You are on page 1of 23

DECISION SUPPORT SYSTEMS

Sistem Pengambilan Keputusan pada Perdagangan Indeks Saham

DISUSUN OLEH :
KELOMPOK 4 :

1. Auliya Shofi
17919007
2. Fitri Handayani 17919012

MAGISTER AKUNTANSI
PROGRAM PASCA SARJANA FAKULTAS EKONOMI
UNIVERSITAS ISLAM INDONESIA
2018/2019

BAB I

PENDAHULUAN

1.1. Latar Belakang

Saham dapat didefinisikan sebagai tanda penyertaan atau kepemilikan

seseorang atau badan dalam suatu perusahaan atau perseroan terbatas. Wujud

saham adalah selembar kertas yang menerangkan bahwa pemilik kertas tersebut

adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi

kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan di

perusahaan tersebut (Darmadji dan Fakhruddin, 2001). Peran pasar saham dalam

perekonomian di Indonesia saat ini melembaga. Pembelian saham menjadi salah

satu pilihan modal yang sah. Banyak faktor yang mempengaruhi kestabilan

sebuah sistem industri dalam suatu organisasi, termasuk masalah keuangan

dimana salah satunya adalah mengenai pergerakan pasar saham.

Lakshminarayanan dan Hammad et al (2005) mengatakan tentang pentingnya

pasar saham sebagai sebuah instrumen dasar dan indikator dalam keuangan.

Pergerakan pasar saham selalu berubah-ubah setiap hari dan merupakan kegiatan

yang penting serta sangat sulit dilakukan (Tan, 1995).

Kegiatan memprediksi pergerakan pasar saham adalah merupakan suatu hal

yang lumrah dilakukan saat ini termasuk di dunia industri. Peramalan saham

dalam dunia industri perlu dilakukan mengingat rumitnya dan banyaknya faktor

yang mempengaruhi nilai instrumen keuangan tertentu (Lakshminarayanan,

2005). Fok, et al (2008) mengatakan bahwa memprediksi harga saham adalah

sebuah kegiatan prediksi yang menantang pada kasus peramalan runtun waktu

1998). Pada proses pengambilan keputusan juga dapat di lakukan atas bantuan suatu aplikasi komputer dengan menggunakan metode backpropagation dari salah satu metode yang ada pada materi Jaringan Syaraf Tiruan (JST). JST merupakan alat alternatif atraktif bagi peneliti maupun praktisi (Guokiang. Pengembangan model Jaringan Syaraf Tiruan dengan metode backpropagation dapat mengoptimasi bobot dan bias yang akan digunakan serta meramalkan indeks saham. Dalam memprediksi indeks harga saham seringkali dikaitkan dengan proses peramalan (forecasting) suatu nilai karakteristik tertentu pada periode kedepan. Prediksi harga saham yang dilakukan menggunakan Jaringan Syaraf Tiruan (JST) multilayer feedforward network dengan algoritma backpropagation. kemudian memformulasikannya dalam suatu model. Model dengan akurasi yang tinggi akan menyebabkan nilai prediksi indeks harga saham gabungan cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan keputusan. Peramalan runtun waktu adalah jenis peramalan yang menggunakan data historis pada waktu lampau untuk memprediksi masa mendatang.dan Eddy. Terdapat banyak metode kuantitatif dalam peramalan runtun waktu. yaitu metode sederhana dan metode yang kompleks.modern. Termasuk dalam metode kompleks ini adalah Jaringan Syaraf Tiruan. Dengan mendeteksi pola dan kecenderungan data time series. Dengan mengoptimasi bobot maka tingkat kesalahan atau error (mean square error) yang . Subanar dan Suhartono (2005) membagi metode dalam peramalan runtun waktu menjadi dua. maka dapat digunakan untuk memprediksi data yang akan datang. melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem.

