PROPOSAL SKRIPSI

PERBANDINGAN ALGORITMA PREDIKSI

BACKPROPAGATION, DAN LSTM UNTUK PASAR SAHAM
INDEX LQ45

Disusun oleh :
Rachmad Agung Pambudi 160411100032

Dosen Pembimbing 1. Eka Mala Sari Rochman, S.Kom., M.Kom 19841104 200812 2 003
Dosen Pembimbing 2. Sri Herawati, S.Kom., M.Kom., 19830828 200812 2 002

PROGRAM STUDI INFORMATIKA JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MADURA 2019
 LEMBAR PERSETUJUAN PROPOSAL

Nama : Rachmad Agung Pambudi

NRP : 16.04.1.1.1.00032
Bidang Minat : Kecerdasan Komputasional
Program Studi : Informatika
Jurusan : Teknik Informatika
Dosen Pembimbing : 1. Eka Mala Sari Rochman, S.Kom., M.Kom.
2. Sri Herawati, S.Kom., M.Kom.,
Judul Tugas Akhir : Aplikasi Prediksi Backpropagation, dan LSTM
Untuk Pasar Saham INDEX LQ45

Proposal ini telah disetujui di seminar pada Tanggal, ............. 2019

Dosen Pembimbing I Dosen Pembimbing II

Eka Mala Sari Rochman, S.Kom., M.Kom. Sri Herawati, S.Kom., M.Kom.,
NIP. 19841104 200812 2 003 NIP. 19830828 200812 2 002

Mengetahui, Menyetujui,
Ketua Program Studi Koordinator Lab Riset
Teknik Informatika, Jurusan Teknik Informatika

Yoga Dwitya Pramudita, S.Kom., M.Cs. Husni, S.Kom., M.Kom

NIP. 19840413 200812 1 002 NIP. 19770722 200312 1 006

2
ABSTRAK
Variasi dan ketergantungan pada parameter yang berbedaeters pasar saham
membuat prediksi proses yang kompleks. Jaringan saraf tiruan telah terbukti
bermanfaat dikasus tersebut untuk memprediksi nilai stok. Parameterterlibat dan
algoritma yang umum digunakan dibahasdan dibandingkan dalam tulisan ini.
Dalam kasus backpropagationalgoritma, feed forward network hadir dan bobotnya
adadimodifikasi dengan kembali menyebarkan kesalahan. Begitu pula yang
signifikan modifikasi diperkenalkan di Memori Jangka Pendek Panjang (LSTM),
yang lain Algoritma peramalan time series yang umum digunakan, adalah khusus
jenis Jaringan Syaraf Berulang (RNN) yang menggunakan gradien algoritma
keturunan. Penelitihan ini memberikan perbandingan analisis antara algoritma ini
berdasarkan keakuratan, variasi dan waktu yang dibutuhkan untuk berbagai periode.

Kata kunci: Jaringan Syaraf Tiruan (JST), Memori Jangka Pendek (LSTM),
Backpropagasi, Netwrok Neural Berulang (RNN).

3
 DAFTAR ISI
LEMBAR PERSETUJUAN PROPOSAL ........................................................................................2
ABSTRAK ........................................................................................................................................3
DAFTAR ISI .....................................................................................................................................4
DAFTAR GAMBAR ........................................................................................................................6
DAFTAR TABEL .............................................................................................................................7
BAB I PENDAHULUAN .................................................................................................................8
1.1 Latar Belakang........................................................................................................................8
1.2 Perumusan Masalah ................................................................................................................9
1.2.1 Permasalahan ...................................................................................................................9
1.2.2 Metode Usulan ................................................................................................................9
1.2.3 Pertanyaan Penelitian .......................................................................................................9
1.3 Tujuan dan Manfaat ................................................................................................................9
1.3.1 Tujuan Penelitian .............................................................................................................9
1.3.2 Manfaat Penelitian .........................................................................................................10
1.4 Batasan-batasan ....................................................................................................................10
1.5. Sistematika Proposal ...........................................................................................................10
BAB II KAJIAN PUSTAKA ..........................................................................................................11
2.1 Saham ....................................................................................................................................11
2.1.1 Pengertian Saham ..........................................................................................................11
2.1.2 Index LQ 45 di Bursa Efek Indonesia (BEI) .................................................................11
2.2 Backpropagation ...................................................................................................................12
2.2.1 Feedforward ...................................................................................................................13
2.2.2 Backpropagation ............................................................................................................14
2.2.3 Memperbarui Bobot .......................................................................................................16
2.3 Long Shot Term Memory....................................................................................................17
2.3.1 Memory cells dan gate units ..........................................................................................17
2.3.1 Adaptive Moment Estimation optimization (Adam) .....................................................19
2.4 Penelitian Terkait ..................................................................................................................21
BAB III METODE USULAN .........................................................................................................27
3.1 Algoritma..............................................................................................................................27
3.1.1 Algoritma Backpropagation ...........................................................................................27
3.1.2 Algoritma LSTM ...........................................................................................................28
1.1 Metode Evaluasi ...................................................................................................................29
1.2 Matrik Evaluasi ....................................................................................................................29
1.3 Data Penelitian......................................................................................................................29
4
 1.4 Tahapan Penelitian ...............................................................................................................29
1.4.1 Pengumpulan Data ........................................................................................................29
1.4.2 Analisis Permasalahan...................................................................................................29
1.4.3 Perancangan Sistem ......................................................................................................29
1.4.4 Implementasi .................................................................................................................29
1.4.5 Pengujian Sistem ...........................................................................................................29
1.4.6 Dokumentasi .................................................................................................................29
1.5 Perkiraan jadwal ....................................................................................................................31
DAFTAR PUSTAKA .....................................................................................................................33

