PREDIKSI HARGA SAHAM DENGAN HYBRID GROWING HIERARCHIAL SELF ORGANIZING MAP (GH-SOM) DAN BACKPROPAGATION NEURAL NETWORK (BPNN) (Studi Kasus: Saham Index LQ 45 pada Bursa Efek Indonesia)

putu sugiartawan, Prof. Dra. Sri Hartati, M.Sc., Ph.D.

2014 | Tesis | S2 Ilmu Komputer

Prediksi harga saham sangat membantu investor khususnya pialang saham dalam mengambil keputusan arah investasi dari naik turunnya harga saham di Bursa Efek. Volatilitas yang tinggi dalam pasar modal menyebabkan munculnya kebutuhan untuk memahami pola dan perilaku harga saham maupun indeks di pasar modal. Pada umumnya prediksi saham dilakukan dengan menggunakan analisis teknikal dan fundamental, namun pendekatan tersebut menghasilkan tingkat akurasi yang rendah bila dibandingkan dengan pendekatan Jaringan Saraf Tiruan (JST). Backpropagation neural network merupakan salah satu algoritma dari pendekatan JST, yeng mampu mengenali pola dan memprediksi harga saham dengan tingkat akurasi tinggi, bila dibandingkan dengan kedua pendekatan tersebut. Model JST tidak berpatokan terhadap perhitungan matematis tetapi lebih kepada data dari masalah yang diselesaikan, informasi yang disampaikan melalui data pada JST diperoleh dari proses pelatihan. Rentan waktu perlatihan bergantung dari banyaknya data yang digunakan, semakin besar jumlah data maka proses pelatihan semakin lama begitu pula sebaliknya. Untuk mengurangi waktu pelatihan maka, pada penelitian ini digunakan perpaduan atau hybrid algoritma Growing Hierarchical Self-Organizing Map (GH-SOM) dan Backpropagation Neural Network (BPNN). Algoritma GH-SOM berfungsi mengelompokan data pelatihan, menjadi beberapa kelompok data dan selanjutnya masing-masing kelompok data tersebut diprediksi dengan algoritma BPNN. Hasil penelitian menunjukan bahwa pengelompokan data dengan algoritma GH-SOM menghasilkan beberapa kelompok data dan dapat mengurangi waktu pelatihan, namun akurasi yang dihasilkan dari perpaduan algoritma tersebut lebih rendah yaitu sebesar 53 %, bila dibandingkan dengan algoritma BPNN yang menghasilkan tingkat akurasi sebesar 92,58 %. Salah satu penyebab rendahnya tingkat akurasi yang dihasilkan, adalah terjadinya stock split pada saham yang diteliti. Saham yang menjadi objek penelitian adalah saham Kalbe Farma (KLBF), yang secara fundamental memiliki tingkat keuntungan yang tidak berfluktuasi.

Predictions of stock prices are very helpful for investors, especially stockbrokers in deciding the direction of investment from the fluctuation of stock prices in the Stock Exchange. High volatility in the stock markets led to the emergence of the need to understand the patterns and behavior of stock prices and indexes in the stock market. In general, stock predictions are done using technical and fundamental analysis, but these approaches produce a low level of accuracy when compared with the approach of Artificial Neural Network (ANN). Backpropagation neural network algorithm is one of the ANN approaches, which is able to recognize patterns and predict the stock price with a high degree of accuracy, when compared to both approaches. ANN models do not rely on mathematical calculations, but rather to the data of the solved problem, the information presented by the data is obtained from the training process of ANN. The range of training time depends on the amount of data used, the greater the data amount the longer the training process and vice versa. To reduce the training time, this study used a fusion or hybrid algorithms of Growing Hierarchical Self-Organizing Map (GH-SOM) and Backpropagation Neural Network (BPNN). GH-SOM algorithm groups the training data into clusters and then each cluster of data is predicted by BPNN algorithm. The result of this study showed that the clustering of the data with GH-SOM algorithm generated multiple clusters of data and it can reduce training time, but the resulting accuracy of the hybrid algorithm is lower by 53%, when compared with BPNN algorithm that produced an accuracy degree of 92.58%. One of the reasons causing low level of accuracy is the stock split in the stocks researched. Stock that was used in the research is Kalbe Farma stock (KLBF), which fundamentally has a not fluctuated profit level.

Kata Kunci : Prediksi Saham, Backpropagation, GHSOM, SOM, Portofolio Saham Index LQ 45, Clustering, Jaringan Saraf Tiruan (JST).