PREDIKSI TREN PERGERAKAN HARGA SAHAM

MENGGUNAKAN ALGORITMA TEMPORAL

CONVOLUTIONAL NETWORK
 xi

DAFTAR ISI

HALAMAN JUDUL…………………………………………………………………………...i

HALAMAN PENGESAHAN DOSEN PEMBIMBING……………………………………...ii

HALAMAN PENGESAHAN DOSEN PENGUJI…………………………………………...iii

HALAMAN PERSEMBAHAN……………………………………………………………….v

HALAMAN MOTO…………………………………………………………………………..vi

KATA PENGANTAR……………………………………………………………………….. vii

SARI…………………………………………………………………………………………..ix

GLOSARIUM……………………………………………………………………………….... x

DAFTAR ISI…………………………………………………………………………………. xi

DAFTAR TABEL…………………………………………………………………………... xiii

DAFTAR GAMBAR………………………………………………………………………...xiv

BAB I PENDAHULUAN…………………………………………………………………….. 1
1.1 Latar Belakang…………………………………………………………………....1
1.2 Rumusan Masalah………………………………………………………………...3
1.3 Tujuan Penelitian………………………………………………………………... 3
1.4 Manfaat Penelitian……………………………………………………………….. 4
1.5 Batasan Masalah…………………………………………………………………. 4
1.6 Metodologi Penelitian…………………………………………………………….4
1.7 Sistematika Penulisan……………………………………………………………. 5

BAB II LANDASAN TEORI………………………………………………………………... 7

2.1 Analisa Saham……………………………………………………………………. 7
2.1.1 Analisa Fundamental……………………………………………………...7
2.1.2 Analisa Teknikal…………………………………………………………..8
2.1.3 News…………………………………………………………………….. 13
2.2 Netflix………………………………………………………………………….... 14
2.3 Artificial Intelligence……………………………………………………………. 15
2.3.1 Machine Learning………………………………………………………. 16
2.3.2 Deep Learning…………………………………………………………...18
2.3.3 Artificial Neural Network………………………………………………..18
2.4 Temporal Convolutional Network (TCN)............................................................. 20
 xi

2.4.1 Sequence Modelling…………………………………………………….. 21

2.4.2 1 Dimentional Convolutional Networks………………………………....21
2.4.3 Causal Convolutions……………………………………………………. 22
2.4.4 Dilated Convolutions…………………………………………………….23
2.4.5 Residual Connections…………………………………………………....25
2.4.6 Activation Function, Normalization, dan Regularization………………. 26
2.4.7 Model Akhir…………………………………………………………….. 27
2.5 Matrik Evaluasi…………………………………………………………………..27
2.5.1 Mean Absolute Error (MAE)................................................................... 28
2.5.2 Mean Square Error (MSE).......................................................................28
2.5.3 Root Mean Squared Error (MAE)............................................................29
2.6 Penelitian Terkait………………………………………………………………... 29

BAB III METODOLOGI PENELITIAN…………………………………………………….32

3.1 Pengumpulan Data……………………………………………………………….32
3.2 Perancangan Penelitian………………………………………………………….. 33
3.2.1 Temporal Convolutional Network (TCN)..................................................35
3.2.2 Algoritma Pembanding…………………………………………………. 35
3.3 Evaluasi…………………………………………………………………………..38

BAB IV HASIL DAN PEMBAHASAN……………………………………………………. 39

4.1 Implementasi…………………………………………………………………….. 39
4.1.1 Temporal Convolutional Network (TCN)..................................................39
4.1.2 Long Short Term Memory (LSTM).......................................................... 44
4.1.3 Linear Regression dan Decision Tree Regression………………………. 54
4.2 Visualisasi……………………………………………………………………….. 61
4.2.1 Temporal Convolutional Network (TCN)................................................. 61
4.2.2 Long Short Term Memory (LSTM).......................................................... 63
4.2.3 Linear Regression dan Decision Tree Regression………………………. 64
4.3 Evaluasi…………………………………………………………………………..68

BAB V PENUTUP…………………………………………………………………………...71
5.1 Kesimpulan…………………………………………………………………….... 71
5.2 Saran…………………………………………………………………………….. 71

DAFTAR PUSTAKA………………………………………………………………………... 73

LAMPIRAN…………………………………………………………………………………. 77
 xiii

DAFTAR TABEL

Tabel 2.1 Contoh tabel yang dibuat menggunakan MS Word.................................................29

Tabel 2.2 Contoh tabel yang dibuat dengan MS Excel..............................................................4
Tabel 2.1 Penelitian Terkait...................................................................................................28
Tabel 4.1 Perbandingan Martik..............................................................................................67
 xiv

DAFTAR GAMBAR

Gambar 2.1 Silakan copy paste untuk membuat judul gambar.................................................3

Gambar 2.2 Cara copy paste persamaan ( 3.1 ) menjadi persamaan ( 2.1 )...............................5
Gambar 3.1 Contoh kode program yang dianggap sebagai gambar..........................................6
Gambar 2.1 Tren pergerakan harga saham..............................................................................8
Gambar 2.2 Line chart pada saham NFLX...............................................................................9
Gambar 2.3 Bar chart pada saham NFLX.............................................................................10
Gambar 2.4 Candelstick chart pada saham NFLX.................................................................10
Gambar 2.5 Area support dan resistance pada saham NFLX................................................11
Gambar 2.6 Bagian utama pada sistem Artificial Intelligence...............................................14
Gambar 2.7 Bagian pada Artificial Intelligence......................................................................15
Gambar 2.8 Pembagian kategori pada Machine Learning.....................................................16
Gambar 2.9 Struktur dari neuron............................................................................................17
Gambar 2.10 Struktur pada Artificial Neural Network...........................................................18
Gambar 2.11 Prosees 1 dimentional convolution....................................................................21
Gambar 2.12 Proses causal convolution.................................................................................22
Gambar 2.13 Dilated convolution..........................................................................................23
Gambar 2.14 Dilated base.......................................................................................................24
Gambar 2.15 Struktur residual connection.............................................................................24
Gambar 2.16 Penambahan fungsi activation, normalization, regularization........................26
Gambar 2.17 Model akhir TCN.............................................................................................26
Gambar 3.1 Flowchart penelitian...........................................................................................30
Gambar 3.2 Flowchart model Temporal Convolutional Network (TCN)…..........................32
Gambar 3.3 Flowchart model Long Short Term Memory (LSTM)…....................................33
Gambar 3.4 Flowchart model Linear Regression dan Decision Tree Regression.................34
Gambar 4.1 Import library......................................................................................................36
Gambar 4.2 Mendapatkan data saham...................................................................................37
Gambar 4.3 Data saham NFLX..............................................................................................37
Gambar 4.4 Exploratory Data Analysis (EDA) pada data saham..........................................38
Gambar 4.5 Hasil Exploratory Data Analysis.........................................................................38
Gambar 4.6 Visualisasi harga close........................................................................................39
Gambar 4.7 Mengambil kolom close dan scaling data..........................................................39
Gambar 4.8 Split dataset........................................................................................................40
 xv

Gambar 4.9 Membangun model Temporal Convolutional Network (TCN)…......................40

Gambar 4.10 Proses training...................................................................................................41
Gambar 4.11 Proses backtesting.............................................................................................41
Gambar 4.12 Import library....................................................................................................42
Gambar 4.13 Mendapatkan data saham.................................................................................42
Gambar 4.14 Data saham NFLX.............................................................................................43
Gambar 4.15 Exploratory Data Analysis (EDA) pada data saham........................................44
Gambar 4.16 Hasil Exploratory Data Analysis.......................................................................44
Gambar 4.17 Visualisasi harga close.....................................................................................45
Gambar 4.18 Mengambil kolom close....................................................................................45
Gambar 4.19 Fungsi scaling...................................................................................................46
Gambar 4.20 Hasil scaling......................................................................................................46
Gambar 4.21 Membuat variabel untuk menyimpan pembagian data....................................47
Gambar 4.22 Hasil pembagian data.......................................................................................47
Gambar 4.23 Fungsi reshape.................................................................................................48
Gambar 4.24 Membangun model LSTM dan proses training................................................49
Gambar 4.25 Membuat variabel untuk menyimpan data testing...........................................49
Gambar 4.26 Proses prediksi...................................................................................................50
Gambar 4.27 Hasil prediksi dari model LSTM......................................................................51
Gambar 4.28 Import library....................................................................................................51
Gambar 4.29 Mendapatkan data saham.................................................................................52
Gambar 4.30 Data saham NFLX............................................................................................52
Gambar 4.31 Exploratory Data Analysis (EDA) pada data saham........................................53
Gambar 4.32 Hasil Exploratory Data Analysis.......................................................................53
Gambar 4.33 Visualisasi harga close.....................................................................................54
Gambar 4.34 Mengambil kolom close...................................................................................54
Gambar 4.35 Memebuat variabel future days dan kolom prediction......................................55
Gambar 4.36 Kolom baru prediction.....................................................................................55
Gambar 4.37 Membuat variabel independent dan dependent................................................55
Gambar 4.38 Membagi dataset menjadi data training dan testing.........................................56
Gambar 4.39 Pembuatan model dan proses training.............................................................56
Gambar 4.40 Membuat variabel x future................................................................................57
Gambar 4.41 Proses prediksi...................................................................................................57
Gambar 4.42 Hasil prediksi dari kedua model.......................................................................58
 xvi

Gambar 4.43 Fungsi untuk menampilkan visualisasi TCN...................................................59

Gambar 4.44 Visualisasi prediksi model TCN secara keseluruhan.......................................59
Gambar 4.45 Visualisasi prediksi model TCN secara mendetail...........................................60
Gambar 4.46 Fungsi untuk menampilkan visualisasi LSTM.................................................60
Gambar 4.47 Visualisasi prediksi model LSTM secara keseluruhan....................................61
Gambar 4.48 Visualisasi prediksi model LSTM secara mendetail........................................61
Gambar 4.49 Fungsi untuk menampilkan visualisasi Linear Regression...............................62
Gambar 4.50 Visualisasi prediksi model Linear Regression secara keseluruhan..................63
Gambar 4.51 Visualisasi prediksi model Linear Regression secara mendetail.....................63
Gambar 4.52 Fungsi untuk menampilkan visualisasi model Decision Tree...........................64
Gambar 4.53 Visualisasi prediksi model Decision Tree secara keseluruhan.........................64
Gambar 4.54 Visualisasi prediksi model Decision Tree secara mendetail............................65
Gambar 4.55 Fungsi untuk menghitung error.......................................................................66
 1

BAB I
PENDAHULUAN

1.1 Latar Belakang

Akses informasi yang semakin mudah membuka jalan dunia finansial kian dikenal oleh
masyarakat secara luas. Masyarkat semakin memahami akan pentingnya pengelolaan aset yang
mereka miliki untuk yang digunakan untuk rencana masa depan ataupun melipatgandakan
nilainya. Salah satu instrumen finansial yang populer di tengah masyarakat Indonesia adalah
saham. Berdasarkan data yang dikeluarkan oleh Bursa Efek Indonesia (BEI) tercatat dalam
kurun waktu satu tahun terakhir hingga Maret 2021, pertumbuhan investor baru di Indonesia
mencapai 27% (investasi.kontan.co.id, 2021). Jika dilihat dari sisi demografi, investor baru
tersebut didominasi oleh generasi muda usia di bawah 30 tahun dengan presentase 57,40%
(CNBC Indonesia, 2021). Pertumbuhan yang cukup signifikan tersebut merupakan salah satu
dampak positif akibat terjadinya pandemi Covid-19, masyarakat memindahkan asetnya ke
instrumen investasi untuk menjaga nilainya. Walapun pada awal pandemi Indeks Harga Saham
Gabungan (IHSG) yang sempat mengalami koreksi mecapai 32%. Selain itu, banyaknya
perusahaan fintech yang menyediakan platform investasi semakin memudahkan masyarakat
untuk memulai investasinya.
Tidak hanya di Indonesia saja, bursa saham Amerika Serikat juga mengalami dampak
yang serupa akibat pandemi Covid-19. Kasus positif Covid-19 di Amerika Serikat sendiri
merupakan yang paling tinggi di dunia mencapai 18 juta kasus pada akhir tahun 2020
berdasatkan data dari Universitas Johns Hopkins yang mana sangat berpengaruh pada keadaan
banyak perusahaan besar yang sahamnya ada di bursa Amerika. Namun setelah mengalami
koreksi pada awal pandemi, pada paruh kedua 2020 saham-saham yang ada di indeks S&P 500
dan Nasdaq mulai menguat melebihi harga sebelum mengalami koreksi yang dibarengi dengan
perkembangan produksi vaksin Covid-19. Indeks S&P 500 ditutup naik 0,5% persen,
sedangkan indeks Nasdaq yang berisi saham perusahaan teknologi ditutup naik 0,95%. Namun
indeks Dow Jones yang berisi saham industri ditutup di bawah harga sebelum penurunan
sebesar 0,3%. Perusahaan-perusahaan teknologi yang mendapatkan manfaat dari masyarakat
yang harus tetap di rumah seperti Amazon, Netflix, dan FedEx memimpin pemulihan yang
terjadi dan bahkan saham FedEx adalah saham yang mempunyai kinerja terbaik di indeks S&P
500 (Ika Ramadhani, 2020).
 2

.Sedangkan pengertian saham sendiri menurut Bursa Efek Indonesia (BEI), saham adalah
tanda penyertaan modal suatu badan usaha dalam sebuah perusahaan ataupun perseroan
terbatas. Dengan penyertaan modal, maka pihak tersebut memiliki klaim atas pendapatan
perusahaan, klaim atas aset perusahaan, dan berhak hadir dalam Rapat Umum Pemegang
Saham (RUPS) (BEI, n.d.). Tanda penyteraan tersebut nantinya dapat diperjualbelikan di bursa
saham seiring dengan terjadinya fluktuasi harganya untuk mendapatkan keuntungan dari
capital gain. Ataupun didapatkan dari pembagian keuntungan yang dihasilkan oleh
perusahaan, atau yang biasa disebut dengan dividen.
Namun seiring saham sebuah perusahaan diluncurkan ke publik dan diperjualbelikan di
bursa, harga saham tersebut akan mengalami fluktuasi. Faktor internal dan eksternal dapat
mempengaruhi harga saham tersebut (Zainuddin & Hartono, 1999). Faktor internal dapat
dilihat dari kinerja perusahaan yang mengeluarkan saham tersebut, kinerja perusahaan dapat
dilihat dari laporan keuangan perusahaan. Sedangkan faktor eksternal merupakan dampak dari
lingkungan di luar perusahaan yang dapat mempengaruhi secara langsung maupun tidak
langsung. Yang meliputi kondisi ekonomi dimana perusahaan tersebut berada, kondisi sosial
serta politik negara tersebut. Selain itu investor harus memahami hukum permintaan serta
penawaran yang terjadi di bursa saham, memahami hal tersebut dapat membantu investor untuk
menentukan prediksi tren pergerakan harga saham (Kusumodestoni & Sarwido, 2017). Dengan
mengetahui tren pergerakan harga saham, investor dapat memanfaatkannya untuk
memaksimalkan keuntungan dan meminimalisir kerugian.
Untuk memprediksi tren pergerakan harga saham selain memperhatikan fundamental
perusahaan dan membaca grafik harga saham, dapat memanfaatkan teknologi artificial
intelligence terkhusus lagi deep learning. Deep learning sendiri merupakan turunan dari
machine learning, yang mana merupakan bagian dari cabang ilmu artificial intelligence.
Konsep dari machine learning adalah mencoba meniru bagaimana cara otak manusia bekerja,
mesin dilatih menggunakan algoritma tertentu untuk belajar dari data-data yang kompleks dan
banyak secara terus menerus dan berulang-ulang. Sehingga mesin mampu mendapatkan
informasi ataupun pola dari data-data tersebut (Karno, 2020). Informasi yang telah didapatkan
nantinya akan dimanfaatkan untuk prediksi pola dari data yang akan terjadi di masa depan pada
data saham.
Pada pemanfaatannya, data yang dapat diolah pada model deep learning sangat beragam.
Algoritma-algoritma yang diterapkan pada model deep learning juga harus disesuaikan dengan
data yang digunakan. Pada data saham sendiri memiliki tipe data time series, dimana setiap
 3

data dicatatkan berdasarkan waktu dan data tersebut memilikin keterikatan dengan data yang
telah tercatat sebelumnya. Maka hasil dari prediksi akan digunakan untuk memperbaharui data
yang digunakan untuk melakukan pembelajaran (Karno, 2020). Data dengan karakteristik
tersebut dapat diolah menggunakan algoritma Recurrent Neural Network (RNN). Algoritma
RNN dirancang untuk mengolah sekuensial dengan memanfaatkan memori untuk menyimpan
data yang telah diolah sebelumnya yang memungkinkan untuk mengenali pola dari data dengan
baik (Olah, 2015). Pada penelitian ini, akan mencoba mencari model algoritama machine
learning ataupun deep learning untuk memprediksi tren pergerakan harga saham, terutama
akan berfokus pada algoritma Temporal Convolutional Network (TCN). Berdasarkan
penelitain yang dilakukan oleh (Bai et al., 2018) algoritma TCN yang memanfaatkan proses
konvolusi menunjukkan hasil yang lebih akurat daripada algoritama seperti LSTM dan GRU
dalam mengolah data sequential, serta arsitektur yang dibentuk lebih sederhana dan jelas.
Untuk data saham yang akan digunakan adalah data saham dari Netflix, Inc (NFLX), karena
selama masa pandemi Covid-19 ini Netflix merupakan salah satu layanan yang terdampak
positif. Dengan pendapatan perushaan mengalami peningkatan mencapai 24% pada akhir
kuartal tahun 2020 menurut data dari (money.kompas.com, 2021), sehingga sahamnya menarik
untuk dinalisis dan diprediksi.

