implementasi algoritma feedforward neural network …

IMPLEMENTASI ALGORITMA FEEDFORWARD NEURAL NETWORKUNTUK KLASIFIKASI POLA CANDLESTICK PADA CHART SAHAM

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelarSarjana Komputer (S.Kom.)

Meilona Eurica Karmelia Rajagukguk00000026158

PROGRAM STUDI INFORMATIKAFAKULTAS TEKNIK DAN INFORMATIKA

UNIVERSITAS MULTIMEDIA NUSANTARATANGERANG

2021

LEMBAR PENGESAHAN


Oleh

Nama : Meilona Eurica Karmelia RajagukgukNIM : 00000026158Program Studi : InformatikaFakultas : Teknik dan Informatika

Tangerang, 24 Juni 2021

Ketua Sidang

(Marlinda Vasty Overbeek, S.Kom.,M.Kom.)

Dosen Penguji

(Arya Wicaksana, S.Kom., M.Eng.Sc.,OCA, CEH)

Dosen Pembimbing I

(Moeljono Widjaja, B.Sc., M.Sc., Ph.D.)

Dosen Pembimbing II

(Seng Hansun, S.Si., M.Cs.)

Mengetahui,Ketua Program Studi Informatika,

(Marlinda Vasty Overbeek, S.Kom., M.Kom.)

ii

1 Juli 2021

7/4/2021

PERNYATAAN TIDAK MELAKUKAN PLAGIAT

Dengan ini saya yang bertanda tangan di bawah ini:Nama : Meilona Eurica Karmelia RajagukgukNIM : 00000026158Program Studi : InformatikaFakultas : Teknik dan Informatika

Menyatakan bahwa Skripsi yang berjudul “Implementasi AlgoritmaFeedforward Neural Network untuk Klasifikasi Pola Candlestick pada ChartSaham” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yangditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain ataulembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannyaserta dicantumkan dalam Daftar Pustaka.

Jika di kemudian hari terbukti ditemukan kecurangan / penyimpangan, baikdalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersediamenerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yangtelah saya tempuh.


Meilona Eurica Karmelia Rajagukguk

iii

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUKKEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertandatangan di bawah ini:

Nama : Meilona Eurica Karmelia RajagukgukNIM : 00000026158Program Studi : InformatikaFakultas : Teknik dan InformatikaJenis Karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikankepada Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif(Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:


beserta perangkat yang diperlukan.Dengan Hak Bebas Royalti Noneksklusif ini, pihak Universitas MultimediaNusantara berhak menyimpan, mengalih media atau format-kan, mengelola dalambentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkanatau mempublikasikan karya ilmiah saya di internet atau media lain untukkepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikanroyalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karyailmiah tersebut.Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakansebagaimana mestinya.



iv

HALAMAN PERSEMBAHAN / MOTTO

”He has made everything beautiful in its time. He has also set eternityin the human heart; yet no one can fathom what God has done frombeginning to end.”

Ecclesiastes 3:11

v

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas segala karunia dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “ImplementasiAlgoritma Feedforward Neural Network untuk Klasifikasi Pola Candlestickpada Chart Saham”. Tentunya dalam menyusun laporan ini, banyak pihak yangtelah membantu baik berupa moril dan spiritual, maka dalam kesempatan yangindah ini, penulis ingin mengucapkan terima kasih kepada:

1. Bapak Dr. Ninok Leksono, selaku rektor Universitas Multimedia Nusantara.

2. Dr. Eng. Niki Prastomo, S.T., M.Sc., selaku dekan fakultas teknik daninformatika Universitas Multimedia Nusantara.

3. Ibu Marlinda Vasty Overbeek, S.Kom., M.Kom., selaku kepala program studiinformatika Universitas Multimedia Nusantara.

4. Bapak Moeljono Widjaja, B.Sc., M.Sc., Ph.D., selaku dosen pembimbingyang dengan sabar telah memberikan bantuan, arahan, dan masukan dalampenyusunan skripsi ini.

5. Bapak Seng Hansun, S.Si., M.Cs., selaku dosen pembimbing yang telahmembimbing dengan sabar dan memberikan saran serta arahan yangmembantu dalam penyusunan skripsi ini.

6. Orang tua serta keluarga besar yang telah memberikan semangan dan tidakpernah lelah memberikan dukungan moral serta spriritual selama prosespenulisan skripsi.

7. Teman-teman terkasih yang tidak dapat disebutkan satu per satu yang telahmemberikan semangat secara langsung maupun tidak langsung.

