132

PREDIKSI PERGERAKAN HARGA SAHAM

MENGGUNAKAN METODE BACK PROPAGATION

NEURAL NETWORK Rio Bayu Afrianto

1*), Handayani Tjandrasa

1), Isye Arieshanti

1)

1)Teknik Informatika, Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia *)

frianrio@gmail.com

ABSTRAK

Pasar saham merupakansalah satu hal yang paling menarik bagi investor. Dengan

mengetahui harga saham investor dapat merencanakan strategi yang tepat untuk mendapatkan

keuntungan. Akan tetapi, harga saham bersifat fluktuatif atau berubah-ubah dikarenakan

faktor-faktor tertentu. Kondisi pergerakan harga saham diharapkan dapat diprediksi secara

akurat oleh investor. Investor dapat melakukan prediksi dengan melakukan analisa histori dan

trend harga saham pada periode sebelumnya. Pada penelitian ini telah dirancang sebuah sistem

prediksi harga saham secara komputasional menggunakan metode Back Propagation Neural

Network (BPNN). Metode BPNN merupakan metode prediksi yang didasarkan pada sebagian

kecil sistem syaraf manusia. Metode BPNN merupakan metode yang mampu menangani data

yang bersifat non-linier dan time series. Sehingga metode BPNN ini cocok diterapkan pada

data harga saham yang juga memiliki sifat time seriesdan non-linier. Data harga saham diambil

dari data saham perusahaan yang tergabung dalam indeks LQ45 danuji coba pada penelitian ini

dilakukan secara harian (short term). Dari percobaan yang telah dilakukan prediksi harga

saham menggunakan metode BPNN memiliki presisi yang baik akan tetapi akurasi yang

didapatkan kurang baik. Hal ini terbukti dengan hasil NRMSE yang didapatkan minimal

sebesar 0.22 dan akurasi terbaik sebesar 62.18.

Kata kunci: Saham, prediksi, investor, back propagation neural network.

ABSTRACT

The stock market is one of the most attractive to investors. By knowing stock prices,

the investors can plan their strategy to get much advantage from it. Unfortunately, stock

pricesare fluctuated which caused by many factors.To get the price advantage, the

investorshould be able to predict the movement of the stock prices accurately. Investors can

use history data and the previous trend of stock prices. In this research, a system have

beencreated to predict stock price using BPNN method BPNN. BPNN is a prediction method

based on a neural system. BPNN can handle non-linear and time-series data also. Therefore

this method can be implemented on stock price data,since a stock price is non-linear time

series.The research data have been taken from LQ45 index and this research conducted on a

daily basis (short term). From the experiments have been carried out applying with BPNN

method in the prediction of stock prices has good precision but the accuration is not better as

evidenced by a minimal result of NRMSE is 0.22 and the best accuration is 62.18.

Keywords: Stock, prediction, investor, back propagation neural network.

Vol 3, No 3 Desember 2013 ISSN 2088-2130

133

1. PENDAHULUAN

Pasar modal merupakan

tempat calon pembeli atau investor

untuk membeli saham suatu

perusahaan. Banyak cara yang

digunakan calon investor untuk

memilih perusahaan yang tepat, salah

satunya melakukan analisis dengan

menggunakan indeks pasar saham.

Salah satu indeks pasar saham yang

digunakan pedoman adalah indeks

LQ45. Indeks LQ45 merupakan indeks

yang terdiri dari 45 saham perusahaan

tercatat yang dipilih berdasarkan

pertimbangan likuiditas dan

kapitalisasi pasar, disamping itu juga

perusahaan yang tergabung dalam

indeks LQ45 merupakan perusahaan

yang memiliki keadaan ekonomi yang

bagus. Dalam daftar LQ45 terdapat

daftar-daftar perusahaan yang

memiliki kriteria tertentu. Perusahaan-

perusahaan ini juga memiliki data

harga saham masing-masing.

Data harga saham perusahaan

merupakan hal yang paling menarik

perhatian bagi investor. Dengan

mengetahui harga saham, investor

dapat mengambil keputusan untuk

membeli saham suatu perusahaan atau

menjual saham miliknya. Akan tetapi,

harga saham bersifat fluktuatif atau

berubah-ubah dikarenakan faktor-

faktor tertentu.