didapat semakin kecil.2 Rumusan Masalah Berdasarkan uraian latar belakang diatas. Bagaimana keakuratan menggunakan metode Jaringan Syaraf Tiruan (JST) untuk memprediksi indeks Saham ? 1. artinya nilai peramalan semakin baik merepresentasikan nilai aktualnya. 1. 2. Bagaimana proses pemodelan metode Jaringan Syaraf Tiruan (JST) untuk meprediksi pergerakan indeks saham ? 2. Mengetahui proses pemodelan metode Jaringan Syaraf Tiruan (JST) untuk memprediksi pergerakan Saham. maka dapat diuraikan tujuan sebagai berikut: 1. Mengetahui keakuratan menggunakan metode Jaringan Syaraf Tiruan (JST) untuk memprediksi indeks saham. BAB II Landasan Teori . maka dapat diambil rumusan masalah sebagi berikut: 1.3 Tujuan Berdasarkan rumusan masalah.

Definisi DSS Decision support systems (DSS) atau bisa juga disebut sistem pendukung keputusan adalah sistem berbasis software yang dimaksudkan untuk membantu manajer dalam pengambilan keputusan dengan mengakses sejumlah besar informasi yang dihasilkan dari berbagai sistem informasi terkait yang terlibat dalam proses bisnis organisasi. Misalnya. seperti sistem automatis kantor. Keputusan yang tidak terprogram terjadi dalam situasi yang tidak biasa dan tidak ditangani. memilih tingkat pemesanan ulang untuk persediaan.1. pekerjaan rutin umum. Sistem pendukung keputusan membantu dalam pembuatan keputusan namun tidak harus memberikan keputusan itu sendiri. dll. dan / atau model bisnis untuk mengidentifikasi dan memecahkan masalah dan membuat keputusan. berinvestasi dalam teknologi baru adalah keputusan yang tidak terprogram. persepsi dan penilaian palungan. (2) Tidak akan ada peraturan yang harus diikuti. Keputusan terprogram pada dasarnya adalah proses otomatis. Jenis Keputusan DSS ada dua jenis yaitu keputusan terprogram dan tidak terprogram. pengecualian. DSS menggunakan ringkasan informasi. dokumen. jadi: (1) Itu akan menjadi keputusan baru. pengetahuan pribadi. sistem pemrosesan transaksi. Sistem pendukung keputusan umumnya melibatkan keputusan . (3) Keputusan ini dibuat berdasarkan informasi yang tersedia. naluri. Para pengambil keputusan mengumpulkan informasi yang berguna dari data mentah. Misalnya.2. dan tren menggunakan model analisis. pola. adalah keputusan terprogram. dimana keputusan ini telah diambil beberapa kali dan keputusan ini mengikuti beberapa panduan atau peraturan. (4) Keputusan ini didasarkan pada kebijaksanaan.

Tahap Pengambilan Keputusan Dalam memproses pengambilan keputusan tidak bisa ditentukan sekaligus tetapi dilaksanakan melalui beberapa tahapan. Dukungan untuk pemodelan dan analisis. . Design : Membangun model-model yang mewakili sistem. merencanakan implementasi dan merancang sistem kendali. Tingkat Interaktivitas yang tinggi. Intelligence : Mempelajari realitas. Efisiensi dan efektivitas. memilih alternatif terbaik. atau format yang tepat untuk sistem ini. b. terpadu. membuat analisis sensitivitas. Pada dasarnya. mencari alternatif-alternatif. Atribut DSS (Decision Support System) dan keuntungan DSS adalah diantaranya Kemampuan beradaptasi dan fleksibel. memilih alternatif dan tindakan yang paling memungkinkan dengan cara membuat solusi untuk model. dan Standalone. isi. identifikasi dan mendefinisikan masalah. c. Laporan dibuat dengan cepat. Kemudahan pengembangan. dan menentukan kriteria evaluasi alternatif-alternatif tindakan yang sudah diidentifikasi dengan cara membuat formulasi model. Dukungan untuk akses data. Oleh karena itu. pengambilan keputusan dilakukan melalui empat tahap. mengelompokkan. menvalidasi model. menentukan kriteria pemilihan. mengumpulkan data. menguji solusi yang didapat “ diatas kertas “. dan mendefinisikan masalah.2. Choice: Membuat solusi untuk model-model yang digunakan. perkiraan dan pengukuran hasil. dan mengidentifikasi. yaitu : a. Kontrol penuh oleh pengambil keputusan. Kegiatannya meliputi mempelajari tujuan. tidak akan ada laporan. Kemudahan penggunaan.yang tidak terprogram. dan berbasis web 2.