5
 DAFTAR GAMBAR

GAMBAR 3. 1 DIAGRAM IPO ARSITEKTUR SISTEM ................................................. 29

6
 DAFTAR TABEL

TABEL 2. 8 TABEL PENELITIAN TERKAIT ................................................................ 22

7
 BAB I PENDAHULUAN
1.1 Latar Belakang
Prediksi atau ramalan adalah perkiraan yang dihitung berdasarkan beberapa
bukti atau fakta dari data sebelumnya. Dalam pertumbuhan ekonomi saat ini
prediksi dan analisis pasar saham sangat penting karena mencerminkan kondisi
ekonomi, tetapi sangat tugas yang rumit. Ini karena perilaku non-linear daridata
stok. Banyak faktor lain yang menciptakan rintangan di jalan untuk memprediksi
stok termasuk kondisi sosial, ekonomi, politik, rumor dan hype media, perilaku
pedagang, dll. Profesional pedagang telah mencoba membuat perkiraan dan telah
mengembangkan berbagai metode analisis seperti teknis, fundamental, kuantitatif,
dan sebagainya [1].
Algoritma Backpropagation adalah supervised learning yang digunakan untuk
melatih jaringan umpan maju multi-layer dan membutuhkan satu atau lebih lapisan
yang saling terhubung sepenuhnya. Seperti SVM, Backpropagation juga dapat
digunakan untuk Klasifikasi dan Masalah regresi. Prediksi pasar saham dapat
diperlakukan sebagai masalah klasifikasi. Untuk setiap sampel dalam pelatihan
dataset id respon output yang ditentukan. Outputnya kemudian dibandingkan
dengan target yang diberikan dan kesalahan dihitung menggunakan aturan
pembelajaran Delta Widrow-Hoff atau aturan gradient descent[2].
Backpropagation, bobot dari suatu hasil perhitungan pembaruan dan
perhitungan gradien terjadi mundur dan menggunakan galat kuadrat terkecil dari
respon output kemasukan sampel. Struktur jaringan terdiri dari - lapisan input yang
terhubung ke lapisan tersembunyi oleh bobot interkoneksi dan lapisan tersembunyi
yang selanjutnya dihubungkan ke lapisan keluaran dengan bobot interkoneksi [2].
Peningkatan jumlah lapisan meningkatkan kompleksitas komputasi jaringan saraf
tiruan yang dapat menyebabkan waktu yang dibutuhkan untuk konvergensi dan
untuk meminimalkan kesalahan menjadi sangat tinggi.
LSTM atau Long Short Term memory adalah jenis recurrent neural network
(RNN) dan menggunakan gradient descent yang sesuai algoritma. Jaringan RNN
mengumpankan output dari blok sebagai masukan untuk iterasi berikutnya dan
menggunakan koneksi umpan baliknya kemenyimpan proses terkini dalam bentuk
aktivasi. Berbeda dengan multilayer perceptron, LSTM menggunakan beragam
elemen atau blok pemrosesan untuk membangun jaringan berulang yang lebih baik

8
yang mampu belajar lama istilah dependensi. Input ke sel LSTM adalah yang
sebelumnya status tersembunyi dan memori serta input saat ini saat output adalah
kondisi tersembunyi dan memori saat ini. Ingatan di LSTM dapat dilihat sebagai sel
yang terjaga keamanannya, di mana tiga gerbang - input, gates - input, forget and
output gate control kemampuan untuk menambah atau menghapus informasi atau
biarkan itu berdampak pada keluaran paling lambat hadir (current) time step[3].
Penelitian ini akan menerapkan metode Backpropagetion dan LSTM untuk
mencari tahu teknik yang optimal untuk prediksi pasar saham. Perbandingan akan
dilakukan atas dasar kinerja pada dataset input yang sama dan untuk periode waktu
yang sama. Sebagai tujuan utama dari segala prediksi Model adalah untuk
meminimalkan kesalahan dalam kasus pasar saham meminimalkan risiko,
pernyataan masalah yang kami berikan ditujukan kepada mencapai akurasi
sebanyak mungkin dengan mengutak – atik algoritma.

