peramalan nilai indeks menggunakan recurrent neural network dengan extended kalman filter

ABSTRAK
Aset aset finansial seperti saham, valuta asing, dan indeks telah menjadi daya tarik minat investor untuk mempercayakan investasinya pada bidang ini. Berbeda dengan saham dan valuta asing, indeks merupakan indikator pergerakan harga dari seluruh saham yang diwakilinya. Proyek akhir ini merupakan aplikasi peramalan nilai indeks dengan permodelan data inputan berupa close price indeks dari American Stock Exchange (AMEX) seperti indeks Nasdaq, Dow Jones, serta indeks-indeks Asia seperti Nikkei, Hangseng, dan Kospi. Peramalan time series menggunakan algoritma jaringan recurrent neural network dengan optimasi training algoritma Extended Kalman Filter (EKF) dalam arsitektur Elman’s RNN. Algoritma EKF merupakan teknik optimasi fast learning yang melakukan konvergensi bobot bobot dalam setiap koneksi network tiap nodenya dengan cepat dimana menggunakan algoritma BPTT sebagai pembandingnya. Parameter pembanding untuk memperoleh peramalan yang optimal dalam proyek akhir ini digunakan pengujian pada banyaknya data, jumlah neuron serta error yang dihasilkan pada iterasi yang berbeda beda. Model peramalan menghasilkan rata-rata MSE(Mean Square Error) Forecasting hingga 47,52% lebih kecil dari algoritma pembandingnya, meski dengan runtime 53,64% lebih lama. Aplikasi RNN-EKF diharapkan membantu dalam hal analisa teknikal bagi kebijakan investor.
Kata Kunci : American Stock Exchange, Recurrent Neural Network, Extended Kalman Filter, Elman’s RNN, MSE Training, MSE Forecasting.