Berbagai masalah organisasional melibatkan pengambilan keputusan dari orang dalam grup. Pengambil keputusan harus reaktif. 3.3. 2. 6. 5. Dukungan disediakan untuk berbagai level manajerial yang berbeda. Dukungan disediakan bagi individu dan juga bagi grup. choice dan implementation. 4. DSS menyediakan dukungan ke berbagai keputusan yang berurutan atau saling berkaitan. DSS mendukung berbagai proses pengambilan keputusan dan style yang berbeda-beda. mampu mengatasi perubahan kondisi secepatnya dan beradaptasi untuk membuat DSS selalu bisa menangani perubahan ini. design. sehingga user dapat menambahkan. 7. d. DSS selalu bisa beradaptasi sepanjang masa. . ada kesesuaian diantara DSS dan atribut pengambil keputusan individu (contohnya vocabulary dan style keputusan). Implementation : Menerapkan solusi yang sudah diputuskan untuk dipilih dan melihat sejauh mana solusi tersebut dapat menyelesaikan masalah seperti yang diharapkan atau yang menjadi sasaran semula. Karateristik dan kemampuan Decision Support System Berikut ini akan dibahas mengenai karakteristik dan kemampuan kinerja dari DSS atau Decision Support System. mulai dari pimpinan puncak sampai manajer lapangan. menghapus. DSS mendukung berbagai fase proses pengambilan keputusan: intelligence. DSS menyediakan dukungan bagi pengambil keputusan utamanya pada situasi semi-terstruktur dan tak terstruktur dengan memadukan pertimbangan manusia dan informasi terkomputerisasi. 2. DSS adalah fleksibel. antara lain yaitu : 1. Untuk masalah yang strukturnya lebih sedikit seringkali hanya membutuhkan keterlibatan beberapa individu dari departemen dan level organisasi yang berbeda.

2. mengkombinasikan. 9. 10. DSS dalam tingkat lanjut dilengkapi dengan komponen knowledge yang bisa memberikan solusi yang efisien dan efektif dari berbagai masalah yang pelik. lebih daripada efisiensi yang bisa diperoleh (biaya membuat keputusan. Kemampuan pemodelan ini menjadikan percobaan yang dilakukan dapat dilakukan pada berbagai konfigurasi yang berbeda. berbagai percobaan tersebut lebih lanjut akan memberikan pandangan dan pembelajaran baru. 8. . DSS biasanya mendayagunakan berbagai model (standar atau sesuai keinginan user) dalam menganalisis berbagai keputusan. 11. Kemampuan ini memberikan analisis yang tepat waktu dan cepat setiap saat. Sistem yang lebih besar dapat dibangun dalam organisasi pengguna tadi dengan melibatkan sedikit saja bantuan dari spesialis di bidang Information Systems (IS). Komponen SPK tersebut dapat digambarkan seperti gambar di bawah ini. Pengguna harus mampu menyusun sendiri sistem yang sederhana. Model Base dan Software System/User Interface.4. jangka waktu. mengubah. Komponen Decision Support System Secara umum Decision Support System (DSS) atau Sistem Pendukung Keputusan dibangun oleh tiga komponen besar yaitu database management. atau mengatur kembali elemen-elemen dasar (menyediakan respon cepat pada situasi yang tak diharapkan). kualitas). termasuk biaya penggunaan komputer). DSS mencoba untuk meningkatkan efektivitas dari pengambilan keputusan (akurasi.