Semoga laporan skripsi ini dapat bermanfaat, baik sebagai sumber informasimaupun sumber inspirasi bagi pembaca.



vi


ABSTRAK

Investasi pada pasar modal dapat membantu meningkatkan pertumbuhanekonomi negara. Tentunya dalam melakukan investasi, dibutuhkan teknikal analisisterhadap kondisi saham pada saat itu. Salah satu teknikal analisis yang dapatdilakukan adalah dengan melihat data historis dari sebuah saham. Candlestick chartdapat merangkum data historis yang berisikan data harga Open, High, Low, Closedalam sebuah chart. Kumpulan dari beberapa candlestick akan membentuk sebuahpola yang dapat membantu investor untuk melihat pergerakan saham apakah trenakan naik atau turun. Banyaknya pola candlestick serta penentuan pola candlesticksecara manual dapat memakan waktu dan tenaga. Feedforward neural network(FNN) merupakan salah satu algoritma yang dapat melakukan pemetaan terhadapinput dan output. Penelitian ini bertujuan untuk mengimplementasikan FNN untukmelakukan klasifikasi pola candlestick. Hasil uji coba menunjukkan bahwa nilaiakurasi yang dihasilkan setiap model tidak menjamin apakah seluruh pola dapatdikenali dengan baik dikarenakan dataset yang tidak seimbang dan tidak mudahuntuk dilakukan proses klasifikasi. Pengujian dengan data asli memiliki akurasi diatas 85% pada setiap saham, namun nilai rata-rata F1-score berada di bawah 45%.Uji coba dengan menggunakan random undersampling dan oversampling SMOTE,menyebabkan nilai akurasi menurun, nilai terendah pada saham PTBA yaitu 59%serta nilai rata-rata F1-score yang meningkat, namun hanya bertambah kurang dari15%.

Kata kunci: Feedforward Neural Network, OHLC Price, Pola Candlestick, Saham

vii

IMPLEMENTATION OF FEEDFORWARD NEURAL NETWORKALGORITHM FOR CANDLESTICK PATTERNS CLASSIFICATION ON

STOCK CHARTS

ABSTRACT

Investment in the capital market can help boost the country’s economic growth.Without doubt, in investing, a technical analysis of the condition of the stock isneeded at that time. One of the technical analysis that can be done is to look atthe historical data of a stock. Candlestick charts can summarize historical data thatcontains price data for Open, High, Low, Close in a chart. A group of candlestickswill form a pattern that can help investors to see whether the stock is trending upor down. The number of candlestick patterns and the manual determination ofcandlestick patterns may take time and effort. Feedforward Neural Network (FNN)is one of the algorithms that can help mapping input and output. This study aimsto implement FNN to classify candlestick patterns. The test results show that theaccuracy for each model does not guarantee whether all patterns can be recognizedproperly because the dataset is not balanced and the classification process is noteasy. Tests with the original data have an accuracy of above 85% on each stock, butthe average F1-score is below 45%. The experiment using random undersamplingand SMOTE oversampling, caused the accuracy value to decrease, the lowest valuein PTBA shares was 59% and the average F1-score increased, but less than 15%.

Keywords: Candlestick Patterns, Feedforward Neural Network, OHLC Price,Stocks

viii

DAFTAR ISI

HALAMAN PENGESAHAN . . . . . . . . . . . . . . . . . . . . . . . . iiPERNYATAAN TIDAK MELAKUKAN PLAGIAT . . . . . . . . . . . . iiiHALAMAN PERSETUJUAN PUBLIKASI ILMIAH . . . . . . . . . . . ivHALAMAN PERSEMBAHAN/MOTO . . . . . . . . . . . . . . . . . . . vKATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viiDAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ixDAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiDAFTAR TABEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiiBAB 1 PENDAHULUAN . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Latar Belakang Masalah . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.3 Batasan Permasalahan . . . . . . . . . . . . . . . . . . . . . . . . . 41.4 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.5 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . 51.6 Sistematika Penulisan . . . . . . . . . . . . . . . . . . . . . . . . . 5

BAB 2 LANDASAN TEORI . . . . . . . . . . . . . . . . . . . . . . . . 72.1 Japanese Candlestick . . . . . . . . . . . . . . . . . . . . . . . . . 72.2 TA-Lib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102.3 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 112.4 Feedforward Neural Network . . . . . . . . . . . . . . . . . . . . . 122.5 Evaluasi Performa . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

BAB 3 METODOLOGI PENELITIAN . . . . . . . . . . . . . . . . . . 163.1 Metodologi Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . 163.2 Visualisasi Tagging Indicator Pola Candlestick . . . . . . . . . . . . 173.3 Perancangan Sistem . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.3.1 Flowchart Utama . . . . . . . . . . . . . . . . . . . . . . . 193.3.2 Flowchart Data Preprocessing . . . . . . . . . . . . . . . . 213.3.3 Flowchart Pembuatan OHLC Tiga Hari . . . . . . . . . . . 233.3.4 Flowchart Mencari Harga Minimum . . . . . . . . . . . . . 243.3.5 Flowchart Mencari Harga Maksimum . . . . . . . . . . . . 263.3.6 Flowchart Normalisasi Data . . . . . . . . . . . . . . . . . 283.3.7 Flowchart Training dan Testing FNN Model . . . . . . . . . 30

BAB 4 HASIL DAN DISKUSI . . . . . . . . . . . . . . . . . . . . . . . 324.1 Spesifikasi Sistem . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1.1 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324.1.2 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.2 Implementasi Sistem . . . . . . . . . . . . . . . . . . . . . . . . . 324.2.1 Potongan Kode . . . . . . . . . . . . . . . . . . . . . . . . 33

