Perbandingan Peramalan Indeks Harga Saham Gabungan Menggunakan Support Vector Machines dan Jaringan Saraf Tiruan

ABSTRAKSI: Support vector machines (SVM) pertama kali muncul tahun 1992, dikenalkan oleh Boser, guyon dan Vapnik di COLT-92. SVM merupakan sebuah alat prediksi klasifikasi dan regresi yang menggunakan teori pembelajaran mesin (machine learning) untuk meningkatkan akurasi prediksi dan sekaligus menghindari data yang over-fit. Metode lain yang bisa digunakan untuk peramalan (forecasting), yaitu metode jaringan saraf tiruan. Jaringan saraf tiruan (Artificial Neural Network) adalah suatu teknologi komputasi yang berbasis pada model saraf biologis, model ini membantu mensimulasikan tingkah laku dan kerja model saraf terhadap berbagai macam masukan. Penelitian Tugas Akhir ini menggunakan metode support vector machines dan jaringan saraf tiruan untuk peramalan pergerakan Indeks Harga Saham Gabungan. Kedua metode ini akan dibandingkan melalui nilai akurasi, waktu komputasi dan kompleksitas algoritma. Hasil perhitungan 10 indikator[12] dijadikan input pada sistem. Pada penelitian tugas akhir ini diperoleh hasil, yaitu dengan menggunakan metode jaringan saraf tiruan didapatkan akurasi testing sebesar 68,26% dan total waktu komputasi sebesar 9,068 seconds, sedangkan menggunakan metode support vector machines didapatkan akurasi sebesar 56,57% dan total waktu komputasi sebesar 27,666 seconds. Waktu asimptotik metode JST adalah $ " ! dan waktu asimptotik metode SVM adalah $ # ! . Percobaan ini menunjukkan metode jaringan saraf tiruan lebih baik dibandingkan support vector machines dalam meramalkan pergerakan Indeks Harga Saham Gabungan, selain itu metode JST memiliki kompleksitas waktu asimptotik yang lebih cepat, hal ini menunjukkan bahwa algoritma JST lebih efisien. KATA KUNCI: support vector machines, jaringan saraf tiruan, 10 indikator, Indeks Harga Saham Gabungan (IHSG), kompleksitas waktuABSTRACT: Support vector machines (SVM) first appeared in 1992, introduced by Boser, Guyon and Vapnick in COLT-92. SVM is a classification and regression prediction tool that use machine learning theory to improve prediction accuracy and avoiding over-fit data. There are other methods that can be used for forecasting, such as artificial neural network. Artificial neural networks (ANN) is a computing technology based on biological neural models, these models help simulate the behavior and working models of nerve for a wide range of inputs. This final project using SVM and ANN methods for forecasting the movement of Jakarta Stock Exchange Composite Index (JCI). Both of these methods are compared through the values of accuracy, computing time and complexity of the algorithm. The results of the calculation 10 indicators [12] are used as input to the system. The results are: the prediction performance of ANN model is 68,26% and total computation time 9.068 seconds. The prediction performance of SVM model is 56,57% and total computation time 27.666 seconds. ANN method asymptotic time is $ " ! and SVM method asymptotic time is $ # ! . This experiment shows that artificial neural network method is better than support vector machines for forecasting the movement of Jakarta Stock Exchange Composite Index (JCI), moreover ANN has shorter complexity time, it indicates that ANN algorithm more efficient than SVM. KEYWORD: support vector machines, artificial neural network, 10 indicators, Jakarta Stock Exchange Composite Index (JCI), time complexit