1.2 Rumusan Masalah

Dari latar belakang yang telah dijabarkan sebelumnya, maka rumusan masalah adalah
sebagai berikut:
a. Bagaimana membangun dan mengevaluasi algoritma Temporal Convolutional
Network (TCN) dalam memprediksi tren pergerakan harga saham?
b. Membandingan performa algoritma Temporal Convolutional Network (TCN) dengan
algoritma lain pada kasus prediksi pergerakan harga saham.

1.3 Tujuan Penelitian

Tujuan pencapaian pada penelitian ini adalah:
a. Mengetahui performa algoritma Temporal Convolutional Network (TCN) dan
membandingkan dengan beberapa algoritma machine learning untuk mengetahui
algoritma mana yang memberikan hasil maksimal pada prediksi tren pergerakan
harga saham.
 4

b. Membangun visualisasi tren pergerakan harga saham yang diprediksi oleh algoritma
Temporal Convolutional Network (TCN) dan membandingakannya dengan harga
saham aktual yang terjadi.
c. Mengetahui apakah prediksi yang dilakukan dengan algoritma Temporal
Convolutional Network (TCN) dapat digunakan pada pengambilan keputusan
investasi saham.

1.4 Manfaat Penelitian

Adapun manfaat yang diharapkan dari penelitian ini adalah:
a. Dengan diketahuinya performa algoritma Temporal Convolutional Network (TCN)
dan algoritma lainnya, diharapkan algoritma yang mendapatkan performa baik dapat
dimanfaatkan untuk prediksi tren pergerakan harga saham pada pasar saham .
b. Memberikan insight secara teknikal kepada investor maupun pelaku pasar yang
diharapkan dapat digunakan sebagai referensi sebelum mengambil keputusan
investasi saham.

1.5 Batasan Masalah

Batasan masalah yang digunakan pada penelitian ini adalah:
a. Model yang dikembangkan pada penelitian ini hanya untuk satu emiten saham yaitu
saham dari Netflix, Inc (NFLX).
b. Prediksi yang dilakukan adalah selama 60 hari.
c. Perbandingan hasil prediksi berdasarkan nilai yang didapat dari Root Mean Squared
Error (RMSE).

1.6 Metodologi Penelitian

Penelitian ini menggunakan metode penelitian sebagai berikut:
a. Studi literatur, tahapan pertama yang dilakukan adalah pencarian masalah yang ingin
diangkat pada penelitian kali ini dengan cara pencarian melalui literatur-literatur
penelitian yang telah dilakukan sebelumnya maupun dari masalah yang terjadi di
sekitar. Studi literatur dilakukan dengan tujuan mengetahui state of the art
penelitianpenelitian dengan topik bahasan sejenis.
 5

b. Pengumpulan data, data yang akan digunakan merupakan data historis harga saham
terpilih. Data didapatkan dari website Yahoo Finance, rentang data yang diambil
dapat ditentukan sesuai dengan kebutuhan.
c. Pengolahan data, setelah data saham didapatkan selanjutnya data harus diolah terlebih
dahulu dengan tujuan untuk menyesuaikannya dengan algoritma yang akan
digunakan. Serta, melakukan pengecekan apakah data yang digunakan terdapat
kejanggalan dan data dibagi menjadi data training dan testing.
d. Pemodelan algoritma, membangun arsitektur algoritma machine learning yang akan
digunakan dan melakukan hyperparameter tuning.
e. Proses training dan testing, setelah model algoritma machine learning selesai
dibangun kemudian data dimasukkan pada model dan dilakukan proses training.
Model yang sudah selesai dilakukan proses training kemudian akan ditest
performanya menggunakan data testing.
f. Evaluasi model, performa testing model akan dievaluasi menggunakan metrik
pengukuran error yang terjadi. Selanjutnya akan dibandingkan serta dianalisis dengan
performa dari model algoritma lainnya.

1.7 Sistematika Penulisan

Pada sistematika penulisan, tulisan dibagi ke dalam lima bab, yaitu sebagai berikut:
BAB I Pendahuluan
Pada bab ini berisikan penjelasan mengapa penelitian ini dilakukan.
BAB II Landasan Teori
Pada bab ini berisikan literatur dari penelitian-penelitian yang sudah
dilakukan sebelumnya pada tema yang diangkat pada penelitian ini, yang akan
digunakan sebagai referensi.
BAB III Landasan Metodologi Penelitian
Pada bab ini berisikan tahap-tahap dalam melakukan penelitian, tahapan
diuraikan secara mendetail.
BAB IV Hasil dan Pembahasan
Pada bab ini berisikan hasil dari penelitian yang telah dilakukan,
permasalahan yang terjadi pada penelitian serta analisis dari hasil yang telah
didapatkan.
 6

BAB V Penutup
Pada bab ini berisikan kesimpulan dari penelitian yang telah dilakukan serta
saran yang ditujukan untuk penelitian yang akan dilakukan ke depannya.
 7

BAB II
LANDASAN TEORI

2.1 Analisa Saham

Sebelum melakukan investasi saham investor haruslah memahami instrumen investasi
yang akan ingin diinvestasikannya. Banyak pertimbangan yang harus diambil secara matang
oleh investor, agar mendapatkan perusahaan yang memiliki prospek baik dan harga saham
terbaik (Filbert, 2020). Seperti yang diketahui pergerakan harga saham sangatlah volatile, oleh
karena itu saham digolongkan ke dalam instrumen investasi dengan risiko yang sangat tinggi.
Walaupun begitu sejalan dengan risiko yang ditanggung, potensi keuntungan yang didapatkan
juga semakin besar. Dengan analisa yang tepat, potensi tersebut dapat dimanfaatkan oleh
investor untuk mendulang keuntungan. Dalam menganalisis suatu saham, terdapat tiga cara
yang biasanya dilakukan:

2.1.1 Analisa Fundamental

Analisa Fundamental merupakan analisa yang dilakukan dengan menitikberatkan pada
laporan keuangan yang dikeluarkan oleh perusahaan yang melantai di bursa dengan melihat
sisi: Profitability (laba), Solvability (kewajiban dan aset perusahaan), Liquidity (kemampuan
melunasi hutang), dan Activity (kelancaran usaha) (Filbert, 2020a). Selain dari sisi internal
perusahaan, dilihat juga dari sisi eksternal yang berhubungan dengan sektor perusahaan
tersebut seperti kebijakan pemerintah, perubahan tingkat suku bunga, inflasi dan lain
sebagainya. Hasil dari analisis tersebut menghasilkan penilaian apakah saham perusahaan
tersebut layak untuk dibeli atau tidak. Jika kesimpulan yang didapatkan harga saham dianggap
terlalu mahal dibandingkan harga wajarnya berdasarkan nilai perusahaannya, maka saham
tersebut direkomendasikan untuk dijual daripada membelinya. Sementara jika yang terjadi
sebaliknya, maka saham tersebut direkomendasikan untuk dibeli (Agusta Nanda et al., 2016).
Penilaian tersebut berjangka waktu panjang, dikarenakan laporan keuangan perusahaan
diteribitkan setiap kuartal ataupun tahunan. Maka penilaian akan diperbaharui setiap ada
terbitan laporan keuangan baru. Namun permasalahannya seringkali investor kekurangan
informasi karena hanya mengandalkan analisa fundamental yang mengakibatkan tidak
tepatnya timing saat mengambil keputusan. Untuk itu investor dapat melihat pergerakan harga
saham melalui analisa teknikal.
 8

2.1.2 Analisa Teknikal

Analisa teknikal merupakan analisa pergerakan historis harga saham yang berupa harga
pembukaan, harga penutupan, harga tertinggi, harga terendah, dan volume perdagangan pada
masa tertentu yang disajikan dalam bentuk grafik (Filbert, 2020). Untuk mengamati grafik
pergerakan harga saham tersebut dibutuhkan apliaksi chartting yang biasanya sudah disediakan
oleh broker saham yang dipilih untuk melakukan investasi. Analisa teknikal lebih digunakan
untuk mengemati tren harga yang sedang terjadi dan di dalam tren tersebut terdapat pola-pola
harga yang terbentuk, pola-pola tersebutlah yang dimanfaatkan untuk memprediksi tren yang
akan terjadi selanjutnya. Dengan demikian, analisa teknikal memberikan gambaran yang
disederhanakan dan komprehensif tentang harga saham yang sedang terjadi (Suresh, 2013).
Analisa teknikal sendiri pertama kali dikemukakan oleh Charles Henry Dow pada tahun
awal abad ke-19 yang kini namanya digunakan pada nama indeks saham industrial di Amerika
yaitu Dow Jones Industrial Average (DJIA). Teorinya menjelaskan bahwa pergerakan harga
saham 90% dipengaruhi oleh faktor psikologis dan 10% faktor logika. Harga ditentukan oleh
para pelaku pasar itu sendiri, apakah sudah dianggap terlalu mahal atau murah. Teori dow
hanya menjelaskan arah pergerakan tren saja dan bukan memprediksi harga masa depan. Teori
ini menggunakan harga saham sebagai barometer kondisi bisnis suatu perusahaan, diasumsikan
bahwa harga saham mengikuti bisnis yang mendasarinya (Suresh, 2013). Berikut beberapa
informasi penting yang rerdapat pada analisa teknikal (Hafizah et al., 2019).

Tren Pasar
Tren merupakan kecenderungan pergerakan harga saham menuju ke arah tertentu pada
suatu rentang waktu (Hafizah et al., 2019). Pada perdagangan saham terdapat tiga tren yaitu,
uptrend (tren kenaikan) ketika permintaan saham tersebut lebih banyak dari penawaran maka
harga akan mengalami kenaikan. Downtrend (tren penurunan) merupakan kebalikan dari tren
kenaikan, ketika permintaan saham tersebut lebih sedikit daripada penawaran. Dan tren
sideways (konsolidasi) yaitu ketika harga sedang mencari arah tren berikutnya yang biasa
terjadi setelah tren kenaikan dan penurunan. Gambar 2.1 menunjukkan tren yang pada harga
saham dalam bentuk grafik, sebuah tren dibentuk oleh fase kenaikan dan penurunan. Tren
kenaikan terjadi ketika harga membentuk lembah dan puncak yang lebih tinggi. Tren
penurunan ketika harga membentuk lembah dan puncak yang lebih rendah. Sedangkan tren
konsolidasi membentuk harga yang cenderung datar.
 9

Gambar 2.1 Tren pergerakan harga saham

Sumber: (Tri Retno, 2021)

Dalam pembentukan sebuah tren, dapat dibagi dalam empat fase dasar sehingga terbentuk
sebuah pergerakan harga (Filbert, 2020a). Pada fase pertama adalah fase pendakian atau
pembalikan, pada fase ini biasanya dibarengi dengan berita-berita yang tidak men-support
situasi pasar. Fase kedua adalah fase kenaikan, investor mulai masuk dan mengakibatkan harga
mulai mengalami kenaikan. Selanjutnya fase ketiga adalah fase jenuh, dimana harga dianggap
sudah terlalu tinggi sehingga dianggap kurang menarik untuk dibeli. Yang terakhir adalah fase
pembalikan, harga mengalami pembalikan arah dari tren semula. Fase-fase tersebut terjadi
secara berulang pada setiap pergerakan harga dengan jangka waktu yang berbeda-beda.
Sejatinya tren pergerakan harga saham sendiri merupakan representasi dari pengambilan
keputusan oleh investor saat melakukan perdagangan saham, dalam pengambilan
keputusannya psikologi investor dipengaruhi oleh emosi “fear and greed” (R Tristia, 2019).
Yaitu dimana ketika investor mengalami emosi fear atau ketakutan maka akan cenderung
menjual asetnya karena takut harganya akan semakin jatuh sehingga menyebabkan harga yang
terdapat di pasar akan semakin jatuh. Sebaliknya ketika investor terlalu serakah atau greed
untuk membeli aset yang sedang mengalami kenaikan harga, sehingga harga aset akan semakin
mengalami kenaikan dan tidak menutup kemungkinan akan membeli di harga yang sudah
terlampau tinggi. Pengambilan keputusan oleh investor lebih bersifat subjektif, emosi dan
faktor psikologis yang dapat mendominasi dalam pengambilan keputusan, jatuhnya harga
saham seringkali terjadi karena reaksi pasar yang berlebihan (Lestari & Pranyoto, 2015).
 10

Chart
Chart digunakan untuk merepresentasikan pergerakan harga saham yang membantu
investor untuk mengamati secara visual. Chart disusun dalam urutan waktu pada sumbu X
(sumbu horizontal) dan harga disusun pada sumbu Y (sumbu vertikal) (Hafizah et al., 2019).
Ada beberapa chart yang digunakan dalam merepresentasikan harga saham yaitu (Sekar,
2020):
Yang pertama adalah line chart, disusun oleh garis tunggal yang menghubungkan antar
harga yang terbentuk. Line chart sangatlah sederhana, hanya menampilkan informasi harga
penutupan saja. Karena hal tersebut, line chart cocok digunakan untuk menyimpulkan kondisi
tren harga saham sedang mengalami tren naik ataupun turun dan memudahkan menentukan
titik-titik harga yang menjadi kunci. Gambar 2.2 menunjukkan harga saham NFLX
menggunakan line chart.
Yang kedua adalah bar chart, disusun oleh batang yang disusun setiap interval waktu
yang berisikan informasi mengenai harga pembukaan (open), harga penutupan (close), harga
tertinggi (high), harga terendah (low). Jika harga penutupan lebih rendah daripada harga
pembukaan maka batang akan digambarkan dengan warna merah. Sebaliknya jika harga
penutupan lebih tinggi daripada harga pembukaan maka batang akan digambarkan dengan
warna hijau. Pada bar chart menunjukkan informasi yang lebih banyak ketimbang line chart,
bar chart dapat dimanfaatkan untuk mengetahui seberapa signifikan perubahan harga yang
terjadi, semakin panjang batang yang dibentuk maka semakin signifikan perubahan yang
terjadi. Gambar 2.3 menunjukkan harga saham NFLX menggunakan bar chart.
Yang terakhir adalah candlestick chart, memiliki bentuk seperti bar chart namun
memiliki badan yang berbentuk seperti lilin dan memiliki tampilan yang lebih nyaman untuk
digunakan. Candlestick chart merupakan chart yang paling banyak digunakan di bursa. Selain
menampilkan harga, candlestick chart juga membentuk pola-pola candle yang dapat
diidentifikasi sehingga memudahkan untuk membaca tren ataupun momentum yang terjadi.
Gambar 2.4 menunjukkan harga saham NFLX menggunakan candlestick chart.
 11

Gambar 2.2 Line chart pada saham NFLX

Sumber: (tradingview.com, 2021)

Gambar 2.3 Bar chart pada saham NFLX

Sumber: (tradingview.com, 2021)
 12

Gambar 2.4 Candlestick chart pada saham NFLX

Sumber: (tradingview.com, 2021)

Support dan Resistance

Selanjutnya untuk mendapatkan informasi lebih dari chart dapat menggambarkan garis
degan konsep support dan resistance. Support merupakan harga yang diyakini sebagai titik
atau area terendah pada rentang waktu tertentu. Sedangkan resistance merupakan harga yang
diyakini sebagai titik atau area tertinggi pada rentang waktu tertentu (Filbert, 2020b). Untuk
menentukan titik atau area pada support dan resistance dapat menggunakan cara
menghubungkan titik-titik ekstrim yang dibentuk oleh harga dalam bentuk garis.horizontal.
Sebuah area support merupakan area resistance yang terbentuk di masa lalu, jika harga telah
membentuk puncak baru melebihi area resistance tersebut maka akan berubah menjadi area
support baru. Gambar 2.5 menunjukkan area-area yang menjadi support dan resistance penting
pada harga saham NFLX.
 13

Gambar 2.5 Area support dan resistance pada saham NFLX

Sumber: (tradingview.com, 2021)

Indikator
Selain menggunakan cara yang tradisional menganalisa pergerakan tren harga saham,
dapat juga menerapkan analisis teknikal modern yang menafaatkan indikator harga saham.
Indikator pada pergerakan harga saham merupakan alat bantu yang digunakan untuk membantu
dalam analisa teknikal, yang memanfaatkan formula statistik pada harga saham untuk
menentukan tren pergerakan (Hafizah et al., 2019). Terdapat dua jenis indikator, yang pertama
adalah trend following indicator yang bertujuan mengikuti tren pergerakan harga saham
tersebut. Trend following indicator terbentuk lebih lambat ketimbang pergerakan harga dan
terletak menempel pada chart. Dan yang kedua adalah oscillator indicator yang menunjukkan
level sebuah harga saham sudah mengalami keadaan jenuh beli (over buy) atau jenuh jual (over
bought) (Pramudya & Pramudya, 2020). Ocsillator indicator sendiri merupakan indikator yang
bergerak mendahului pergerakan harga dan terletak terpisah dengan chart (Ahmar, 2018).