Kondisi pergerakan harga

saham diharapkan dapat diprediksi

secara akurat oleh investor. Investor

dapat melakukan prediksi harga saham

dengan melakukan analisa histori dan

trend harga saham pada periode

sebelumnya. Analisis menggunakan

histori dan trend harga saham biasanya

disebut dengan analisis teknikal.

Analisis teknikal menggunakan

volume dan harga saham sebagai dasar

acuan untuk membentuk indikator.

Indikator-indikator teknikal tesebut

digunakan untuk acuan prediksi harga

saham, Beberapa indikator teknikal

tersebut seperti momentum dan moving

averages.

Prediksi harga saham melalui

pendekatan statistika dan

komputasional telah banyak dilakukan.

Garland mengusulkan metode

statistika, General

AutoregressiveConditional

Heteroskedasticity (GARCH) and

Stochastic Volatility model (SV) untuk

memprediksi harga saham[1]. Chen

mengusulkan metode ANN[2], dan

Wuang mengusulkan SVM untuk

prediksi harga saham[3]. Yakup

membandingkan dua metode SVM dan

ANN untuk memprediksi pergerakan

saham[4]. Dari dua metode tesebut,

metode ANN memiliki hasil akurasi

yang lebih bagus.

Metode ANN merupakan

metode prediksi yang terinspirasi dari

sebagian kecil jaringan syaraf manusia

atau jaringan syaraf tiruan. Ada dua

metode ANN yang paling popular

yaitu multi-layer perceptron (MLP)

dan radial basis function (RBF). Dari

kedua metode tersebut, metode

MLPdipilih sebagai metode prediksi

harga saham. Hal inidikarenakan

metode MLP dapat memprediksi

permasalahan dengan data non-linier

maupun time-series dengan hasil

akurasi yang baik[5]. Sehingga metode

MLP ini cocok untuk memprediksi

harga saham yang memiliki data non-

linier. Metode MLP yang digunakan

pada penelitian ini adalah back

propagation neural network. Penelitian

ini juga melakukan prediksi harga

saham secara harian (short term)

artinya butuh data hari sebelumnya

untuk melakukan prediksi pada hari

ini.

2. DATA

Pada penelitian ini, data yang

digunakan untuk prediksi adalah data

saham dari indeks LQ-45, dan

beberapa perusahaan yang termasuk

dalam LQ-45. LQ-45 merupakan salah

satu indeks saham perusahaan-

perusahaan blue chip di Indonesia.

LQ-45 terdiri dari 45 perusahaan yang

telah memenuhi kriteria tertentu, salah

Vol 3, No 3 Desember 2013

134

satunya adalah harus termasuk dalam

60 besar perusahaan dengan

kapitalisasi perusahaan paling tinggi.

Prediksi yang dilakukan terhadap data

ini bersifat

Tabel 1Data harga saham salah satu perusahaan LQ45

date ticker Name open high low close volume

12/3/2012 UNVR Unilever 26000 26400 26000 26200 1029500

12/4/2012 UNVR Unilever 26000 26250 25850 26250 1731500

12/5/2012 UNVR Unilever 26200 26200 25900 26000 1510500

12/6/2012 UNVR Unilever 25900 26100 25900 26000 2007500

12/7/2012 UNVR Unilever 25900 26250 25850 26250 2404500

12/10/2012 UNVR Unilever 26200 26200 25850 25950 1697500

12/11/2012 UNVR Unilever 25950 26100 25850 25950 1998000

12/12/2012 UNVR Unilever 25800 25800 22750 23150 17149000

12/13/2012 UNVR Unilever 22500 22500 20200 20350 38786500

12/14/2012 UNVR Unilever 20250 22350 20100 22200 31320500

12/17/2012 UNVR Unilever 22200 22400 21600 21800 5378500

12/18/2012 UNVR Unilever 22000 22000 21150 21600 4717000

harian.Contoh data harga saham

perusahaan dapat dilihat padaTabel 1.

Data saham yang diambil dari

perusahaan Unilever selama 12 hari

dari tangal 3-18 Desember 2012.

