digilib@itb.ac.id +62 812 2508 8800

Artificial Neural Network (ANN) telah banyak diaplikasikan dalam bidang finansial. Pada penelitian ini, ANN digunakan untuk peramalan data harga saham karena kemampuan ANN dalam memodelkan permasalahan yang kompleks. ANN mampu memetakan nilai masa lampau dan nilai masa depan dari data time series dengan proses belajar seperti yang terjadi pada otak manusia. Namun, kesulitan terbesar dalam penggunaan ANN adalah menentukan arsitektur ANN yang cocok untuk data yang berbeda. Untuk mengatasi hal tersebut, maka digunakan Algoritma Genetik (AG) sebagai alat bantu untuk memilih kombinasi parameter untuk mendapatkan arsitektur yang tepat yang terdiri dari jumlah node dalam hidden layer, learning rate dan momentum. Peramalan dilakukan pada data harian indeks LQ45, harga saham HMSP dan harga saham ISAT. Penelitian ini dilakukan untuk melihat pengaruh penggunaan AG, pembagian panjang data time series serta distribusi set data yang berbeda terhadap hasil peramalan ANN. Secara umum hasil penelitian menunjukkan bahwa AG mampu meningkatkan generalisasi hasil peramalan ANN. Penggunaan AG lebih banyak memperbaiki nilai NMSE peramalan ANN terutama pada set data testing. Nilai performansi pada set data testing dapat dijadikan indikasi atas performansi model peramalan dalam menghasilkan nilai ramalannya. Perbandingan nilai performansi data testing terbaik peramalan 1 hari kedepan menggunakan ANN dan AG+ANN untuk masing - masing kasus yaitu: data indeks LQ45 dengan NMSE 4,3549:0,0210, korelasi 95,89%:96,50%, akurasi 44,38%:48,52% ; harga saham HMSP dengan nilai NMSE 0,0097:0,0078, korelasi 99,61%:99,64%, akurasi 32,61%:37,33%; harga saham ISAT dengan NMSE 0,0305:0,0246, korelasi 95,87%:95,91%, akurasi 47,34%:46,15%. Hasil empirik yang didapatkan dari penelitian ini bahwa presentase akurasi hasil peramalan tidak menunjukkan pola penurunan dengan berkurangnya periode data input. Untuk distribusi set data tidak ada indikasi bahwa salah satu distribusi set data selalu lebih baik untuk setiap kasus. Hal ini menunjukkan bahwa proses belajar ANN membutuhkan penyesuaian informasi untuk menghasilkan peramalan yang terbaik.