Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.

Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.

Kata Kunci: prediksi harga saham, moving average, neural network, backpropagtion

Full Text:

References

Abbas, I, Penerapan Metode Moving Average Berbasis Algoritma Support Vector Machine Untuk Membandingkan Pola Kurva dengan Trend Kurva Pada Trading Forex Online, 2016.

Cagan, M., Stock Market 101. Adams Media, 2016.

Group, Forex Training. (2018, December 15). Basic Tenets Of The Dow Theory In Technical Analysis. Retrieved from Forex Training Group: https://forextraininggroup.com/basic-tenets-dow-theory-technical-analysis/

Hidayat, A. (2017, June 2). Statistikian. Retrieved from Statistikian: http://www.google.co.id/amp/s/www.statistikian.com/2012/10/penelitian-kuantitatif.html

Hidayat, R, Prediksi Harga Saham Menggunakan Neural Network, 2016.

Investopedia, LLC. (2018). Stock Market. Retrieved from Investopedia: https://www.investopedia.com/terms/s/stockmarket.asp

Jumaidi, H. (2018, January 10). Astronacci. Retrieved from Astronacci: https://www.astronacci.com/blog/read/kenali-trend-dan-candlestick-pada-awal-trading

Kholis, I, Analisis Variasi Parameter Backpropagation Artificial Neural Network Terhadap Pengenalan Pola Data Iris, 2015.

Kusumodestoni, R. H., & Sarwido, Komparasi Support Vector Machines (SVM) dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham, 2017.

Nurlifa, A., & Kusumadewi, S, Sistem Peramalan Jumlah Penjualan Menggunakan Metode Moving Average Pada Rumah Jilbab Zaky, 2017.

Sekolah Saham. (2019). Sekolah Saham. Retrieved from Sekolah Saham: https://sekolahsaham.com/

Siahaan, L. E., Umbara, S.Si, MSi, R. F., & Sibaroni, S.T., M.T., Y, Prediksi Indeks Harga Saham dengan Metode Gabungan Support Vector Regression dan Jaringan Syaraf Tiruan, 2017.

Suyanto, Artificial Intelligence. Yogyakarta: Informatika Bandung, 2014.

T, N. A., Murnomo, A., & Suryanto, A, Implementasi Neural Network pada Matlab untuk Prakiraan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur, 2017.

Widodo, P. P., & Handayanto, R. T, Penerapan Soft Computing Dengan Matlab. Bandung: Rekayasa Sains, 2012.

Widodo, S, Analisis Metode Single Moving Average dan Exponential Smoothing Dalam Peramalan Permintaan Senapan Angin (Studi Kasus : UD.HAFARA), 2017.

Refbacks

  • There are currently no refbacks.

Department of Information System| Computer Science Faculty | Universitas Pelita Harapan | [email protected]

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *