Penerapan Artificial Neural Network dengan Algoritma Backpropagation untuk Memprediksi Harga Saham

Abstract

Abstract. Data can be utilized in making a decision in the future. In determining a crucial decision, an appropriate method is needed in predicting data. One of the most widely used methods in predicting data is multiple linear regression with the ordinary least squares (OLS) method, but in its implementation the data often does not meet the assumptions so that Atrificial Neural Network (ANN) is used as an alternative for predicting data because of its ability to carry out learning algorithms from data where in the process no assumptions are needed. ANN can study the patterns contained in the data through a series of interconnected layers, where each layer consists of a number of neurons that have certain weights and biases. The sigmoid activation function is used to activate or deactivate a neuron and to facilitate calculations when performing the Backpropagation Neural Network algorithm. The Backpropagation Neural Network (BNN) algorithm starts from initializing the initial weights and biases, then predicts the testing data, calculates errors, and updates the weights and biases using a gradient algorithm. From the test results, using a multilayer network, the architectural components 7-3-1 and the factor assessment are obtained with details of the number of iterations of 100, the learning rate value is 0.9 and the error tolerance is 0.01 so that the average result value of RMSE Atrificial Neural Network (ANN) is 0.01392 for the training process, the average RMSE Atrial Neural Network (ANN) is 0.01128 for the testing process and the accuracy reaches 96%.

Abstrak. Data dapat dimanfaatkan dalam membuat sebuah keputusan di masa yang akan datang. Dalam menentukan sebuah keputusan yang krusial diperlukan sebuah metode yang tepat dalam memprediksi data. Salah satu metode yang paling banyak digunakan dalam memprediksi data adalah regresi linear berganda dengan metode ordinary least square (OLS), namun dalam penerepannya sering kali data tidak memenuhi asusmi sehingga Atrificial neural network (ANN) dijadikan sebagai alternatif untuk memprediksi data karena kemampuannya dalam melakukan algoritma pembelajaran dari data dimana dalam prosesnya tidak diperlukan asumsi apapun. ANN dapat mempelajari pola-pola yang terdapat pada data melalui serangkaian layer yang saling terhubung, dimana setiap layer terdiri dari sejumlah neuron yang memiliki bobot dan bias tertentu. Fungsi aktivasi sigmoid digunakan untuk mengaktifkan atau menonaktifkan sebuah neuron serta untuk memudahkan perhitungan pada saat melakukan algoritma Backpropagation Neural Network. Algoritma Backpropagation Neural Network (BNN) dimulai dari inisialisasi bobot dan bias awal, kemudian melakukan prediksi terhadap data testing, menghitung error, dan memperbarui bobot dan bias menggunakan algoritma gradien. Dari hasil pengujian, menggunakan multilayer network diperoleh  komponen arsitektur 7-3-1 dan penilaian faktor dengan rincian jumlah iterasi 100, nilai learning rate sebesar 0,9 dan toleransi error sebesar 0,01 sehingga diperoleh nilai hasil rata-rata RMSE Atrificial neural network (ANN) sebesar 0,01392 untuk proses training, rata-rata RMSE Atrificial neural network (ANN) sebesar 0,01128 untuk proses testing dan akurasi mencapai 96%.