Eksplorasi Konfigurasi Hidden Layer: Studi Pola Persebaran Paling Optimal Pada Prediksi Pasar Saham
DOI:
10.47709/digitech.v4i2.5033Keywords:
AI, ANN, NN, Saham, Prediksi, Machine LearningDimension Badge Record
Abstract
Penelitian ini bertujuan untuk mengeksplorasi konfigurasi hidden layer khususnya pada pola distribusi neuron yang paling optimal dalam model ANN untuk melakukan analisis pasar saham seperti prediksi harga adjustment close dari saham. Pendekatan yang digunakan pada penelitian ini adalah kuantitatif dengan membuat model dengan 3 jenis variasi pola uniform, increasing, dan decreasing untuk nantinya dinilai kinerjanya menggunakan perhitungan MSE pada Training Loss dan Validation Loss, MAPE, dan RMSE lalu dihitung berdasarkan besaran bobot nilai yaitu 15% Training Loss, 20% RMSE, 30% MAPE dan 35% Validation Loss. Terdapat 7 model yang dibuat pada penelitian ini yaitu 3 model pola uniform, 2 model pola increasing, dan 2 model pola decreasing. Hasil penelitian yang didapat yaitu model yang memiliki kinerja paling optimal adalah model 2 yang polanya adalah uniform. Temuan lain adalah pola uniform memiliki rata-rata kinerja model paling baik dibandingkan pola increasing dan decreasing untuk prediksi saham. Pola uniform menunjukkan nilai Training Loss dan Validation Loss yang lebih rendah mengindikasikan bahwa model mampu belajar dan menggeneralisasi data baru dengan baik serta nilai MAPE dan RMSE yang rendah mengindikasikan kesalahan prediksi dari model yang rendah dibandingkan kedua pola lainnya. Penelitian ini memberikan kontribusi terhadap pengembangan konfigurasi hidden layer pada ANN terutama pada pola distribusi neuronnya untuk menentukan pola yang paling optimal pada model. Dengan demikian, temuan ini bisa menjadi dasar dalam pengembangan model ANN untuk analisis saham yang lebih efisien
Abstract viewed = 33 times