Terakreditasi SINTA Peringkat 2 Surat Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti No.
10/E/KPT/2019
masa berlaku mulai Vol.
1 No.
1 tahun 2017 s.
d Vol.
5 No.
3 tahun 2021 Terbit online pada laman web jurnal: http://jurnal.
JURNAL RESTI
(Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 - 94
ISSN Media Elektronik: 2580-0760 Neural Network Backprogation Identifikasi Pola Harga Saham Jakarta Islamic Index (JII) Musli Yanto1.
Liga Mayola2.
Hafizh3 Program Studi Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Putra Indonesia YPTK Padang Program Studi Sistem Informasi Fakultas Ilmu Komputer.
Universitas Putra Indonesia YPTK Padang musli_yanto@upiyptk.
id, 2ligamayola@upiyptk.
id, 3muhammad_hafizh@upiyptk.
Abstract Jakarta Islamic Index (JII) is an organization engaged in the economy with the aim to pay attention to stock movements every With the JII, people who do not understand about shares and their movements, will be easy to know and understand the movement of shares that occur at certain times.
The problem in this research is that many investors are unable to predict the rise and fall of stock prices.
The prediction process can be done with a backpropagation algorithm.
The algorithm is a concept of computer science which is widely used in the case of analysis, prediction and pattern determination.
The process starts from the analysis of the variables used namely interest rates, exchange rates, inflation rates and stock prices that occurred in the previous period.
The variables used are continued in the formation of network patterns and continued in the process of training and testing in order to produce the best network patterns so that they are used as a process of identifying JII stock price movements.
The results obtained in the form of the value of stock price movements with an error rate based on the MSE value of 11.
85% so that this study provides information in the form of knowledge for making a decision.
The purpose of the research is used as input for investors in identifying share prices.
In the end, the benefits felt from the results of this study, investors can make an initial estimate before investing in JII.
Keywords : JST.
Backpropagation.
Knowladge.
Pattern , and Jakarta Islamic Index (JII) Pattern and Stock Price Index Abstrak Jakarta Islamic Indeks (JII) adalah sebuah organisasi yang bergerak di bidang perekonomian dengan tujuan untuk memperhatikan pergerakan saham ditiap harinya.
Dengan adanya JII, masyarakat yang tidak mengerti tentang saham serta pergerakannya, akan mudah mengetahui dan memahami pergerakan saham yang terjadi pada waktu tertentu.
Permasalahan dalam penelitian ini, banyak para investor yang tidak mampu memprediksi kenaikan dan penurunan harga saham.
Proses prediksi dapat dilakukan dengan algoritma backpropagation.
Algoritma tersebut merupakan konsep ilmu pengetahuan bidang ilmu komputer yang banyak digunakan dalam kasus analisa, prediksi dan penentuan pola.
Proses di mulai dari analisa variabel yang digunakan yakni suku bunga, kurs nilai tukar mata uang, tingkat inflansi dan harga saham yang terjadi pada periode sebelumya.
Variabel yang digunakan di lanjutkan pada pembentukan pola jaringan dan diteruskan dalam proses melatih dan menguji guna menghasilkan pola jaringan yang terbaik sehingga digunakan sebagai proses identifikasi pergerakan harga saham JII.
Hasil yang didapat berupa nilai pergerakan harga saham dengan tingkat kesalahan berdasarkan nilai MSE sebesar 11.
85% sehingga, penelitian ini memberikan informasi dalam bentuk knowledge guna pengambilan sebuah keputusan.
Tujuan dari penelitian dijadikan input bagi para investor dalam identifikasi harga saham hingga Pada akhirnya manfaat yang dirasakan dari hasil penelitian ini, para investor dapat melakukan estimasi awal sebelum berinvestasi pada JII.
Kata kunci:JST.
Backpropagation.
Knowladge.
Pola dan Indeks Harga Saham Jakarta Islamic Indeks (JII).
A 2020 Jurnal RESTI Pergerakan saham tersebut dapat di pengaruhi oleh beberapa faktor, seperti nilai Kurs Rupiah terhadap Harga saham di Jakarta Islamic Index (JII) merupakan Dollar.
