Peramalan harga saham Bank BSI menggunakan metode Artificial Neural Network Backpropagation

INDONESIA:

Dalam waktu singkat harga saham dapat mengalami perubahan. Naik atau turunnya harga dari sebuah saham dapat berubah dikarenakan dari permintaan dan penawaran yang terjadi dalam perdagangan saham. Pergerakan saham yang tidak menentu tetapi masih memungkinkan untuk melakukan analisa dan prediksi dengan tingkat akurasi tertentu masih dapat dilakukan. Karena perilaku data deret waktu keuangan yang berfluktuasi, Artificial Neural Network digunakan untuk mengembangkan model peramalan yang memberikan hasil yang lebih akurat model statistik Pada Penelitian bertujuan untuk meramalkan harga penutupan pada saham bank BSI menggunakan metode Artificial Neural Network Backpropagation. Data yang digunakan pada penelitian ini adalah data saham harian bank BSI sebanyak 934 data yang kemudian dilakukan normalisasi dengan min-max Normalization. Dari penelitian ini memperoleh hasil dari 3 model yang diuji coba dengan mengubah rasio split data dari 50:50, 60:40, 70:30, 80:20, dan 90:10. Nilai tingkat error terbaik didapatkan dari hasil uji coba pada Model B dengan rasio split data 90:10 yang memproleh MAPE sebesar 1,25%. Dimana model Artificial Neural Network Backpropagation yang didapat pada penelitian ini lebih cocok digunakan pada saham yang memiliki pergerakan stabil Dari hasil penelitian ini juga didapatkan juga hasil bahwa ada beberapa faktor yang mempengaruhi hasil nilai MAPE yang diperoleh seperti rasio split data jumlah hidden layer yang digunakan

ENGLISH:

Stock prices can change rapidly. The ups and downs of a stock price are due to the supply and demand in the stock market. The stock movement is volatile, but it is still possible to do analysis and prediction with certain accuracy. Since the financial timeline data fluctuates, the Artificial Neural Network is used to develop a prediction model to provide a more accurate statistical model. The research aims to predict the closing price of BSI Bank stock using the Artificial Neural Network Backpropagation method. The data used in the research included 934 daily data of BSI Bank stock prices, which were then processed using min-max Normalization. The research shows the tryout result of three models using a data split ratio of 50:50, 60:40, 70:30, 80:20, and 90:10. The highest error is found in the result of Model B with data split ratio of 90:10 and MAPE of 1.25%. The Artificial Neural Network Backpropagation model in the research is more suitable for stocks with a stable movement. Furthermore, the research also shows that MAPE result is influenced by some factors, including the data split ratio of used hidden layer numbers

ARAB :

في فترة قصيرة من الزمن، يمكن أن تتغير أسعار الأسهم. يمكن أن يتغير ارتفاع أو انخفاض سعر السهم بسبب الطلب والعرض اللذين يحدثان في تداول الأسهم. لا يزال من الممكن إجراء تحركات الأسهم غير المنتظمة ولكن لا يزال من الممكن تحليلها والتنبؤ بها بمستوى معين من الدقة. نظرا للسلوك المتقلب لبيانات السلاسل الزمنية المالية، يتم استخدام الشبكة العصبية الاصطناعية لتطوير نماذج التنبؤ التي توفر نتائج أكثر دقة. النموذج الإحصائي في هذا البحث يهدف إلى التنبؤ بأسعار الإغلاق على أسهم بنك إسلامي إندونيسي باستخدام طريقة الانتشار العكسي للشبكة العصبية الاصطناعية. كانت البيانات المستخدمة في هذا البحث عبارة عن بيانات أسهم يومية لبنك إسلامي إندونيسي بقدر 934 بيانات والتي تم تطبيعها بعد ذلك باستخدام الحد الأدنى للتطبيع الأقصى. من هذا البحث تم الحصول على نتائج 3 نماذج تم اختبارها عن طريق تغيير نسبة تقسيم البيانات من 50:50 و 60:40 و 70:30 و 80:20 و 90:10. تم الحصول على أفضل قيمة لمعدل الخطأ من نتائج الاختبار على النموذج ب بنسبة بيانات مقسمة 90:10 والتي حصلت على MAPE بنسبة 1.25٪. حيث يعتبر نموذج الانتشار العكسي للشبكة العصبية الاصطناعية الذي تم الحصول عليه في هذا البحث أكثر ملاءمة للاستخدام في الأسهم ذات الحركات المستقرة من نتائج هذا البحث، وجدت أيضا أن هناك عدة عوامل تؤثر على نتائج قيمة MAPE التي تم الحصول عليها مثل نسبة تقسيم البيانات على عدد الطبقات المخفية المستخدمة