Puspita, Alfriska Deviane (2021) OPTIMASI PARAMETER BOBOT BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA PADA PREDIKSI HARGA SAHAM. Diploma thesis, UPN "Veteran" Yogyakarta.
![[img]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
SKRIPSI_123170108.pdf Restricted to Repository staff only Download (3MB) |
|
|
Text
ABSTRAK_123170108.pdf Download (11kB) | Preview |
|
|
Text
COVER_123170108.pdf Download (126kB) | Preview |
|
|
Text
DAFTAR ISI_123170108.pdf Download (94kB) | Preview |
|
|
Text
DAFTAR PUSTAKA_123170108.pdf Download (141kB) | Preview |
|
|
Text
HALAMAN PENGESAHAN PEMBIMBING_123170108.pdf Download (136kB) | Preview |
|
|
Text
DAFTAR PUSTAKA_123170108.pdf Download (141kB) | Preview |
Abstract
Saham merupakan surat bukti kepemilikian suatu perusahaan yang diperdagangkan. Dalam menganalisis pegerakan harga saham dapat dilakukan dengan menggunakan analisis teknikal. Analisis teknikal ini membutuhkan pemahaman khusus mengenai indikator-indikator yang digunakan sehingga investor pemula kesulitan dalam melakukan prediksi pergerakan harga saham. Salah satu model algoritma yang dapat digunakan untuk memprediksi harga saham tanpa harus memahami indikator saham adalah backpropagation neural network. Backpropagation cocok digunakan dalam memprediksi suatu kejadian di masa yang akan datang dengan menggunakan data historis. Akan tetapi algoritma ini memiliki kekurangan dalam menentukan parameter optimal yang akan digunakan terutama dalam pemilihan parameter bobot. Kekurangan pada algoritma backpropagation dapat diatasi dengan melakukan proses optimasi. Optimasi akan dilakukan dengan menggunakan algoritma genetika yang digunakan untuk mengoptimasi parameter bobot. Algoritma genetika ini memiliki kemampuan dalam menemukan optimum global yang berdampak pada kestabilan hasil prediksi. Dengan demikian algoritma genetika dapat digunakan untuk mengoptimasi parameter bobot agar mendapatkan nilai bobot terbaik sehingga nilai error yang dihasilkan dapat menurun dan hasil prediksi harga saham lebih akurat. Dalam penelitian ini, penguian dilakukan dengan menggunakan beberapa skenario untuk menguji parameter yang menghasilkan nilai error terendah. Pengujian dengan menggunakan algoritma backpropagation saja menghasilkan nilai MSE sebesar 0.001021 pada proses training dan 0.001193 pada proses testing sedangkan pengujian dengan melakukan proses optimasi dengan algoritma genetika menghasilkan nilai MSE sebesar 0.000340 pada proses training dan 0.000304 pada proses testing. Berdasarkan hasil pengujian, parameter terbaik dihasilkan dengan kombinasi 80% data training, 20% data testing, 2 neuron hidden layer, 0.01 learning rate, 500 iterasi, 50 populasi, 10 generasi, 0.9 Cr, dan 0.5 Mr. Hasil pengujian membuktikan bahwa algoritma genetika mampu menurunkan nilai error pada prediksi harga saham sebesar 0.000681 pada proses training dan 0.000889 pada proses testing. Kata kunci : Saham, backpropagation, optimasi, algoritma genetika
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Saham, backpropagation, optimasi, algoritma genetika |
| Subjects: | Z Bibliography. Library Science. Information Resources > ZA Information resources |
| Divisions: | Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
| Depositing User: | Eny Suparny |
| Date Deposited: | 10 Feb 2022 07:47 |
| Last Modified: | 10 Feb 2022 07:48 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/28311 |
Actions (login required)
 |
View Item |