Inlansi dan tingkat suku bunga yang terjadi salah satu indikator yang digunakan bagi para investor pada Bank Indonesia.
JII bertujuan untuk guna mendapatkan informasi seputar harga saham yang menggambarkan rangkaian informasi historis mengenai nantinya menjadi sebuah referensi untuk berivestasi.
Diterima Redaksi : 17-09-2019 | Selesai Revisi : 01-02-2020 | Diterbitkan Online : 08-02-2020 Pendahuluan Musli Yanto.
Liga Mayola.
Hafizh Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 pergerakan harga saham, sampai pada tanggal tertentu.
masing-masing sampel kemudian mampu memberikan Pergerakan saham tersebut di sajikan setiap hari nilai keakuratan dalam pengenalan karakter huruf berdasarkan penutupan harga saham di bursa efek.
Jawa.
Pencatatan harga saham akan terus bertambah dan Dengan hal ini, jaringan saraf dianggap mampu dalam semakin lama akan tercipta gunungan data.
Dalam memecahkan masalah identifikasi pola harga saham.
gunungan data tersebut, tersembunyi pengetahuan yang Hasil yang akan disajikan akan memiliki hasil prediski berpotensi untuk di gali dengan menggunakan teknik yang akurat dalam bentuk keterangan kenaikan atay data mining.
Data mining merupakan sebuah teknologi penurunan harga saham, sehingga manfaat yang akan baru yang powerfull dengan potensi yang luar biasa dirasakan bagi investor adalah mampu menentukan untuk membantu institusi menemukan pengetahuan di dalam pembelian harga saham yang tergabung pada JII.
dalam database.
Pengetahuan yang ditemukan di Tujuan dan arah penelitian ini untuk memabantu harapkan mampu membantu investor untuk mengambil memecahkan masalah bagi para investor guna keputusan dalam berinvestasi di pasar modal.
menentukan saham yang akan mereka beli sehingga Berbicara mengenai harga saham.
Banyak para peneliti dapat mengantisipasi kerugian yang tidak diinginkan tertarik untuk menjadikan harga saham atau yang biasa dikemudian hari.
Algoritma yang di gunakan adalah dikenal dengan indeks harga saham sebagai objek algoritma backpropagation.
Dengan algoritma ini, pola indeks yang paling dikenal oleh banyak pergerakan harga saham dapat dilatih berdasarkan data investor adalah indeks likuid 45 (Lq.
dan Jakarta harga saham sebelumnya melalui proses klasifikasi dan Islamic Indeks (JII), kedua indeks saham tersebut menyesuaikan bobot link jaringan sebagai input baru memiliki daftar yang aktif dan likuid dibandingkan dan perkiraan harga saham di masa depan.
daftar saham pada indeks lainnya.
indeks Lq45 dan JII adalah indeks yang diamati kinerjanya oleh investor 2.
Metode Penelitian karena dipercaya dapat memberikan return yang tinggi Adapun tahapan penelitian yang dilakukan dapat dilihat dan dianggap dapat memberikan return saham yang cukup tinggi di karenakan saham-saham yang berada di pada gambar 1.
indeks tersebut merupakan saham-saham yang unggul.
Permasalahan dalam penelitian adalah bagaimana proses dalam identifikasi pola harga saham yang terjadi pada JII dengan menggunakan jaringan saraf tiruan.
Prediksi yang akan dihasilkan berupa keluaran angka berupa nilai harga saham yang akan terjadi pada periode berikutnya.
Harga saham yang dihasilkan dari proses tersebut menjadi sebuah masukan dan bahan pertimbangan bagi para investor.
Jaringan Saraf Tiruan (Neural Networ.
merupakan sebuah cabang ilmu pengetahuan dalam ilmu komputer dan teknologi yang mampu bekerja dalam mengelola data untuk menghasilkan sebuah informasi dan knowledge.
Dalam kasus beberapa penelitian yang sudah dilakukan.