1.2 Perumusan Masalah

1.2.1 Permasalahan
Permasalahan yang sering terjadi dalam sistem prediksi ialah keterbatasan data
faktor yang mempengaruhi kinerja saham saat ini dan juga keakuratan dalam
memprediksi suatu saham tertentu.
1.2.2 Metode Usulan
Penelitian ini mengusulkan perbandingan antara metode backpropagation dan
LSTM untuk membandingkan sebuah sistem prediksi.
1.2.3 Pertanyaan Penelitian
1. Berapa akurasi dari metode backpropagation dalam memprediksi pasar saham?
2. Berapa akurasi dari metode LSTM (Long Short Term memory) dalam
memprediksi pasar saham?
1.3 Tujuan dan Manfaat
1.3.1 Tujuan Penelitian
1. Mengetahui akurasi dari metode backpropagation untuk sistem prediksi
saham.
2. Untuk membandingkan kualitas hasil prediksi antara metode
Backpropagation dan LSTM (Long Short Term memory).

9
1.3.2 Manfaat Penelitian
1. Peneliti mengetahui akurasi dari metode Backpropagation untuk sistem
prediksi.
2. Peneliti dapat mengetahui kualitas prediksi antara metode Backpropagation
dan LSTM (Long Short Term memor).

1.4 Batasan-batasan
Batasan masalah pada penelitian ini adalah sebagai berikut :
1. Data yang akan digunakan pada penelitian ini adalah data saham disitus
Alphavantage(https://www.alphavantage.co/) deisertakannya API yang ada di
situs tersebut.
2. Data yang akan digunakan pada penelitian ini adalah sektor industri dasar dan
kimia sub sector semen
3. Metode yang digunakan Backpropagation dan LSTM (Long Short Term
Memory)

1.5. Sistematika Proposal

Sistematika penulisan Proposal ini terdiri dari beberapa bab, yaitu :
BAB I PENDAHULUAN
Pada bab ini membahas tentang latar belakang, rumusan masalah, tujuan,
manfaat, batasan masalah, serta sistematika penulisan laporan.
BAB II KAJIAN PUSTAKA
Pada bab ini membahas tentang landasan teori dan penelitian
sebelumnya.

BAB III METODE USULAN

Pada bab ini membahas tentang metode yang diusulkan (algoritma),
arsitektur (Input, Proses, Ouput), Data penelitian, tahapan penelitian,
serta rencana pengujian.
REFERENSI
Berisi tentang daftar jurnal-jurnal atau referensi yang dijadikan acuan
dalam penelitian ini.

10
 BAB II KAJIAN PUSTAKA
2.1 Saham
2.1.1 Pengertian Saham
Saham merupakan salah satu yang banyak diminati oleh investor di
bursa efek (stock exchange). Saham dapat didefinisikan sebagai tanda atau
pemilikan seseorang atau badan dalam suatu perusahaan atau perseroan
terbatas. Saham berwujud selembar kertas yang menerangkan bahwa
pemilik kertas adalah pemilik perusahaan yang menerbitkan surat berharga
tersebut. Porsi kepemilikan ditentukan oleh seberapa besar penyertaan yang
ditanamkan di perusahaan tersebut.”. (Darmaji dan Fakhrudi, 2006).
2.1.2 Index LQ 45 di Bursa Efek Indonesia (BEI)
Indeks LQ 45 adalah nilai kapitalisasi pasar dari 45 saham yang paling
likuid dan memiliki nilai kapitalisasi yang besar hal itu merupakan indikator
likuidasi. Indeks LQ 45, menggunakan 45 saham yang terpilih berdasarkan
Likuiditas perdagangan saham dan disesuaikan setiap enam bulan (setiap
awal bulan Februari dan Agustus). Dengan demikian saham yang terdapat
dalam indeks tersebut akan selalu berubah. Beberapa kriteria - kriteria
seleksi untuk menentukan suatu emiten dapat masuk dalam perhitungan
indeks LQ 45 adalah
a. Kriteria yang pertama adalah :
1. Berada di TOP 95 % dari total rata – rata tahunan nilai transaksi
saham di pasar reguler.
2. Berada di TOP 90 % dari rata – rata tahunan kapitalisasi pasar.
b. Kriteria yang kedua adalah :
1. Merupakan urutan tertinggi yang mewakili sektornya dalam
klasifikasi industri BEJ sesuai dengan nilai kapitalisasi pasarnya.
2. Merupakan urutan tertinggi berdasarkan frekuensi transaksi
(Tjiptono, 2001, p. 95-96).

