Implementasi Metode Elman Recurrent Neural Network (ERNN) Untuk Prediksi Harga Saham Perbankan Di Indonesia

Abstract

Harga suatu saham selalu berubah setiap saat dan menjadi susah ditebak. Pada kondisi tersebut, prediksi harga saham sangat penting bagi para investor yang mengalami kesulitan dalam pengambilan keputusan untuk memilih saham yang tepat. Untuk memilih saham agar terhindar dari kerugian, membuat para investor harus menganalisa dahulu pada saham yang dipilih. Oleh karena itu, diperlukan sebuah sistem prediksi yang dapat membantu memberikan pertimbangan kepada investor dalam memilih saham. Dalam penelitian ini digunakan metode ERNN untuk memprediksi harga saham penutupan pada hari berikutnya. Terdapat 4 bank di Indonesia yang diprediksi, yaitu BCA, BRI, Bank Mandiri, dan BSI. Data yang digunakan dari tahun 2019 hingga tahun 2020. Pada penelitian ini terdapat proses pelatihan data dan pengujian data. Pelatihan data berfungsi untuk mendapatkan nilai bobot dan bias terbaru yang akan digunakan pada proses pengujian. Proses pengujian berfungsi untuk mendapatkan hasil prediksi dan akurasi. Jaringan arsitektur ERNN pada pengujian ini terdiri dari 7 neuron input, 8 neuron hidden layer, dan 1 neuron output. Pengujian ini menggunakan maksimal epoch 1000 dan toleransi error 0.0000001. Perhitungan nilai error dengan membandingkkan data aktual dan data prediksi menggunakan Mean Absolute Percentage Error. Berdasarkan hasil pengujian, BCA menghasilkan akurasi tertinggi sebesar 94.6363% pada learning rate 0.3, BRI menghasilkan akurasi tertinggi sebesar 88.5230% pada learning rate 0.3, Bank Mandiri menghasilkan akurasi tertinggi sebesar 93.5265% pada learning rate 0.4, dan BSI menghasilkan akurasi tertinggi sebesar 96.9459% pada learning rate 0.5.