Gambar 1 : Tahapan Penelitian jaringan saraf tiruan dapat dan mampu melakukan proses prediksi, penentuan pola dan banyak lagi Tahapan penelitian ini merupakan gambaran aktifitas temuan-temuan yang sudah dihasilkan.
penelitian yang akan dilakukan dalam identifikasi pola Salah satu penelitian jaringan saraf tiruan yakni pergerakan harga saham yang diambil dari tahun 2015 penggunaan jaringan saraf dalam melakukan prediksi hingga tahun 2017 sebagai sample data set yang akan harga saham yang mampu menemukan pola dalam digunakan pada penelitian ini.
Selain harga saham, sistem nonlinear dan menghasilkan hasil prediksi yang tingkat inflansi, suku bunga dan nilai kurs juga lebih akurat.
Pada penelitian yang sama juga digunakan menjadi variabel pendukung dalam melihat menjelaskan bahwa jaringan saraf tiruan mampu pergerakan harga saham dalam waktu yang sama.
melakukan proses prediksi secara konsisten terhadap berikut data harga saham yang tergabung pada JII dapat di lihat dalam Tabel 1.
kasus menentukan harga saham.
mampu melakukan proses pengenalan pola karakter Setelah mendapatkan data, proses dilanjutkan untuk huruf jawa, dimana Neural Network adalah jenis melakukan analisis data.
Proses analisis data ini algoritma dalam jaringan yang dapat digunakan untuk dilakukan bertujuan untuk memastikan data yang pengenalan karakter abjad jawa yang bertujuan untuk digunakan dapat melakukan proses penentuan pola mengetahui karakteristik pelatihan Neural Network dari pergerakan harga saham.
Analisis data yang dilakukan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 Musli Yanto.
Liga Mayola.
Hafizh Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 dalam hal ini berupa proses pembagian dan transformasi data yang didapat yang dijadikan variabel dalam jaringan saraf tiruan .
Pada proses ini, semua nilai variabel akan ditransformasikan serta yang akan dijadikan target pada jaringan tersebut adalah keterangan naik dan turunnya harga saham tersebut.
Untuk keterangan harga saham naik bernilai 1 dan harga saham turu bernilai 0.
Berikut hasil pembagian dan transformasi data yang sudah dilakukan dapat dilihat pada Tabel 2 dan Tabel 3 dengan perhitungan menggunakan rumus 1.
Tabel 1.
Data Harga Saham JII .
Tahunn
Bulan 01/11/2017 01/10/2017 01/09/2017 01/08/2017 01/07/2017 01/06/2017 01/05/2017 01/04/2017 01/03/2017 01/02/2017 01/01/2017 01/12/2016 01/11/2016 01/10/2016 01/09/2016 01/08/2016 01/07/2016 01/06/2016 01/05/2016 01/04/2016 01/03/2016 01/02/2016 01/01/2016 01/12/2015 01/11/2015 01/10/2015 01/09/2015 01/08/2015 01/07/2015 01/06/2015
01/05/2015
01/04/2015
01/03/2015
01/02/2015
01/01/2015
Jji
729,94
738,21
740,24
746,61
764,63
737,01
736,19
726,58
694,03
696,28
691,52
695,96
737,20
756,59
737,05
750,98
686,84
654,66
645,60
657,01
648,92
611,10
592,10
598,02
593,58
563,06
584,09
636,98
654,80
700,65
679,16
718,58
728,61
701,49
694,47
Suku
0,04
Bunga
0,04
0,04
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,07
0,07
0,07
0,07
0,07
0,07
0,73
0,08
0,08
0,08
0,08
0,08
0,08
0,08
0,08
0,08
0,08
0,08
0,08
Kurs 13459,36 13458,32 13236,95 13274,82 13275,10 13231,88 13256,60 13239,89 13278,50 13273,84 13291,76 13350,57 13243,95 12952,24 13052,71 13099,09 13053,12 13288,41 13352,60 13113,90 13127,14 13448,20 13819,75 13785,45 13604,19 13726,95 14324,19 13712,80 13307,79 13246,52
13074,79
12882,90
13001,55
12686,16
12516,24
Inflasi
0,03
0,04
0,04
0,04
0,04
0,04
0,04
0,04
0,04
0,04
0,03
0,03
0,04
0,03
0,03
0,03
0,03
0,03
0,03
0,04
0,04
0,04
0,04
0,03
0,05
0,06
0,07
0,07
0,07
0,07
0,07
0,07
0,06
0,06
0,06
Tabel 2.