Model Base Merupakan suatu model yang merepresentasikan permasalahan kedalam format kuantitatif (model matematika sebagai contohnya) sebagai dasar simulasi atau pengambilan keputusan. batasan-batasan yang ada (constraints). termasuk didalamnya tujuan dari permaslahan (objektif). User Interface menampilkan keluaran . dan hal-hal terkait lainnya.Gambar 1 : Komponen Decision Support System (DSS) 1. 2. merupakan penggabungan antara dua komponen sebelumnya yaitu Database Management dan Model Base yang disatukan dalam komponen ketiga (user interface). komponen-komponen terkait. Model Base memungkinkan pengambil keputusan menganalisa secara utuh dengan mengembangkan dan membandingkan solusi alternatif. Untuk keperluan decision support system (DSS). User Interface/ Pengelolaan Dialog Terkadang disebut sebagai subsistem dialog. Data yang merupakan suatu sistem pendukung keputusan dapat berasal dari luar maupun dalam lingkungan. setelah sebelumnya dipresentasikan dalam bentuk model yang dimengerti computer. diperlukan data yang relevan dengan permasalahan yang hendak dipecahkan melalui simulasi. Database Management Merupakan subsistem data yang terorganisasi dalam suatu basis data. 3.

kriteria yang berpengaruh untuk mencapai tujuan. K2.faktor atau kriteria .  Level 2 melambangkan faktor . alternatif dan kriteria. Decision Support System Dalam Penilaian Kriteria dan Alternatif.. P3 }. Kn}. .5. . Jika ada n alternatif keputusan dari suatu masalah. Struktur hirarki permasalahan dapat dilihat pada gambar berikut ini : Dari gambar di atas dapat disimpulkan bahwa :  Level 1 melambangkan tujuan umum yang ingin dicapai. maka alternatif- alternatif tersebut dapat ditulis sebagai P = {P1. Jika ada k kriteria maka dapat dituliskan sebagai K = {K1. Setelah ditentukan tujuan (goal). P2. karena banyaknya faktor yang terlibat tergantung dari permasalahan. Dalam menyelesaikan masalah dengan Jaringan Syaraf backpropagation. sistem bagi pemakai dan menerima masukan dari pemakai kedalam decision support system (DSS) atau Sistem Pendukung Keputusan. kemudian disusun menjadi struktur hirarki. 2. masalah yang akan diselesaikan diuraikan menjadi unsur-unsurnya yaitu kriteria dan alternatif..

Wujud saham berupa selembar kertas yang menerangkan siapa pemiliknya. Tiga komponen tersebut adalah dendirt. . 2. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. soma atau badan sel dan axon seperti tampak pada gambar dibawah ini.7.alternatif tujuan yang akan dievaluasi melalui kriteria yang ada pada Level 2 (pada level ini jumlahnya tidak dibatasi).1 Struktur sel syaraf biologis Sel syaraf biologis atau disebut juga Neuron memiliki tiga komponen penyusun yang saling bekerja sama untuk mengolah sinyal-sinyal informasi.kotak antar level merupakan hubungan yang perlu diukur dengan perbandingan berpasangan kearah level yang lebih tinggi. Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau perusahaan terbatas. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia.6.  Garis .  Level 3 melambangkan alternatif . Sinyal listrik ini dilewatkan melalui celah sinapsis (sianapsis gap) yang pada perjalanan biologisnya terjadi proses kimiawi dengan penskalaan frekuensi sinyal. Dendrit merupakan serabut saraf yang bercabang-cabang pendek dan berjumlah lebih dari satu ini bertugas menerima sinyal dari neuron lain.7. 2. Otak manusia berisi berjuta-juta sel saraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja seperti suatu processor sederhana.garis yang menghubungkan kotak . 2.

