Contoh Proposal:

PERANGKAT LUNAK UNTUK MEMPREDIKSI

HARGA SAHAM DENGAN MEGGUNAKAN MODEL
JARINGAN SARAF TIRUAN
(Studi kasus di Bursa Saham Jakarta)

PROPOSAL SKRIPSI

Oleh :
XXXXXX
101940xx

PROGRAM STUDI S1
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS KOMPUTER INDONESIA
2007
 LEMBAR PENGESAHAN

PERANGKAT LUNAK UNTUK MEMPREDIKSI HARGA SAHAM DENGAN

MENGGUNAKAN MODEL JARINGAN SARAF TIRUAN
(Studi kasus di Bursa Saham Jakarta)

PROPOSAL SKRIPSI

OLEH :

XXXXXX
101940xx

Telah disetujui dan disahkan sebagai proposal

di Bandung, pada tanggal

Pembimbing

( )

NIP.
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Pasar saham merupakan pasar yang dipengaruhi oleh banyak faktor seperti
ekonomi, politik dan bahkan psikologi, dan faktor-faktor ini saling berinteraksi satu
dengan lainnya dalam suatu cara yang sangat kompleks. Oleh sebab itu, secara umum
sangatlah sulit untuk memprediksi pergerakan dari pasar saham.
Masalah prediksi dalam pasar saham telah menjadi topik penelitian yang sangat
banyak dibahas pada tahun belakangan ini. Secara umum terdapat tiga cara pandang
berbeda yang didasarkan pada kemampuan untuk mendapatkan keuntungan dari
equity market. Cara pandang pertama mempercayai bahwa tidak ada investor yang
dapat memperoleh keuntungan perdagangan di atas rata-rata yang didasarkan pada
informasi terdahulu dan informasi sekarang. Teori-teori yang mendasari cara pandang
ini adalah Random Walk Hypothesis dan Efficient Market Hypothesis [5].
Cara pandang kedua tergolong pada analisis fundamental (fundamental
analysis) yang melihat lebih mendalam pada kondisi finansial dan hasil suatu operasi
dari perusahaan tertentu dan prilaku yang mendasari saham gabungannya. Cara
pandang ketiga tergolong pada analisis teknikal (technical analysis) yang
mengasumsikan bahwa pasar saham bergerak mengikuti suatu trend tertentu dan trend
ini dapat ditangkap dan digunakan untuk melakukan prediksi. Teknik statistika
konvensional untuk memprediksi pasar saham sudah banyak dilakukan dalam analisis
fundamental maupun analisis teknikal dan hasil yang diperoleh menunjukkan adanya
batasan dalam penerapannya yang diakibatkan nonlinearitas pada himpunan data [1].
Jaringan saraf tiruan adalah suatu teknik yang menggabungkan analisis
fundamental dan analisis teknikal. Jaringan saraf tiruan merupakan model nonlinear
yang dapat melakukan pelatihan (training) untuk memetakan nilai masa lalu dan nilai
sekarang dari data time-series dan mampu untuk meng-ekstrak struktur tersembunyi
dan keterhubungan yang membangun data.
Jaringan saraf tiruan didasarkan pada sistem pemrosesan informasi yang struktur
dan fungsinya dimotivasi oleh proses kognitif (cognitive process) dan struktur
organisasi dari sistem saraf-biologi (neuro-biological systems) [4]. Penerapan jaringan
saraf tiruan muncul pada banyak bidang seperti komputer sains, rekayasa, medis dan
diagnosa kriminal, investigasi biologi dan penelitian ekonomi. Dalam penerapan
jaringan saraf tiruan untuk memprediksi pasar saham telah banyak dilakukan. Dalam
penelitian yang dilakukan oleh Sitte [13], menunjukkan bahwa penggunaan jaringan
saraf tiruan untuk memprediksi S&P500 tidak berhasil, sedangkan dalam penelitian
Kutsurelis [8], diperoleh hasil prediksi mengenai kenaikan harga saham mencapai
keakuratan 93.3 % dan penurunan harga saham mencapai keakuratan 88.07 %.
Sedangkan penelitian di Indonesia telah dilakukan oleh Budi Bambang DP, et.al [3]
yang melakukan prediksi pasar saham di Indonesia. Pada penelitian ini, mereka hanya
mengambil dua perusahaan yaitu Semen Gresik (SMGR) dan Gudang Garam
(GGRM). Hasil penelitian menunjukkan suatu hasil prediksi yang cukup akurat pada
dua perusahaan tersebut.
Berdasarkan hal di atas, di sini penulis tertarik untuk memperluas penggunaan
jaringan saraf tiruan dalam memprediksi pasar saham dengan membangun suatu
perangkat lunak. Penelitian ini merupakan penelitian lanjutan yang didasarkan pada
penelitian yang sudah dilakukan [3]. Perluasan yang dilakukan adalah dalam hal
jumlah perusahaan yang dilibatkan. Hal ini dimaksudkan untuk melihat konsistensi
dari jaringan saraf tiruan dalam memprediksi harga saham dari berbagai perusahaan.