Hasil Transformasi Data Pelatihan Jaringan 0,6476 0,7078 0,7226 0,7689 0,9000 0,6991 0,6931 0,6232 0,3864 0,4028 0,3681 0,4004 0,7005 0,8415 0,6994 0,8007 0,3341 0,1000 0,0425 0,0425 0,0425 0,0450 0,0475 0,0475 0,0475 0,0475 0,0475 0,0475 0,0475 0,0475
0,0475
0,0475
0,0500
0,0520
0,0650
0,0650
0,9000
0,8984
0,5491
0,6089
0,6093
0,5411
0,5801
0,5538
0,6147
0,6073
0,6356
0,7284
0,5602
0,1000
0,2585
0,3317
0,2591
0,6303
0,0330
0,0358
0,0372
0,0382
0,0388
0,0437
0,0433
0,0417
0,0361
0,0383
0,0349
0,0302
0,0358
0,0310
0,0307
0,0279
0,0321
0,0345
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
Tabel 3.
Transformasi Data Pengujian Jaringan 0,4989 0,5540 0,5149 0,3322 0,2403 0,2689 0,2475 0,1000 0,2016 0,4572 0,5433 0,7649 0,6610 0,8515 0,9000 0,7689 0,3341 0,1000 0,0675 0,0675 0,0675 0,0700 0,7250 0,0750 0,0750 0,0750 0,0750 0,0750 0,0750 0,0750
0,0750
0,0750
0,0750
0,0750
0,0650
0,0650
0,6133
0,4668
0,4749
0,6720
0,9000
0,8789
0,7677
0,8430
1,2096
0,8344
0,5858
0,5482
0,4428
0,3250
0,3978
0,2043
0,2591
0,6303
0,0333
0,0360
0,0445
0,0442
0,0414
0,0335
0,0489
0,0625
0,0683
0,0718
0,0726
0,0726
0,0715
0,0679
0,0638
0,0629
0,0321
0,0345
0,9000
0,9000
0,9000
0,9000
0,1000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
0,9000
Setelah melakukan proses analisa terhadap data yang digunakan, proses akan diteruskan pada pelatihan dan pengujian jaringan dengan penggunaan fungsi aktivasi Sigmoid Biner.
Proses pelatihan dan pengujian jaringan dengan algoritma backpropagation .
, proses tersebut dapat dilihat dalam beberapa langkah dibawah ini :
Langkah 0 : inisialisasi bobot dengan bilangan acak Langkah 1 : jikakondisi penghentian belum terpenuhi, lakukan langkah 2-9 Langkah 2 : untuk setiap pasang pada data pelatihan, lakukan langkah 3-8 Langkah 3: tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi Langkah 4 : hitung semua keluaran di unit tersembunyi Langkah 5 : Pada setiap unit di lapisan tersembunyi zj .
ari unit ke-1 sampai unit ke-n ke-p.
i=1,AA,n.
j=l,.
sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot xi pada rumus 2.
Zj = Oc Langkah 6 : Setiap unit di lapisan outputyk .
ari unit ke-1 sampai unit ke-m.
i=1,A.
k=1,AA.
dihitung sinyal output-nya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot Zj bagi lapisan dapat dilihat pada rumus 3.
Langkah 7 : Setiap unit outputYk .
ari unit ke-1sampai unit ke-m .
j=1,AA,p.
k=1,AA.
menerima pola target tk lalu informasi kesalahan lapisan output ( ) k dikirim ke lapisan dibawahnya dan digunakan untuk menghitung besar koreks bobot dan bias (OIwjk dan OIwo.
antara lapisan tersembunyi dengan lapisan output terdapat pada rumus 4.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 Musli Yanto.
Liga Mayola.
