Davinsyah, Grady (2017) Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika Untuk Memprediksi Harga Saham Esok Hari (T+1). Sarjana thesis, Universitas Brawijaya.
Abstract
Saham adalah salah satu instrumen investasi yang dikenal dengan potensi keuntungan dan resikonya yang cukup tinggi. Tingginya potensi dan resiko investasi saham disebabkan karena harganya yang fluktuatif dan dapat berubah dalam hitungan detik. Untuk meminimalisir resiko, diperlukan sebuah sistem yang dapat memprediksi harga penutupan saham esok hari. Arsitektur yang digunakan dalam penelitian ini adalah multi-layer neural network. Arsitektur ini kemudian dilatih dengan menggunakan 2 metode, yaitu backpropagation dan algoritma genetika. Kedua metode tersebut bertujuan untuk mendapatkan bobot-bobot pada arsitektur multi-layer neural network. Parameter backpropagation yang didapatkan dari pengujian penelitian ini adalah banyak iterasi sebesar 4500 iterasi dengan learning rate 0.7. Sedangkan parameter untuk metode pelatihan algoritma genetika adalah banyak generasi 2000, ukuran populasi 200, crossover rate 0.1 dan mutation rate 0.9. Dengan menggunakan parameter tersebut diatas, rata-rata nilai RMSE yang dihasilkan dengan menggunakan metode pelatihan backpropagation adalah 0.048006. Sementara ketika menggunakan metode pelatihan algoritma genetika, rata-rata nilai RMSE yang dihasilkan oleh jaringan adalah 0.065205. Sehingga pada penelitian ini, nilai error yang dihasilkan oleh metode pelatihan backpropagation lebih kecil dibandingkan dengan metode pelatihan algoritma genetika.
English Abstract
Stock is one of investment instrument which is popular because of the high profit potential and risk. These profit potential and risk are caused by fluctuations of the stock price in the stock market. To minimalize the risk, a system which is able to predict closing price of the next day is required. The architecture which is used in this research is multi-layer neural network. This architecture is trained with 2 different training methods, which is backpropagation and genetic algorithm. Both of the methods aim to gain weights of all network’s architecture.Backpropagation’s parameters which obtained during the research are 4500 iteration and 0.7 learning rate. For genetic algorithm’s parameters which obtained during the research are 2000 generations, population size of 200, crossover rate 0.1 and mutation rate 0.9. By using those parameters, average RMSE value which produced using backpropagation algorithm is 0.048006. Meanwhile when using genetic algorithm as a training method, average RMSE value which produced by the network is 0.065205. So in this research, average error value which is produced by using backpropagation training is smaller than using genetic algorithm training method.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/431/051707753 |
| Uncontrolled Keywords: | Saham, Multi-layer Neural Network, Algoritma Genetika, Backpropagation |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 18 Sep 2017 02:51 |
| Last Modified: | 08 Sep 2020 03:49 |
| URI: | http://repository.ub.ac.id/id/eprint/2611 |
Preview |
Text
Grady Davinsyah.pdf Download (6MB) | Preview |
Actions (login required)
 |
View Item |