Pembukaan saham terjadi pada jam

09.00 dan penutupan saham pada jam

16.00. Dalam satu hari perdagangan

saham, harga saham yang dijual dapat

berubah. Perubahan harga saham

dikarenakan adanya tawar menawar

antara penjual saham dan pembeli

saham, sehingga harga saham dapat

mengalami naik turun dalam satu hari.

Biasanya harga saham pada saat

penutupan sama dengan harga saham

pada saat pembukaan di hari kemudian

tetapi bisa saja tidak sama, hal ini

dikarenakan adanya proses adjustment

pada pra pembukaan saham.

PadaTabel 1terdapat beberapa

atribut penjelas harga saham antara

lain date, ticker, open, high, low, close

dan juga volume. Open menunjukkan

harga saham pada saat dibuka,

highmenunujukkan harga saham

maksimum pada hari tersebut, low

menunjukkan harga saham terendah

perusahaan pada hari tersebut. Close

menunjukkan harga saham ketika

ditutup dan volume menunjukkan

banyaknya transaksi pada hari tersebut.

Data yang didapat tersebut

tidak langsung digunakan, akan tetapi

dirubah dulu kedalam bentuk

indikator. Indikatoryang

mempengaruhi harga saham sangat

banyak diantaranya adalah

indikator teknikal dan fundamental.

Faktor atau indikator yang

digunakan dalam penelitian ini

adalah indikator teknikal.

Ada tiga belas macam

indikator yang digunakan sebagai

variabel masukan pada penelitian

ini. Indikator-indikator tersebut

diambil dari beberapa sumber dan merupakan indikator yang paling

berpengaruh [4,6]. Indikator-indikator

teknikal yang digunakan dapat dilihat

pada Tabel 2.

Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

135

Tabel 2Indikator Teknikal dan perumusannya

Indikator Rumus

Simple 10-day moving average

(MA10)

Weighted 10-day moving average ( ) ( )

Momentum Stochastic K%

Stochastic D% ∑

RSI (Relative Strength Index)

(∑ ) (∑

)

MACD (Moving Average Convergence

Divergence) ( )

( ( ) )

Larry William’s R%

A/D (Accumulation / Distribution)

Oscillator

CCI (Commodity Channel Index)

OBV (On Balance Volume) BIAS6 [( ) ] PSY12 (Psychological line for 12 days) ( )

Keterangan adalah Closing price pada waktu ke t, adalah low price pada waktu ke t. adalah high price pada

waktu ke t. ( ) ( ) EMA adalah exponential moving average. ( ) ( ( ) ) , adalah smoothing factor: 2/1+k, k adalah periode dari k EMA. adalah lowest low pada akhir

hari ke-t, adalah highest high pada akhir hari ke-t, ( ) , (∑ ) ,

(∑ ) , adalah perubahan harga ketika naik. adalah perubahan harga ketika turun

pada waktu ke-t. adalah perubahan harga ketika harga naik pada waktu ke t. adalah volume pada hari ke-i.

3. METODE BPNN SEBAGAI

MODEL PREDIKSI SAHAM

Back Propagation Neural Network

(BPNN) adalah salah satu algoritma

multi-layer perceptron (MLP) yang

memiliki dua arah yaitu: maju dan

mundur. Karena BPNN termasuk

multilayer maka BPNN memiliki tiga

layer dalam proses pelatihannya yaitu

input layer, hidden layer dan output

layer. Dengan adanya hidden layer

maka tingkat error pada BPNN dapat

diperkecil dibandingkan pada single

layer. Hal ini dikarenakan fungsi

hidden layer pada BPNN untuk

memperbarui dan menyesuaikan

bobot. Dengan adanya penyesuain

bobot ini akan didapatkan nilai bobot

yang baru yang bisa diarahkan untuk

mendekati target yang diinginkan.

Arsitetktur algoritma BPNN

terdiri dari tiga layer yaitu input layer,

hidden layer dan output layer. Pada

input layer tidak terjadi proses

komputasi, namun terjadi pengiriman

sinyal masukan ke hidden layer. Pada

hidden layer dan output layer terjadi

proses komputasi terhadap bobot dan

bias, selain itu dilakukan perhitungan

juga terhadap hasil dari hidden layer

ke output layer tersebut berdasarkan

fungsi aktivasi tertentu. Dalam

algoritma BPNN ini digunakan fungsi

sigmoid sebagai fungsi aktivasi.

