MAS’UDI, AZMI FARIS (2022) IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) BACKPROPAGATION DENGAN ADAPTIVE LEARNING RATE DAN MOMENTUM COEFFICIENT DALAM MEMPREDIKSI HARGA SAHAM (STUDI KASUS SAHAM PERBANKAN DI INDONESIA). Other thesis, UPN 'Veteran" Yogyakarta.
![]() |
Text
DAFTAR ISI.pdf Download (46kB) |
![]() |
Text
SKRIPSI FULL_Azmi Faris Mas'udi_123150014.pdf Restricted to Repository staff only Download (5MB) |
![]() |
Text
COVER.pdf Download (134kB) |
![]() |
Text
HALAMAN PENGESAHAN PEMBIMBING.pdf Download (457kB) |
![]() |
Text
DAFTAR PUSTAKA.pdf Download (82kB) |
![]() |
Text
ABSTRAK.pdf Download (17kB) |
Abstract
vi
1ABSTRAK
Investasi saham merupakan investasi yang paling banyak diminati oleh investor,
karena menjanjikan potensial keuntungan yang tinggi. Selain keuntungan yang tinggi,
saham juga berisiko untuk menimbulkan kerugian yang besar. Untuk bisa melakukan
prediksi saham, diperlukan adanya pengetahuan tentang saham. Orang yang belum pernah
bertransaksi saham dan orang yang baru dalam dunia saham sering kali menemui titik loss
dan menimbulkan kerugian dalam bertransaksi saham. Oleh karena itu diperlukan adanya
sistem yang dapat membantu dalam melakukan prediksi saham. Terdapat berbagai macam
metode yang biasa digunakan untuk prediksi, salah satunya adalah Jaringan Syaraf Tiruan
Backpropagation. Algoritma Backpropagation merupakan algoritma jaringan syaraf tiruan
yang biasa digunakan dalam pengenalan pola. Salah satu implementasi dari Algoritma
Backproapgation adalah untuk melakukan peramalan. Performa yang dihasilkan oleh
Algortima Backpropagation dalam peramalan tergolong sangat baik. Hasil menunjukkan
bahwa hasil prediksi dari Algoritma Backpropagation mendekati nilai aslinya. Selain
memiliki kelebihan di tingkat akurasi, algoritma ini memiliki kelemahan, yaitu memiliki
tingkat konvergensi yang lambat dan memerlukan waktu pelatihan yang lama.
Untuk menangani kelemahan pada Algoritma Backpropagation, diperlukan adanya
peningkatan algoritma. Salah satu peningkatan pada algoritma backpropagation yaitu
dengan menambahkan adaptive learning rate dan momentum coefficient. Adaptive learning
Rate dan momentum coefficient merupakan metode yang bertujuan untuk meningkatkan
efektivitas dari parameter learning rate dan koefisien, di mana parameter ini berfungsi untuk
meningkatkan kecepatan belajar dari algoritma backpropagation. Adanya adaptive learning
rate dan momentum diketahui dapat mempercepat proses pembelajaran tanpa mengurangi
nilai akurasi secara signifikan. Berdasarkan uraian di atas, dilakukan penelitian mengenai
implementasi jaringan syaraf tiruan backpropagation dengan adaptive learning rate dan
momentum coefficient dalam memprediksi harga saham.
Hasil komparasi menunjukkan bahwa adanya adaptive learning rate dan momentum
coefficient dalam Algoritma Backpropagation dapat mempercepat proses pembelajaran
pada Algoritma Backpropagation. Algoritma Backpropagation dengan adaptive learning
rate dan koefisien momentum memerlukan waktu pembelajaran 30% lebih singkat
dibandingkan Algoritma Backpropagation konvensional. Selain mampu mempercepat
proses pembelajaran, Algoritma Backpropagation dengan adaptive learning rate dan
koefisien momentum juga memiliki nilai akurasi yang tinggi, yaitu 98%.
Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation, Learning rate, Coefficient,
Saham
vii
2ABSTRACT
Stock investment is an investment that is most in demand by investors because it
promises high-profit potential. In addition to high profits, stocks are also at risk of incurring
large losses. To be able to make stock predictions, it is necessary to have knowledge about
stocks. People who have never traded stocks and people who are new to the world of stocks
often encounter loss points and cause losses in stock transactions. Therefore it is necessary
to have a system that can assist in making stock predictions. There are various kinds of
method commonly used for prediction, one of which is the Artificial Neural Network
Backpropagation Algorithm. The backpropagation algorithm is an artificial neural network
algorithm that is commonly used in pattern recognition. One implementation of the
Backpropagation Algorithm is for forecasting. The performance generated by the
Backpropagation Algorithm in forecasting is very good. The results show that the prediction
results of the Backpropagation Algorithm are close to the original value. In addition to
having advantages in the level of accuracy, this algorithm has weaknesses, namely, it has a
slow convergence rate and requires a long training time.
To deal with weaknesses in the Backpropagation Algorithm, it is necessary to improve
the algorithm. One of the improvements to the backpropagation algorithm is by adding an
adaptive learning rate and momentum coefficient. Adaptive learning rate and momentum
coefficient are methods that aim to increase the effectiveness of the learning rate and
coefficient parameters, where these parameters serve to increase the learning speed of the
backpropagation algorithm. The existence of an adaptive learning rate and momentum is
known to accelerate the learning process without significantly reducing the accuracy value.
Based on the description above, research is conducted on the implementation of
backpropagation neural networks with adaptive learning rate and momentum coefficient in
predicting stock prices.
The comparison results show that the adaptive learning rate and momentum
coefficient in the Backpropagation Algorithm can accelerate the learning process in the
Backpropagation Algorithm. A backpropagation algorithm with an adaptive learning rate
and momentum coefficient requires 30% shorter learning time than a conventional
Backpropagation Algorithm. Besides being able to speed up the learning process, the
Backpropagation Algorithm with adaptive learning rate and momentum coefficient also has
a high accuracy value, which is 98%.
Keywords : Artificial Neural Network, Backpropagation, Learning rate, coefficient, stock
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Jaringan Syaraf Tiruan, Backpropagation, Learning rate, Coefficient, Saham |
Subjects: | Z Bibliography. Library Science. Information Resources > ZA Information resources |
Divisions: | Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
Depositing User: | Eko Yuli |
Date Deposited: | 12 Aug 2022 03:28 |
Last Modified: | 12 Aug 2022 03:28 |
URI: | http://eprints.upnyk.ac.id/id/eprint/30636 |
Actions (login required)
![]() |
View Item |