2.1.3 Harga Penutupan Saham

Harga Penutupan (Closing Price adalah harga yang muncul saat bursa tutup,
harga pasar saham yang saat itu sedang berlaku akan menjadi harga penutupan
untuk hari itu. Harga penutupan saham hari itu juga akan menjadi acuan harga

11
 pembukaan untuk keesokan harinya. Setelah dibuka sejak pagi jam 9:00 WIB,
pasar atau bursa saham akan ditutup pada sore hari. Pepat jam 16:00 WIB,
transaksi jual-beli saham dibursa Efek Indonesia ditentukan dan akan
dilanjutkan pada esok hari.

2.1.4 Prediksi Saham

Prediksi atau ramalan adalah perkiraan yang dihitung berdasarkan
beberapa bukti atau fakta dari data sebelumnya. Dalam pertumbuhan ekonomi
saat ini prediksi dan analisis pasar saham sangat penting karena mencerminkan
kondisi ekonomi, tetapi sangat tugas yang rumit. Ini karena perilaku non-linear
daridata stok. Banyak faktor lain yang menciptakan rintangan di jalan untuk
memprediksi stok termasuk kondisi sosial, ekonomi, politik, rumor dan hype
media, perilaku pedagang, dll. Profesional pedagang telah mencoba membuat
perkiraan dan telah mengembangkan berbagai metode analisis seperti teknis,
fundamental, kuantitatif, dan sebagainya [1].

2.2 Backpropagation
Algoritma Backpropagation adalah supervised learning yang digunakan
untuk melatih jaringan umpan maju multi-layer dan membutuhkan satu atau lebih
lapisan yang saling terhubung sepenuhnya. Seperti SVM, Backpropagation juga
dapat digunakan untuk Klasifikasi dan Masalah regresi. Prediksi pasar saham dapat
diperlakukan sebagai masalah klasifikasi. Untuk setiap sampel dalam pelatihan
dataset id respon output yang ditentukan. Outputnya kemudian dibandingkan
dengan target yang diberikan dan kesalahan dihitung menggunakan aturan
pembelajaran Delta Widrow-Hoff atau aturan gradient descent[5].
Backpropagation, bobot dari suatu hasil perhitungan pembaruan dan
perhitungan gradien terjadi mundur dan menggunakan galat kuadrat terkecil dari
respon output kemasukan sampel. Struktur jaringan terdiri dari lapisan input yang
terhubung ke lapisan tersembunyi oleh bobot interkoneksi dan lapisan tersembunyi
yang selanjutnya dihubungkan ke lapisan keluaran dengan bobot interkoneksi [5].
Backpropagation terdiri dari tiga layer, yaitu:
- Input Layer

12
 Berisi node-node yang mempunyai sebuah nilai masukan yang tidak berubah
pada fase latih dan hanya bisa berubah jika diberikan nilai masukan baru. Node
pada layer ini tergantung pada banyaknya input dari suatu pola.
- Hidden Layer
Layer ini tidak pernah muncul sehingga dinamakan hidden layer. Namun
semua proses pada fase pelatihan dan fase pengenalan dijalankan di lapisan ini.
Jumlah lapisan ini tergantung dari arsitektur yang akan dirancang, tetapi pada
umumnya terdiri dari satu lapisan hidden layer
- Output Layer
Output layer berfungsi untuk menampilkan hasil perhitungan sistem oleh
fungsi aktivasi pada hidden layer berdasarkan input yang diterima.
Secara umum langkah utama dari algoritma Backpropagation adalah
pengambilan input, penelusuran error dan penyesuaian bobot. Error ditelusuri
mulai dari output layer, kemudian ke hidden layer dan akhirnya ke input layer.
Setiap iterasi dalam Backpropagation dilakukan dengan dua arah yaitu Forward
(tahap maju) dan Backward (tahap mundur). Berikut langkah-langkah pelatihan
backpropagation [4]:

Langkah 0 :
a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup
kecil)
b. Tetapkan maksimum target error dan learning rate
2.2.1 Feedforward
Langkah 1 :
a. Menjumlahkan sinyal-sinyal input yang memiliki bobot:

(Persamaan 7)

Keterangan :

: Hasil penjumlahan sinyal input (hidden layer)

: Bias
: Bobot (weight) yang menghubungkan input layer dengan hidden layer
: Input data yang akan dioleh

13
 b. Fungsi aktivasi untuk menghitung sinyal output :

) (Persamaan 8)

Keterangan:
: Nilai hidden

) : Fungsi
aktivasi untuk menghitung Langkah
2 :

a. Menjumlahkan sinyal-sinyal input

terbobot:

(Persamaan 9)

Keterangan :
Y_ink : Hasil penjumlahan sinyal hidden output

b2k : Tambahan input yang biasa di sebut bias

Zi : Nilai input dari hidden output

Wjk : Bobot dari koneksi antara dua node
b. Fungsi aktivasi untuk menghitung sinyal output :