Fungsi sigmoid ini akan memberikan

nilai antara 0 sampai 1. Arsitektur

model BPNN dapat dilihat pada

Gambar 1.

Masukan BPNN pada

penelitian ini berupa 13 indikator

teknikal yang dijelaskan pada Tabel 2.

Tiap-tiap indikator ini diwakili oleh

tiap-tiap neuron pada input layer. Hasil

Vol 3, No 3 Desember 2013

136

Gambar 1Model Back Propagation Neural Network

Tabel 3 Parameter BPNN dan nilainya

Parameter Nilai

Jumlah Neuron Jumlah

indikator+1

Epoch 100,500 dan 1000

Momentum 0.01, 0.05 dan 0.1

Learning rate 0.01, 0.05 dan 0.1

keluaran pada model ini berupa harga

saham. Sedangkan jumlah neuron pada

hidden layer ditentukan sebanyak

jumlah indikator ditambah satu.Pada

awalnya bobot diisi dengan nilai acak,

dan akan dilakukan penyesuain bobot

pada saat training. Penyesuain bobot

didasarkan pada pasangan data

masukan dan data keluaran. Untuk

melakukan evaluasi performa metode

BPNN ini digunakan metode RMSE

(Root Mean Square Error) dan

akurasi. RMSE digunakan untuk

mengetahui selisih antara nilai aktual

dan nilai prediksi. Sedangkan akurasi

digunakan untuk menghitung

kecocokan arah harga saham prediksi

dengan harga saham akutal.

Formula perhitungan RMSE dapat

dilihat pada persamaan 1, dimana n

adalah banyaknya data, adalah data

hasil prediksi ke-i, dan adalah data

target ke-i.

√∑ ( )

(1)

Semakin kecil RMSE yang didapat

maka semakin bagus prediksinya.

Formula perhitungan akurasi

dapat dilihat pada persamaan 2.

dimana adalah true positive,

dimana hasil prediksi dan kunci sama-

sama naik, adalah true negative,

dimana hasil hasil prediksi dan kunci

sama-sama turun. Kemudian

adalah false positive dimana hasil

prediksi turun tetapi kunci naik dan

adalah false negative dimana hasil

prediksi naik tetapi kunci turun.

(2)

Pada metode BPNN terdapat

beberapa parameter yang harus

ditentukan, yaitu jumlah neuron pada

hidden layer, nilai learning rate,

momentum¸ dan jumlah iterasi atau

Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

137

Tabel 4 Data Perusahaan yang digunakan dari Tahun 2010-2012

Nama perusahaan Maks Min Mean Standard deviasi

Astra International Tbk (ASII) 8220.00 6900.00 6032.97 1257.00

Bank BCA Tbk. (BBCA) 9500.00 4525.00 6973.85 1165.07

Bank BNI Tbk. (BBNI) 4700.00 1687.00 3389.38 735.17

Bank Mandiri Tbk. (BMRI) 8800.00 4253.00 6530.07 1060.081

Gudang Garam Tbk. (GGRM) 66400.00 16700.00 45321.36 12176.85

Jasa Marga Tbk. (JSMR) 5900.00 1690.00 3734.01 1298.20

Kalbe Farma Tbk.(KLBF) 1130.00 250.00 629.77 190.99

Pabrik Gas Negara Tbk. (PGAS) 4800.00 2200.00 3808.91 448.82

Semen Indonesia Tbk. (SMGR) 16100.00 7100.00 10064.88 2070.94

Unilever Tbk. (UNVR) 28350.00 10600.00 17624.05 4239.70

LQ45 755.63 470.79 643.83 71.89

Tabel 5Parameter Terbaik untuk Tiap Perusahaan dengan jumlah node pada hidden layer = 11

