jenis fungsi sigmoid dapat

dideskripsikan dengan persamaan :

(2)

dengan grafik yang ditunjukkan sebagai berikut :

Gambar 4 : Grafik fungsi sigmoid

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

pelatihannya menggunakan algoritma backpropagation. Secara umum , tiap unit

pada lapisan (Layer) yang sama atau dapat kita sebut neuron mempunyai tingkah

laku yang sama untuk pemrosesan sinyal data. Hanya hal terpenting yang perlu

diperhatikan adalah penentuan penggunaan jenis fungsi aktifasi pada masing-

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

pengenalan pola adalah pembobotnya.

2.8. Pelatihan Jaringan Syaraf Tiruan

Pelatihan Jaringan Syaraf bertujuan untuk mencari bobot-bobot yang terdapat

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

diharapkan dan disebut associative memory. Setelah jaringan dilatih, associative

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

yang memiliki kesamaan sifat tanpa disertai output.

2.8.1 Backpropagation
Backpropagation merupakan salah satu metode pelatihan dari Jaringan

Syaraf Tiruan. Backpropagation menggunakan arsitektur multilayer dengan

metode pelatihan supervised training.

2.8.2 Jaringan Saraf Tiruan
Untuk prediksi salah satu bidang dimana Jaringan Syaraf Tiruan dapat

diaplikasikan dengan baik adalah dalam bidang peramalan (forecasting).

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

penelitian langkah-langkah prediksi harga saham dengan JST adalah sebagai

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

3.1. Ringkasan Jurnal

Memprediksi arah dan pergerakan harga indeks saham memang sulit,

seringkali menyebabkan perdagangan berlebihan, biaya transaksi, dan hilangnya

kesempatan. Seringkali pedagang membutuhkan metode yang sistematis untuk

tidak hanya melihat peluang perdagangan, namun juga memberikan pendekatan

yang konsisten, sehingga meminimalkan kesalahan dan biaya perdagangan.

Sementara ini ada mekanisme sistem perdagangan, mereka biasanya dirancang

untuk saham tertentu, indeks saham, atau aset keuangan lainnya, dan sering sangat

tergantung pada input yang telah dipilih sebelumnya dan model parameter yang

diharapkan untuk terus menyediakan informasi perdagangan setelah pelatihan

awal atau periode pembangunan model diuji kembali. Penelitian di bawah

mengarah ke model perdagangan rinci yang menyediakan cara yang lebih efektif

dan cerdas untuk mengenali sinyal perdagangan dan membantu investor dengan

keputusan perdagangan dengan memanfaatkan sistem yang menyesuaikan input

dan model prediksi berdasarkan output yang diinginkan. Untuk menggambarkan

pendekatan yang adaptif, multiple input dan pemodelan teknik yang digunakan,

termasuk jaringan saraf, partikel segerombolan optimasi, dan denoising. Simulasi

dengan indeks saham menggambarkan bagaimana pedagang dapat menghasilkan

keuntungan yang lebih tinggi menggunakan model sistem pendukung keputusan

adaptif dikembangkan.

Dalam penelitian ini, system cerdas adaptif sebagai pendukung keputusan

perdagangan saham telah diusulkan dengan memanfaatkan partikel segerombolan

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

komputasi intelijen yang digunakan untuk membantu mengidentifikasi pola-pola

tersebut. Peneliti lain telah menggunakan indikator teknis untuk menghasilkan

sinyal trading, termasuk penggunaan beberapa indikator tanpa optimasi

(Thawornwong, et al., 2001), atau optimasi indikator tunggal (Bogullu, et al.,

2002). Ketika beberapa indikator teknis telah digunakan, sistem yang

dikembangkan biasanya menggunakan setiap indikator, terlepas dari periode

analisis saham atau indeks. Model adaptif yang diusulkan unik yang

mengoptimalkan kinerja jaringan untuk indeks saham masing-masing individu,

dan hanya menggunakan indictors orang-orang teknis yang memfasilitasi kinerja

jaringan terbaik.