2.1.3 News
Selain menganalisis secara fundamental dan tenikal, dapat juga memanfaatkan berita-
berita atau sentimen-sentimen yang beredar terkait sektor industri ataupun perusahaan yang
memiliki saham tersebut. Menganalisis berdasarkan berita-berita biasa dikatakan sebagai
analisis sentimen. Saham sangatlah sensitif terhadap berita-berita yang beredar dikarenakan
para investor dapat mengalami kepanikan atas sentimen yang terbentuk adalah negatif,
sehingga harga saham cenderung mengalami banyak penjualan, hal tersebut biasa dikenal
 14

dengan Fear, Uncertainly, and Doubt (FUD). Sebaliknya jika sentimen yang dihasilkan adalah
positif, maka investor akan cenderung berminat untuk membeli.

2.2 Netflix
Netflix merupakan platform streaming berbayar asal Amerika Serikat yang menyediakan
berbagai pilihan film dan TV series. Layanan tersebut dapat dinikmati melalui berbagai
perangkat seperti smart TV, smartphone, tablet, PC, game console, dan laptop. Perusahaan
Netflix, Inc. didirikan oleh Marc Randolph dan Reed Hastings pada 1997 di Los Galtos,
California, Amerika Serikat. Pada mulanya Netflix menyediakan layanan penyewaan DVD
secara fisik yang dapat dipesan secara online. Pada tahun berikutnya, Netflix mulai
mengalihkan strategi bisnisnya menjadi sistem berlangganan untuk menikmati layanannya.
Pelanggan membayar biaya langganan dan bebas menyewa berbagai DVD yang tersedia, dan
juga Netflix mulai memperkenalkan sistem rekomendasi bagi para pelanggannya.
Setelah bisnisnya mulai cukup berkembang, pada tahun 2002 mengambil keputusan
untuk melakukan Initial Public Offering (IPO) di bursa saham Amerika, National Association
of Securities Dealers Automated Quotation (NASDAQ) dengan nama saham “NFLX”. Netflix
berhasil mendapatkan 4,2 juta pelanggan pada tahun 2005. Pada tahun 2007 Netflix mulai
merilis platform layanan streaming-nya yang memungkinkan pelanggan dapat langsung
menikmati layanan melalui komputer pribadinya secara langsung. Selain itu untuk melebarkan
cakupan bisnisnya, Netflix mulai membuka berbagai kerja sama dengan perusahaan-
perusahaan teknologi seperti Xbox, Apple, Playstation, Blue-ray disc player dengan tujuan agar
layanannya dapat dinikmati di berbagai perangkat yang terhubung ke internet. Pada tahun 2013
Netflix mencatatkan memiliki 31 juga orang pelanggan. Tidak hanya di Amerika Serikat saja,
layanan Netflix mulai bisa dinikmati di berbagai negara di dunia seiring berkembangnya
internet, Di Indonesia sendiri, Netflix mulai masuk pada tahun 2016 (axa.co.id, 2019).
Menurut pendirinya Hastings, kesuksesan Netflix didasarkan bahwa para pelanggan
sudah mulai tidak puas pada tayangan TV tradisional yang diakibatkan karena adanya iklan.
Netflix tidak memiliki iklan yang mengganggu, karena layanannya berbayar. Pelanggan dapat
menikmati tontonan apapun yang mereka inginkan kapanpun dan dimanapun tanpa harus
mengikuti jadwal dan terganggu iklan. Kini, layanan streaming Netflix merupakan salah satu
yang terdampak positif atas adanya pandemi Covid-19 yang sedang terjadi. Pandemi Covid-19
mengakibatkan masyarakat harus mengurangi aktivitasnya di luar ruangan dan banyak
melalukan aktivitas di dalam ruangan. Hal tersebut mengakibatkan lonjakan pengguna baru
 15

Netflix dikarenakan dibutuhkannya layanan hiburan untuk menemani masyarakat selama

pandemi. Berdasarkan data (money.kompas.com, 2021) pelanggan baru Netflix tercatatat
mengalami peningkatan sebesar 30% yaitu sebanyak 37 juga pengguna baru yang mayoritas
berada di luar Amerika Serikat. Pendapatan perusahaan juga mengalami peningkatan sebesar
24% pada kuartal akhir tahun 2020, dicatatkan pendapatan sebesar 6,6 miliar dollar AS dengan
laba sebesar 524 juta dollar AS.

2.3 Artificial Intelligence

Artificial Intelligence (Kecerdasan Buatan) merupakan salah satu cabang dari ilmu
komputer yang yang dikembangkan agar software dan hardware dapat berpikir berprilaku
seperti halnya manusia (Roihan et al., 2019) bahkan dapat lebih baik dan mampu mengerjakan
tugas-tugas yang tidak bisa dikerjakan oleh manusia. Sedangkan menurut (Rich et al., 2019)
adalah bagaimana merancang komputer agar mampu melakukan hal-hal yang saat ini
dikerjakan oleh manusia. Pada awalnya komputer digunakan untuk mengerjakan tugas
komputasi saja, namun seiring berkembangnya teknologi diharapkan komputer dapat
diperdayakan untuk mempermudah berbagai pekerjaan manusia. Dalam merancang sistem
artificial intelligence terdapat dua hal yang menjadi bagian utama. Gambar 2.6 menunjukkan
bagian dalam sistem artificial intelligence.

Gambar 2.6 Bagian utama pada sistem artificial intelligence

Sumber: (Nurhikmat, 2018)

a. Knowledge Base (Basis Pengetahuan), bagian ini berisikan data-data yang digunakan
oleh sistem untuk belajar dan menjadikannya cerdas.
b. Inference Engine (Mesin Pengambil Keputusan), bagian yang memiliki kemampuan
untuk mengambil keputusan ataupun kesimpulan berdasarkan basis pengetahuan yang
dimiliki oleh sistem.
 16

Artificial intelligence membutuhkan data untuk dijadikan basis pengetahuan seperti

manusia. Data tersebut akan digunakan untuk pembelajaran, seiring semakin banyaknya
pembelajaran sistem akan semakin cerdas. Poin penting dari artificial ntelligence adalah proses
learning, reasoning, dan self-correction (Dicoding, 2020). Bidang ilmu artificial intelligence
memiliki cakupan yang sangat luas. Gambar 2.7 Menunjukkan berbagai bagian dari artificial
intelligence.

Gambar 2.7 Bagian-bagian pada artificial intelligence

Sumber: (Roziq, 2021)

2.3.1 Machine Learning

Machine Learning (Pembelajaran Mesin) merupakan salah satu bagian dari bidang ilmu
komputer Artificial intelligence yang dikembangkan agar software dan hardware dapat
berpikir berprilaku seperti halnya manusia (Roihan et al., 2019). Untuk bisa mengembangkan
sistem Artificial intelligence agar dapat menjalankan tugas seperti halnya manusia, aspek
terpenting adalah bagaimana sistem tersebut dapat belajar sehingga mendapatkan
informasiinformasi yang dibutuhkan untuk melakukan tugasnya.
Untuk itu dikembangkanlah machine learning, kosepnya adalah melatih mesin
menggunakan model algoritma matematika melalui data-data masukan dengan tujuan
memperoleh informasi (knowledge discovery/discovery unknown structure) dan memprediksi
pola (pattern discovery) secara mandiri (Gotama, 2018). Proses pembelajaran mesin untuk
 17

memperoleh kecerdasan melalui tahapan latihan (training) dan pengujian (testing) (Huang et
al., 2006). Semakin sering mesin dilatih dan diuji, maka mesin akan semakin cerdas dan
kemampuan untuk mengenali informasi jaga semakin akurat. Keilmuan yang digunakan pada
pembelajaran mesin lebih mengarah ke matematika dan statistika. Seperti rumus matematika,
pembelajaran mesin digunakan sesuai dengan permasalahan yang dihadapi dan data yang
digunakan.
Machine learning sendiri dapat dibagi menjadi tiga kategori yaitu: Supervised lLearning,
Unsupervised Learning dan Reinforcement Learning (Roihan et al., 2019). Gambar 2.6
menunjukkan pembagian kategori pada machine learning.

Gambar 2.8 Pembagian kategori pada machine learning

Sumber: (Mustofa, 2017)

a. Supervised Learning, merupakan pembelajaran yang dilakukan dengan memberikan

label pada data sehingga dapat diklasifikasikan, seperti data pada data input di mana
output yang diinginkan sudah diketahui. Tahapan pembelajaran yang dilakukan, mesin
akan menerima serangkaikan data input dengan output yang sudah diketahui dan
mempelajarinya kemudian akan membandingkannya dengan output yang aktual dengan
prediksi yang dilakukan oleh mesin. Supervised learning kemudian akan menggunakan
pola yang sudah ditemukan pada proses pembelajaran untuk memprediksi nilai ataupun
label pada data baru (Samsudiney, 2019). Supervised learning dapat diklasifikasikan
dalam bentuk klasifikasi dan regresi, klasifikasi terjadi ketika output yang dihasilkan
berbentuk kategori sedangkan regresi ketika output yang dihasilkan adalah nilai riil
(Brownlee, 2016).
 18

b. Unsupervised Learning, merupakan pembelajaran yang dilakukan tanpa adanya label

pada data. Mesin tidak mengetahui mana output yang benar, tujuannya adalah untuk
melakukan eksplorasi pada data (Samsudiney, 2019). Unsupervised learning dapat
diklasifiaksikan dalam bentuk clustering dan asosiasi, clustering dilakukan untuk
mengelompokkan data berdasarkan kesamaannya sedangkan asosiasi dilakukan untuk
menggambarkan keterikatan antar data (Brownlee, 2016).
c. Reinforcement Learning, merupakan pembelajaran yang tidak memerlukan
pengetahuan atau informasi sebelumnya. Mesin dapat belajar secara mandiri untuk
mendapatkan informasi melalui proses “trial and error” secara terus menerus dalam
lingkungan yang dinamis (Qiang & Zhongli, 2011).

2.3.2 Deep Learning

Deep learning (Pembelajaran Mendalam) atau Deep Structured Learning (Pembelajaran
Struktural Mendalam) merupakan bidang turunan dari machine learning yang memanfaatkan
Artificial Neural Network (Jaringan Syaraf Tiruan). Yaitu dengan konsep menambahkan
banyak lapisan pada model sehingga proses belajar menjadi lebih kompleks dan mendalam.
Kemudian yang membedakan dengan machine learning adalah data yang digunakan adalah
data yang sangat banyak. Dengan begitu diperlukan pula proses komputasi yang sangat berat
yang membutuhkan spesifikasi hardware yang mumpuni, biasanya digunakan Graphics
Processing Unit (GPU). Dan juga deep learning memiliki fitur utama yaitu feature
engineering, yaitu menurunkan tingkat kompleksitas data dengan mengekstak pola yang
berguna untuk memudahkan model dalam membedakan kelas.

2.3.3 Artificial Neural Network

Seperti halnya jaringan syaraf pada otak dan sel saraf manusia, artificial neural network
memiliki konsep neuron-neuron yang saling terhubung satu sama lain. Neuron akan menerima
informasi dari data input kemudian disalurkan ke neuron lain hingga nantinya berakhir dengan
hasil output. Pada neuron terdapat Weight (Bobot) dan fungsi aktivasi yang digunakan untuk
menentukan sifat pada sebuah neuron (Nurhikmat, 2018). Menurut (Pham & Pham, 1999)
artificial neural network merupakan sistem adaptif yang dapat memecahkan suatu masalah
dengan mengubah strukturnya yang berdasarkan informasi internal maupun eksternal. Gambar
2.9 menunjukkan struktur dari sebuah neuron.
 19

Gambar 2.9 Struktur dari neuron

Sumber: (Nurhikmat, 2018)

Cara kerja sebuah unit neuron seperti halnya jaringan syaraf manusia, neuron akan
menerima data input berupa independent variable (X 1, X2, X3, …, Xn). Kemudian data input
pada neuron terdapat weight yang berupa (W1, W2, W3, …, Wn) yang saling terhubung dengan
setiap node. Kemudian data input tadi dan weight akan dilakukan proses matematis
menggunakan sebuah fungsi aktivasi. Hasil dari proses tersebut selanjutnya akan dibandingan
dengan suatu nilai treshold (ambang), jika hasil melebih nilai treshold maka neuron akan
diaktifkan dan informasi dilanjutkan menuju neuron selanjutnya melalui weight output-nya dan
begitu seterunya. Jika tidak, neuron tersebut tidak akan aktif dan informasi tidak dapat
dilanjutkan. Neuron akan disusun pada sebuah layer (lapisan) yang berisikan banyak neuron.
Setiap layer tersebut akan saling dihubungkan dengan layer lain sebelum dan sesudahnya,
kecuali pada input layer dan output layer. Koneksi antar layer dihubungkan pada setiap neuron,
jadi sebuah neuron akan terhubung pada seluruh neuron di layer sebelum dan setelahnya. Pada
sebuah layer ,weight setiap neuron akan memiliki nilai yang sama. Struktur pada artificial
neural nerwork dapat dibedakan menurut banyaknya layer yang terdapat pada jaringan.
Gambar 2.10 Menunjukkan struktur pada artificial neural network.

Gambar 2.10 Struktur pada artificial neural network

Sumber : (Wayan, 2018)
 20

Yang paling sederhana, terdapat struktur single layer neural network yang hanya
memiliki lapisan tunggal yaitu input layer dan output layer saja. Setiap neuron pada input layer
langsung terhubung dengan output layer, struktur jaringan ini hanya menerima input kemudian
diproses langsung menjadi hasil output. Kemudian terdapat struktur multiple layers neural
network, pada struktur ini terdapat input layer, output layer, dan hidden layer. Pada hidden
layer inilah layer bisa disetel seberapa banyak tergantung kompleksitas masalah yang
dihadapai. Algoritma yang menggunakan struktur seperti inilah yang dinamakan algoritma
deep learning, karena layer digunakan sangat banyak sehingga proses pembelajaran akan
semakin dalam dan kompleks.