Perusahaan epochs learning rate momentum rmse nrmse Akurasi

ASII 100 0.01 0.05 198.49 0.11 47.90

BBCA 500 0.01 0.01 157.97 0.07 41.18

BBNI 500 0.01 0.05 70.33 0.17 42.02

BMRI 100 0.01 0.01 222.43 0.11 57.98

GGRM 1000 0.01 0.01 1903.55 0.11 62.18

JSMR 1000 0.01 0.01 101.69 0.22 37.81

KLBF 100 0.01 0.05 64.47 0.16 47.06

PGAS 1000 0.01 0.01 166.72 0.13 47.06

SMGR 1000 0.01 0.01 330.34 0.07 60.50

UNVR 1000 0.01 0.01 754.09 0.09 47.90

LQ45 500 0.01 0.01 10.48 0.13 46.2

epoch. Pada penelitian ini jumlah

neuron ditentukan sebanyak jumlah

indikator ditambah satu, tiga nilai

untuk learning rate, tiga nilai untuk

epoch, dan tiga nilai untuk momentum.

Nilai-nilai parameter BPNN ini dapat

dilihat pada Tabel 3.

4. HASIL UJI COBA

Pada penelitian ini akan

digunakan data harga saham dari

sepuluh perusahaan Indonesia yang

tergabung dalam indek LQ45 dan

juga data harga saham juga

gabungan indek LQ45. Uji coba ini

dilakukan secara perhari (short-

term).

Vol 3, No 3 Desember 2013

138

(a) (b)

(c) (d)

(e) (f)

Gambar 2 Hasil uji coba prediksi harga saham perusahaan (a) Atra Internatioanl (b) Bank

BCA (c) Bank BNI (d) Bank Mandiri (e) Gudang Garam (f) Jasa Marga. Garis

biru menunjukkan harga aktual, Garis merah menunjukkan harga prediksi.

Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

139

(a) (b)

(a) (b)

(c)

Gambar 3Hasil uji coba prediksi harga saham perusahaan (a) Kalbe Farma (b) Perusahaan Gas

Negara (c) Semen Indonesia (d) Unilever (e) Indeks LQ45. Garis biru menunjukkan

harga aktual, Garis merah menunjukkan harga prediksi.

Vol 3, No 3 Desember 2013

140

Data perusahaan yang dipakai

seperti pada Tabel 4.Uji coba akan

dilakukan terhadap sepuluh perusahaan

dan satu indek dengan menggunakan

kombinasi parameter BPNN yaitu

momentum, epoch, dan learning rate.

Sehingga tiap-tiap perusahaanakan

dilakukan uji coba sebanyak 27 kali

dengan kombinasi parameter yang

berbeda-beda.

Kombinasi parameter yang

berbeda-beda ini akan menghasilkan

performa yang berbeda-beda pula. Oleh

karena itu penentuanparameter

mempengaruhi hasil dari performa

model ini. Akan tetapi hasil akurasi

antar perusahaan dapat berbeda dengan

menggunakan kombinasi parameter

yang sama. Sehingga tiap perusahaan

memiliki kombinasi parameter yang

berbeda untuk menentukan hasil yang

terbaik.

Hasil uji coba terbaik dari

sepuluh perusahaan dan satu indeks

dapat dilihat pada Gambar 2 dan

Gambar 3. Pada kedua gambar tersebut

disajikan perbedan antara data saham

aktual dan data prediksi saham. Data

saham digambarkan dengan garis warna

merah sedangkan data hasil prediksi

digambarkan dengan garis warna biru.

Semakin dekat jarak antara garis warna

merah dan biru semakin kecil kesalahan

prediksinya, begitu juga sebaliknya.

Disamping memperhitungkan selisih

harga saham dan prediksi, dilakukan

perhitungan juga kecocokan arah harga

saham aktual dan prediksi. Akurasi akan

bernilai tinggi jika arah pada grafik

aktual sama dengan arah pada grafik

prediksi, yaitu sama-sama naik atau

sama-sama turun.

Pada grafik tersebut, hampir

semua perusahaan memiliki kesalahan

prediksi yang. Hal ini dapat dilihat pada

kecilnya jarak data saham aktual dan

data saham prediksi. Akan tetapi akurasi

yang dihasilkan pada prediksi tersebut

benilai kecil artinya performa

pencocokan arah yang dihasilkan kurang

sesuai dengan data aktual. Performa

hasil uji coba yang dilkukan tergantung

dari parameter BPNN yang dipilih.

Performa hasil prediksi

ditentukan dari tiga kombinasi

parameter BPNN yang terbaik.