(Persamaan 10)

Keterangan :

Yk : Nilai output prediksi

f(Y_ink ) : Fungsi aktivasi untuk menghitung nilai output prediksi

2.2.2 Backpropagation
Langkah 3 :
a. Hitung informasi error-nya:

(Persamaan 11)
Keterangan :

: Menghitung informasi error

14
 Tk : Output prediksi
f‘(Y_ink ) \: Turunan fungsi aktivasi
b. Hitung koreksi bobot (yang nantinya akan digunakan untuk
memperbaiki nilai):

=
(Persamaan 12)

Keterangan :

: Menghitung informasi error

Tk : Output prediksi

f‘(Y_ink ) : Turunan fungsi aktivasi

c. Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki
nilai):

(Persamaan 13)

Keterangan :

∆𝑊𝑗𝑘 : Menghitung informasi error

𝑎 : Output prediksi

𝛿𝑗𝑘 : Turunan fungsi aktivasi

𝑥𝑗𝑘 : Output hasil prediksi

Langkah 4 :
a. Menjumlahkan delta input (dari unit-unit yang berada pada lapisan di
atasnya :

= (Persamaan 14)

b. Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk

menghitung informasi error:

15
 = f'(
(Persamaan 15)
)

c. Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai):

=
(Persamaan 16)
d. Hitungkan juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai):

= (Persamaan 17)
2.2.3 Memperbarui Bobot
Langkah 5 :
a. Tiap-tiap unit output memperbaiki bias dan bobotnya :
(Persamaan 18)
(Persamaan 19)

b. Tiap- tiap unit tersembunyi

memperbaiki bias dan
bobotnya :
(Persamaan 20)

(Persamaan 21)

Langkah 6 : Hitung total error

Menghitung total error menggunakan mean squared error dengan
rumus perhitungan:

(Persamaan 22)
Keterangan :

16
 ∆𝑊𝑗𝑘 : Menghitung informasi error
𝑎 : Output prediksi

𝛿𝑗𝑘 : Turunan fungsi aktivasi

𝑥𝑗𝑘 : Output hasil prediksi

Keterangan :
MSE : Merupakan total error
Yi : Merupakan target output ke-i
Ŷi : Merupakan output dari pelatihan ke-i Fase
tersebut diulang hingga kondisi error terpenuhi.
2.3 Long Shot Term Memory

Long Short Term Memory Networks (LSTM) merupakan salah satu jenis dari
Recurrent Neural Network (RNN). LSTM diajukan oleh Sepp Hochreiter dan
Jurgen Schimidhuber pada tahun 1927. LSTM didesign untuk menghindari masalah
long term dependency yang ada pada RNN pada umumnya (Grave, 2014).

Gambar 2.3.1 Memori pada RNN

Pada gambar 2.1 menjelaskan RNN memiliki kekurangan, kekurangan itu dapat
dilihat pada inputan 𝑋0, 𝑋1 memiliki rentang informasi yang sangat besar dengan
𝑋T, 𝑋t+1 sehingga ketika ℎt+1 memerlukan informasi yang relevan dengan 𝑋0, 𝑋1
RNN tidak dapat untuk belajar menghubungkan informasi karena memori lama
yang tersimpan akan semakin tidak berguna dengan seiringnya waktu berjalan
karena tertimpa atau tergantikan dengan memori baru, permasalahan ini ditemukan
oleh Bengio, et al. (1994). Berbeda dengan RNN, LSTM tidak memiliki kekurangan
tersebut karena LSTM dapat mengatur memori pada setiap masukannya dengan
menggunakan memory cells dan gate units [6]
2.3.1 Memory cells dan gate units
Seperti yang telah dijelaskan pada sub bab sebelumnya, dimana
LSTM memiliki memory cell dan gate units pada setiap neurons nya yang
berfungsi untuk mengatur memori dalam setiap neurons .

17
 Gambar 2.3.1 flowchart memory cells LSTM
Pada gambar 2.3.1 menjelaskan bagaimana alur kerja memory cells pada
setiap neurons LSTM bekerja. Terdapat empat proses fungsi aktivasi pada
setiap masukan pada neurons yang selanjutnya disebut sebagai gates units.
Gates units tersebut ialah forget gates, input gates, cell gates, dan output
gates.
Pada forget gates informasi pada setiap data masukan akan diolah
dan dipilih data mana saja yang akan disimpan atau dibuang pada memory
cells. Fungsi aktivasi yang digunakan pada forget gates ini adalah fungsi
aktivasi sigmoid. Dimana hasil keluarannya antara 0 dan 1. Jika
keluarannya adalah 1 maka semua data akan disimpan dan sebaliknya jika
keluarannya 0 maka semua data akan dibuang. Dengan rumus sebagai
berikut :
𝑓𝑡 = 𝜎(𝑤𝑓. [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑓)