Hafizh Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 K= .
k - y.
fAo Setelah arsitektur jaringan di bentuk, maka proses .
pelatihan dan pengujian akan dilakukan berdasarkan variable yang telah ditentukan sebelumnya, dan hasilnya berupa pola jaringan yang terbaik berdasarkna Langkah 8 : Pada setiap unit di lapisan tersembunyi nilai kesalahan yang didapat.
Pada akhirya .
ari unit ke-1 sampai unit ke-p.
i=1,A.
,n.
j=1A.
pola jaringan yang terbaik akan didigunakan sebagai k=1A.
dilakukan perhitungan informasi kesalahan pola identifikasi harga saham.
lapisan tersembunyi ( .
j kemudian digunakan untuk Alat bantu yang digunakan berupa software matlab menghitung besar koreksi bobot dan bias (OIVij dan yang bertujuan untuk dapat melakukan pelatihan dan OIVo.
antara lapisan input dan lapisan tersembunyi pengujian secara komputerisasi dan nantinya akan terdapat pada rumus 5.
memberikan hasil yang lebih baik.
Adapun bentuk hasil pelatihan dan pengujian yang dilakukan dengan Oc = Oc fAo menggunakan software matlab dapat dilihat pada j Xi Gambar 3.
k Zj Tahap Perubahan bobot dan bias Tahap 9 : Pada setiap unit outputYk .
ari unit ke-1 sampai unit ke-.
dilakukan perubahan bias dan bobot .
=0,A.
,p.
k=1,A.
sehingga bias dan bobot yang baru menjadi bobot baru.
Berikut rumus 6 proses menghitung nilai bobot baru.
Wjk .
= Wjk .
dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan perubahan pada bias dan bobotnya .
=0,A.
,n.
j=1,A.
dengan menggunakan rumus 7.
Vjk .
= Wjk .
Langkah 10 : Tes kondisi berhenti Gambar 3.
Hasil Pelatihan Jaringan Pada hasil pelatihan jaringan dengan menggunakan software matlab ini, di dapatkan hasil performance 0009978626 dan epoch hasil pelatihan di Proses penentuan pergerakan harga saham yang Untuk hasil pengujian juga dapat di lihat dilakukan pada penelitian ini menggunakan data pada Gambar 4.
variabel data JII (X.
Harga Saham (X.
Kurs Rupiah (X.
Inflansi (X.
dan nilai Target (T) dari pergerakan nilai saham.
Proses pembahasan yang akan dilakukan, di mulai dari pembentukan arsitektur jaringan algoritma backpropagation terhadap data yang sudah di bagi berdasarkan tahapan analisis data.
Pembentukan arsitektur jaringan ini menggambarkan bagaimana pengujian.
Berikut bentuk arsitektur jaringan yang digunakan dapat dilihat pada Gambar 2.
Hasil dan Pembahasan Gambar 4.
Hasil Pengujian Jaringan Gambar 2.
Arsitektur Jaringan Dari hasil pengujian, didapatkan nilai performance dengan nilai 0.
0996534 dan epoch 105.
Berdasarkan 2 proses tersebut, bahwa pola jaringan dengan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 Musli Yanto.
Liga Mayola.
Hafizh Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 menggunakan 2 layer tersembunyi (Hiiden Laye.
berdasarkan data input yang digunakan target dari masih memiliki tingkat kesalahan yang tinggi, sehingga jaringan adalah pergerakan harga saham tersebut naik dilakukannya proses pembentukan pola jaringan dengan hasil 0.
Hasil tersebut sudah termasuk berikutnya guna di latih dan di uji kembali untuk pada bagian kategori pola peergerakan naik, di mana menghasilkan pola jaringan yang terbaik.
Berikut hasil jika hasil output jaringan besar dari 0.
5 dan sebaliknya perbandingan pola yang telah dilakukan pada Tabel 4.
jika hasil output jaringan kecil dari 0.
5 maka pola pergerakan turun.
Dengan demikian jaringan saraf Tabel 4.
Perbandingan Arsitektur Jaringan tiruan dengan algoritma backpropagation ini mampu Arsitektur Jaringan mengenali pola pergerakan harga saham JII.
