Peramalan Penjualan Harga Saham PT Bank Rakyat (Persero) Tbk BBRI Indonesia dengan Menggunakan Recurren Neural Nerwork (RNN)

Main Article Content

Walid Walid

Abstract

Penelitian ini menggunakanstudi literatur dan simulasi program dari data sekunder yang diambil, pengumpulan data dilakukan dengan menggunakan data saham harian PT Bank Rakyat Indonesia (Persero) Tbk (BBRI) durasi waktu januari 2016 sampai dengan september 2018 yang diakses secara online. Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis data didasarkan pada kajian teori dengan menggunakan model recurren neural network, kajian komputasi dan kajian terapan. Kajian komputasi ini dilakukan untuk memperoleh hasil analisis dengan menggunakan jaringan saraf tiruan dan komputasional tahap-tahap identifikasi data yang memuat penentuan variabel, penyusunan fokus pada pemiliahan indikator disetiap variabel yang menjadi objek pilihan data pada penelitian ini, menentukan beberapa nilai awal untuk bias dan bobot parameter  serta nilai awal variabel pada iterasi pertama. Kemudian dikembangkan pelatihan dengan menggunakan model yang diperoleh untuk disimulasikan sampai pada perolehan titik epoh pada masing-masing jaringan model RNN yang ada. Analisis selanjutnya membandngkan hasil simulasi dan analisis komputasional model jaringan saraf tiruan dengan menggunakan model RNN Elman untuk diperoleh hasil yang terbaik, dalam analisis komputasi dan simulasi ini menggunakan program  MATLAB dan R. Hasil penelitian dan pembahasan disimpulkan bahwa model RNN tipe Elman yang terbaik untuk peramalan penjualan harga saham PT Bank Rakyat Indonesia (Persero) Tbk (BBRI) adalah model RNN tipe Elman pada algoritma pelatihan Levenberg-Marquardt dengan Mu = 0,013 diperoleh pada arsitektur jaringan 9-10-1 pada fungsi aktivasi logsig dengan MSE dan MAPE pengujian masing-masing sebesar 7,6649e+10 dan 9,2348%.

Article Details

How to Cite
Walid, W. (2019). Peramalan Penjualan Harga Saham PT Bank Rakyat (Persero) Tbk BBRI Indonesia dengan Menggunakan Recurren Neural Nerwork (RNN). PRISMA, Prosiding Seminar Nasional Matematika, 2, 139-147. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/28901
Section
Articles

