Prakiraan Indeks Saham Gabungan dengan Jaringan Syaraf Tiruan (JST) Backpropagation Menggunakan Metode Bayesian Regularization

ABSTRAKSI: Indeks Saham Gabungan adalah suatu index yang terdiri dari stocks ( saham-saham) pilihan yang didaftarkan di sebuah bursa yang di hitung berdasarkan Market Capitalization atau Price Weighted. Index ini berlaku sebagai suatu indikator atau barometer dari kesehatan perekonomian suatu negara secara umum. Dengan demikian, suatu kontrak berjangka yang berbasiskan index tersebut mengijinkan seorang investor untuk membeli / menjual suatu ukuran kontrak yang tetap ( fixed ) dari index tersebut pada harga sekarang untuk tanggal penyelesaian yang akan datang.Dalam tugas akhir ini digunakan metode Backpropagation Bayesian Regularization untuk memodelkan arsitektur JST, yang mana arsitektur ini akan digunakan untuk memprediksi nilai saham pada suatu periode waktu tertentu.Data yang digunakan untuk training, testing dan predicting yaitu Dow-Jones Industrial Average (DJIA) closing values from 1900 to 1992.Dari hasil pengujian didapatkan model arsitektur JST Backpropagation Bayesian Regularization lebih akurat dan cepat dibandingkan JST Backpropagation Adaptive Learning Rate.Kata Kunci : training, testing, predicting, Backpropagation Bayesian Regularization, Backpropagation Adaptive Learning Rate, Learning rate, Levenberg-Marquardt (MU).ABSTRACT: Stock Index Futures is an index that contains of chosen stocks registered on a market calculated based on Market Capitalization or Price Weighted. This index has a function as an indicator or barometer of general economic health of a nation. Therefore, that index based measured contract allows investor to buy/ sell a measured fixed contract of that index with current price for future date of payment.Method that is used in this final project is Backpropagation Bayesian Regularization method to model JST architecture, which will be used to predict stock value on a period of time.Data that will be used in training, testing and predicting is Dow-Jones Industrial Average (DJIA) closing values from 1900 to 1993.The result of the testing is that JST Backpropagation Bayesian Regularization architecture model is more accurate and faster than JST Backpropagation Adaptive Learning Rate architecture model.Keyword: training, testing, predicting, Backpropagation Bayesian Regularization, Backpropagation Adaptive Learning Rate, Learning rate, Levenberg-Marquardt (MU)