Pada input gates terdapat dua gates yang akan dilaksanakan,

pertama akan diputuskan nilai mana yang akan diperbarui menggunakan
fungsi aktivasi sigmoid. Selanjutnya fungsi aktivasi tanh akan membuat
vector nilai baru. yang akan disimpan pada memory cell. Dengan rumus
sebagai berikut :

𝑖𝑡 = 𝜎 (𝑤𝑖. [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑖

𝑐𝑡̌ = 𝑡𝑎𝑛ℎ (𝑤𝑐. [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑐

Pada cell gates akan mengganti nilai pada memory cell sebelumnya
dengan nilai memory cell yang baru. Dimana nilai ini didapatkan dari
menggabungkan nilai yang terdapat pada forget gate dan input gate.

Dengan rumus sebagai berikut :

𝑐𝑡 𝑐̌𝑡
Pada output gates terdapat dua gates yang akan dilaksanakan,
pertama akan diputuskan nilai pada bagian memory cell mana yang akan
dikeluarkan dengan menggunakan fungsi aktivasi sigmoid. Selanjutnya
18
 akan ditempatkan nilai pada memory cell dengan menggunakan fungsi
aktivasi tanh. Terakhir kedua gates tersebut di dikalikan sehingga
menghasilkan nilai yang akan dikeluarkan. Dengan rumus sebagai berikut
[6]

𝑜𝑡 = 𝜎 (𝑤0. [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑜 ℎ𝑡

= 𝑜𝑡 𝑡𝑎𝑛ℎ (𝑐𝑡)
2.3.1 Adaptive Moment Estimation optimization (Adam)
Algoritma optimasi Adaptive moment estimation (Adam) adalah
perluasan untuk Stochastic gradient descent yang baru-baru ini telah
digunakan sebagai pembelajaran yang mendalam dalam computer vision
dan natural language processing. Pertama kali diperkenalkan oleh Diederik
Kingma dari OpenAI dan Jimmy Ba dari Universitas Toronto (2015) [10].
Adam merupakan algoritma optimasi yang mengembangkan dengan
memanfaatkan kelebihan dari algoritma Adaptive Gradient (AdaGrad) dan
Root Mean Square Propagation (RMSProp). Alih-alih mengadaptasi tingkat
pembelajaran parameter berdasarkan rata-rata pertama (mean) seperti dalam
RMSProp, Adam juga menggunakan rata-rata kedua dari gradien (varians
uncentered). Algoritma menghitung rata-rata pergerakan eksponensial dari
gradien dan gradien kuadratnya, dan parameter beta 1 dan beta 2 mengontrol
tingkat peluruhan rata-rata pergerakan . [10]
Langkah algoritma optimasi Adam dapat dijelaskan dengan pseudo code
dibawah ini :

19
20
2.4 Penelitian Terkait
Tabel 2. 1 Tabel Penelitian Terkait

No Judul Penelitian Teknik yang Hasil Objek Relevansi dengan Perbedaan dengan
dilakukan Penelitian Penelitian penelitan yang akan penelitian yang akan
penelitian dilakuakn dilakukan

1 Directional 1. melakukan menggunakan Saham Relevansi penelitan Tugas Paper :

Prediction of Feature fitur sentimen Amerika, Akhir dengan paper 1. Data yang
tingkat penulis yaitu sama-sama
Stock Prices using Extraction dokumen yang seperti : Dow melakukan prediksi digunakan
Breaking News on dengan N-gram diekstraksi Jones Index menggunakan dataTwitter diperoleh dari
tidak
Twitter Features dari (DJI) dan breaking news pada
menghasilkan
Berita di Twitter peningkatan NASDAQ Twitter.
2. melakukan signifikan 2. Saham yang
Sentiment diteliti yaitu saham
Features Untuk Amerika
3. Prediksi yang
No Judul Penelitian Teknik yang dilakukan Hasil Penelitian Objek Relevansi dengan Perbedaan dengan
penelitian Penelitian penelitan yang penelitian yang akan
akan dilakuakn dilakukan

mendeteksi sentimen dalam secara statistik dilakukan perjam

konten berita, dalam akurasi Tugas Akhir :
prediksi arah.
3. algoritma Chi2 feature 1. Data yang
selection untuk pemilihan fitur digunakan yaitu
dalam text mining. tweet pada Twitter
4. Melakukan pelabelan berita yang berisi tentang
dengan menggunakan arah ulasan saham. 2.
harga saham pada jam Saham yang diteliti
berikutnya. saham gabungan
5. klasifikasi prediksi arah Indonesia 3.
Prediksi yang
dilakukan perhari

22
No Judul Penelitian Teknik yang Hasil Penelitian Objek Relevansi dengan Perbedaan dengan
dilakukan Penelitian penelitan yang akan penelitian yang akan
penelitian dilakuakn dilakukan

harga saham
menggunakan
SVM.

