PENERAPAN TRANSFORMASI DATA DISCRETE WAVELET TRANSFORM PADA NEURAL NETWORK UNTUK PREDIKSI HARGA SAHAM

Indah Suryani

Authors

Indah Suryani STMIK Nusa Mandiri

(*) Corresponding Author

Keywords:

Discrete Wavelet Transform, Harga Saham, Neural Network, Prediksi

Abstract

Penelitian mengenai harga saham memang masih menarik bagi para peneliti. Seperti halnya dalam penelitian ini, data penutupan harga saham ANTM dijadikan sebagai set data yang diolah untuk kemudian dilakukan prediksi harga kedepannya. Adapun metode Neural Network merupakan metode yang sangat banyak digunakan peneliti karena berbagai keunggulannya. Sedangkan metode Discrete Wavelet Transform digunakan untuk melakukan transformasi data. Penggunaan transformasi data menggunakan Discrete Wavelet Transform diharapkan dapat meningkatkan kualitas data sehingga dapat meningkatkan performa Neural Network. Adapun berdasarkan eksperimen yang dilakukan dengan metode Neural Network dengan fungsi aktivasi Binary Sigmoid menunjukkan hasil RMSE 0,024 sampai dengan 0,022. Sedangkan dari hasil eksperimen Neural Network dengan fungsi aktivasi Binary Sigmoid yang dilakukan transformasi data dengan Discrete Wavelet Transform, telah menghasilkan RMSE yang lebih kecil daripada Eksperimen prediksi yang tanpa menggunakan transformasi data dengan Discrete Wavelet Transform yaitu 0,02 sampai dengan 0,018. Dari hasil perbandingan RMSE tersebut, terdapat selisih nilai rata-rata RMSE sebesar 0,0039. Artinya penerapan transformasi data menggunakan Discrete Wavelet Transform ini ternyata mampu meningkatkan performa prediksi dengan Neural Network yaitu dengan menghasilkan nilai error yang lebih kecil atau menghasilkan prediksi yang lebih akurat.

Downloads

Download data is not yet available.

Author Biography

Indah Suryani, STMIK Nusa Mandiri

Program Studi Teknik Informatika

References

A, Adebiyi, A., K, Charles, A., O, Marion, A., & O, Sunday, O. (2012). Stock Price Prediction using Neural Network with Hybridized Market Indicators. Journal of Emerging Trends in Computing and Information Sciences, 3(1), 1–9.

Anbazhagan, S., & Kumarappan, N. (2014). Day-ahead deregulated electricity market price forecasting using neural network input featured by DCT. Energy Conversion and Management, 78, 711–719. https://doi.org/10.1016/j.enconman.2013.11.031

Beaumont, A. N. (2014). Data transforms with exponential smoothing methods of forecasting. International Journal of Forecasting, 30(4), 918–927. https://doi.org/10.1016/j.ijforecast.2014.03.013

Bennett, C. J., Stewart, R. a., & Lu, J. W. (2014). Forecasting low voltage distribution network demand profiles using a pattern recognition based expert system. Energy, 67, 200–212. https://doi.org/10.1016/j.energy.2014.01.032

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques.

Hofmann, M. (2009). Data Mining and Knowledge Discovery Series.

Kirchgässner, G., & Wolters, J. (2007). Introduction to Modern Time Series Analysis. https://doi.org/10.1007/978-3-540-73291-4

Montgomery, D. C. (2008). Introduction to Time Series Analysis and Forecasting.

Ouyang, Y., & Yin, H. (2014). A neural gas mixture autoregressive network for modelling and forecasting FX time series. Neurocomputing, 135, 171–179. https://doi.org/10.1016/j.neucom.2013.12.037

Rajput, V., & Bobde, S. (2016). Stock Market Forecasting Techniques: Literature Survey. International Journal of Computer Science and Mobile Computing, 5(6), 500–506. Retrieved from www.ijcsmc.com

Sundararajan, D. (2015). Discrete Wavelet Transform: A Signal Processing Approach. In Discrete Wavelet Transform: A Signal Processing Approach. https://doi.org/10.1002/9781119113119

Suryani, I. (2015). Penerapan Exponential Smoothing untuk Transformasi Data dalam Meningkatkan Akurasi Neural Network pada Prediksi Harga Emas. 1(2).