Perpustakaan Digital ITB

Peramalan data runtun waktu merupakan faktor penting dalam pengambilan keputusan investasi, salah satunya adalah investasi saham. Banyaknya metode forecasting untuk data runtun waktu sesuai dengan pola historisnya menyebabkan timbulnya kesulitan dalam proses prediksi. Hadirnya metode Backpropagation Neural Network (BPNN) diharapkan mampu beradaptasi pada setiap pola data historis. Dalam proses pembentukan jaringan BPNN terdapat parameter yang harus ditentukan. Pada tesis ini akan dibahas mengenai optimasi parameter jaringan BPNN serta peranan dari parameter tersebut. Setelah dilakukan optimasi, selanjutnya diuji kemampuan jaringan BPNN untuk memprediksi data runtun waktu dengan pola yang berbeda-beda. Hasil yang diperoleh cukup memuaskan. Untuk peralaman menggunakan 9 data saham perusahaan IT dengan pola yang berbeda-beda jaringan BPNN mampu memprediksi dengan baik dengan rata-rata MSE 0,3505875. Modifikasi pada proses pelatihan jaringan BPNN juga dilakukan untuk menambah keakuratan hasil prediksi, salah satunya dengan metode pemulusan grafik.