2.4 Temporal Convolutional Network (TCN)

Penggunaan pendekatan dengan cara konvolusi sudah sangat banyak diterapkan pada
proses prediksi dan pembuatan model deep learning menggunakan algoritma Convolutional
Neural Network (CNN). Berbagai penelitian terkini juga sudah banyak menerapkan algoritma
CNN dengan berbagai modifikasi untuk berbagai kebutuhan. Namun hal ini menimbulkan
pertanyaan kepada para peneliti, apakah keberhasilan pemodelan menggunakan pendekatan
konvolusi hanya terbatas pada domain tertentu saja atau juga dapat diterapkan pada domain
sequence processing dan recurrent network juga (Bai et al., 2018). Pemodelan sequence
processing dan recurrent network umumnya menggunakan algoritma yang memanfaatkan
Recurrent Neural Network (RNN) seperti Long Short Term Memory (LSTM) dan Gated
Recurrent Unit (GRU). Algoritma RNN merupakan salah satu pengembangan dari arsitektur
algoritma ANN, dikembangkan khusus untuk mengatasi permasalah data yang memiliki
karakteristik sequential (berurutan). Selain itu algoritma RNN juga memanfaatkan sebuah
memori untuk menyimpan hasil dari masa lalu dalam proses pembelajarannya, yang
memungkinkan model mengenali pola pada data lebih akurat (Yanuar, 2018).
Berbagai penelitian mencoba menggunakan pendekatan konvolusi untuk memproses
permasalahan pada sequential data, kinerja yang didapatkan mampu mengunguli algoritma
RNN dalam berbagai permasalahan dan dapat mengurangi masalah yang sering terjadi yaitu
exploding/vanishing gradient (Lässig, 2020). Vanishing gradient (Hilangnya Gradien)
merupakan permasalah yang timbul saat model melakukan proses perhitungan nilai turunan
dari weight yang dimiliki oleh setiap neuron dengan cara backpropagation (Perhitungan
mundur ke belakang). Semakin panjang layer yang dilalui kembali ke belakang maka nilai
weight akan semakin mengecil dan mendekati 0, apalagi jika proses yang dilakukan berulang-
 21

ulang (Herlambang, 2019). Untuk itulah diperkenalkan algoritma Temporal Convolutional

Network (TCN) merupakan algoritma yang memanfaatkan proses konvolusi satu dimensi dan
digunakan untuk memproses permasalahan pada data sequential. TCN memiliki karakteristik
khusus (Bai et al., 2018).
a. Proses konvolusi pada arsitektur TCN bersifat kausal, artinya tidak ada “kebocoran”
informasi dari masa depan ke masa lalu.
b. Arsitektur dapat mengolah berapa pun panjang data dan akan menghasilkan output
yang sama panjangnya.
c. Kemampuan untuk melihat jauh ke masa lalu untuk melakukan prediksi, menggunakan
arsitektur yang sangat dalam dan ditambah dengan residual layers dan dilated
convolution.

2.4.1 Sequence Modelling

Sebelum membahas arsitektur dari Temporal Convolutional Network (TCN), harus
dipahami tentang masalah pada pemodelan data yang berurutan atau biasa disebut time series.
Dengan data input sebagai berikut X = (X0, X1, X2, …, XT) dan mencoba memprediksi output
sebagai berikut Y = (y0, y1, y2, …, yT). Batasannya adalah bahwa untuk memprediksi output
yT, hanya dapat menggunakan data input yang telah diamati sebelumnya (Wan et al., 2019).

(2.1)

Dapat diketahui bahwa yT hanya bergantung pada X = (X0, X1, X2, …, XT) Bukan pada
data input masa depan seperti XT+1. Tujuan dari sequence modelling adalah untuk mencari
jaringan yang meminimalisir beberapa perbedaan antara data output aktual dengan hasil
prediksi. Dimana target output kemudian digunakan menjadi data input untuk prediksi
selanjutnya, dan terus bergeser menuju data selanjutnya oleh langkah waktu (Bai et al., 2018)

2.4.2 1 Dimentional Convolutional Networks

Proses 1 dimensional convolutional network merupakan proses konvolusi yang dilakukan
pada data yang memiliki satu dimensi saja seperti sequential data. Bentuk data input tensor
memiliki konfigurasi (bartch_size, input_length, input_size) dan nantinya akan menghasilkan
data output tensor yang sama juga yaitu (batch_size, input_length, output_size). Karena setiap
layer pada arsitektur TCN memiiki panjang input dan output yang sama, maka hanya input dan
 2

output tensor saja yang berbeda. Karena hanya satu dimensi, maka nilai dari input_size dan
output size adalah sama dengan satu. Pada gambar 2.11 menunjukkan bagaimana proses 1
dimentional convolution yang mengubah input menjadi output.

Gambar 2.11 Proses 1 dimention convolution

Sumber: (Lässig, 2020)

Setiap proses konvolusi akan berlansung di setiap data pada seluruh input tensor tersebut.
Pada gambar, digunakan kernel size yaitu tiga, jadi proses akan dilakukan setiap tiga data.
Kernel memiliki bobot yang sama pada setiap proses yang berjalan. Dapat dilihat bahwa setiap
satu data pada output tensor merupakan hasil perhitungan dot dari kernel pada input tensor.
Proses berlangsung sama dengan kernel akan mulai bergerak ke arah data selanjutnya setiap
satu data. Namun untuk dapat memperoleh panjang data yang sama pada input dan ouput tensor
perlu ditambahkan padding bernilai nol di awal dan akhir data.

2.4.3 Causal Convolutions

Disebutkan di awal bahwa TCN tidak bisa menggunakan informasi dari masa depan
untuk melakukan proses konvolusi. Jadi untuk menghindari masalah tersebut, proses
prediksinya menggunakan causal convolution yaitu hanya menggunakan data saat ini dan data
yang sebelumnya (Liu et al., 2019). Hal tersebut dapat dicapai dengan cara menambahkan
padding dengan nilai nol di awal dan akhir data input tensor, untuk menghitung jumlah padding
yang digunakan rumus (Wang et al., 2020):
 23

(2.2)
Dimana:
P = Jumlah padding
k = Ukuran kernel

Gambar 2.12 Proses causal convolutions

Sumber: (Lässig, 2020; Wang et al., 2020)

Dapat dilihat pada gambar 2.12 a dan b, perbedaan jika menggunakan proses causal
convolutions dan tidak. Pada gambar c dicontohkan terdapat empat data dan digunakan ukuran
kernel tiga, jadi jumlah padding yang harus ditambahkan adalah ukuran kernel - 1 yaitu 2.
Proses konvolusi pada data pertama yaitu menggunakan dua data sebelumnya yaitu padding,
tersebut untuk mendapatkan hasil output dari data pertama, dan berlaku hal yang sama pada
data selanjutnya sehingga data output tensor memiliki panjang yang sama dengan data input.

2.4.4 Dilated Convolutions

Proses konvolusi pada data input yang nantinya menghasilkan data output, hasilnya
tergantung dari kernel yang digunakan dan data sebelumnya. Misalkan panjang data input
adalah 5 dengan ukuran kernel adalah 3, maka data ke 5 akan sangat bergantung pada data ke
3 dan 4. Untuk itu untuk menghindari ketergantungan pada data model mampu menangkap
keterikatan dengan data jangka panjang maka digunakanlah konsep dilated convolutions, yaitu
menambahkan layer lagi di dalam jaringan dan melebarkan jangkauan dari kernel pada layer
berikutnya dengan melewati beberapa data. Artinya, data output harus terhubung dengan data-
data input dari masa lalu yang sangat jauh. dilated convolution dapat di definisikan sebagai
berikut:
 24

(2.3)

Dimana d adalah nilai dari dilatasi, k adalah nilai dari kernel dan Xs-dxi menunjukkan
langkah yang diambil ke belakang.Untuk menghitung berapa banyak layer yang dibutunhkan,
dan mengitung receptive field dapat menggunakan rumus:

(2.4)

(2.5)
Dimana:
ｎ = Jumlah layer
ɭ = Panjang data
k = Ukuran kernel
ｒ= Rentang data yang dilalui proses dilatasi

Gambar 2.13 Dilated Convolution

Sumber: (Lässig, 2020)

Pada gambar 2.13 dapat dilihat contoh penggunaan dilated convolution dengan panjang
data adalah 4, ukuran kernel adalah 3, nilai dilatasi adalah 2, dan rentang data yang dilalui
adalah 5. Jika tidak mengalami proses dilatasi, rentang data yang dilalui sama dengan ukuran
kernel yaitu 3, sedangkan jika mengalami proses dilatasi rentang data melebar menjadi 5.
Namun jika nilai dilatasi tetap, akan dibutuhkan data yang sangat panjang pada layer
berikutnya. Untuk itu pada layer berikutnya, nilai dilatasi akan mengalami peningkatan secara
eksponensial ditunjukkan pada gambar 2.14, dilation base konstan yang direpresentasikan
 25

dengan ᖯ dan perhitungannya ditunjukkan pada rumus. Pada gambar 2.14 digunakan panjang
data adalah 10, ukuran kernel adalah 3, dilation base adalah 2, dan banyaknya layer adalah 3.
Pada penerapannya nilai dari kernel harus lebih besar dari dilatation base. Dan juga berimbas
jumlah padding akan mengalami peningkatan untuk setiap layer sehingga dibutuhkan rumus
baru yaitu:

(2.6)

(2.7)

Gambar 2.14 Dilation base

Sumber: (Lässig, 2020)

2.4.5 Residual Connections

Pada arsitektur TCN sederhana, setiap layer akan saling terhubung dengan layer lainnya,
sedangkan jika menggunakan residual connection data dapat langsung disalurkan tanpa harus
melewati berbagai layer (Wang et al., 2020). Gambar 2.15 menunjukkan perbedaan struktur
TCN sebelum ditambahkan residual connection dan sesudahnya.

Gambar 2.15 Struktur residual connections

Sumber: (Lässig, 2020)
 26

Pada gambar 2.15 digunakan ukuran kernel adalah 3 dan nilai dilatasi adalah 2. Dapat
dilihat perubahan sesudah ditambahkan residual connection, hasil output dari kedua layer
tersebut nantinya akan ditambahkan ke input dari residual block untuk menghasilkan input
pada block selanjutnya. Karena proses konvolusi pada layer pertama dari residual block
pertama dan proses konvolusi pada layer kedua dari residual block terakhir mungkin memiliki
panjang data input yang berbeda, maka panjang dari residual block harus disesuaikan dengan
proses konvolusi 1x1. Menambahkan residual block ke arsitektur TCN menjadikan lebih
banyak rentang data yang dilalui dari pada model biasa. Perubahan tersebut mengharuskan
dilakukan perhitungan kembali berapa layer yang dibutuhkan untuk dapat mencakup nilai
seluruh data. Jadi rentang data dengan dilatation base ᖯ, kernel size k dengan k ≥ ᖯ, dan jumlah
residual block n dapat dirumuskan sebagai berikut:

(2.8)

(2.9)

2.4.6 Activation Function, Normalization, dan Regularization

Untuk menjadikan TCN tidak sekedar model linear regression yang kompleks, perlu
ditambahkan activation function di atas convolution layer. Activation function yang digunakan
adalah Rectified Linear Unit (ReLU) yang menyebabab model tidak menjadi linier (Bai et al.,
2018). Proses menormalisasi input pada hidden layer agar tidak terjadi exploding gradient,
ditambahkan weight normalization pada setiap convolution layer. Selanjutnya untuk mencegak
terjadinya overfitting, digunakanlah regularization menggunakan dropout function pada akhir
setiap convolution layer. Struktur TCN setelah ditambahkan ketiga fungsi tersebut ditunjukkan
pada gambar 2.16.
 27

Gambar 2.16 Penambahan fungsi activation, normalization, dan regularization

Sumber: (Lässig, 2020)

2.4.7 Model Akhir

Pada gambar 2.17 menunjukkan model akhir dari algoritma Temporal Convolutional
Network (TCN). Dengan l merupakan panjang data, k adalah ukuran kernel, b merupakan
dilatation base dengan k ≥ b, jumlah minimal residual block adalah n.

Gambar 2.17 Model akhir TCN

Sumber: (Lässig, 2020)
 28

2.5 Matrik Evaluasi

Untuk mengetahui tingkat keakuratan hasil prediksi yang didapatkan oleh model machine
learning dapat menggunakan matrik evaluasi. Perlu diketahui bahwa pada pemodelan machine
learning sendiri dapat dibagi menjadi dua tipe yaitu pemodelan klasifikasi dan regresi.
Klasifikasi sendiri merupakan pemodelaan yang digunakan untuk mengelompokkan data-data
ke dalam sejumlah kelas ataupun kategori tertentu, sedangkan regresi merupakan pemodelan
machine learning dengan melakukan proses identifikasi pada data untuk menemukan suatu
relasi (Suyanto, 2018). Proses evaluasi pada pemodelan klasifikasi umumnya dapat
menggunakan matrik evaluasi dengan confusion matrix yaitu menghitung tingkat akurasi dari
model, sedangkan untuk pemodelan regresi dapat menggunakan matrik evaluasi Root Mean
Squared Error (RMSE) yaitu dengan menghitung selisih nilai prediksi dengan nilai aktualnya.
Semakin kecil nilai RMSE yang dihasilkan dari suatu algoritma, amka semaik kecil nilai
errornya atau selisih nilai prediksi dan aktualnya sangat kecil.

2.5.1 Mean Absolute Error (MAE)

Mean Absolute Error (MAE) merupakan matrik evaluasi yang menghitung nilai absolut
dari rata-rata selisih nilai prediksi dan nilai aktual. Rumus dari MAE sendiri didefinisikan
sebagai berikut:

(2.10)

Dimana:
Y’ = Nilai prediksi
Y = Nilai aktual
N = Jumlah data

2.5.2 Mean Square Error (MSE)

Mean Squared Error (MSE) merupakan matrik evaluasi yang mirip dengan MAE, namun
menggunakan proses kuadrat untuk menghitung nilai errornya. Rumus dari MSE sendiri
didefinisikan sebagai berikut:
 29

(2.11)

2.5.3 Root Mean Squared Error (MAE)

Root Mean Squared Error (RMSE) merupakan matrik evaluasi yang menambahkan proses
perhitungan akar pada matrik MSE. Rumus dari RMSE sendiri dapat didefinisikan sebagai
berikut:

(2.12)

2.6 Penelitian Terkait

Terdapat 7 jurnal penelitian yang digunakan sebagai referensi dalam proses perencanaan
pada penelitian ini. Penelitian-penelitian terkait disajikan dalam bentuk tabel agar
memudahkan dalam melihat hasil dan solusi yang ditawarkan pada prediksi tren pergerakan
harga saham.

Tabel 2.1 Penelitian Terkait

No Jurnal Algoritma Dataset Hasil
(Zayini Menggunakan algoritma LSTM untuk
Anwar & Long Short Saham melakukan prediksi. Hasil prediksi yang
1 Habibi, Term Memory Apple didapatkan cukup baik, dengan nilai RMSE
n.d.) (LSTM) (AAPL) 0.2286. Sehingga peneliti menyimpulkan
bahwa algoritma LSTM cukup efektif untuk
prediksi harga saham.
Penelitian ini menggunakan 4 model LSTM
yang berbeda, (i) LSTM univariate input
data of 1 week (ii) LSTM univariate input
(Mehtab Long Short data of 2 week (iii) Encoder-Decoder LSTM
et al., Term Memory Indeks univariate input data of 1 week (iv)
2 n.d.) (LSTM) Saham Encoder-Decoder LSTM multivariate input
Multivariat NIFTY data of 2 week. Prediksi harga dilakukan
dan Grid 50 untuk harga satu mingguan. Didapatkan
Search hasil bahwa model LSTM cukup efektif
untuk prediksi harga saham, namun dimensi
multivariate memberikan hasil yang kurang
memuaskan dan komputasi yang lama.