2 Stock Market Melakukan Hasil dari studi Saham KSE- Persamaan penelitian Paper : objek yang di
Prediction Using prediksi mengkonfirmasi 100 index Tugas Akhir dengan paper teliti yaitu pasar saham
performansi atau bahwa machine yaitu sama-sama
Machine trend dari pasar learning melakukan prediksi saham KSE 100 Index
Learning saham dengan sanggup untuk dengan machine learning
machine learning memprediksi pada saat penutupan pasar Tugas Akhir : objek
Techniques
performansi saham gabungan
dari saham
Indonesia

23
3. Developing a Sebuah studi Bahwa NIFTY dan Relevansi penelitian Paper :
Prediction Model komparatif dari Artificial Tugas Akhir dengan 1. melakukan prediksi
SENSEX
for Stock Analysis ketiga algoritma: paper yaitu sama-sama terhadap harga
Neural Network
pembukaan (open),

No Judul Penelitian Teknik yang Hasil Objek Relevansi Perbedaan dengan penelitian yang akan
dilakukan Penelitian Penelitian dengan dilakukan
penelitian penelitan yang
akan dilakuakn

24
 Multiple Linear lebih baik dari melakukan perbukan
Regression, pada MLR dan prediksi 2. prediksi yang dilakuakn perbulan
SVM. terhadap saham
Support Vector dengan dan perhari
Machine dan sentimen 3. prediksi dilakukan pada pasar saham
analisis dan data
Artificial Neural di India
dari Yahoo
Network . Harga Finance 4. sentiemn yang dianalisis yaitu
saham diprediksi Bahasa India Tugas Akhir:
oleh sentimen 1. melakukan prediksi terhadap harga
analisis dengan penutupan
algoritma (close)
peramalan terbaik. 2. Prediksi yang

No Judul Penelitian Teknik yang Hasil Penelitian Objek Relevansi dengan Perbedaan dengan penelitian
dilakukan Penelitian penelitan yang akan yang akan dilakukan
penelitian dilakuakn

25
 dilakukan perhari 3.
Prediksi yang
dilakukan pada pasar
saham gabungan
Indonesia
4. Sentimen yang dianalisis
yaitu sentimen
Bahasa
Indonsia

Berdasarkan penelitian diatas yang berjudul Stock Market Prediction Using Machine Learning Techniques, menyimpulkan bahwa
machine learning mampu untuk memprediksi performansi saham, dan penelitian yang berjudul Developing a Prediction Model for Stock
Analysis menyimpulkan bahwa prediksi saham menggunakan neural network lebih baik dari MLR (Multiple Linear Regression), dan SVM
(Support Vector Machine).

26
 BAB III METODE USULAN
3.1 Algoritma
Adapun langkah-langkah pada penelitian ini sebagai berikut :

3.1.1 Algoritma Backpropagation

1. Inisialisasi Jaringan:
a. Di sini kita menginisialisasi bobot dan bias menggunakan
jumlah input, jumlah neuron tersembunyi dan jumlah output.
b. Bobot dipilih secara acak dari rentang 0 hingga 1.
2. Forward Propagation
Pada tahap ini kita bisa mendapatkan output dengan menyebarkan
input kita melalui semua layer dan output tersembunyi lapisan.
Kami menggunakan teknik ini lebih lanjut dalam proses untuk
ramalan. Propagasi ke depan meliputi:
a. Aktivasi Neuron: Kami menemukan nilai aktivasi
menggunakan jumlah input tertimbang.
b. Transfer Neuron: Menggunakan nilai aktivasi ini dan fungsi
sigmoid kami mentransfer aktivasi ini untuk mendapatkan
keluaran.
c. Maju Propagasi: Ini menyebarkan input melalui input, hidden
dan layer output dan menyimpan nilai output.
3. Backpropagation kesalahan
Di sini kita menghitung kemiringan output dengan membedakan
fungsi sigmoid. Sekarang, sinyal kesalahan dihasilkan
menggunakan kesalahan tertimbang dari setiap neuron di lapisan
output.
4. Train Network
Kesalahan dihitung untuk setiap neuron yang digunakan metode
backpropagation dapat digunakan untuk memperbarui beban.
Demikian pula kami juga memperbarui bobot bias. Di dalam tahap
pembelajaran menentukan berapa banyak perubahan yang
seharusnya ada di sana dalam memperbarui bobot. Tingkat belajar
lebih kecil lebih besar dari database dan iterasi memberikan set
 yang lebih baik beban. Karena, kami memperbarui bobot untuk
setiap iterasi, ini disebut pembelajaran online. Begitu bobotnya
memperbarui langkah berulang tergantung pada jumlah iterasi
didefinisikan (jumlah zaman) dan kami melatih jaringan.
5. Prediksi
Untuk prediksi kami meneruskan propagasi input diatur untuk
mendapatkan output. Dalam kasus kami, kami menggunakan
output itu sendiri sebagai probabilitas pola milik masing-masing
kelas keluaran [13]. Kami mengubah output ini menjadi kelas yang
jernih prediksi dengan memilih nilai kelas dengan yang lebih besar
kemungkinan; Peluang; probabilitas. Kemudian kami
membandingkan output prediksi ini dengan output target untuk
mendapatkan akurasi algoritma. Basis data dibagi ke dalam 5
kelompok (5 lipatan) dimana 4 digunakan untuk pelatihan jaringan
dan 1 kali lipat untuk menguji jaringan. Ini memberi kami sekitar
80% data untuk pelatihan dan 20% untuk pengujian.

