Peramalan Harga Saham Berdasarkan Jaringan Syaraf Fuzzy Elman Recurrent dengan Optimasi Evolutif

Rosita Kusumawati; Dhoriva Urwatul Wutsqa; Retno Subekti

doi:10.21831/jsd.v7i2.38548

Peramalan Harga Saham Berdasarkan Jaringan Syaraf Fuzzy Elman Recurrent dengan Optimasi Evolutif

Rosita Kusumawati, Program Studi Matematika, Jurusan Pendidikan Matematika, FMIPA, Universitas Negeri Yogyakarta, Indonesia
Dhoriva Urwatul Wutsqa, Program Studi Matematika, Jurusan Pendidikan Matematika, FMIPA, Universitas Negeri Yogyakarta, Indonesia
Retno Subekti, Program Studi Matematika, Jurusan Pendidikan Matematika, FMIPA, Universitas Negeri Yogyakarta, Indonesia

10.21831/jsd.v7i2.38548

Abstract

Analisis runtun waktu telah banyak digunakan untuk menentukan harga saham masa depan. Analisis dan pemodelan runtun waktu keuangan merupakan tugas penting untuk membantu investor dalam mengambil keputusan. Meskipun demikian, prediksi harga dengan menggunakan runtun waktu tidak sederhana dan memerlukan analisa yang mendalam. Selain itu, di lingkungan yang dinamis seperti pasar saham, non linieritas dari runtun waktu adalah karakteristik yang diucapkan, dan ini segera mempengaruhi keefektifan ramalan harga saham. Dengan demikian, makalah ini bertujuan untuk mengusulkan sebuah metodologi yang meramalkan harga saham bulanan perusahaan Indonesia, yang diperdagangkan di Bursa Efek Jakarta. Kami mengusulkan jaringan syaraf Fuzzy Elman Recurrent untuk meramalkan harga saham dan algoritma genetika untuk mengoptimalkan bobot model. Prediksi kinerja dievaluasi dengan menggunakan perhitungan Mean Absolute Persentase Persentase (MAPE). Makalah ini menyimpulkan bahwa metode yang diusulkan mengoptimalkan peramalan harga.

Keywords

peramalan harga saham; runtun waktu; fuzzy elman recurrent neural network

Full Text:

PDF

References

Pallit, A., Popovic, D. (2005) Computational Intelligence in Time Series Forecasting. Heidelberg: Springer.

Yuce, B., Li, H., Rezgui, Y., Petri I., Jayan B., Yang C. (2014), Utilizing artificial neural network to predict energy consumption and thermal comfort levels: an indoor swimming pool case study, Energy Build. 80, 45–46.

Jang, Sun, Mizutani. (1997) Neuro-Fuzzy and Soft Computing. Upper Saddle River: Prentice Hall.

Kusumadewi, S., Hartati, S. (2005) Neuro- Fuzzy: integrasi sistem fuzzy dan jaringan syaraf. Yogyakarta: Graha Ilmu.

Bhandari, R., & Gill, J. (2016), An artificial Intelligence ATM forecasting system for hybrid neural networks. International Journal of Computer Applications.133, 13–16.

Zhang, F., Deb, C., Lee, S. E., Yang, J., & Shah, K. W. (2016), Time series forecasting for building energy consumption using weighted support vector regression with differential evolution optimization technique. Energy and Buildings, 126, 94–103.

Wiliansa, G., Kusumawati, R., (2017), Optimasi fuzzy backpropagation neural network dengan algoritma genetika untuk memprediksi nilai tukar rupiah terhadap dollar amerika. Skripsi S1, UNY Yogyakarta. Tidak Dipublikasikan.

Rizka, B. G. A., Kusumawati, R., (2017), Fuzzy feed forward neural network untuk peramalan indeks harga saham gabungan (ihsg) dengan algoritma genetika menggunakan variasi seleksi. Skripsi S1, UNY Yogyakarta. Tidak Dipublikasikan.

Hanke, J.E., Wichern, D.W. (2005) Bussiness Forecasting, 8 ed. New Jersey:Prentice-Hall.

DOI: https://doi.org/10.21831/jsd.v7i2.38548