#
######
 Mengkombinasikan algoritma LSTM
Kombinasi dengan CNN, kemudian membandingkan
Long Short hasil dengan dengan algoritma LSTM dan
(Kim & Term Memory CNN normal. Mengenkstak fitur serta
Kim, (LSTM) Indeks gambar grafik pada data saham. Hasil yang
3 201 dengan Saham didapatkan model kombinasi dapat
9)
Convolutional S&P 500 mengunguli performa model normal. Selain
Neural itu, didapatkan informasi bahwa candlestick
Network chart merupakan chart yang paling efektif
(CNN) untuk prediksi harga saham, dan dapat
meminimalisir kesalahan prediksi yang
terjadi. Dengan nilai RMSE 0.098.
(Bai et Temporal
4 al., 2018) Convolutional - Memperkenalkan kosen dari algoritma
Network Temporal Convolutional Network (TCN).
(TCN)
Memperkenalkan algoritma TCN dengan
modifikasi Multi Channel (M-GTCN).
Algoritma tersebut kemudian dibandingkan
Temporal Makey- dengan LSTM, GRU, dan TCN.
(Liu et al., Convolutional Glass Disimpulkan bahwa memang TCN memiliki
5 2019) Network data, performa yang baik daripada LSTM dan
(TCN) OM2.5 GRU pada kasus single factor. Namun pada
data kasus multi factor hasil dari TCN sangat
buruk. M-GTCN dapat mengungguli
algoritma lainnya, namun arsitekturnya lebih
kompleks.
Menggunakan algoritma TCN untuk
( Temporal mengolah kasus dengan tipe data
Wan
et al., Convolutional Beijing multivariate (M-TCN). Hasil yang
6 2019) Network PM2.5 didapatkan, algoritma M-TCN memiliki
(TCN) dengan kemampuan generalisasi yang rendah, hasil
kasus prediksi sangat bervariasi pada dataset yang
multivariate berbeda.
Kombinasi Mengkombinasikan algoritma TCN dengan
Temporal representative learning yang disebut
(Wang et Convolutional Indeks Stock2Vec. Hal tersebut dilakukan untuk
7 al., 2020) Network saham mengetahui hubungan di antara saham satu
(TCN) dan S&P 500 dengan yang lain. Hasil yang didapatkan
Representative cukup baik dengan nilai RMSE 2.22.
Learning
 Dari penelitian-penelitian terkait yang telah disebutkan, memprediksi tren pergerakan
harga saham banyak dikembangkan menggunakan algoritma Long Short Term Memory
(LSTM). Namun, pada algoritma LSTM sendiri atapun algoritma perkembangan dari LSTM
masih banyak terjadi masalah pada vanising gradient. Untuk itu pada penelitian yang dilakukan
oleh (Bai et al., 2018) mulai memperkenalkan algoritma baru yang dengan menggunakan
konsep konvolusi pada pengolahan data time series yaitu Temporal Convolutional Network
(TCN). TCN sendiri mempunyai beberapa kelebihan dibandingakn LSTM, yaitu menggunakan
proses backpropagation untuk meminimalisir terjadinya vanisihing gradient dan mampu
memproses data secara pararel sehingga data yang panjang dapat dieksekusi dengan cepat.
Namun pemrosesan data menggunakan TCN memerlukan penyimpanan yang lebih besar saat
melakukan proses evaluasi. Algoritma TCN Mampu memberikan hasil yang baik dan mampu
mengungguli algoritma yang umum dipakai, ditunjukkan pada penelitian (Bai et al., 2018)
yaitu LSTM, RNN, dan Gated Recurrent Unit (GRU).
Untuk itu pada penelitian ini dipilih menggunakan algoritma TCN karena berdasarkan
penelitian terkini yang menunjukkan bahwa TCN memberikan hasil yang lebih baik walaupun
menggunakan pendekatan yang berbeda. Hasil yang didapatkan TCN sangat dipengaruhi oleh
panjang data yang diolah, sedangkan LSTM dan GRU dengan ukuran panjang data yang sama
hasilnya berubah-ubah. Keakuratan LSTM dapat turun hingga 20% untuk data di bawah 50,
sedangkan GRU turun hingga 20% untuk data di bawah 200. Dengan hasil tersebut dapat
menunjukkan bahwa TCN mampu mengolah data yang panjang dan mempertahankan riwayat
data yang lebih jauh (Bai et al., 2018). Algoritma TCN juga dapat dilakukan modifikasi untuk
berbagai kebutuhan sesuai masalah yang dihadapi, seperti mengkombinasikan dengan basis
pengetahuan untuk mengetahui korelasi dari antar data seperti pada penelitian (Wang et al.,
2020). Penelitan ini akan mencoba membandingkan performa dari algoritma TCN dengan
algoritma LSTM sebagai algoritma yang cukup banyak digunakan untuk memprediksi harga
saham, algoritma Linear Regression dan Decision Tree Regression yang jarang digunakan
untuk memprediksi harga saham. Serta pemodelan algoritma TCN menggunakan library yang
cukup baru dikembangkan yaitu Darts.
 32

BAB III
METODOLOGI PENELITIAN

3.1 Pengumpulan Data

Data saham NFLX dipilih karena merupakan salah satu saham yang termasuk ke dalam
indeks saham NASDAQ-100, yang mana mempunyai kapitalisasi pasar sangat besar dan
likuiditas yang tinggi sehingga harga sahamnya tidak mudah untuk dimanipulasi dan terjadi
lonjakan harga yang ekstrim secara tiba-tiba. Pergerakan harga saham NFLX sudah mewakili
berbagai tren yang terjadi, seperti tren kenaikan, tren penurunan, dan tren konsolidasi. Tidak
menutup kemungkinan untuk menggunakan data saham yang lain, setiap harga saham pasti
terbentuk dari kombinasi ketiga tren tersebut, namun juga terdapat data harga saham yang
harganya dalam jangka waktu yang cukup lama tidak mengalami pergerakan yang signifikan
dan bahkan harganya terkapar. Untuk itu dipilih saham yang memiliki fluktuasi harga yang
mewakili pergerakan tren sehingga model yang dibangun dapat mengetahui pola-pola
pergerakan tren dari saham yang dipilih.
Pada penelitian ini data saham yang akan digunakan dapat dikelompokkan sebagai data
sekunder, yaitu data yang tidak didapatkan langsung oleh peneliti namun data yang sudah
disediakan oleh lembaga ataupun sesorang yang dijadikan subjek penelitian (Jati Lantang M,
2020). Data saham Netflix, Inc (NFLX) disediakan oleh website penyedia informasi tentang
dunia keuangan yaitu Yahoo Finance. Data tersusun dalam timeframe daily, yaitu data
dicatatkan setiap satu hari pada hari bursa (Senin-Jumat). Data saham dalam satu tahun
berjumlah rata-rata 252 hingga 253, tidak utuh 365 hari karena pada bursa terdapat hari libur.
Rentang data saham yang digunakan yaitu sejak 1 Januari 2015 hingga 31 Mei 2021, dengan
jumlah data 1613 dan terdapat 6 kolom yaitu harga pembukaan (open), harga penutupan
(close), harga terendah (low), harga tertinggi (high), volume transaksi, dan adj close. Pada
penelitian ini hanya akan digunakan harga penutupan (close), karena pada hari bursa harga
akan mengalami fluktuasi maka digunakan harga penutupan yang merupakan harga terakhir
pada hari bursa tersebut. Kemudian data dengan timeframe daily digunakan karena prediksi
tren yang akan dilakukan untuk mengetahui gambaran besar dari tren dan prediksi akan
digunakan untuk investasi jangka menengah. Data diambil memanfaatkan library pandas data
reader, hanya dengan memasukkan informasi mengenai ticker saham, sumber data, dan
rentang waktu yang diinginkan.
 33

3.2 Perancangan Penelitian

Perancangan penelitian merupakan gambaran secara terstruktur tentang penelitian yang
akan dilakukan untuk memudahkan dalam prosesnya. Perancangan penelitian disajikan dalam
bentuk flowchart dari awal hingga akhir. Gambar 3.1 menunjukkan flowchart penelitian ini.

Gambar 3.1 Flowchart penelitian

Penjelasan flowchart penelitian:

a. Studi literatur dilakukan untuk mengetahui penelitian terkini dan state of the art dari
permasalahan yang ingin diangkat.
b. Perumusan masalah dilakukan untuk menentukan masalah yang dihadapi dalam
penelitian, dan selanjutnya dilakukan perancangan penelitian.
c. Langkah pertama yang dilakukan adalah pengambilan data saham Netflix (NFLX)
yang telah disediakan oleh website Yahoo Finance. Data dapat diambil dengan
memanfaatkan library dari pandas yaitu pandas data reader. Dengan memanfaatkan
library tersebut, proses pengambilan data menjadi lebih mudah, hanya dengan
 34

memasukkan ticker dari saham yang diinginkan kemudian sumber data tersebut dan
rentang data yang diinginkan dengan menyetel tanggal awal dan akhir.
d. Langkah selanjutnya adalah preprocessing data saham yang telah didapatkan. Proses
pertama yang dilakukan dalam preprocessing adalah Exploratory Data Analysis
(EDA). Yaitu melakukan proses investigasi untuk memahami kondisi data yang
digunakan dan menyiapkan data agar mampu diolah oleh model algoritma. Beberapa
proses yang dilakukan adalah: mengecek dimensi dan jumlah data, mengecek tipe
data, dan mengecek apakah terdapat data yang kosong.
e. Setelah dilakukan proses EDA, selanjutnya data akan divisualisasikan menggunakan
line chart untuk melihat bagaimana pergerakan harga yang terjadi.
f. Mengambil kolom harga penutupan (close) saja untuk digunakan pada penelitian.
g. Scaling data dilakukan pada data dengan rentang nilai 0 hingga 1, agar saat
melakukan prediksi model algoritma tidak mengalami bias karena rentang harga
aktual bisa sangat jauh.
h. Proses terakhir pada tahap preprocessing adalah melakukan peemisahan data menjadi
data traning dan data testing. Data training digunakan sebagai data untuk melakukan
pembelajaran pada model algoritma. Dan data testing digunakan untuk menguji
model yang telah dilatih.
i. Langkah selanjutnya adalah melakukan pemodelan pada algoritma yang digunakan.
j. Proses traning dilakukan untuk melakukan pembelajaran pada pada model algoritma.
k. Selanjutnya model akan dilakukan proses testing untuk mengetahui hasil prediksi
yang dilakukan.
l. Hasil prediksi akan divisualisasikan untuk mengetahui bagaimana perbandingannya
dengan harga aktual.
m. Hasil prediksi dengan harga aktual akan dihitung nilai errornya untuk mendapatkan
kesimpulan apakah model menghasilkan prediksi yang baik atau buruk.
n. Hasil perhitungan nilai error yang didapatkan kemudian akan dikomparasikan
dengan dengan nilai error dari algoritma lain. Algoritma manakah yang mendapatkan
hasil yang paling baik dan paling buruk. Dan akan dievaluasi hal apakah yang
menyebabkan model algoritma mendapatkan hasil prediksi seperti itu.
o. Setelah didapatkan hasil prediksi dan perhitungan error antar algoritma, maka akan
menghasilkan kesimpulan mengenai penelitian yang dihadapi.
 35

3.2.1 Temporal Convolutional Network (TCN)

Gambar 3.2 Flowchart model Temporal Convolutional Network (TCN)

Penjelasan flowchart model Temporal Convolutional Network (LSTM):

a. Membangun model algoritma TCN memanfaatkan library darts, data yang sudah
disiapkan sebelumnya tinggal dimasukkan pada fungsi darts untuk mengolahnya pada
algoritma TCN kemudian melakukan hyperparameter tuning disesuaikan dengan
data.
b. Proses training pada model TCN
c. Proses backtesting dilakukan untuk mengevaluasi performa model menggunakan
fungsi yang disediakan oleh darts dan melakukan prediksi pada data.

3.2.2 Algoritma Pembanding

Untuk membandingakan performa dari model Temporal Convolutional Network (TCN),
digunakan algoritma yang paling populer dan umum digunakan pada penyelesaian masalah
prediksi harga saham, yaitu algoritma Long Short Term Memory (LSTM). Dan dua lagoritma
paling umum dan sederhana digunakan pada model machine learning, yaitu adalah algoritma
Linear Regression dan Decision Tree Regression. Berikut adalah flowchart penelitian pada
ketiga algoritma tersebut.
 36

Long Short Term Memory (LSTM)

Gambar 3.3 Flowchart model Long Short Term Memory (LSTM)

Penjelasan flowchart model Long Short Term Memory (LSTM):

a. Pertama-tama membuat variabel untuk menampung data yang akan digunakan pada
prediksi model LSTM.
b. Membuat fungsi untuk melakukan pembagian pada data menjadi 60 data yang akan
digunakan sebagai data prediksi dan 1 data menajdi data hasil prediksi. 60 data
dimulai dari data indeks ke 0 hingga 59, dan 1 data dimulai dari indeks ke 60. Jadi
prediksi akan dilakukan setiap 60 data sekali dengan hasil prediksi data ke 61,
kemudian prediksi akan berlanjut lagi dari data indeks ke 1 hingga 60 dan hasil
prediksi dengan indeks ke 61 dan akan berlangsung begitu seterusnya hingga akhir
dari data.
c. Mengubah data yang masih berupa numpy menjadi data array.
d. Kemudian membangun model LSTM dengan konfigurasi tiga layer, dengan layer
pertama sebanyak 50 neuron, layer kedua dengan 50 neuron, dan layer terakhir
dengan 25 neuron.
e. Melakukan compile pada model yang telah dibangun, dan ditambahkan fungsi
optimezer adam.
f. Proses training pada model LSTM dan menyetel hyperparameter yang tersedia.
g. Proses testing pada model LSTM dan menyetel hyperparameter yang tersedia.
 37

Linear Regression dan Decission Tree Regression

Gambar 3.4 Flowchart model Linear Regression

dan Decission Tree Regression

Penjelasan flowchart model Linear Regression dan Decission Tree Regression:

a. Pertama-tama harus ditentukan berapa hari prediksi yang diinginkan, lama hari yang
akan diprediksi akan disimpan dalam variabel future_days.
b. Algoritma Linear Regression dan Decision Tree Regression membutuhkan variabel
independent yang merupakan variabel bebas yang akan dihitung untuk mendapatkan
hasil prediksi, dan variabel dependent atau variabel terikat yang nilainya dipengaruhi
variabel independent. Kolom harga close merupakan variabel independent, untuk
variabel dependent akan dibuat dari kolom harga close dikurangi berapa lama hari
yang akan diprediksi (future_days) yang dinamai sebagai kolom prediction.
Kemudian pada kolom prediction akan dikenakan fungsi shift untuk menaikkan data
sehingga terdapat data yang kosong pada bagian akhir data yang akan diisi oleh harga
prediksi.
c. Variabel independent akan dipisahkan dari variabel dependent dan dikurangi berapa
lama hari yang akan diprediksi (future_days), kemudian ditampung pada variabel
baru yaitu x.
d. Variabel dependent akan dipisahkan dari variabel independent dan dikurangi berapa
lama hari yang akan diprediksi (future_days), kemudian ditampung pada variabel
baru yaitu y.
e. Kemudian dari variabel x dan y akan dibagi menjadi data training dan data testing.
 38

f. Proses training pada model Linear Regression dan Decission Tree Regression.
g. Membuat variabel baru untuk digunakan prediksi dengan nama x_future, dengan
mengambil data sepanjang future_days pada akhir data close.
h. Prose prediksi pada model Linear Regression dan Decission Tree Regression.

3.3 Evaluasi
Proses evaluasi akan dilakukan setelah proses prediksi menggunakan model algoritma
sudah didapatkan hasilnya, serta sudah diketahui bagaimana visualisasi dari hasil prediksi
tersebut. Evaluasi yang dilakukan yaitu mengamati bagaimana hasil prediksi yang dihasilkan
oleh model algoritma menggunakan matrik perhitungan error dengan menggunakan matrik
Mean Absolute Error (MAE), Mean Squared Error (MAE), Root Mean Squared Error
(RMSE), apakah prediksi harga dan tren yang terbentuk dapat mengikuti harga aktualnya atau
tidak. Akan dianalisa kenapa hal tersebut dapat terjadi.
 39

BAB IV
HASIL DAN PEMBAHASAN

4.1 Implementasi
Semua tahapan perancangan penelitian yang telah dijabarkan dalam bentuk flowchart
pada gambar 3.1, diimplementasikan pada kode program menggunakan bahasa pemrograman
Python 3.7. Proses pada kode program akan dijabarkan pada bab ini.

4.1.1 Temporal Convolutional Network (TCN)

Berikut adalah implementasi pada kode program menggunakan bahasa pemrograman
Python dari flowchart gambar 3.2 algoritma Temporal Convolutional Network (TCN).

Import Library yang Dibutuhkan

Gambar 4.1 mendefinisikan library yang digunakan. Terlebih dahulu melakukan library
dan package yang dibutuhkan yang nantinya akan digunakan pada pemrosesan algoritma TCN
yang telah disediakan oleh library darts.