1.2 Identifikasi Masalah

Prediksi harga saham adalah suatu hal yang melibatkan interakasi yang sangat
kompleks antara keadaan pasar yang tidak stabil dan faktor proses acak yang tidak
diketahui. Data dari harga saham dapat ditentukan oleh data time series. Jika kita
memiliki data harian dari suatu periode tertentu, contohnya X t (t  1,2,3,...) maka
harga saham untuk periode selanjutnya (t  h) dapat diprediksi (waktu yang
digunakan dapat berupa perjam, harian, mingguan, bulanan atau tahunan). Dalam
penggunaan jaringan saraf tiruan, pemilihan input data untuk jaringan mempunyai
peranan penting agar diperoleh hasil prediksi yang baik. Selanjutnya perumusan
masalah dapat dirumuskan dalam pertanyaan sebagai berikut :
 1. Bagaimana cara membuat perangkat lunak untuk prediksi harga saham dari
setiap perusahaan dengan menggunakan arsitektur jaringan syaraf tiruan?
2. Variabel input apa saja yang akan dimasukkan ke dalam jaringan ?

1.3 Maksud dan Tujuan

Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas akhir
ini adalah untuk mengaplikasikan model Jaringan Syaraf tiruan dalam memprediksi
harga saham
Sedangkan tujuan yang akan dicapai dalam penelitian ini adalah :
1. Untuk mengidentifikasi variabel input sebelum dimasukkan ke dalam jaringan.
2. Untuk menganalisis arsitektur jaringan yang dibangun sehingga mendapatkan
arsitektur jaringan yang baik.
3. Untuk menganalisis adanya perbedaan hasil prediksi harga saham dari setiap
perusahaan jika menggunakan arsitektur jaringan yang sama.
4. Untuk menganalisis penyebab adanya perbedaan arsitektur jaringan dalam
memprediksi harga saham.
5. Untuk menganalisis keunggulan dari arsitektur jaringan dalam memprediksi
harga saham dengan perangkat lunak yang dibangun.
6. Untuk menganalisis pengaruh penambahan variabel input dalam keakuratan
prediksi jaringan saraf tiruan dengan perangkat lunak yang dibuat.
1.4 Metodologi Penelitian
Metodologi yang digunakan dalam penulisan tugas akhir ini adalah sebagai

berikut :

1. Tahap pengumpulan data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai

berikut :

a. Studi Literatur.

Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan-

bacaan yang ada kaitannya dengan judul penelitian.

b. Observasi.

Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung

terhadap permasalahan yang diambil.

c. Interview.

Teknik pengumpulan data dengan mengadakan tanya jawab secara langsung yang ada

kaitannya dengan topik yang diambil.

2. Tahap pembuatan perangkat lunak.

Teknik analisis data dalam pembuatan perangkat lunak menggunakan paradigma

perangkat lunak secara waterfall, yang meliputi beberapa proses diantaranya:

a. System / Information Engineering

Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek,

dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang

diperlukan sistem dan mengalokasikannya kedalam pembentukan perangkat lunak.

b. Analisis

Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan proyek

pembuatan perangkat lunak.

c. Design

Tahap penerjemahan dari data yang dianalisis kedalam bentuk yang mudah

dimengerti oleh user.

d. Coding

Tahap penerjemahan data atau pemecahan masalah yang telah dirancang keadalam

bahasa pemrograman tertentu.

e. Pengujian

Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.

f. Maintenance

Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami

perubahan–perubahan atau penambahan sesuai dengan permintaan user.

