2
Saraf Tiruan (Neural Network)
dengan indicator pasar campuran
(hybrid) yang menggabungkan penggunaan variabel-variabel analisis
teknis dan analisis dasar (fundamental) dari indikator pasar saham.
Jaringan Saraf Tiruan
(JST) adalah teknik data mining
yang
dapat
belajar dan mendeteksi hubungan antar variabel non-linear. JST juga
memungkinkan analisis yang lebih dalam pada set data yang besar
terutama yang memiliki kecenderungan untuk berfluktuasi dalam
periode waktu yang singkat.
Jurnal ini akan membahas tentang perbandingan
model JST
untuk memprediksi pasar saham dengan menggunakan JST multilayer
perceptron
dengan jumlah 3 lapisan yang terdiri dari input
layer
(x
node), hidden layer
(z node), dan output
layer
(y node).
Algoritma
pembelajaran (training)
yang dipakai adalah algoritma
backpropagation
dengan fungsi aktivasi sigmoid karena
telah
ditemukan literatur yang membuktikan bahwa fungsi aktivasi sigmoid
lebih baik daripada fungsi-fungsi
lainnya, seperti Unit Step function,
Gaussian function, Piecewise
Linear function, dan Binary Transfer
function.
Perbandingan model JST akan dilakukan dengan
membandingkan model JST dengan variabel input yang berbeda, yaitu
model JST
hybrid
(18 –
z
–
1, z=18, …
,26)
dengan variabel hybrid
(variabel analisis teknis dan analisis fundamental) dan model JST
analisis teknis (10 –
z
–
1, z
= 10, … , 18) dengan variabel analisis
teknis sebagai variabel input
masing-masing JST. Variabel analisis
teknis adalah indeks inti pasar saham (harga saham saat ini, harga
pembukaan, harga penutupan, volume, harga tertinggi, harga terendah,
dll), sedangkan variabel analisis fundamental adalah indeks kinerja
perusahaan (harga per pendapatan tahunan, rumor/berita, nilai buku,
status keuangan, dll).
Hasil perbandingan yang didapat dengan kedua JST diatas
dengan jumlah input
node, hidden node
yang berbeda
dan 1 output
node
membuktikan
bahwa JST hybrid
lebih akurat daripada JST
analisis teknis. Hal ini didapat dengan membandingkan
hasil yang
paling akurat dari masing-masing JST, yaitu JST hybrid
dengan
 |