1. # Import libraries
2. import math
3. import numpy as np
4. import pandas as pd
5. from darts import TimeSeries
6. from darts.models import TCNModel, RNNModel
7. from darts.dataprocessin.transormers import Scaler
8. from farts.utils.timeseries_generation
9. import datetime_attribute_
10. from darts.metrics import mape, r2_score
11. from darts.utils.missing_values import fill_missing_values

Gambar 4.1 Import library

Mendapatkan Data Saham

Gambar 4.2 mendefinisikan fungsi untuk mendapatkan data saham Netflix (NFLX)
memanfaatkan library pandas data reader pada baris kode ke 2, memanggil fungsi
DataReader dengan memasukkan parameter kode ticker dari saham, sumber data, rentang data
dari awal hingga akhir. Kemudian ditampilkan data saham yang sudah didapatkan, data
memiliki 1613 baris dan 6 kolom bertipe pandas data frame seperti ditunjukkan pada gambar
4.3.
 40

1. # Get the stock data

2. nflx_tcn = web.DataReader(‘NFLX’, data_source = ‘yahoo’, start =
3. ‘2015-01-01’, end = ‘2021-05-31’
4.
5. # Show the stock data
6. print(nflx_tcn.head())
7. print(nflx_tcn.tail())

Gambar 4.2 Mendapatkan data saham

Gambar 4.3 Data saham NFLX

Exploratory Data Analysis (EDA) dan Visualisasi Data

Gambar 4.4 mendefinisikan fungsi untuk melakukan proses Exploratory Data Analysis
(EDA). Karena data yang digunakan sudah tersusun dengan rapi dan baik maka proses EDA
tidak terlalu banyak dilakukan. Dengan proses EDA didapatkan beberapa insight bahwa jumlah
baris data 1613 dengan 6 kolom dan date menjadi indeks data tersebut. Kemudian tipe data
adalah float64 dan tidak terdapat data yang kosong ditunjukkan pada gambar 4.5. Kemudian
data divisualisasikan dilakukan untuk mengetahui bagaimana data ditampilkan pada line chart
dengan menggunakan kolom harga close seperti pada gambar 4.6.
 41

1. # Exploratory data analysis

2. print(nflx_tcn.shape)
3. print(nflx_tcn.info())
4. print(nflx_tcn.isnull())
5.
6. # Visualize the close price
7. plt.figure(figsize = (20, 10))
8. plt.plot(nflx_tcn[‘Close’])
9. plt.title(‘NFLX Stock Closing Price’, fontsize - 24)
10. plt.xlabel(‘Days’)
11. plt.ylabel(‘Close Price $USD’)
12. plt.show()

Gambar 4.4 Exploratory Data Analysis (EDA) pada data saham

Gambar 4.5 Hasil Exploratory Data Analysis

 42

Gambar 4.6 Visualisasi harga close

Mengambil Kolom Close dan Scaling Data

Gambar 4.7 mendefinisikan fungsi untuk mengambil kolom close pada dataframe nflx_tcn,
hanya kolom close saja yang akan digunakan pada penelitian ini. Kemudian didefinisikan
fungsi scaling yang disimpan di variabel scaler, yang memanfaatkan library
darts.dataprocessing. Data kemudian akan di-scaling menjadi dalam rentang antara 0 hingga
1. Pada baris kode ke 7 fungsi scaler dikenakan pada data nflx_tcn menggunakan fungsi
fit_transform.

1. # Get only the close price

2. nflx_tcn = nflx_daily[[‘Close’]]
3. nflx_tcn.head()
4.
5. # Scaling Data
6. scaler = Scaler()
7. nflx_tcn = scaler.fit_transform(nflx_tcn)

Gambar 4.7 Mengambil kolom close dan scaling data

Fungsi Split Dataset

Gambar 4.8 mendefinisikan fungsi untuk melakukan split pada dataset. Data dibagi
menjadi data training dan testing dan di-split setelah tanggal ‘2021-03-05’ karena akan
dilakukan prediksi selama 60 hari, jadi dari data terakhir dikurangi 60 hari.
 43

1. # Creatte training and validation dataset

2. train, val = nflx_tcn(pd.Timestamp(‘20210503’))

Gambar 4.8 Split dataset

Membangun Model
Gambar 4.9 mendefinisikan fungsi untuk membangun model TCN, beberapa
hyperparameter yang tersedia dapat diubah-ubah sesuai dengan kebutuhan. Model dari
algoritma TCN didefinisikan pada baris kode ke 2 dengan nama variabel tcn_model dengan
memanfaatkan fungsi TCNModel. Panjang data yang akan dilakukan training adalah 1553 dan
dengan panjang output = 60. Pada penelitian ini hyperparameter disetel menjadi: n_epoch =
20, droupout = 0.1, dilatation_base = 2, weight_norm = true, kernel_size = 5, num_filter = 3.
Jumlah epoch yang digunakan sebanyak 20 mengacu pada penelitian , kemudian nilai dropout
digunakan 0.1 karena merupakan nilai paling umum digunakan, dilatation_base menggunakan
nilai standar yaitu 2 agar pola yang diketahui tidak terlalu lebar. Dan kemudian dengan besar
layer adalah 5 karena hari bursa buka selama 5 hari dalam seminggu sehingga ingin dilakukan
proses konvolusi pada setiap minggunya, dan digunakan konfigurasi 3 layer.

1. # Build TCN model

2. tcn_model = TCNModel(
3. input_chunk_length = 1553,
4. output chunk_length = 60,
5. n_epoch = 20,
6. dropout = 0.1,
7. dilatation_base = 2,
8. weight_norm = True,
9. kernel_size = 5,
10. num_filters = 3
11. random_state = 0
12. )
Gambar 4.9 Membangun model Temporal Convolutional Network (TCN)
 44

Proses Training
Gambar 4.10 mendefinisikan fungsi untuk melakukan proses training pada data.

1. # Training the model

2. tcn_model.fit(series = train, val_series = val, verbose = True)

Gambar 4.10 Proses training

Proses Backtesting
Gambar 4.11 mendefinisikan fungsi untuk mengevaluasi kinerja model TCN yang telah
dibentuk sebelumnya pada baris kode ke 2 dengan nama variabel backtest dan dengan
memanfaatkan fungsi historical_forecast. Beberapa hyperparameter digunakan pada fungsi
ini, forecast_horizon adalah berapa lama hari yang akan diprediksi. Dengan rentang 60 hari
dan tidak dilakukan training ulang.

1. # Backtesting the TCN model

2. backtest = tcn_model.historical_forecast(
3. Series_transformed,
4. Start = 0.7,
5. Forecast_horizon = 60,
6. Retrain = False,
7. Verbose = True
8. )

Gambar 4.11 Proses backtesting

4.1.2 Long Short Term Memory (LSTM)

Berikut adalah implementasi pada kode program menggunakan bahasa pemrograman
Python dari flowchart gambar 3.3 algoritma Long Short Term Memory (LSTM).
 45

Import Library yang Dibutuhkan

Gambar 4.12 mendefinisikan library yang digunakan. Terlebih dahulu melakukan import
library dan package yang dibutuhkan yang nantinya akan digunakan pada pemrosesan
algoritma LSTM yang telah disediakan oleh library keras.

1. # Import libraries
2. import math
3. import numpy as np
4. import pandas as pd
5. import pandas_datareader as web
6. from sklearn import mertics
7. from sklearn.preprocessing import MinMaxScaler
8. from keras.models import Sequential
9. from keraas.layers import Dense, LSTM
10. import matplotlib.pyplot as plt
11. plt.style.use(‘fivethirtyeight’)

Gambar 4.12 Import library

Mendapatkan Data Saham

Gambar 4.13 mendefinisikan fungsi untuk mendapatkan data saham Netflix (NFLX)
memanfaatkan library pandas data reader pada baris kode ke 2 dengan memasukkan kode
ticker dari saham, sumber data, rentang data dari awal hingga akhir. Kemudian ditampilkan
data saham yang sudah didapatkan, data memiliki 1613 baris dan 6 kolom bertipe pandas data
frame seperti ditunjukkan pada gambar 4.14.

1. # Get the stock data

2. nflx_df = web.DataReader(‘NFLX’, data_source = ‘yahoo’, start =
3. ‘2015-01-01’, end = ‘2021-05-31’
4.
5. # Show the stock data
6. print(nflx_df.head())
7. print(nflx_df.tail())

Gambar 4.13 Mendapatkan data saham

 46

Gambar 4.14 Data saham NFLX

Exploratory Data Analysis (EDA) dan Visualisasi Data

Gambar 4.15 mendefinisikan fungsi untuk melakukan proses Exploratory Data Analysis
(EDA). Karena data yang digunakan sudah tersusun dengan rapi dan baik maka proses EDA
tidak terlalu banyak dilakukan. Dengan proses EDA didapatkan beberapa insight bahwa jumlah
baris data 1613 dengan 6 kolom dan date menjadi indeks data tersebut. Kemudian tipe data
adalah float64 dan tidak terdapat data yang kosong ditunjukkan pada gambar 4.16. Kemudian
data divisualisasikan dilakukan untuk mengetahui bagaimana data ditampilkan pada line chart
dengan menggunakan kolom harga close seperti pada gambar 4.17.
 47

1. # Exploratory data analysis

2. Print(nflx_df.shape)
3. Print(nflx_df.info())
4. Print(nflx_df.isnull())
5.
6. # Visualize the close price
7. Plt.figure(figsize = (20, 10))
8. Plt.plot(nflx_df[‘Close’])
9. Plt.title(‘NFLX Stock Closing Price’, fontsize - 24)
10. Plt.xlabel(‘Days’)
11. Plt.ylabel(‘Close Price $USD’)
12. Plt.show()

Gambar 4.15 Exploratory Data Analysis (EDA) pada data saham

Gambar 4.16 Hasil Exploratory Data Analysis

 48

Gambar 4.17 Visualisasi harga close

Mengambil Kolom Close dan Fungsi Split Dataset

Gambar 4.18 mendefinisikan fungsi untuk mengambil kolom close pada dataframe
nflx_df, hanya kolom close saja yang akan digunakan pada penelitian ini. Kemudian data
diubah menjadi bertipe array dan dibagi menjadi data training dan testing dengan
perbandingan 80% dan 20%, pada baris kode ke 8 dengan menyetel parameter data training
menjadi 0.80.

1. # Create a new dataframe with only the “Close” column

2. df = nflx_df.filter([‘Close’])
3.
4. # Convert the dataframe to a numpy array
5. dataset = df.values
6.
7. # Get the number of rows to train the model, 80% of the dataset
8. training_data_len = math.ceil(len(dataset) * .80)
9. training_data_len

Gambar 4.18 Mengambil kolom close

Fungsi Scaling
Gambar 4.19 mendefinisikan fungsi scaling yang disimpan di variabel scaler, yang
memanfaatkan library sklearn.preprocessing. Data kemudian akan di-scaling menjadi dalam
rentang antara 0 hingga 1 pada baris kode ke 3 dan dikenakakan fungsi fit_transform pada
 49

dataset yang akan di-scaling pada baris kode ke 4. gambar 4.20 menunjukkan data setelah
dikenakan fungsi scaling.

1. # Scaling the dataset

2. # Scale will be in range between 0 and 1
3. scaler = MinMaxScaler(feature_range = (0, 1))
4. scaled_data = scaler.fit_transform(dataset)
5. scaled_data

Gambar 4.19 Fungsi scaling

Gambar 4.20 Hasil scaling

Membuat Variabel X Train, Y Train, dan Fungsi Pembagi Data

Gambar 4.21 mendefinisikan variabel kosong bernama x_train dan y_train pada baris
kode ke 7 dan 8, yang akan diisi oleh pembagian data yang akan dilakukan menggunakan data
yang sudah di-scaling sebelumnya. Kemudian data akan dibagi menjadi 60 data x_training
yang dimulai dari data dengan index 0 hingga 59 dan 1 data y_train yang diambil dari indeks
ke 60. Data dengan indeks 60 tersebut merupakan target dari prediksi setiap 60 data awal yang
didefinisikan pada fungsi for di baris kode ke 13. Pembagian selanjutnya adalah data dengan
indeks 1 hingga 60 dan data dengan indeks 61, dan begitu seterusnya. Hasil dari pembagian
data tersebut ditunjukkan pada gambar 4.22.
 50

1. # Create the training dataset

2. # Create the scaled training dataset
3. train_data = scaled_data[0:training_data_len, :]
4.
5. # Split the data into x_train and y_train
6. # x_train is independent variable, y_train is dependentt variable
7. x_train = []
8. y_train = []
9.
10. # First pass through x_train will contain 60 data indexed 0 to 59
11. # Then y_train for the pass through will contain 1data indexed 60
12. for i in range(60, len(train_data)):
13. x_train.append(train_data[i-60:i, 0])
14. y_train.append(train_data[i, 0])
15. if i <= 61:
16. print(x_train)
17. print(y_train)

Gambar 4.21 Membuat variabel untuk menyimpan pembagian data

Gambar 4.22 Hasil pembagian data

 51

Fungsi Mengubah Menjadi Array dan Fungsi Reshape

Gambar 4.23 mendefinisikan fungsi untuk melakukan reshape pada data. Input dari
model LSTM mengaruskan untuk array 3 dimensi berupa (number of samples, number of time
steps, number of features). Data yang dimiliki masih berbentuk 2 dimensi, jadi harus dilakukan
reshaping, didefinisikan pada baris kode ke 8. Hasil dari proses reshape adalah (1489, 60, 1).

1. # Convert the x_train and y_train to numpy array

2. x_train, y_train = np.array(x_train), np.array(y_train)
3.
4. # Reshape the dataset
5. # LSTM network expect to be 3 dimentional input
6. # Shape:(number of samples, number of time steps, number of
7. feature)
8. x_train=np.reshape(x_train, (x_train.shape[0], x_train.shape[1],
9. 1))

Gambar 4.23 Fungsi reshape

Membangun Model dan Fungsi Compile

Gambar 4.24 mendefinisikan fungsi untuk meembangun model dari algoritma LSTM.
Pertama-tama memanfaatkan library keras.models untuk memanggil fungsi Sequential() yang
terdapat pada baris kode ke 2, untuk menyiapkan basis model LSTM yang disimpan pada
variabel model. Kemudian memanfaatkan library keras.layer untuk mengkonfigurasikan layer
pada model LSTM, pada penelitian ini digunakan konfigurasi 3 layer dengan jumlah neuron
50, 50, dan 25 didefinisikan pada baris kode ke 3 hingga 7. Setelah model selesai dibangun,
model akan di-compile dan ditambahkan fungsi optimizer adam. Model akan dilakukan proses
training dengan hyperparameter disetel batch_size = 1 dan epoch = 3 yang didefinisikan pada
baris kode ke 10 dan 13.
 52

1. # Build the LSTM model

2. model = Sequential()
3. model.add(LSTM(50, return_sequences = True, input_shape = (
4. X_train.shape[1], 1)))
5. model.add(LSTM(50, return_sequences = False))
6. model.add(Dense(25))
7. model.add(Dense(1))
8.
9. # Compile the LSTM model
10. model.compile(optimizer = ‘adam’, loss = ‘mean_squared_error’)
11.
12. # Training the LSTM model
13. model.fit(x_train, y_train, batch_size = 1, epochs = 3)

Gambar 4.24 Membangun model LSTM dan proses training

Membuat Variabel X Test, Y Test, dan Fungsi Pembagi Data

Gambar 4.25 medefinisikan variabel kosong bernama x_test dan y_test, yang akan diisi
oleh pembagian data yang akan dilakukan menggunakan data yang sudah dibagi dan di-scaling
sebelumnya pada baris kode ke 6 dan 7. Kemudian data akan dibagi menjadi 60 data x_test
yang dimulai dari data dengan index 0 hingga 59 (data_testing) dan 1 data y_test (data_testing)
yang diambil dari indeks ke 60. Data dengan indeks 60 tersebut merupakan target dari prediksi
setiap 60 data awal didefinisikan pada fungsi for di baris kode ke 9. Pembagian selanjutnya
adalah data dengan indeks 1 hingga 60 dan data dengan indeks 61, dan begitu seterusnya.

1. # Create testing dataset

2. # Create new array containing scaled value for testing dataset
3. test_data = scaled[training_data_len - 60:, :]
4. # Create the dataset x_test and y_test
5. x_test = []
6. y_test = dataset[training_data_len:, :]
7. for i in range(60, lne(test_data)):
10. x_test_append(test_data[i-60:i, 0])

Gambar 4.25 Membuat variabel untuk menyimpan data testing

 53

Proses Prediksi
Gambar 4.26 mendefinisikan fungsi untuk melakukan reshape pada data. Input dari
model LSTM mengaruskan untuk array 3 dimensi berupa (number of samples, number of time
steps, number of features). Data yang dimiliki masih berbentuk 2 dimensi, jadi harus dilakukan
reshaping kemudian data akan dilakukan prediksi. Setelah hasil prediksi didapatkan akan
diterapkan fungsi inverse untuk membalikkan harga seperti semula. Hasil prediksi ditunjukkan
pada gambar 4.27.

