PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG
ABSTRAK
Peramalan merupakan suatu unsur yang sangat penting terutama dalam perencanaan dan pengambilan keputusan. Adanya tenggang waktu antara suatu peristiwa dengan peristiwa yang terjadi mendatang merupakan alasan utama bagi peramalan dan perencanaan. Dalam situasi tersebut peramalan merupakan alat yang penting dalam perencanaan yang efektif serta efisien. General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang digunakan untuk pendekatan suatu fungsi. Model GRNN termasuk model jaringan syaraf tiruan dengan solusi yang cepat, karena tidak diperlukan iterasi yang besar pada estimasi bobot-bobotnya. Model ini memiliki arsitektur jaringan yang baku, dimana jumlah unit pada pattern layer sesuai dengan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 30 data tersisa indeks Hangseng didapat nilai mse training sebesar 454.88 dan nilai mse testing sebesar 817.850. Hasil peramalan dengan peubah input data return indeks Hangseng 12 langkah kedepan dapat disimpulkan bahwa nilai return di indeks Hangseng memiliki nilai positif dan negatif, indeks Hangseng digunakan untuk mendata dan memonitor perubahan harian dari perusahaan-perusahaan terbesar di pasar saham Hongkong dan sebagai indikator utama dari harga saham bluechip 33 perusahaan di hongkong. Para investor melakukan investasi di saham indeks Hangseng dengan harapan mendapatkan kembali investasi yang sesuai dengan apa yang telah di investasikannya. Nilai return merupakan hasil yang diperoleh dari investasi atau tingkat keuntungan yang dinikmati oleh pemodal atas investasi yang dilakukan.
Kata Kunci: General Regression Neural Network (GRNN), Hangseng, Peramalan (Forecasting), Return.
- PENDAHULUAN
Indeks Hang Seng adalah pasar saham gabungan yang merupakan bentuk investasi keuangan dari bursa saham Hongkong. Indeks Hang Seng merekam dan memonitor pergerakan harian saham-saham dari perusahaan-perusahaan besar di Hongkong yang ada dalam bursa. Hang Seng merupakan indikator utama performa pasar di Hongkong. Ada sekitar 40-an perusahaan yang menjadi penyumbang 60 % kapital pada Bursa Saham Hongkong (Hongkong Stock Exchange)
Meningkatnya kebutuhan perencanaan dalam aktivitas bisnis dan ekonomi, maka prediksi terhadap kondisi mendatang secara akurat semakin diperlukan. Dalam bidang ekonomi harga saham perdagangan sehari-hari mengalami fluktuasi baik berupa kenaikan maupun penurunan sehingga dengan harga saham yang berfluktuasi memberikan peluang kepada para investor mengalami keuntungan maupun kerugian
Return atau pengembalian adalah keuntungan yang diperoleh perusahaan, individu dan investasi dari hasil kebijakan investasi yang dilakukan. Penggunaan data return saham dalam bidang ekonomi memberikan keuntungan yaitu peningkatan dan penurunan harga saham tersebut akan terlihat jelas jika diamati. Jika model deret waktu (ARIMA) digunakan untuk memodelkan return saham, maka akan menghasilkan ragam sisaan yang tidak konstan, sebagai akibat dari karakteristik return saham itu sendiri dengan jumlah frekuensi tinggi (Tsay, 2002).
Kendala yang dihadapi dalam melakukan peramalan terhadap data saham adalah data yang berubah dengan keacakannya. Hal ini disebabkan pada kasus data finansial dan keuangan memiliki fluktuasi yang sangat besar dan tidak tetap. Selain metode peramalan konvensional yang dipakai dalam melakukan peramalan, metode peramalan menggunakan Jaringan Syaraf Tiruan (JST) dapat dipakai sebagai alternatif dalam melakukan peramalan. JST mampu mengidentifikasi pola dari suatu data masukan (input) dengan menggunakan metode pembelajaran untuk selanjutnya dilatih untuk mempelajari pola data masa lalu dan berusaha mencari fungsi yang menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini (Normakristagaluh, 2004). Peramalan sebagai alat dalam menyelesaikan masalah-masalah ekonomi menjadi sangat penting terutama dalam memprediksi hal-hal yang terjadi pada masa mendatang sehingga penerapan JST dalam meramalkan data ekonomi tentunya sangat membantu dalam pemecahan masalah-masalah ekonomi
- METODOLOGI PENELITIAN
Penilitian ini menggunakan data sekunder, yaitu data indeks harga saham Hangseng yang diperoleh di website www.google.com/finance mulai 02 januari 2014 sampai 19 september 2014. Data dibagi dua dimana 147 data digunakan sebagai training dan 30 sebagai testing kemudian melakukan simulasi menggunakan software matlab 7.8.0 (R2009a)
- NEURAL NETWORK
Jaringan Syaraf Tiruan (Arifical Neural Network) atau yang dikenal dengan istilah Neural Network (NN) merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan syaraf biologi, dimana dalam memproses informasi, otak manusia terdiri dari sejumlah neuron yang melakukan fungsi pemrosesan cukup kompleks. Pemrosesan informasi pada manusia bersifat adaptif, yang artinya hubungan antar neuron terjadi secara dinamis dan selalu memiliki kemampuan untuk mempelajari informasi-informasi yang belum diketahui sebelumnya (Fausett, 1994).