Pola
4-2-1
4-3-1
4-4-1
4-5-1
4-6-1
4-7-1
4-8-1
4-9-1
4-10-1
Pelatihan Pengujian Untuk menguji hasil dari proses keluaran jaringan, maka proses dilanjutkan untuk melihat nilai rata-rata kesalahan dari keluaran jaringan dengan menggunakan Mean Squared Error (MSE) .
Nilai MSE ini dihitung selisih berdasarkan keleluruhan hasil keluaran jaringan dengan membandingkan terhadap target keluaran yang sudah ditentukan.
setelah didapatkan selisih antara keluaran jaringan dengan target, maka Berdasarkan tabel perbandingan, maka didapatkan hasilnya nilai selisih tersebut akan dibagi dengan arsitektur jaringan yang terbaik dalam mengenali pola banyaknya jumlah data.
Berikut rumus MSE yang pergerakan harga saham pada arsitektur jaringan dapat dilihat pada rumus 6.
dengan pola 4-3-1.
Untuk menguji pola tersebut, maka Oc
MSE =
dilakukannya proses pengujian dengan proses Keterangan pencarian manual terhadap algoritma beckpropagation untuk mengenali pergerakan harga saham.
Berikut Oc = Keluaran Jairngan = Target proses pengujian manual yang dilakukan terdapat pada Oc Tabel 5 dan nilai bobot dan bias yang digunakan pada N = banyak data Tabel 6.
Dari hasil perhitngan nilai MSE yang didapat dari Tabel 5.
Data Input dan Target yang digunakan 0,4989 0,0675 0,6133 0,0333 0,9000 keluaran jaringan, maka nilai MSE sebesar 0.
1185 dan jika dipersentasekan maka MAPE yang didapat 11.
tingkat kesalahan yang dihasilkan dari perhitungan Tabel 6.
Nilai Bobot dan Bias yang digunakan Nilai Bobot dan Bias Bobot Input Bobot Output Kesimpulan Bias Input Bias Output Berdasarkan permasalahan yang sudah dipaparkan pada pembahasan dan hasil, maka kesimpulan dari penelitian identifikasi pergerakan harga saham JII dimana jaringan saraf tiruan dengan algoritma backpropagation mampu mengenali pola pergerakan harga saham Jakarta Islamic Index (JII) dengan menggunakan variabel Harga Saham.
Kurs Rupiah dan Inflansi yang terjadi periode bulan dan arsitektur jaringan yang Berikut perhitungan akhir dalam jaringan saraf tiruan digunakan yakni 4 layer input, 3 layer hidden dan 1 yang dilakukan guna menghasilkan output .
layer output.
Dengan nilai rata-rata performance yang di dapat 0.
05461501 dan nilai kesalahan yang di Y_netk = woj ( zj1* w1.
j2* w1.
j3* w1.
toleransi sebesar 0.
01 %.
= 0.
2449*-0.
9753*0,1.
Dalam proses prediksi pergerakan harga saham yang ( 0.
0222*0,4.
ada di JII ini nantinya mampu memberikan sebuah = 0.
penilaian serta perbandingan bagi para investor untuk Berdasarkan pengujian proses perhitungan, data yang menentukan pembelian saham dari beberapa saham digunakan hanya untuk satu data dengan 4 variabel yang ditawarkan pada indeks harga saham JII.
yang digunakan yakni, harga saham JII(X.
, nilai suku Berdasarkan pembahasan diaatas, maka proses prediksi buga(X.
, nilai kurs(X.
dan nilai inflansi(X.
serta harga saham tersbut sudah dipastikan bahwa pengaruh target yang didapat berupa keterangan harga saham naik dan turunnya harga saham dipengaruhi oleh nilai naik .
ilai Y_netk > 0.
dan keterangan harga saham suku bunga, nilai tukar Dollar terhadap Rupiah dan turun .
ilai Y_netk < 0.
sehingga hasil yang di dapat tingkat Inflasi yang terjadi pada periode tersebut.
sudah sesuai dengan hasil yang di harapkan, bahwa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 Musli Yanto.
Liga Mayola.