Gambar 2 : Neuron . Sinyal yang diterima diolah oleh soma dan kemudian dijumlahkan.pada jaringan syaraf tiruan proses ini disebut pembentukan bobot.

yang berasal dari sel lain atau dari inputan luar (bukan dari neuron).7. Selanjutnya setiap inputan diberi pembobot Wkp. Struktur jaringan saraf tiruan JST disusun oleh elemen – elemen pemroses yang berada pada lapisan- lapisan yang berhubungan dan diberi bobot. Untuk semua hasil perkalian akan dijumlahkan sebagaimana pada persamaan dibawah ini : (1) .2. Struktur jaringan akan ditunjukkan seperti pada gambar berikut ini : Gambar 3 : Model Tiruan Neuron Sebuah pemodelan neuron memiliki masukan Xp sebanyak p. Masing – masing inputan Xp akan dikalikan dengan pembobot Wk yang berkesesuaian.2. Dengan serangkaian inputan diluar sistem yang diberikan kepadanya jaringan ini dapat memodifikasi bobot yang akan dihasilkannya. Setiap elemen pemroses melaksanakan operasi matematika yang sudah ditentukan dan menghasilkan (hanya) sebuah harga keluaran dari satu ataupun banyak masukan. sehingga akan menghasilkan output yang konsisten sesuai dengan input yang diberian kepadanya.

dan hasil persamaan tersebut akan menjadi masukan bagi fungsi aktivasi untuk mendapatkan tingkat derajat sinyal keluaran pada neuron. namun pemilihan layer untuk . Untuk jenis fungsi sigmoid dapat dideskripsikan dengan persamaan : (2) dengan grafik yang ditunjukkan sebagai berikut : Gambar 4 : Grafik fungsi sigmoid Pada umumnya sinyal fungsi aktivasi yang dikeluarkan tiap neuron berbeda. Secara umum . Hanya hal terpenting yang perlu diperhatikan adalah penentuan penggunaan jenis fungsi aktifasi pada masing- masing unit pada lapisan tersebut dan pola koneksi pembobot antar lapisan. karena mengingat kaidah pelatihannya menggunakan algoritma backpropagation. Namun pada pembahasan kali ini hanya akan dibahas single layer dan multi layer. multi layer dan competitve layer. dimana terdapat bermacam-macam jenis fungsi aktivasi. tiap unit pada lapisan (Layer) yang sama atau dapat kita sebut neuron mempunyai tingkah laku yang sama untuk pemrosesan sinyal data. Untuk pemilihan jumlah layer bukan berarti pemilihan layer untuk neuron. Namun biasanya unit pada lapisan yang sama mempunyai jenis fungsi aktifasi yang sama dan pola koneksi pembobot yang sama pula. hal ini dikarenakan berbedanya nilai bobot yang diterima tiap neuron berbeda. Pemodelan jaringan pada syaraf tiruan sering dikategorikan menjadi tiga yaitu : Single layer.

