OPTIMALISASI NEURAL NETWORK MENGGUNAKAN BOOTSTRAP AGGREGATING PADA DATA INDEKS HARGA SAHAM GABUNGAN

 By : Fadil Al Afgani, Tri Ginanjar Laksana,  Ummy Athiyah 

Algoritma Neural Network salah satu algoritma supervised learning dengan tingkat akurasi yang tinggi dalam melakukan peramalan, namun Neural Network masih mempunyai kekurangan dalam penentuan nilai bobot maksimum sehingga perlu dioptimalisasikan. Oleh karena itu, diperlukan metode optimalisasi untuk menutupi kekurangan algoritma Neural Network. Ada beberapa metode optimalisasi seperti algoritma genetika, particle swam optimization (PSO), Bootstrap Aggregating (Bagging), dan sebagainya. Pada penelitian ini menggunakan metode Bootstrap Aggregating (Bagging). Metode Bagging melakukan perubahan yang kecil pada saat training namun dapat merubah hasil pada model yang digunakan sehingga dinilai dapat menutupi kekurangan algoritma Neural Network untuk menentukan bobot nilai maksimum. Penelitian ini dilakukan pada data IHSG 15 tahun terakhir dari tahun 2005-2020 yang diambil dari Yahoo Finance. Adapun pengolahan data pada penelitian ini dimulai dari prepocessing untuk menentukan atribut, menghilangkan data null, normaliasi dan proses windowing kemudian membagi dataset menggunakan 10k-fold validation menjadi data training dan data testing. Setelah itu pencarian setiap parameter terbaik melalui parameter awal yang telah ditentukan. Proses algoritma Neural Network dan optimalisasi menggunakan metode Bagging dengan parameter awal yang telah ditentukan dan juga parameter terbaik yang telah didapat. Hasil dari penelitian ini menunjukan bahwa nilai RMSE lebih baik ketika dioptimalisasi menggunakan metode Bagging baik pada parameter awal maupun parameter terbaik yaitu sebesar 47.75022 dan 46.73137. Sedangkan sebelum dioptimalisasi baik pada parameter awal maupun parameter terbaik yaitu sebesar 49.14626 dan 48.65204. Hal ini menunjukan metode Bagging dapat mengoptimalisasi algoritma Neural Network pada data IHSG 15 tahun terakhir.

Kata Kunci : Bagging, IHSG, Neural Network, Optimalisasi, RMSE

Kesimpulan
Berdasarkan penelitian untuk mengoptimalisasikan algoritma Neural Network menggunakan metode Bootstrap Aggregating (Bagging) pada data Indeks Harga Saham Gabungan (IHSG) dapat diperoleh kesimpulan yaitu dari hasil pengolahan data menunjukkan bahwa terjadi peningkatan tingkat akurasi melalui RMSE yang lebih baik pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging, dibandingkan dengan hanya menggunakan algoritma Neural Network baik menggunakan parameter awal maupun parameter terbaik yang didapatkan. Adapun proses optimalisasi algoritma Neural Network menggunakan metode Bagging dimulai dari memasukan dataset, kemudian pengolahan data awal atau preprocessing, pembagian dataset menjadi data training dan testing, proses bootstrap untuk merubah data training menjadi sub dataset dengan jumlah n perulangan yang sudah ditentukan. Kemudian setiap sub dataset diproses menggunakan algoritma Neural Network. Hasil akhir dari pengolahan data adalah nilai akurasi root mean square error (RMSE). Nilai RMSE pada algoritma Neural Network sebelum dioptimalisasi menggunakan parameter awal sebesar 49.14626 dan menggunakan parameter terbaik sebesar 48.65204, sedangkan nilai RMSE pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging dengan parameter awal sebesar 47.75022 dan dengan parameter terbaik sebesar 46.73137. Hal ini membuktikan bahwa metode Bagging dapat menutupi kelemahan pada algoritma Neural Network, ditunjukan dengan peningkatan nilai akurasi melalui RMSE yang lebih baik pada pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging.

5.2. Saran
Adapun saran yang diberikan untuk penelitian selanjutnya mengenai optimalisasi algoritma Neural Network. sebagai berikut :
1. Menggunakan kombinasi parameter lain, seperti parameter tercepat. Dengan meningkatkan jumlah parameter yang digunakan. 

2. Menggunakan metode optimalisasi yang lain, seperti Algoritma Genetika, Particle Swam Optimization (PSO), AdaBoost, Gradient Tree Boosting, Forest of randomized trees, Histogram-Based Gradient Boosting dan membandingkan dengan metode Bootstrap Aggregating (Bagging).