Prediksi Data Historis Saham PT.Bank Rakyat Indonesia Tbk (BBRI) Menggunakan Model Algoritma Artificial Neural Network

Authors

  • Saifuddin Saifuddin Universitas Teknologi Yogyakarta
  • Arief Hermawan Universitas Teknologi Yogyakarta

Keywords:

Indeks Saham; Artificial Neural Network; Rapid Manner

Abstract

Dalam beberapa tahun ini perkembangan ekonomi Indonesia
mengalami fluktuasi dikarenakan ada beberapa kondisi tertentu
sehingga mengakibatkan mengakibatkan pergerakan kenaikan dan
penurunan indeks saham yang tercatat di BEI terutama pada saham
PT.Bank Rakyat Indonesia Tbk (BBRI )yang mengalami
ketidakstabilan. Salah satu hal yang dilakukan untuk membantu para
investor agar mereka tidak salah dalam pengambilan keputusan,
dalam penelitian ini adalah melakukan peramalan pergerakan harga
saham pada PT.Bank Rakyat Indonesia Tbk (BBRI) karena saham ini
dianggap sebagai saham yang paling aktif diperdagangkan pada
Bursa Efek Indonesia. Pada penelitian ini dalam peramalan saham
menerapkan algoritma Artificial Neural Network untuk memprediksi
harga saham BBRI. Dengan menggunakan empat atribut yaitu nilai
open, high, low sebagai predictor dan close sebagai class, penelitian
ini berfokus pada penentuan Root Mean Squared Error (RMSE)
dengan mengoptimalkan nilai-nilai parameter. Dengan
mengoptimalkan nilai-nilai parameter dan pemilihan ukuran hidden
layer memberikan hasil yang lebih baik, terbukti dengan hasil
akurasi, RMSE masing-masing sebagai berikut : 0.266 +/- 0.000

References

[1] I. Fahmi, Rahasia saham dan obligasi.
Bandung: Alfabeta, 2013.
[2] T. E. S. G. S. R. Shibi, “A Survey of
Artificial Neural Networks machine
learning methods and Applications in
Bio-Neuron System,” Int. J. Sci. Res.,
2015.
[3] Tuma, J. M., & Pratt, J. M. (1982).
Clinical child psychology practice and
training: A survey. \ldots of Clinical
Child & Adolescent Psychology,

Downloads

Published

2019-10-21

How to Cite

Saifuddin, S., & Hermawan, A. (2019). Prediksi Data Historis Saham PT.Bank Rakyat Indonesia Tbk (BBRI) Menggunakan Model Algoritma Artificial Neural Network. Prosiding University Research Colloquium, 139–144. Retrieved from https://repository.urecol.org/index.php/proceeding/article/view/814