Backpropagation menggunakan arsitektur multilayer dengan metode pelatihan supervised training.2 Jaringan Saraf Tiruan Untuk prediksi salah satu bidang dimana Jaringan Syaraf Tiruan dapat diaplikasikan dengan baik adalah dalam bidang peramalan (forecasting).1 Backpropagation Backpropagation merupakan salah satu metode pelatihan dari Jaringan Syaraf Tiruan. Ada dua jenis pelatihan dalam sistem Jaringan Syaraf Tiruan. jaringan dapat menghasilkan output seperti yang diharapkan berdasarkan pola yang sudah ada.8. data tersebut digunakan untuk menentukan bobot yang optimal. 2.penghubung jalur pembobot antar neuron. Supervised Learning. Dalam proses pelatihan ini.8. peramalan cuaca dan lain-lain.8. 2. Setelah jaringan dilatih. jaringan dilatih hanya dengan diberi data input yang memiliki kesamaan sifat tanpa disertai output. Dalam proses pelatihan ini. jaringan dilatih dengan cara diberikan data- data yang disebut training data yang terdiri atas pasangan input-output yang diharapkan dan disebut associative memory. Jadi variabel terpenting untuk pengenalan pola adalah pembobotnya. Setelah bobot optimal didapatkan dari proses . Peramalan yang sering dilakukan adalah peramalan nilai tukar valuta asing. 2. yaitu: 1. 2. Secara umum peramalan yang dapat dilakukan oleh Jaringan Syaraf Tiruan adalah peramalan runtut waktu (time series) sebagai input dan target dari output yang diinginkan pada proses pelatihan adalah data periode sebelum tahun yang akan diramal. associative memory dapat mengingat suatu pola. Unsupervised Learning. Pelatihan Jaringan Syaraf Tiruan Pelatihan Jaringan Syaraf bertujuan untuk mencari bobot-bobot yang terdapat pada setiap layer. Jika jaringan diberi input baru.

Tiga metode penelitian langkah-langkah prediksi harga saham dengan JST adalah sebagai berikut: 1. yaitu tahap pelatihan dan tahap pengujian 3. seringkali menyebabkan perdagangan berlebihan.1. Input data saham periode sebelumnya 2. Ringkasan Jurnal Memprediksi arah dan pergerakan harga indeks saham memang sulit. Output akan didapatkan berupa harga saham yang diprediksi BAB III PEMBAHASAN 3. Data akan diproses melalui 2 tahap.pelatihan. bobot-bobot tersebut digunakan untuk menentukan nilai peramalan jika sistem diuji oleh data yang pernah masuk dalam sistem peramalan. dan hilangnya . biaya transaksi.

multiple input dan pemodelan teknik yang digunakan. Simulasi dengan indeks saham menggambarkan bagaimana pedagang dapat menghasilkan keuntungan yang lebih tinggi menggunakan model sistem pendukung keputusan adaptif dikembangkan. Untuk menggambarkan pendekatan yang adaptif. atau aset keuangan lainnya. para peneliti sering berfokus pada urutan harga dan pola. indeks saham. Analisis teknis telah banyak digunakan dalam sistem perdagangan.kesempatan. Peneliti lain telah menggunakan indikator teknis untuk menghasilkan . termasuk jaringan saraf. namun juga memberikan pendekatan yang konsisten. system cerdas adaptif sebagai pendukung keputusan perdagangan saham telah diusulkan dengan memanfaatkan partikel segerombolan optimasi dan Jaringan Syaraf Tiruan untuk memprediksi arah masa depan gerakan indeks saham. Penelitian di bawah mengarah ke model perdagangan rinci yang menyediakan cara yang lebih efektif dan cerdas untuk mengenali sinyal perdagangan dan membantu investor dengan keputusan perdagangan dengan memanfaatkan sistem yang menyesuaikan input dan model prediksi berdasarkan output yang diinginkan. partikel segerombolan optimasi. dengan beberapa bentuk komputasi intelijen yang digunakan untuk membantu mengidentifikasi pola-pola tersebut. mereka biasanya dirancang untuk saham tertentu. dan sering sangat tergantung pada input yang telah dipilih sebelumnya dan model parameter yang diharapkan untuk terus menyediakan informasi perdagangan setelah pelatihan awal atau periode pembangunan model diuji kembali. Dalam penelitian ini. Seringkali pedagang membutuhkan metode yang sistematis untuk tidak hanya melihat peluang perdagangan. Sementara ini ada mekanisme sistem perdagangan. sehingga meminimalkan kesalahan dan biaya perdagangan. dan denoising.