References

Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Birmingham: Oxford University Press.
Chakraborty, K., Mehrotra, K., Mohan, C. K., & Ranka, S. (1992). Forecasting the Behavior of Multivariate Time Series Using Neural Networks. Neural Networks .(online). https://cyber.sci-hub.mu/MTAuMTAxNi9zMDg5My02MDgwKDA1KTgwMDkyLTk=/chakraborty1992.pdf#view=FitH Vol.V: 961—970. (diunduh tanggal 1 Agustus 2018).
Connor, J. T., Martin, D. G., & Atlas, L. E. (1994). Recurrent Neural Networks and Robust Time Series Prediction”. IEEE Transactions on Neural Networks (online). https://dacemirror.sci-hub.mu/journal-article/861dde49215aa7182c8b6193a6dcc20a/connor1994.pdf#view=FitH Vol.V (2): 240—254.
Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.
Gers F.A., Schmidhuber, J (2001). LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive Languages. IEEE Transactions on Neural Network 12 (6), 1333-1340.
Hermawan, Arief. (2006). Jaringan Saraf Tiruan: Teori dan Aplikasi. Yogyakarta: ANDI.
Hikmah, A. (2017). Peramalan Deret Waktu Menggunakan Autoregressive (AR), Jaringan Syaraf Tiruan Radial Basis Function (RBF), dan Hibrid AR-RBF pada Inflasi Indonesia. Skripsi. Universitas Negeri Semarang.
Kaastra, I., & Boyd, M. (1996). Designing a Neural Network for Forecasting Financial and Economic Time Series. Neurocomputing . (online). https://cyber.sci-hub.mu/MTAuMTAxNi8wOTI1LTIzMTIoOTUpMDAwMzktOQ==/kaastra1996.pdf#view=FitH Nomor 10: 215—236. (diunduh tanggal 1 Agustus 2018).
Kohzadi, N., Boyd, M. S., Kermanshahi, B., & Kaastra, I. (1996). A Comparison of Artificial Neural Network and Time Series Models for Forecasting Commodity Prices. Neurocomputing . (online). https://cyber.scihub.mu/MTAuMTAxNi8wOTI1LTIzMTIoOTUpMDAwMjAtOA==/kohzadi1996.pdf#view=FitH Nomor 10: 169—181. (diunduh tanggal 1 Agustus 2018).
Kontan. (2017). Permintaan Semen Nasional Tumbuh 7,8%. http://industri.kontan.co.id/news/permintaan-semen-nasional-tumbuh-78. (diakses tanggal 21 April 2018).
Kuncoro, M. (2011). Metode Kuantitatif: Teori dan Aplikasi untuk Bisnis dan Ekonomi. Yogyakarta: UPP-STIM YKPN.
Kurniawan, M. A., Kharis, M., & Sugiharti, E. (2017).Penerapan Metode Feed Forward Neural Network (FFNN) Backpropagation untuk Meramalkan Harga Saham. Unnes Journal of Mathematics. (online). http://skripsi.unnes.ac.id/v2/skripsi/baca/188335/302.aspx. (diunduh tanggal 17 Juli 2018).
Kusumadewi, F. (2014). Peramalan Harga Emas Menggunakan Feedforward Neural Networks Dengan Algoritma Backpropagation. Skripsi. Universitas Negeri Yogyakarta.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan: menggunakan MATLAB & Excel Link. Yogyakarta: Graha Ilmu.
Makridakis, S., Wheelwright, S. C., & McGee, V.E. (1999). Metode dan Aplikasi Peramalan. Edisi 2 Jilid 1. Terjemahan. Untung Sus Adriyanto dan Abdul Basith. Jakarta: Erlangga.
Misriati, T. (2016). Peramalan Jumlah Kunjungan Wisatawan Mancanegara ke Lombok Menggunakan Jaringan Syaraf Tiruan. Jurnal Seminal Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri. (online). https://konferensi.nusamandiri.ac.id/prosiding/index.php/sniptek/article/download/6/3/. (diunduh tanggal 18 Juli 2018).
Muis, S. (2006). Teknik Jaringan Syaraf Tiruan. Edisi Pertama. Yogyakarta: Graha Ilmu.
Walid, Subanar, Dedi. R., Suhartono (2012). Recurrent Neural Network (RNN) pada Beban Listrik di Semarang. Prosiding Seminar Nasional Matematika. Unnes.
Walid dkk (2015). Fractional Integrated Recurrent Neural Network (FIRNN) for Forecasting of Time Series Data with Applications in Electric Load in Java-Bali. Contemporary Engineering Sciences, Vol. 8, 2015, no. 31, 1485 - 1500
Walid, Sugiman, Sunarmi, Dian Tri Wiyanti (2018), Analisis Produktivitas Kinerja Dosen dan Tenaga Kependidikan dalam Mewujudkan Tahun Reputasi Universitas Negeri Semarang (UNNES) Menggunakan Jaringan Saraf Tiruan, PRISMA 1 journal.unnes.ac.id/sju/index.php/prisma, vol 1, 2018, no.1 , 919-927.
Wei, W. W. S. (1994). Time Series Analysis: Univariate and Multivariate Method. Canada: Addison-Wesley Publishing Company.
Wikipedia. (2018). Semen Indonesia. http://id.wikipedia.org/wiki/Semen_Indonesia. (diakses tanggal 18 April 2018).
Zhang, G. P. (2004). Business Forecasting with Artificial Neural Networks: An Overview. Hershey, PA: Idea Group Publishing.
Zhang, G., & Hu, M. Y. (1998). Neural Network Forecasting of the British Pound/US Dollar Exchange Rate. Omega (online). https://twin.sci-hub.tw/6545/62e451225bbfe1f3da87c81b1bd5a671/zhang1998.pdf#view=FitH Vol.XXVI (4): 495—506. (diunduh tanggal 1 Agustur 2018).
Zulkarnain. (2012). Ilmu Menjual: Pendekatan Teoritis dan Kecakapan Menjual. Yogyakarta: Graha Ilmu.