1. # Convert the data to numpy array

2. x_test = np.array(x_test)
3.
4. # Reshape the dataset
5. # LSTM network expect to be 3 dimentional input
6. # Shape:(number of samples, number of time steps, number of
7. feature)
8. x_test = np.reshapee(x_test, (x_test.shape[0], x_test.shape[1],
9. 1))
10. x_test.shape
11.
12. # Predict the LSTM model
13. lstm_prediction = model.predict(x_test)
14. # inverse the scaling data
15. lstm_prediction = scaler.inverse_transform(lstm_prediction)

Gambar 4.26 Proses prediksi

 54

Gambar 4.27 Hasil prediksi dari model LSTM

4.1.3 Linear Regression dan Decision Tree Regression

Berikut adalah implementasi pada kode program menggunakan bahasa pemrograman
Python dari flowchart gambar 3.4 algoritma Linear Regression dan Decision Tree Regression.

Import Library yang Dibutuhkan

Gambar 4.28 mendefinisikan library yang digunakan. Terlebih dahulu melakukan import
library dan package yang dibutuhkan yang nantinya akan digunakan pada pemrosesan
algoritma Linear Regression dan Decision Tree Regression yang telah disediakan oleh library
Scikit-Learn (sklearn).

1. # Import libraries
2. import math
3. import numpy as np
4. import pandas as pd
5. import pandas_datareader as web
6. from sklearn import metrics
7. from sklearn.tree import DecisionTreeRegressor
8. from sklearn.linear_model import LinearRegression
9. from sklearn.model_selection import train_test_split
10. import matplotlib.pyplot as plt
11. plt.style.use(‘fivethirtyeight’)

Gambar 4.28 Import library

 55

Mendapatkan Data Saham

Gambar 4.29 mendefinisikan fungsi untuk mendapatkan data saham Netflix (NFLX)
memanfaatkan library pandas data reader pada baris kode ke 2. Dengan memasukkan kode
ticker dari saham, sumber data, rentang data dari awal hingga akhir. Kemudian ditampilkan
data saham yang sudah didapatkan, data memiliki 1613 baris dan 6 kolom bertipe pandas data
frame seperti ditunjukkan pada gambar 4.30.

1. # Get the stock data

2. Nflx_daily = web.DataReader(‘NFLX’, data_source = ‘yahoo’, start
3. = ‘2015-01-01’, end = ‘2021-05-31’
4.
5. # Show the stock data
6. Print(nflx_daily.head())
7. Print(nflx_daily.tail())

Gambar 4.29 Mendapatkan data saham

Gambar 4.30 Data saham NFLX

Exploratory Data Analysis (EDA) dan Visualisasi Data

Gambar 4.31 mendefinisikan fungsi untuk melakukan proses Exploratory Data Analysis
(EDA). Karena data yang digunakan sudah tersusun dengan rapi dan baik maka proses EDA
tidak terlalu banyak dilakukan. Dengan proses EDA didapatkan beberapa insight bahwa jumlah
baris data 1613 dengan 6 kolom dan date menjadi indeks data tersebut. Kemudian tipe data
adalah float64 dan tidak terdapat data yang kosong ditunjukkan pada gambar 4.32. Kemudian
 56

data divisualisasikan dilakukan untuk mengetahui bagaimana data ditampilkan pada line chart
dengan menggunakan kolom harga close seperti pada gambar 4.33.

1. # Exploratory data analysis

2. print(nflx_daily.shape)
3. print(nflx_daily.info())
4. print(nflx_daily.isnull())
5.
6. # Visualize the close price
7. plt.figure(figsize = (20, 10))
8. plt.plot(nflx_daily[‘Close’])
9. plt.title(‘NFLX Stock Closing Price’, fontsize - 24)
10. plt.xlabel(‘Days’)
11. plt.ylabel(‘Close Price $USD’)
12. plt.show()

Gambar 4.31 Exploratory Data Analysis (EDA) pada data saham

Gambar 4.32 Hasil Exploratory Data Analysis

 57

Gambar 4.33 Visualisasi harga close

Mengambil Kolom Close

Gambar 4.34 mendefinisikan fungsi untuk mengambil kolom close pada dataframe
nflx_daily. Hanya kolom close saja yang akan digunakan pada penelitian ini.

1. # Get only the close price

2. nflx_daily = nflx_daily[[‘Close’]]
3. nflx_daily.head()

Gambar 4.34 Mengambil kolom close

Membuat Variabel Future Days dan Kolom Prediction

Gambar 4.35 mendefinisikan variabel baru bernama future_days dengan nilai 60 yang
merupakan berapa lama hari yang akan diprediksi nantinya pada baris kode ke 2. Kemudian
terdapat fungsi untuk membuat kolom baru bernama Prediction yang nilainya diambil dari
kolom close pada dataframe nflx_daily. Kolom Prediction nilainya dikenakan fungsi shift
sejumlah nilai dari variabel future_days, hasilnya ditunjukkan pada gambar 4.36.
 58

1. # Create a variable to predict “x” days out into the future

2. future_days = 60
3.
4. # Create a new column (as a target) and shifted “x” days up
5. nflx_daily[‘Prediction’] = nflx_daily[[‘Close’]]
6. .shift(-future-days)
7. print(nflx_daily.head())
8. print(nflx_daily.tail())

Gambar 4.35 Membuat variabel future days dan kolom prediction

Gambar 4.36 Kolom baru Prediction

Membuat Variabel Independent dan Variabel Dependent

Gambar 4.37 mendefinisikan fungsi untuk membuat variabel baru yang bertipe array
bernama X (independent) dan y (dependent) diambil dari dataframe nflx_daily yang
didefinisikan pada baris kode ke 3 dan 4.

1. # Create the independent variable (X)

2. # Convert to a numpy array and remove the last “x” days
3. x = np.array(nflx_daily.drop([‘Prediction’], 1))[:-future_days]
4. y = np.array(nflx_daily[‘Prediction’])[:-future_days]
5. print(X)
6. print(y)

Gambar 4.37 Membuat variabel independent dan dependent

 59

Fungsi Split Dataset

Gambar 4.38 mendefinisikan fungsi untuk split dataset menjadi data training dan data
testing dengan perbandingan 75% berbanding 25%, data dikenakan fungsi random_state agar
data tidak mengalami pengacakan dan tetap runtut yang didefinisikan pada baris kode ke 2.
Setelah dilakukan split, akan dicek dimensi dari data dengan hasil (1164, 1) data training, (389,
1) data testing.

1. # Split the dataset into 75% training and 25Z% testing

2. x_train, x_test, y_train, y_test = train_test_split(X, y,
3. test_size = 0.25, random_state = 0)
4.
5. # Check the shapes
6. print(“shape of x_train :”, x_train.shape)
7. print(“shape of y_train :”, y_train.shape)
8. print(“shape of x_test :”, x_test.shape)
9. print(“shape of y_test :”, y_test.shape)

Gambar 4.38 Membagi dataset menjadi data training dan testing

Proses Training
Gambar 4.39 mendefinisikan fungsi untuk memanggil kedua model yang memanfaatkan
library dari sklearn.linar_model pada baris kode ke 3 dan sklearn_tree pada baris kode ke 6.
Pada parameter yang tersedia, tinggal memasukkan data x_train dan y_train, dan proses
training model akan dilakukan.

1. # Create the model

2. # Create the Linear Regression model
3. lr = LinearRegression().fit(x_train, y_train)
4.
5. # Create the Decision Tree Regression
6. tree = DecisionTreeRegressor().fit(x_train, y_train)

Gambar 4.39 Pembuatan model dan proses training

 60

Membuat Variabel X Future

Gambar 4.40 mendefinisikan fungsi untuk membuat variabel baru yaitu x_future yang
berisikan nilai dari kolom close pada data frame nflx_daily yang hanya diambil sebanyak
jumlah future_days dimulai dari data paling bawah.

1. # Get the last “x” rows of the independent variable

2. X_future = nflx_daily.drop([‘Prediction’], 1)[:-future_days]
3. X_future = x_future.tail(future_days)
4. X_future = np.array(x_future)
5. X_future

Gambar 4.40 Membuat variabel x_future

Proses Prediksi
Gambar 4.41 mendefinisikan fungsi untuk melakukan proses prediksi pada kedua model
memanfaatkan library dari sklearn.linar_model pada baris kode ke 2 dan sklearn_tree pada
baris kode ke 6. Pada parameter yang tersedia, tinggal memasukkan data x_test dan y_test, dan
proses prediksi model akan dilakukan. Hasil dari prediksi kedua model ditunjukkan pada
gambar 4.42, array yang bagian atas merupakan hasil prediksi model Decision Tree Regression
dan yang bawah merupakan hasil prediksi model Linear Regression.

1. # Show the Linear Regression model prediction

2. lr_prediction = lr.predict(x_future)
3. print(lr_prediction)
4.
5. # Show the Decision Tree Regression prediction
6. tree_prediction = tree.predict(x_future)
7. print(tree_prediction)

Gambar 4.41 Proses prediksi

 61

Gambar 4.42 Hasil prediksi dari kedua model

4.2 Visualisasi
Berikut adalah hasil visualisasi dari hasil prediksi yang telah dilakukan sebelumnya pada
masing-masing algoritma.

4.2.1 Temporal Convolutional Network (TCN)

Setelah melakukan prediksi dengan model yang telah dibangun, kemudian
memvisualisasikan hasilnya, untuk mengetahu tren harga yang diprediksi dengan tren aktual.
Gambar 4.43 mendefinisikan fungsi untuk memvisualisasikan hasil prediksi.
 62

1. # Plot the data

2. valid[‘Prediction’] = backtest
3.
4. # Visualize the prediction
5. plt.figure(figsize = (20, 20))
6. plt.plot(train[‘Close’])
7. plt.plot(valid[‘Close’, ‘Predictions’])
8. plt.title(‘TCN Model - NFLX Closing Price Prediction’)
9. plt.xlabel(‘Date’, fontsize = 10)
10. plt.ylabel(‘Close Price $USD’, fontsize = 10)
11. plt.legend([‘Train’, ‘Validation’, ‘Predictions’], loc = ‘best’,
12. fontsize = 24)
13. plt.show()

Gambar 4.43 Fungsi untuk menampilkan visualisasi model LSTM

Berikut adalah visualisasi dari prediksi yang dilakukan menggunakan algoritma TCN
selama 60 hari. Gambar 4.44 dan 4.45 menujukkan hasil visulalisasi. Dapat dilihat pada
visualisasi yang dihasilkan oleh hasil prediksi model TCN menunjukkan tren yang terjadi
mampu mengikuti tren aktualnya. Selisih harga antara harga aktual dengan harga prediksi
cukup kecil.

Gambar 4.44 Visualisasi prediksi model TCN secara keseluruhan

 63

Gambar 4.45 Visualisasi prediksi model TCN secara mendetail

4.2.2 Long Short Term Memory (LSTM)

Setelah melakukan prediksi dengan model yang telah dibangun, kemudian
memvisualisasikan hasilnya, untuk mengetahu tren harga yang diprediksi dengan tren aktual.
Gambar 4.46 mendefinisikan fungsi untuk memvisualisasikan hasil prediksi.

1. # Plot the data

2. train = df[:training_data_len]
3. valid = df[training_data_len:]
4. valid[‘Predictions’] = lstm_prediction
5.
6. # Visualize the prediction
7. plt.figure(figsize = (20, 20))
8. plt.plot(train[‘Close’])
9. plt.plot(valid[‘Close’, ‘Predictions’])
10. plt.title(‘LSTM Model - NFLX Closing Price Prediction’)
11. plt.xlabel(‘Date’, fontsize = 10)
12. plt.ylabel(‘Close Price $USD’, fontsize = 10)
13. plt.legend([‘Train’, ‘Validation’, ‘Predictions’], loc = ‘best’,
14. fontsize = 24)
15. plt.show()
Gambar 4.46 Fungsi untuk menampilkan visualisasi model LSTM
 64

Berikut adalah visualisasi dari prediksi yang dilakukan menggunakan algoritma LSTM
selama 60 hari. Gambar 4.47 dan 4.48 menujukkan hasil visulalisasi. Dapat dilihat pada
visualisasi yang dihasilkan oleh hasil prediksi model LSTM menunjukkan tren yang terjadi
mampu mengikuti tren aktualnya. Selisih harga antara harga aktual dengan harga prediksi tidak
terlalu jauh.

Gambar 4.47 Visualisasi prediksi model LSTM secara keseluruhan

Gambar 4.48 Visualisasi prediksi model LSTM secara mendetail

4.2.3 Linear Regression dan Decision Tree Regression

Setelah melakukan prediksi dengan model yang telah dibangun, kemudian
memvisualisasikan hasilnya, untuk mengetahui tren harga yang diprediksi dengan tren aktual.
Gambar 4.49 dan Gambar 4.52 mendefinisikan fungsi untuk memvisualisasikan hasil prediksi.
 65

1. # Plot the data

2. valid = nflx_daily[X.shape[0]:]
3. valid[‘Predictions’] = lr_prediction
4.
5. # Visualize the prediction
6. Plt.figure(figsize = (20, 20))
7. plt.plot(train[‘Close’])
8. plt.plot(valid[‘Close’, ‘Predictions’])
9. plt.title(‘LSTM Model - NFLX Closing Price Prediction’)
10. plt.xlabel(‘Date’, fontsize = 10)
11. plt.ylabel(‘Close Price $USD’, fontsize = 10)
12. plt.legend([‘Train’, ‘Validation’, ‘Predictions’], loc = ‘best’,
13. fontsize = 24)
14. plt.show()

Gambar 4.49 Fungsi untuk menampilkan visualisasi model Linear Regression

Berikut adalah visualisasi dari prediksi yang dilakukan menggunakan algoritma Linear
Linear Regression selama 60 hari. Gambar 4.50 dan 4.51 menunjukkan hasil visulalisasi. Dapat

dilihat pada visualisasi yang dihasilkan oleh hasil prediksi model Linear Regression
menunjukkan tren yang terjadi tidak mampu mengikuti tren aktualnya. Selisih harga antara
harga actual dengan harga prediksi terlalu jauh. Hal ini dapat dikategorikan sebagai
underfitting, karena model tidak dapat menangkap pola yang terjadi dengan baik sehingga hasil
prediksi mendapatkan akurasi yang rendah. Tren yang diprediksi juga berkebalikan dengan
tren aktualnya, tren yang diprediksi mengalami kenaikan harga sedangkan tren aktualnya
cenderung mengalami penurunan harga.
 66

Gambar 4.50 Visualisasi prediksi model Linear Regression secara keseluruhan

Gambar 4.51 Visualisasi prediksi model Linear Regression secara mendetail

 67

1. # Plot the data

2. valid = nflx_daily[X.shape[0]:]
3. Valid[‘Predictions’] = tree_prediction
4.
5. # Visualize the prediction
6. Plt.figure(figsize = (20, 20))
7. Plt.plot(train[‘Close’])
8. Plt.plot(valid[‘Close’, ‘Predictions’])
9. Plt.title(‘LSTM Model - NFLX Closing Price Prediction’)
10. Plt.xlabel(‘Date’, fontsize = 10)
11. Plt.ylabel(‘Close Price $USD’, fontsize = 10)
12. Plt.legend([‘Train’, ‘Validation’, ‘Predictions’], loc = ‘best’,
13. fontsize = 24)
14. Plt.show()

Gambar 4.52 Fungsi untuk menampilkan visualisasi model Decision Tree Regression

Gambar 4.53 Visualisasi prediksi model Decision Tree Regression secara keseluruhan
 68

Gambar 4.54 Visualisasi prediksi model Decision Tree Regression secara mendetail

Berikut adalah visualisasi dari prediksi yang dilakukan menggunakan algoritma Decision
Tree Regression selama 60 hari. Gambar 4.53 dan 4.54 menujukkan hasil visulalisasi. Dapat
dilihat pada visualisasi yang dihasilkan oleh hasil prediksi model Decision Tree Regression
menunjukkan tren yang terjadi mampu mengikuti tren aktualnya. Selisih harga antara harga
aktual dengan harga prediksi sangat dekat, namun pada beberapa titik harga prediksi
mengalami lonjakan yang tajam. Hal ini dapat dikategorikan sebagai overfitting, karena model
terlalu fokus pada data training sehingga jika memprediksi data lain akan mendapatkan akurasi
yang rendah. Tren yang diprediksi terlalu mirip dengan tren aktualnya.