4.3 Uji Coba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384.3.1 Skenario Pengujian . . . . . . . . . . . . . . . . . . . . . . 384.3.2 Hasil Pengujian . . . . . . . . . . . . . . . . . . . . . . . . 40

ix

4.3.3 Evaluasi Hasil Pengujian . . . . . . . . . . . . . . . . . . . 53BAB 5 SIMPULAN DAN SARAN . . . . . . . . . . . . . . . . . . . . 59

5.1 Simpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 595.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61DAFTAR LAMPIRAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

x

DAFTAR GAMBAR

Gambar 2.1 Japanese candlestick (Chen et al., 2020) . . . . . . . . . . 7Gambar 2.2 Dragonfly dan gravestone doji (FXDayJob, 2016) . . . . . 8Gambar 2.3 Bullish dan bearish doji star (Stock Market Watch, n.d.) . . 9Gambar 2.4 Hammer dan hanging man (Jearanaitanakij dan Passaya,

2019) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9Gambar 2.5 Bearish dan bullish engulfing (Jearanaitanakij dan

Passaya, 2019) . . . . . . . . . . . . . . . . . . . . . . . . 10Gambar 2.6 Morning dan evening star (Jearanaitanakij dan Passaya,

2019) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10Gambar 2.7 Arsitektur FNN dengan satu hidden layer (Faris et al., 2016) 13Gambar 3.1 Visualisasi pola candlestick . . . . . . . . . . . . . . . . . 18Gambar 3.2 Flowchart utama . . . . . . . . . . . . . . . . . . . . . . . 19Gambar 3.3 Flowchart data preprocessing . . . . . . . . . . . . . . . . 21Gambar 3.4 Flowchart pembuatan OHLC tiga hari . . . . . . . . . . . 23Gambar 3.5 Flowchart mencari harga minimum . . . . . . . . . . . . . 25Gambar 3.6 Flowchart mencari harga maksimum . . . . . . . . . . . . 27Gambar 3.7 Flowchart normalisasi data . . . . . . . . . . . . . . . . . 29Gambar 3.8 Flowchart training dan testing FNN model . . . . . . . . . 31Gambar 4.1 Import library yang digunakan . . . . . . . . . . . . . . . 33Gambar 4.2 Membuat dataframe OHLC tiga hari . . . . . . . . . . . . 34Gambar 4.3 Normalisasi data . . . . . . . . . . . . . . . . . . . . . . . 35Gambar 4.4 Membagi data test dan training . . . . . . . . . . . . . . . 35Gambar 4.5 Membagi data training dan validasi . . . . . . . . . . . . . 36Gambar 4.6 Function arsitektur model FNN . . . . . . . . . . . . . . . 36Gambar 4.7 Memanggil function FNN Model dan training model . . . 37Gambar 4.8 Function testing model dan membuat confusion matriks . . 38Gambar 4.9 Training history skenario satu dari model ADRO . . . . . 43Gambar 4.10 Training history skenario satu dari model ANTM . . . . . 43Gambar 4.11 Training history skenario satu dari model INCO . . . . . . 44Gambar 4.12 Training history skenario satu dari model PGAS . . . . . . 44Gambar 4.13 Training history skenario satu dari model PTBA . . . . . . 44Gambar 4.14 Training history skenario dua dari model ADRO . . . . . . 47Gambar 4.15 Training history skenario dua dari model ANTM . . . . . . 48Gambar 4.16 Training history skenario dua dari model INCO . . . . . . 48Gambar 4.17 Training history skenario dua dari model PGAS . . . . . . 48Gambar 4.18 Training history skenario dua dari model PTBA . . . . . . 49Gambar 4.19 Training history skenario tiga dari model ADRO . . . . . . 52Gambar 4.20 Training history skenario tiga dari model ANTM . . . . . 52Gambar 4.21 Training history skenario tiga dari model INCO . . . . . . 53Gambar 4.22 Training history skenario tiga dari model PGAS . . . . . . 53Gambar 4.23 Training history skenario tiga dari model PTBA . . . . . . 53

xi

DAFTAR TABEL

Tabel 2.1 Confusion matriks untuk klasifikasi multi-class (Alaa, 2020) 15

Tabel 4.1 Hasil uji coba skenario pertama . . . . . . . . . . . . . . . 40Tabel 4.2 Akurasi hasil uji coba skenario pertama pada setiap saham 42Tabel 4.3 Macro average hasil uji coba skenario pertama pada setiap

saham . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43Tabel 4.4 Hasil uji coba skenario kedua . . . . . . . . . . . . . . . . 45Tabel 4.5 Akurasi hasil uji coba skenario kedua pada setiap saham . 47Tabel 4.6 Macro average hasil uji coba skenario kedua pada setiap

saham . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47Tabel 4.7 Hasil uji coba skenario ketiga . . . . . . . . . . . . . . . . 49Tabel 4.8 Akurasi hasil uji coba skenario ketiga pada setiap saham . 51Tabel 4.9 Macro average hasil uji coba skenario ketiga pada setiap

saham . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

xii

implementasi algoritma feedforward neural network …

Documents