Sistem ini juga mengatasi kelemahan utama dari pendekatan tradisional

Jaringan Syaraf Tiruan, yang sering sangat sensitif terhadap pemilihan masukan

dan pengaturan parameter, dengan menyesuaikan model sesuai indeks saham yang

berbeda. Berbeda dari pendekatan-pendekatan penelitian lain mengenai saham dan

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

lebih besar. Pengenalan Modul segerombolan partikel ke sistem juga membantu

untuk mengurangi konsumsi waktu dalam komputasi, membuat strategi enumerasi

layak untuk aplikasi real-time, tidak seperti sistem yang lebih rumit lainnya.
Simulasi dan evaluasi pada indeks saham sampel menunjukkan bahwa

peningkatan investasi terukur yang dicapai dengan melakukan perdagangan yang

mengikuti sinyal trading yang disediakan oleh sistem yang diusulkan,

dibandingkan dengan yang dicapai mengikuti strategi beli dan tahan. Penggunaan

denoising dan penjualan pendek (short selling) juga ditampilkan untuk

meningkatkan keuntungan perdagangan dengan mengurangi biaya transaksi dan

meningkatkan peluang trading, masing-masing.

Meskipun demikian, sistem ini juga mempunyai keterbatasan. Sistem saat

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

perdagangan yang mungkin menampilkan volatilitas, tetapi sebaliknya tidak tren

selama periode pemeriksaan. Dalam kinerja model kasus penelitian ini hanya

mempertimbangkan untuk satu tahun kalender, meskipun tahun yang

dipertanyakan (2010) tidak berada dalam tren bullish atau bearish yang

dikonfirmasi untuk seluruh tahun.

Mengenai arah masa depan, sejumlah area untuk perbaikan bisa

dipertimbangkan. Pertama, mengingat sifatnya yang adaptif, adalah mungkin

untuk menggunakan sistem yang diusulkan untuk kelas aset dan jenis sekuritas

lainnya. Kontrak saham, komoditas, dan futures individual dapat

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)

dipertimbangkan. Ketiga, model klasifikasi lainnya, di luar jaringan syaraf tiruan

sederhana dapat dipertimbangkan, termasuk yang sering berkinerja baik dengan

data keuangan, seperti jaringan syaraf probabilistik, jaringan syaraf tiruan umum,

dan model jaringan syaraf tiruan fuzzy-genetic-neural. Akhirnya, metode

tambahan untuk melakukan preprocessing data masukan, seperti menggunakan

analisis komponen utama, teori perolehan informasi, atau pengelompokan dapat

digunakan untuk lebih menyoroti masukan sistem yang paling penting dan

berguna, sehingga selanjutnya meningkatkan klasifikasi dan kecepatan klasifikasi

jaringan.

3.2. Kelebihan dan kekurangan Jurnal

A. Kelebihan

Penelitian ini membuktikan bahwa dengan menggunakan sistem pendukung

keputusan (DSS) yang berbasis pada metode jaringan saraf tiruan, memudahkan

investor / trader dalam mengambil keputusan untuk menjual, menahan atau

membeli saham dengan cepat dan tepat. Hal ini sesuai dengan tujuan dari DSS itu

sendiri yaitu mempercepat pengambilan keputusan yang dapat diandalkan dan

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

Penerapan jaringan saraf untuk peramalan membutuhkan waktu yang tidak

sedikit karena perlu melakukan banyak percobaan dalam menetapkan jumlah

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

Jaringan Syaraf Tiruan secara supervised learning dengan algoritma

backpropagation, maka dapat disimpulkan sebagai berikut :

1. Metode Jaringan Syaraf Tiruan bersifat adaptif untuk berusaha mencapai

kestabilan proses output yang diharapkan. Hal ini dikarenakan adanya

perubahan perubahan bobot yang dilakukan pada saat proses

pembelajaran.
2. Penentuan parameter-parameter jaringan yang optimum hanya dapat

dilakukan berdasarkan proses pembelajaran dan penentuan besarnya

kesalahan sehingga lamanya waktu belajar tidak dapat ditentukan secara

pasti.

4.2 . SARAN

Semakin banyak hidden layer, akan semakin akurat nilai dari keluaran

prediksi, tetapi menghasilkan waktu pembelajaran yang lama. Semakin banyak

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

sangat berpengaruh terhadap keakuratan hasil prediksi.

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