Hafizh Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94 YPTK Journal of Computer Science and Information Dari permasalahan dalam penelitian ini, tujuan utama Technology.
dari hasil prediksi yang didapat, akan dijadikan .
Fauzi.
Rahmad.
AuImplementasi Jaringan Saraf Tiruan Dengan masukan bagi para investor yang ingin melakukan Metode Backpropagation Terhadap Bibit Tanaman KaretAy.
ISSN investasi pada saham yang tergabung pada Jakarta : 2527-4295 Vol.
1 No.
1 Edisi Mei 2016 Jurnal Education and development STKIP Tapanuli Selatan.
Islamic Indeks JII agar tidak salah dalam melakukan .
Artanti.
Indra setianigsih dan Ika Damayanti, 2016.
AuAplikasi Metode Jaringan Saraf Tiruan Untuk Memprediksi Data Indeks Harga Saham Gabungan Di IndonesiaAy.
Statistika.
Vol.
No.
Daftar Rujukan .
Mira.
Faula Arina.
Ratna Ekawati, 2009.
AuPeramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf .
Liga Mayola.
Sigit Sanjaya.
Wifra Safitri, 2018.
Identifikasi Tiruan (JST) BackpropagationAy Jurnal Teknik Industri.
Vol.
Karakteristik Jakarta Islamic Index Dengan Menggunakan No.
Juni 2013, pp.
174-179 ISSN 2302-4951.
Algoritma K-Means.
Jurnal Sebatik No.
Vol.
Siang.
Jong Jek.
Jaringan Saraf Tiruan dan .
Eka Ajeng Dian Anggraini, 2018.
Determinan Return Saham:
Pemrogramannya Menggunakan MATLAB.
Yogyakarta: Penerbit Jakarta Islamic Index Vs Lq 45.
Jurnal Keuangan dan Perbankan Andi.
Syariah Volume 6 .
No.
Fernandya.
Riski Hartantri Dan Ardi Pujiyanta, 2014.
AuDeteksi .
Lawrence.
Ramon, 2018.
Using Neural Networks To Forecast Penyakit Dan Serangan HamaTanaman Buah Salak Stock Market Prices.
University of British Columbia.
Menggunakan Jaringan Saraf Tiruan (JST) Dengan Metode .
Songa.
Yue-Gang Zhoub.
Yu-Long.
Hanc.
Ren-Jie, 2018.
Neural PerceptronAy.
Urnal Sarjana Teknik Informatika E-Issn: 2338networks for stock price prediction.
Journal of Difference 5197 Volume 2 Nomor 2.
Equations and Applications Vol.
No.
Magdalena Erniati.
Beni Irawan Dan Dwi Marisa Midyanti, .
Eko Riyanto, 2017.
Peramalan Harga Saham Menggunakan 2016.
AuPrediksi Penyakit Tht (Telinga.
Hidung.
Tenggoroka.
Jaringan Saraf Tiruan Secara Supervised Learning Dengan Dengan Metode Jaringan Saraf Tiruan\ PerceptronAy.
Sistem Algoritma Backpropagation.
Jurnal Informatika Upgris Vol.
Komputer Untan Issn : 2338-493x.
Volume 4.
No.
Hal.
No.
Nazla Nurmila.
Aris Sugiharto.
Eko Adi Sarwoko,2006, .
Afriyanti.
Rancang Bangun Tool Untuk Jaringan Saraf Algoritma Back Propagation Neural Network Untuk Pengenalan Tiruan (JST) Model Perceptron.
Makalah disajikan dalam Pola Karakter Huruf Jawa.
Jurnal Masyarakat Informatika.
Vol:
Seminar Nasional Aplikasi Teknologi Informasi.
Yogyakarta, 1.
No: 1 19Juni 2010.
Rini Sovia.
Musli Yanto.
Widya Nursanty, 2016.
Implementation .
Islam.
Wu.
Ahmadi.
Sid-Ahmed, 2009.
Of Signature Recognition By Using Backpropagation.
UPI Neural Network Based Handwritten Digits Recognition- An Experiment and Analysis.
University of Windsor.
Canada.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
90 Ae 94