memungkinkan untuk lebih cepat sistem pelatihan dan akurasi pengujian yang lebih besar. et al. dan hanya menggunakan indictors orang-orang teknis yang memfasilitasi kinerja jaringan terbaik. kekuatan sistem yang diusulkan adalah bahwa system tersebut menghasilkan sinyal trading dengan memprediksi arah harga indeks saham.. Ketika beberapa indikator teknis telah digunakan. dengan menyesuaikan model sesuai indeks saham yang berbeda. Sistem ini juga mengatasi kelemahan utama dari pendekatan tradisional Jaringan Syaraf Tiruan. tanpa kerugian dari mencoba untuk mengembangkan sistem baru setiap kali input data dan/atau perubahan output yang diinginkan. et al. 2002). yang sering sangat sensitif terhadap pemilihan masukan dan pengaturan parameter.. Berbeda dari pendekatan-pendekatan penelitian lain mengenai saham dan indeks saham pilihan. . Pengenalan Modul segerombolan partikel ke sistem juga membantu untuk mengurangi konsumsi waktu dalam komputasi. Tidak seperti banyak sistem tradisional lain yang mencoba untuk memperkirakan tingkat indeks atau harga saham. Model adaptif yang diusulkan unik yang mengoptimalkan kinerja jaringan untuk indeks saham masing-masing individu.sinyal trading. termasuk penggunaan beberapa indikator tanpa optimasi (Thawornwong. 2001). atau optimasi indikator tunggal (Bogullu. terlepas dari periode analisis saham atau indeks. Selain memprediksi harga indeks saham. pelatihan arah hasil harga indeks saham di jaringan yang kurang kompleks. sistem yang dikembangkan biasanya menggunakan setiap indikator. tidak seperti sistem yang lebih rumit lainnya. adaptasi dan fleksibilitas dari sistem yang diusulkan untuk membuatnya berlaku untuk situasi kehidupan nyata. membuat strategi enumerasi layak untuk aplikasi real-time.

Simulasi dan evaluasi pada indeks saham sampel menunjukkan bahwa peningkatan investasi terukur yang dicapai dengan melakukan perdagangan yang mengikuti sinyal trading yang disediakan oleh sistem yang diusulkan. secara inheren berkinerja lebih baik di pasar yang sedang tren (pasar bull atau bear). komoditas. Meskipun ini mungkin menawarkan keuntungan bagi indeks pasar saham yang diuji. Dalam kinerja model kasus penelitian ini hanya mempertimbangkan untuk satu tahun kalender. masing-masing. dan futures individual dapat dipertimbangkan. kontrak valuta asing merupakan kandidat yang baik . Selain itu. dibandingkan dengan pasar perdagangan yang mungkin menampilkan volatilitas. Kontrak saham. meskipun tahun yang dipertanyakan (2010) tidak berada dalam tren bullish atau bearish yang dikonfirmasi untuk seluruh tahun. Meskipun demikian. Ini mungkin juga berlaku untuk periode waktu yang diteliti. Beberapa model. terutama yang menggunakan input teknis. studi tambahan dapat dilakukan untuk lebih menyoroti ketahanan model. dibandingkan dengan yang dicapai mengikuti strategi beli dan tahan. Pertama. adalah mungkin untuk menggunakan sistem yang diusulkan untuk kelas aset dan jenis sekuritas lainnya. Sistem saat ini terbatas pada penggunaan indikator dan pola teknis sebagai masukan. tetapi sebaliknya tidak tren selama periode pemeriksaan. Mengenai arah masa depan. sejumlah area untuk perbaikan bisa dipertimbangkan. mengingat sifatnya yang adaptif. Penggunaan denoising dan penjualan pendek (short selling) juga ditampilkan untuk meningkatkan keuntungan perdagangan dengan mengurangi biaya transaksi dan meningkatkan peluang trading. sistem ini juga mempunyai keterbatasan.