4.3 Evaluasi
Setelah melakukan prediksi dengan model yang telah dibangun dan memvisualisasikan
hasilnya, selanjutnya adalah melakukan perhitungan menggunakan matrik error yang terjadi
antara hasil prediksi dengna harga aktual. Gambar 4.55 mendefinisikan fungsi untuk
menghitung matrik.
 69

1. # TCN Model evaluation

2. Print(“TCN Metric”)
3. Print(“Mean Absolute Error: ”, metrics.mean_absolute_error(
4. val, backtest))
5. Print(“Mean Squared Error:”, metrics.mean_squared_error(
6. val, backtest))
7. Print(“Root Mean Squared Error:”, np.sqrt(metrics.
8. mean_squared_error(val, backtest)))
9.
10. # LSTM Model evaluation
11. Print(“TCN Metric”)
12. Print(“Mean Absolute Error: ”, metrics.mean_absolute_error(
13. Y_test, lstm_prediction))
14. Print(“Mean Squared Error:”, metrics.mean_squared_error(
15. Y_test, lstm_prediction))
16. Print(“Root Mean Squared Error:”, np.sqrt(metrics.
17. mean_squared_error(Y_test, lstm_prediction)))
18.
19. # Linear Regression Model evaluation
20. Print(“TCN Metric”)
21. Print(“Mean Absolute Error: ”, metrics.mean_absolute_error(
22. X_future, lr_prediction))
23. Print(“Mean Squared Error:”, metrics.mean_squared_error(
24. X_future, lr_prediction))
25. Print(“Root Mean Squared Error:”, np.sqrt(metrics.
26. mean_squared_error(x_future, lr_prediction)))
27.
28. # Decision Tree Regression Model evaluation
29. Print(“TCN Metric”)
30. Print(“Mean Absolute Error: ”, metrics.mean_absolute_error(
31. X_future, tree_prediction))
32. Print(“Mean Squared Error:”, metrics.mean_squared_error(
33. X_future, tree_prediction))
34. Print(“Root Mean Squared Error:”, np.sqrt(metrics.
35. mean_squared_error(x_future, tree_prediction)))

Gambar 4.55 Fungsi untuk menghitung matrik error

 70

Tabel 4.1 Perbandingan Matrik

Linear Decision Tree
Matrik TCN LSTM
Regression Regression
MAE 9.865 10.710 11.894 30.868
MSE 98.318 117.391 141.765 1345.383
RMSE 9.890 10.843 11.906 36.679

Berdasarkan hasil prediksi yang sudah didapatkan, dan nilai matrik error yang terdapat
pada tabel 4.1, implementasi dari model Temporal Convolutional Network (TCN) memiliki
performa yang dapat mengungguli algoritma-algoritma pembanding lainnya. Dengan nilai
RMSE 9.890 yang merupakan nilai paling rendah. Kemudian performa dari TCN dapat diikuti
oleh algoritma yang cukup populer digunakan pada yaitu Long Short Term Memory (LSTM)
yang memiliki selisih nilai RMSE sangat kecil yaitu 10.843 dengan nilai RMSE TCN.
Sedangkan untuk algoritama yang tidak dikhususkan untuk mengolah data time series hasil
yang didapatkan sangat buruk. Namun, untuk algoritma Linear Regression sendiri
mendapatkan nilai RMSE yang cukup rendah yaitu 11.906, sedangkan algoritma Decision Tree
Regression mendapatkan nilai RMSE yang paling buruk yaitu 36.679. Proses dilatasi yang
dilakukan oleh algoritma TCN dapat mengenali data yang jauh di masa lalu, sehingga model
dapat mengenali pola dari data lebih baik dan tidak tergantung dengan data jangka pendek saja.
Walaupun hasil yang didapatkan TCN pada penelitian ini tidak terlalu signifikan dibandingkan
dengan LSTM.
Sedangkan jika performa model algoritma dilihat dari sisi visualisai, prediksi yang
dihasilkan algoritma TCN dan LSTM mampu memberikan prediksi tren yang dapat mengikuti
tren aktualnya dan memiliki selisih harga yang tidak terlalu besat. Untuk algoritma Linear
Regression, hasil prediksi tren yang didapatkan berkebalikan dengan tren aktualnya sehingga
dapat dikatakan model tersebut mengalami underfitting karena tidak dapat mengenali pola-pola
dengan baik. Sedangkan pada algoritma Decision Tree Regression, hasil prediksi tren yang
didapatkan terlalu mirip dengan tren aktualnya atau biasa disebut prediksinya mengalami
overfitting. Model tersebut terlalu terpaku pada data yang digunakan untuk proses training
sehingga model tidak dapat memprediksi dengan baik pada data baru yang diberikan.
 71

BAB V
PENUTUP

5.1 Kesimpulan
Pada penelitian ini dapat diperoleh kesimpulan sebagai berikut:
a. Algoritma Temporal Convolutional Network (TCN) dapat diterapkan untuk proses
prediksi tren pergerakan harga saham dan algoritma Long Short Term Memory (LSTM)
juga dapat mengikuti performa dari algoritma TCN.
b. Algoritma TCN dapat dibangun menggunakan library Darts yang khusus
dikembangkan untuk mengolah data time series dan terdapat modul algoritma TCN,
kemudian dilakukan proses hyperparameter tuning disesuaikan dengan data yang
diolah.
c. Baik TCN maupun LSTM memiliki nilai error yang cukup kecil, yaitu dengan nilai
RMSE TCN adalah 9.890 dan RMSE LSTM adalah 10.843. Sedangkan untuk algoritma
Linear Regression dan Decision Tree Regression memiliki nilai error yang cukup besar
yaitu 11.906 dan 36.679, walaupun nilai RMSE Linear Regression dapat dikatakan
mendekati nilai dari TCN dan LSTM. Nilai RMSE. Sehingga algoritma yang tidak
dikembangkan untuk mengolah data time series tidak cocok diterapkan untuk prediksi
tren pergerakan harga saham.
d. Visualisasi yang dihasilkan oleh algoritma TCN dan LSTM mampu mengikuti tren
harga saham yang terjadi, dengan selisih harga yang cukup kecil.
e. Algoritma TCN dan LSTM dapat dimanfaatkan untuk membantu investor dalam
memprediksi tren pergerakan harga saham pada bursa saham, namun tidak serta merta
digunakan begitu saja. Harus digunakan oleh profesional dan memiliki penetahuan
tentang dunia investasi saham dengan baik serta siap menerima resiko yang akan
ditanggung.

5.2 Saran
Setalah didapatkan kesimpulan dari penelitian yang dilakukan, penelitian ini amsih
terdapat banyak kekurangan yang harus diperbaiki kedepannya untuk dapat memberikan hasil
yang lebih optimal dan bermanfaat. Berikut adalah saran yang dapat dipertimbangkan untuk
pengembangan penelitian selanjutnya:
 72

a. Data saham yang digunakan tidak hanya satu emiten saja, diharapkan model algoritma
dapat diterapkan diberbagai emiten saham atau saham-saham dalam suatu indeks dan
sektor saham tertentu.
b. Melakukan eksplorasi yang lebih mendalam pada algoritma yang digunakan, mencoba
menggunakan berbagai kemungkinan konfigurasi pada algoritma tersebut untuk
mendapatkan hasil yang lebih maksimal.
c. Diharapkan model algoritma yang sudah dibangun dapat diintegrasikan pada platform
jual beli saham yang digunakan oleh investor.
 73

DAFTAR PUSTAKA

Agusta Nanda, R., Rizal, S., & Yuswaliani, S. (2016). Analisis Fundamental dan Analisis
Teknikal. https://www.academia.edu/32854302/Analisis_fundamental
Ahmar, A. S. (2018). Sutte indicator: An Approach to Predict the Direction of Stock Market
Movements. Songklanakarin Journal of Science and Technology, 40(5), 1228-1231.
https://doi.org/10.14456/sjst-psu.2018.150
axa.co.id. (2019). Awal Mula Sejarah Platform Streaming Netflix yang Perlu Kamu Ketahui!
https://portal.axa.co.id/direct/Tips/Detail/awal-mula-sejarah-netflix-yang-perlu-kamu-
ketahui
Bai, S., Kolter, J. Z., & Koltun, V. (2018). An Empirical Evaluation of Generic Convolutional
and Recurrent Networks for Sequence Modeling. http://arxiv.org/abs/1803.01271
BEI. (n.d.). Bursa Efek Indonesia. https://www.idx.co.id/produk/saham/
CNBC Indonesia. (2021, June 29). Jumlah Investor Pasar Modal RI.
https://www.cnbcindonesia.com/market/20210629153854-17-256818/naik-56-jumlah-
investor-pasar-modal-ri-mencapai-388-juta
Dicoding. (2020). Apa Itu Kecerdasan Buatan? Berikut Pengertian dan Contohnya.
https://www.dicoding.com/blog/kecerdasan-buatan-adalah/
Filbert, R. (2020a). Investasi Saham Ala Swing Trader Dunia (H. Yulianto, Ed.; Cetakan
Keempat belas). Elex Media Komputindo.
Filbert, R. (2020b). Investasi Saham Ala Swing Trader Dunia (H. Yulianto, Ed.; 14th ed.). Elex
Media Komputindo.
Hafizah, N., Noviani, E., & Perdana INTISARI, H. (2019). Analisis Teknikal Saham Lq-45
Menggunakan Indikator Bollinger Bands. Buletin Ilmiah Math. Stat. dan Terapannya
(Bimaster) (Vol. 08, Issue 4).
Ika Ramadhani, P. (2020, July 2). S&P 500 dan Nasdaq Menguat Didorong Perkembangan
Positif Vaksin Corona. https://www.liputan6.com/saham/read/4294060/sampp-500-dan-
nasdaq-menguat-didorong-perkembangan-positif-vaksin-corona
investasi.kontan.co.id. (2021, March). Sampai Maret 2021, BEI Catat Kenaikan Jumlah
Investor Sebesar 27%. https://investasi.kontan.co.id/news/sampai-maret-2021-bei-catat-
kenaikan-jumlah-investor-sebesar-27
Jati Lantang M, N. (2020). Perbandingan Antara SVM dan CNN Untuk Mendeteksi Objek
Kapal Pada Citra Satelit.
 74

Karno, A. S. B. (2020). Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar
LSTM (Long ShortTerm Memory). Journal of Informatic and Information Security, 1(1).
https://doi.org/10.31599/jiforty.v1i1.133
Kim, T., & Kim, H. Y. (2019). Forecasting stock prices with a feature fusion LSTM-CNN
model using different representations of the same data. PLoS ONE, 14(2).
https://doi.org/10.1371/journal.pone.0212320
Kusumodestoni, R. H., & Sarwido, S. (2017). Komparasi Model Support Vector Machines
(SVM) dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga
Saham. Jurnal Informatika Upgris, 3(1). https://doi.org/10.26877/jiu.v3i1.1536
Lässig, F. (2020, October 28). Temporal Convolutional Networks and Forecasting.
https://medium.com/unit8-machine-learning-publication/temporal-convolutional-
networks-and-forecasting-5ce1b6e97ce4
Lestari, W. R., & Pranyoto, D. E. (2015). Faktor Psikologi yang Membentuk Perilaku
Keuangan (Behavioral Finance) Investor dalam Transaksi Saham pada Pasar Modal di
Lampung Psychological Factors Shaping the Behavior of Finance (Behavioral Finance)
Investor Shares in the Capital Market Transactions in Lampung. Winda Rika Lestari dan
Edi Pranyotol (Vol. 5, Issue 1).
Liu, Y., Dong, H., Xingmei, W., & Han, S. (2019). Time Series Prediction Based on Temporal
Convolutional Network. 2019 IEEE/ACIS 18th International Conference on Computer
and Information Science (ICIS), 300-305.
Mehtab, S., Sen, J., & Dutta, A. (n.d.). Stock Price Prediction Using Machine Learning and
LSTM-Based Deep Learning Models End-to-End Connectivity Management in
Heterogeneous Wireless Networks View project Forecasting of Tourist Inflow for
Infrastructure and Logistics Planning View project Sidra Mehtab NSHM Knowledge
Campus Stock Price Prediction Using Machine Learning and LSTM-Based Deep
Learning Models. https://www.researchgate.net/publication/344324240
money.kompas.com. (2021). Jumlah Pelanggan Melonjak di Tengah Pandemi, Netflix Raup
Pendapatan Mencapai Rp 350 Triliun pada akhir tahun 2020 ini.
https://money.kompas.com/read/2021/01/20/165327826/jumlah-pelanggan-melonjak-di-
tengah-pandemi-netflix-raup-pendapatan-rp-350
Nurhikmat, T. (2018). Implementasi Deep Learning Untuk Image Classification Menggunakan
Algoritma Convolutional Neural Network (CNN) pada Citra Wayang Golek.
 75

https://dspace.uii.ac.id/bitstream/handle/123456789/7843/TUGAS%20AKHIR_TRIAN
O%20NURHIKMAT_14611209_STATISTIKA_UII.pdf?sequence=1&isAllowed=y
Olah, C. (2015, August 27). Github Repository Understanding LSTM Networks.
https://colah.github.io/posts/2015-08-Understanding-LSTMs/
Pham, D. T., & Pham, P. T. N. (1999). Artificial Intelligence in Engineering. International
Journal of Machine Tools and Manufacture, 39(6). https://doi.org/10.1016/S0890-
6955(98)00076-5
Pramudya, R., & Pramudya, R. (2020). Technical Analysis to Determine Buying and Selling
Signal in Stock Trade. International Journal of Finance & Banking Studies (2147-4486),
9(1), 58-67. https://doi.org/10.20525/ijfbs.v9i1.666
R Tristia, R. (2019, October 30). Psikologi Trading dan Pengendalian Emosi untuk Trader.
https://id.catinstitute.org/market-story/read/psikologi-trading
Rich, E., Knight, K., & B Nair, S. (2019). Artificial Intelligence (3rd ed.). The McGrow Hill.
Roziq, M. (2021). Mengenal Apa itu AI (Artificial Intelligence)? Berikut Tipe, Bentuk dan
Penerapannya dalam Kehidupan. https://caraguna.com/apa-itu-ai-artificial-intelligence-
berikut-tipe-bentuk-dan-penerapannya-dalam-kehidupan/
Sekar. (2020, July 31). Mengenal Jenis-Jenis Chart Saham Demi Keuntungan.
https://ajaib.co.id/mengenal-jenis-jenis-chart-saham/
tradingview.com. (2021). Netflix,Inc. (NFLX) Stock.
https://id.tradingview.com/chart/?symbol=FX_IDC:USDIDR&source=unauth_header&f
eature=launch_chart
Tri Retno, I. (2021, March 4). Mengenal tentang Tren Sideways atau Konsolidasi.
https://www.finansialku.com/sideways/
Wan, R., Mei, S., Wang, J., Liu, M., & Yang, F. (2019). Multivariate Temporal Convolutional
Network: A Deep Neural Networks Approach for Multivariate Time Series Forecasting.
Electronics (Switzerland), 8(8). https://doi.org/10.3390/electronics8080876
Wang, X., Wang, Y., Weng, B., & Vinel, A. (2020). Stock2Vec: A Hybrid Deep Learning
Framework for Stock Market Prediction with Representation Learning and Temporal
Convolutional Network. http://arxiv.org/abs/2010.01197
Wayan, D. (2018, February 6). Memahami Kecerdasan Buatan berupa Deep Learning dan
Machine Learning. https://warstek.com/deepmachinelearning/
 76

Zainuddin, Z., & Hartono, J. (1999). Manfaat Rasio Keuangan dalam Memprediksi
Pertumbuhan Laba: Suatu Studi Empiris pada Perusahaan Perbankan yang Terdaftar di
Bursa Efek Jakarta. 2(1), 66-90.
Zayini Anwar, M., & Habibi, S. (n.d.). Analisis Prediksi Performasi Arah Pergerakan Saham
Apple (APPL) Menggukan Metode Recurrent Neural Networks/Long Short Term Memory
Networks (RNN/LSTM).
LAMPIRAN