Kombinasi tiga parameter terbaik antara

lain epochs, learning rate dan

momentum. Kombinasi parameter

terbaik tiap perusahaan dapat dilihatpada

Tabel 5. Ketiga kombinasi

tersebut merupakan kombinasi

parameter yang terbaik untuk

mendapatkan hasil RMSE dan akurasi

yang tebaik. Hasil akurasi tidak perlu

dilakukan normalisasi, hal ini

dikarenakan skala akurasi pada semua

data sama yaitu 1-100. Sedangkan Hasil

RMSE ini perlu dinormalisasi karena

data saham perusahaan yang di uji coba

memiliki karakteristik yang berbeda.

Oleh karena itu digunakan NRMSE.

NRMSE adalah normalisasi dari

RMSE dengan membagi hasilnya

dengan selisih antara maksimum dan

minimum data. Persamaan NRMSE

seperti berikut:

, (2)

Semakin kecil nilai NRMSE maka

semakin bagus juga hasil prediksinya,

begitu juga sebaliknya.

Pada

Tabel 5dapat diketahui bahwa

parameter epoch (E), learning rate (Lr),

dan momentum (M) yang paling banyak

digunakan untuk menghasilkan nilai

RMSE yang terbaik adalah 1000, 0.01,

dan 0.01. Selain itu dari hasil uji coba

didapatkan NRMSE terbaik pada

perusahaan Bank BCA Tbk (BBCA)

sebesar 0.05 dan nilai NRMSE terendah

pada perusahaan Jasa Marga Tbk

(JSMR) dengan nilai NRMSE 0.22.

Sedangkan hasil akurasi terbaik bernilai

62.18 oleh perusahaan Gudang Garam

dan akurasi terendah sebesar 37.81 oleh

perusahaan Jasa Marga.

5. KESIMPULAN

Prediksi harga saham adalah hal

yang penting bagi investor untuk

Rio Bayu Afrianto dkk, Prediksi Pergerakan Harga Saham ...

141

merencanakan strategi bisnisnya.

Dengan melakukan prediksi harga

saham juga dapat mempengaruhi

keputusan investor apakah harus

membeli saham atau menjual saham

miliknya. Pada penelitian ini diusulkan

cara memprediksi saham secara

komputasional. Penelitian ini

menggunakan metode BPNN sebagai

prediksi dan beberapa perusahaan yang

termasuk kategori LQ45 sebagai

ujicoba. Dari hasil uji coba, dapat

disimpulkan bahwa metode BPNN dapat

memprediksi harga saham harian dengan

cukup baik. Hal ini terbukti dengan nilai

NRMSE yang dihasilkan, yaitu minimal

0.22. Akan tetapi metode BPNN ini

kurang baik dalam memprediksi arah

harga saham. Hal ini terbukti dengan

akurasi terbaik yang dihasilkan sebesar

62.18.

6. DAFTAR PUSTAKA

[1] B. Garland, "SV mixture models

with application to S&P 500 index

returns," Journal of Financial

Economics, vol. 85, pp. 822-856,

2007.

[2] C. H. Chen, "eural networks for

financial market prediction," IEEE

World Congress Computational

Intelligence, vol. 27, p. 1199–1202,

1994.

[3] W. Wuang, Y. Nakamori and S.

Wang, "Forecasting stock market

movement direction with support

vector machine," Computers and

Operations Research, vol. 10, p.

2513–2522, 2005.

[4] K. Yakup, M. Boyacioglu and O.

Baykan, "Predicting direcition of

stock price index movement using

artificial neural network and support

vector machines: The sample of

Istanbul Stock Exchange," Expert

Systems with Applications, vol. 38,

pp. 5311-5319, 2011.

[5] K. Hornik, M. Boyacioglu and O.

Baykan, "Universal approximation

of an unknown mapping and its

derivatives using multilayer

feedforward neural network," Neural

networks, vol. 3, pp. 359-366, 1990.

[6] W. Shen, X. Guo, C. Wu and D. Wu,

"Forecasting stock indices using

radial basis function neural network

optimized by artificial fish swarm

algorithm," Knowledge- Based

Systems, vol. 24, pp. 378-585, 2011.

Vol 3, No 3 Desember 2013