3.1.2 Algoritma LSTM

1. Pembuatan data untuk LSTM:
- Mengubah deret waktu menjadi supervised learning masalah:
a. Kami memiliki data yang dibagi menjadi set input dan
output.
b. Kami menetapkan nilai untuk langkah waktu.
Menggunakan langkah waktu ini kami menggeser dataset
dan menggabungkan dua seri ini untuk mendapatkan
hasil set.
- Mengubah deret waktu menjadi data stasioner:
a. Data diam lebih mudah untuk dimodelkan dan lebih baik
untuk peramalan.
b. Ini diperoleh dengan menghapus tren dari data yang
dicapai dengan membedakan data.
- Pengamatan ditransformasikan ke skala spesifik:
a. LSTM bekerja pada data yang berada dalam skala fungsi
aktivasi jaringan.
b. Karena fungsi aktivasi default untuk LSTM adalah
hiperbolik tangen (tanh) yang memiliki rentang keluaran
dari -1 hingga +1 yang ideal untuk data deret waktu.

28
 2. Pengembangan Model:
- LSTM adalah jenis Jaringan Syaraf Berulang (RNN). Ini Jenis
jaringan saraf berguna saat mengingat urutan data yang
panjang dan tidak bergantung pada jendela tertinggal dataset
sebagai input.
- Lapisan LSTM membutuhkan 3 input:
a. Sampel: Deretan dataset input memiliki kebebasan
observasi penyok.
b. Langkah waktu: Ini adalah langkah waktu dari parameter
untuk dataset input.
c. Fitur: Parameter dipertimbangkan dan diamati input
dataset untuk memprediksi output.
3. Saat mengkompilasi jaringan kita perlu menyebutkan fungsi
kerugian dan juga algoritma optimasi. Jadi, kami menggunakan
mae sebagai fungsi kerugian dan ADAM sebagai algoritma
optimasi. ADAM akan memilih tingkat pembelajaran yang
sesuai untuk jaringan. Lalu model ini sesuai dengan data
pelatihan dan kami memperkirakan hasilnya. Kemudian, kami
menghitung keakuratan model

Arsitektur ini adalah perancangan menggunakan diagram

IP-O. Adapun rancangan sistem yang mendeskripsikan alur sistem
dari awal hingga akhir adalah sebagai berikut :

Gambar 3. 1 Diagram IPO Arsitektur Sistem

1.1 Metode Evaluasi

1.2 Matrik Evaluasi
1.3 Data Penelitian
1.4 Tahapan Penelitian
1.4.1 Pengumpulan Data
1.4.2 Analisis Permasalahan
1.4.3 Perancangan Sistem
1.4.4 Implementasi
1.4.5 Pengujian Sistem
1.4.6 Dokumentasi
29
1.5 Perkiraan jadwal
Tabel 3. 1 Tabel Perkiraan Jadwal
30
 DAFTAR PUSTAKA

[1] A. Zheng and J. Jin, “Using ai to make predictions on stock market,”

Stanford University, Tech. Rep., 2017.
[2] Brilliant.org. (2018) Backpropagation. [Online]. Available:
https://brilliant.org/wiki/backpropagation
[3] C. Olah, “Understanding lstm networks,” Aug. 2015. [Online]. Available:
http://colah.github.io/posts/2015-08-Understanding- LSTMs
[4] Nurmila, N., Sugiharto, A., & Sarwoko, E. A. (t.thn.). Algoritma
Backpropagation Neural Network untuk Pengenalan Pola Karakter Huruf
Jawa. Jurnal Masyarakat Informatika
[13]. J. Brownlee. (2016, Jul.) How to implement the backpropagation algorithm
from scratch inpython. [Online]. Available:
https://machinelearningmastery.com/time-series- prediction-lstm-
recurrentneural-networks-python-keras/
[6] Muhammad Wildan Putra Aldi, Jondri, Annisa Aditsania, ” Analisis dan
Implementasi Long Short Term Memory Neural Network untuk Prediksi
31