PENGGUNAAN APLIKASI SISTEM JARINGAN SYARAF TIRUAN BERULANG ELMAN UNTUK PREDIKSI PERGERAKAN HARGA SAHAM
Abstract
Prediksi pasar saham adalah sebuah tindakan untuk menentukan nilai sebuah saham perusahaan pada masa yang akan datang. Namun, dalam melakukan prediksi pasar saham tidaklah mudah karena sifat pasar saham yang selalu berubah dan susah ditebak. Banyak peneliti yang menyelidiki tentang pasar saham dengan metode-metode data mining, salah satunya adalah menggunakan neural network untuk membantu para investor untuk mengambil keputusan. Neural network dapat mencari pola antara data input dan output untuk menjadi pembelajaran bagi sistem. Dalam pembuatan aplikasi ini digunakan elman neural network yang merupakan pengembangan dari neural network. Elman neural network dapat melakukan pemodelan sistem yang lebih baik karena mempunyai internal state yang menyimpan nilai dari penghitungan sebelumya. Hal ini membuat Elman neural network sesuai untuk melakukan prediksi pasar saham. Aplikasi ini akan menerima input data saham dan akan mengeluarkan output berupa prediksi harga saham untuk keesokan harinya. Input data yang digunakan adalah Open, Low, High, Volume dan Close sedangkan output nya adalah harga Close untuk keesokan harinya. Aplikasi yang dibuat akan divalidasi dengan cara membandingkan dengan aplikasi yang menggunakan fungsi dari library Encog . Hasil dari percobaan menunjukkan bahwa aplikasi yang dibuat memberikan hasil yang lebih baik dan lebih stabil dibandingkan dengan library Encog.
Downloads
References
Ayodele A.A., Charles A.K., Marion A.O., Sunday O.O. 2012. ‘Stock Price Prediction using Neural Network with Hybridized Market Indicators’, Journal of Emerging Trends in Computing and Information Sciences diunduh pada tanggal 13 April 2014
Boden M ,2001. A Guide to recurrent neural networks and backpropagation. diunduh pada tanggal 14 April 2014
Devadoss A. V., Ligori T. A. A. 2013 ‘Stock Prediction Using Artificial Neural Networks’ International Journal of Data Mining Techniques and Applications diunduh pada tanggal 7 Oktober 2014
Haykin, S. 1999. Neural Networks: A Comprehensive Foundation Second Edition, Prentice Hall International, Upper Saddle River: Pearson Education
Kamijo K., Tanigawa T. 1990. ‘Stock Price Pattern Recognition: A Recurrent Neural Network Approach’ IEEE International Joint Conference on Neural Networks diunduh pada tanggal 14 April 2014
Kodogiannis, V., A. Lolis. 2002. ‘Forecasting financial time series using neural network and fuzzy system-based techniques’. Neural Computing and Applications diunduh pada tanggal 9 Oktober 2014
Kondratenko V.V., Kuperin Y.A. 2003. Using Recurrent Neural Networks To Forecasting of Forex diunduh pada tanggal 6 Juni 2014
Pring, Martin J. 1991. Technical Analysis Explained, New York: McGraw-Hill
Soni S. 2011. ‘Applications of ANNs in Stock Market Prediction: A Survey’, International Journal of Computer Science & Engineering Technology (IJCSET) diunduh pada tanggal 5 Juni 2014
Trippi, R.R., Lee, J.K. 1996. Artificial Intelligence in Finance & Investing: State-of the-Art Technologies for Securities Selection and Portfolio Management, Chicago : Irwin Professional Publishing
Wei L-Y., Cheng C-H. 2011. A Hybrid Recurrent Neural Networks Model Based On Synthesis Features To Forecast The Taiwan Stock Market. http://www.ijicic.org/ijicic-11-05024.pdf pada tanggal 13 April 2014
- Articles published in CALYPTRA are licensed under a Creative Commons Attribution-ShareAlike 4.0 International license. You are free to copy, transform, or redistribute articles for any lawful purpose in any medium, provided you give appropriate credit to the original author(s) and the journal, link to the license, indicate if changes were made, and redistribute any derivative work under the same license.
- Copyright on articles is retained by the respective author(s), without restrictions. A non-exclusive license is granted to CALYPTRA to publish the article and identify itself as its original publisher, along with the commercial right to include the article in a hardcopy issue for sale to libraries and individuals.
- By publishing in CALYPTRA, authors grant any third party the right to use their article to the extent provided by the Creative Commons Attribution-ShareAlike 4.0 International license.