di luar jaringan syaraf tiruan sederhana dapat dipertimbangkan. model klasifikasi lainnya. teori perolehan informasi. bentuk input lainnya selain indikator dan pola analisis teknis umum dapat dipertimbangkan. seperti jaringan syaraf probabilistik. Ketiga. Dengan mengambil sampel campuran antara indeks saham skala kecil. metode tambahan untuk melakukan preprocessing data masukan. menengah. dan model jaringan syaraf tiruan fuzzy-genetic-neural. atau pengelompokan dapat digunakan untuk lebih menyoroti masukan sistem yang paling penting dan berguna. menahan atau membeli saham dengan cepat dan tepat. Hal ini sesuai dengan tujuan dari DSS itu sendiri yaitu mempercepat pengambilan keputusan yang dapat diandalkan dan lebih akurat dari pada menggunakan metode yang lain. jaringan syaraf tiruan umum. termasuk yang sering berkinerja baik dengan data keuangan. dan juga memiliki kemampuan untuk menerima sinyal perdagangan posisi pendek. Kelebihan dan kekurangan Jurnal A. memudahkan investor / trader dalam mengambil keputusan untuk menjual. Kedua. Akhirnya.2.untuk analisis masa depan mengingat pentingnya menggunakan analisa teknikal saat memperdagangkan kelas aset ini. 3. terutama jika periode pengujian yang lebih lama (selain harian) dipertimbangkan. seperti data makroekonomi. dan besar dari indeks baik domestik maupun internasional. sehingga selanjutnya meningkatkan klasifikasi dan kecepatan klasifikasi jaringan. membuat penelitian ini lebih akurat . seperti menggunakan analisis komponen utama. Kelebihan Penelitian ini membuktikan bahwa dengan menggunakan sistem pendukung keputusan (DSS) yang berbasis pada metode jaringan saraf tiruan.

Kekurangan Penerapan jaringan saraf untuk peramalan membutuhkan waktu yang tidak sedikit karena perlu melakukan banyak percobaan dalam menetapkan jumlah hidden layer. penetuan besarnya learning layer rate serta menerapkan teknik pembelajaran pada jaringan yang direncanakan.1. BAB IV PENUTUP 4. menetapkan jumlah neuron dalam hidden layer. B. KESIMPULAN .jika diterapkan dalam dunia pasar modal yang sesungguhnya.

maka akan semakin akurat hasil prediksinya. 20 April 2016. & Delen. maka dapat disimpulkan sebagai berikut : 1. Semakin banyak bobot jaringan syaraf tiruan. 4. Melbourne . “An Adaptive Stock Index Trading Decision Support System”. SARAN Semakin banyak hidden layer. Metode Jaringan Syaraf Tiruan bersifat adaptif untuk berusaha mencapai kestabilan proses output yang diharapkan. tetapi menghasilkan waktu pembelajaran yang lama. Penentuan parameter-parameter jaringan yang optimum hanya dapat dilakukan berdasarkan proses pembelajaran dan penentuan besarnya kesalahan sehingga lamanya waktu belajar tidak dapat ditentukan secara pasti. Decision Support and Business Intelligence Systems. DAFTAR PUSTAKA Chiang. akan semakin akurat nilai dari keluaran prediksi.2 . & Tong Wu. 2. 2011. tetapi menghasilkan waktu pembelajaran yang lama Pemberian nilai biasa pertama kali sangat berpengaruh terhadap keakuratan hasil prediksi. Pearson Education Australia. jika bobot jaringan syaraf tiruan terlalu besar. Elsevier. akan terjadi saturasi pada system jaringan syaraf tiruan. Expert Systems with Aplication. Sharda. sehingga sistem menjadi tidak efektif. Turban. akan menghasilkan keakuratan yang semakin besar. Enke. Semakin besar nilai learning rate. Berdasarkan pembahasan aplikasi peramalan harga saham menggunakan Jaringan Syaraf Tiruan secara supervised learning dengan algoritma backpropagation. Tetapi. Hal ini dikarenakan adanya perubahan perubahan bobot yang dilakukan pada saat proses pembelajaran. 9nd ed.