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
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
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
6
DAFTAR TABEL
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.
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)
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).
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.
2.2 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 :
13
b. Fungsi aktivasi untuk menghitung sinyal output :
) (Persamaan 8)
Keterangan:
: Nilai hidden
) : Fungsi
aktivasi untuk menghitung Langkah
2 :
(Persamaan 9)
Keterangan :
Y_ink : Hasil penjumlahan sinyal hidden output
(Persamaan 10)
Keterangan :
2.2.2 Backpropagation
Langkah 3 :
a. Hitung informasi error-nya:
(Persamaan 11)
Keterangan :
14
Tk : Output prediksi
f‘(Y_ink ) \: Turunan fungsi aktivasi
b. Hitung koreksi bobot (yang nantinya akan digunakan untuk
memperbaiki nilai):
=
(Persamaan 12)
Keterangan :
(Persamaan 13)
Keterangan :
𝑎 : Output prediksi
Langkah 4 :
a. Menjumlahkan delta input (dari unit-unit yang berada pada lapisan di
atasnya :
= (Persamaan 14)
15
= f'(
(Persamaan 15)
)
=
(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)
(Persamaan 21)
(Persamaan 22)
Keterangan :
16
∆𝑊𝑗𝑘 : Menghitung informasi error
𝑎 : Output 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).
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)
= 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
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 :
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