1.5 Batasan Masalah

Penelitian yang telah banyak dilakukan dalam memprediksi harga saham
menyebabkan adanya perbedaan di dalam penggunaan jaringan saraf tiruan. Dalam
penelitian ini, penulis membatasi masalah sebagai berikut :
1. Data yang diambil sebagai input jaringan didasarkan pada penelitian yang telah
dilakukan oleh Trippi, et .al [12] sebanyak tiga variabel input dan penelitian
yang dilkukan oleh Budi Bambang DP, et.al [3] sebanyak 5 variabel input.
2. Sumber data berasal dari Bursa Saham Jakarta
3. Algoritma pembelajaran yang digunakan adalah backpropagation.
1.6 Sistematika Penulisan
Sistematika penulisan proposal penelitian ini disusun untuk memberikan gambaran
umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah
sebagai berikut :
BAB I PENDAHULUAN
Menguraikan tentang latar belakang permasalahan, mencoba merumuskan inti
permasalahan yang dihadapi, menentukan tujuan dan kegunaan penelitian, yang
kemudian diikuti dengan pembatasan masalah, asumsi, serta sistematika penulisan.
BAB II. LANDASAN TEORI
Membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan topik
penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis
permasalahan serta tinjauan terhadap penelitian-penelitian serupa yang telah pernah
dilakukan sebelumnya termasuk sintesisnya.
BAB III. ANALISIS MASALAH
Menganalisis masalah dari model penelitian untuk memperlihatkan keterkaitan antar
variabel yang diteliti serta model matematis untuk analisisnya.
BAB IV. PERANCANGAN DAN IMPLEMENTASI
Merupakan tahapan yang dilakukan dalam penelitian secara garis besar sejak dari
tahap persiapan sampai penarikan kesimpulan, metode dan kaidah yang diterapkan
dalam penelitian. Termasuk menentukan variabel penelitian, identifikasi data yang
diperlukan dan cara pengumpulannya, penentuan sampel penelitian dan teknik
pengambilannya, serta metode/teknik analisis yang akan dipergunakan dan perangkat
lunak yang akan dibangun jika ada.
BAB V. KESIMPULAN DAN SARAN
Berisi kesimpulan dan saran yang sudah diperoleh dari hasil penulisan tugas akhir.
 1.7 Jadwal Kegiatan

No Tahap Februari Maret April Mei Juni

I II III IV I II III IV I II III IV I II III IV I II III IV
Pengumpulan
1 Referensi
2 PembuatanProposal
Pengumpulan
3 Proposal
4 Perbaikan Proposal
5 Masa Bimbingan I
6 Laporan Kemajuan I
7 Masa Bimbingan II
8 Laporan Kemajuan II
9 Masa Bimbingan III
10 Laporan Kemajuan III
11 Persiapan Seminar

1.8 Daftar Pustaka

[1] A.N. Refenes, A. Zapranis and G.Francis, Stock performance modeling using
neural networks : a comparative study with regression models, Neural Network
5 (1994) 961-970.

[2] B. Tak, a New Method for Forecasting stock Prices using Artificial Neural
Network and Wavelet Theory, Doctor's Thesis, University of Pennsylvania,
1995.

[3] Budi Bambang, et. al, Indonesia stock market prediction (SMGR/GGRM) using
time series (feedforward) neural network

[4] C. Stergiou, What is Neural Network?, SURPRISE 96 journal, vol1, Imperial

College, 1996.

[5] E.E. Peters, Chaos and order in the capitalmarkets : A new view of cycles,
prices, and market volatility, John Wiley & Sons Inc, 1991.

[6] E.F .Fama, The behaviour of stock market prices, J. Business (Jan. 1965) 34 –
105.

[7] Grudnitski, G. and L. Osburn, " Forecasting S&P and Gold Futures : An
application of neural network", journal of futures markets, 13(6), 1993, 631-43.

[8] J.E. Kutsurelis, Forecasting Financial Markets Using Neural Networks : An

Analysis of methods and accuracy, Master's Thesis, Naval Postgraduate School,
September 1998.
[9] Kryzanwski. L, Galler, M., Wright, D.W., Using artificial network to pick
stocks, financial analyst journal, August 1993, pp. 21-27

[10] Manfred Steiner and Hans-Georg Wittkemper. Neural networks as an

alternative stock market model. In neural networks in the Capital markets,
chapter 9, pages 137-148, John Wiley and Sons, 1995.

[11] Ramon Lawrence. Using neural networks to forecast stock market prices, 1997.

[12] R.R.Trippi and E. Turban, Neural Networks in finance and investing : Using
artificial intelligence to improve real world performance, Irwin Professional
Pub, 1996.
[13] R. Sitte and J. Sitte, Analysis of Predictive Ability of Time Delay Neural
Networks Applied to the S&P 5oo Time series, proceedings of the IEEE
Transactions on systems, man an Cybernatics – Part C : Applications and
reviews, vol. 30, No 4, pages 568-572, November 2000.

[14] Schoeneburg, E., Stock Price prediction using neural networks : a project
report, Neurocomputing, vol. 2, 1990, pp. 17-27.

[15] Swales, G.S. Jr. Yoon Y, applying artificial neural network to investment
analysis.

[16] T. Kimoto, K. asakawa, M.Yoda, and M. Takeoka, Stock market prediction

system with modular neuralnetworks. In Proceedings of the international Joint
Conference on Neural Networks, volume 1, pages 1-6,1990.

[17] www.Investovedia.com/university/stocks/, stockbasic tutorial.

.
[18] Y. Yoon and G. Swales. Predicting stock price performance : A neural network
approach. In Neural Networks in Finance and Investing, chapter 19, pages 329-
342, Probus Publishing Company, 1993.

[19] Yoon, Y., guimares, T., Swales, G., Integrating artificial neural networks with
rule based expert systems, Decision support Systems, vol. 11, 1994, pp. 495-57.