Secara garis besar pada NN memiliki dua tahap pemrosesan informasi, yaitu tahap pelatihan dan tahap pengujian. Tahap pelatihan dimulai dengan memasukkan pola-pola belajar (data latih) ke dalam jaringan. Dengan menggunakan pola-pola ini, jaringan akan mengubah–ubah bobot yang menjadi penghubung antara node. Pada setiap iterasi dilakukan evaluasi terhadap output jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dimana nilai error yang diinginkan telah tercapai atau jumlah iterasi telah mencapai nilai maksimal yang ditetapkan. Selanjutnya bobot ini menjadi knowledge base (dasar pengetahuan) pada tahap pengenalan. Sedangkan pada tahap pengujian dilakukan pengujian terhadap suatu pola masukan yang belum pernah dilatihkan sebelumnya (data testing) dengan menggunakan bobot hasil tahap pelatihan. Diharapkan bobot-bobot hasil pelatihan yang sudah menghasilkan error minimal juga akan memberikan error yang kecil pada tahap pengujian (Warsito, 2009).
Arsitektur jaringan dalam NN merupakan susunan dari neuron-neuron dalam lapisan dan pola keterhubungannya dalam dan antar lapisan. Neuron-neuron yang berada dalam satu lapisan tertentu akan mempunyai pola keterhubungan yang sama (Fausett, 1994) Sebuah NN biasanya terdiri atas lapisan-lapisan antara lain lapisan input (input layer) yaitu lapisan yang menerima masukan atau input dari jaringan luar, lapisan tersembunyi (hidden layer) yaitu lapisan yang terletak dalam satu atau beberapa lapisan dan tidak berhubungan langsung dengan keadaan diluar jaringan serta lapisan output (output layer) yaitu lapisan yang menghasilkan output dari jaringan.Berdasarkan jumlah layer yang dimiliki, NN dibedakan menjadi jaringan lapisan tunggal (single layer) dan jaringan multilapis (multilayer). Pada single layer,jaringan tersebut tidak mempunyai lapisan tersembunyi dari neuron atau hanya mempunyai satu lapisan bobot koneksi serta sekumpulan input neuron dihubungkan langsung dengan sekumpulan output. Sedangkan pada multilayer terdiri dari lapisan input, lapisan tersembunyi dan lapisan output. Lapisan tersembunyi terletak diantara lapisan input dan lapisan output. Output dari sebuah lapisan tersembunyi akan menjadi input bagi lapisan berikutnya. Jaringan ini minial mempunyai satu lapisan tersembunyi (Siang, 2005).
Daftar Pustaka
- F.Sprecht “A Generalized Regression Neural Network”, IEEE Transactions on Neural Networks, vol.2, 1991 568-576
- Normakristagaluh P (2004). Penerapan Jaringan Syaraf Tiruan Untuk Peramalan Curah Hujan dalam Statistical Downscaling. Skripsi Departemen Ilmu Komputer. Fakultas Matematika dan Ilmu Komputer. Institut Pertanian Bogor.
- Siang,J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi : Yogyakarta
- Tsay, R.S. 2002. Analysis of Financial Time Series. John Wiley and Sons, Inc. New York.
- Warsito, Budi. (2009). Kapita Selekta Statistika Neural Network. BP Undip Semarang
- Warsito,Budi. Perbandingan Model Feed Forward Neural Network Dan Generalized Regression Neural Network Pada Data Nilai Tukar Yen Tehadap Dolar AS. SPMIPA.2006:127-131
- Yasin, Hasbi. (2009). Estimasi Regresi Non Parametrik Dengan Metode Wavelet Shrinkage Neural Network Pada Model Rancangan Tetap, Jurnal Media Statistika FSM UNDIP Semarang, Vol2, No 1.
Untuk lebih lengkap dapat dilihat pada RESEARCHGATE