PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN
JARINGAN SYARAF TIRUAN METODE
EXTREME
LEARNING MACHINE
SKRIPSI
MUHAMMAD SAFIQ UBAY
PROGRAM STUDI S-1 MATEMATIKA
DEPARTEMEN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2012
ii
PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN
SYARAF TIRUAN METODE
EXTREME LEARNING MACHINE
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh
Gelar Sarjana Sains Bidang Matematika
Pada Fakultas Sains dan Teknologi
Universitas Airlangga
Disetujui Oleh :
Pembimbing I
Auli Damayanti, S.Si., M.Si.
NIP . 19751107 200312 2 004
Pembimbing II
Dr. Herry Suprajitno, M.Si
NIP. 19680404 199403 1 020
LEMBAR PENGESAHAN NASKAH SKRIPSI
Judul
: Peramalan Harga Saham Dengan Menggunakan Jaringan
Syaraf Tiruan Metode
Extreme Learning Machine
Penyusun
: Muhammad Safiq Ubay
Nomor Induk : 080810502
Tanggal Ujian : 27 Juli 2012
Disetujui Oleh :
Pembimbing I
Auli Damayanti, S.Si., M.Si.
NIP . 19751107 200312 2 004
Pembimbing II
Dr. Herry Suprajitno, M.Si
NIP. 19680404 199403 1 020
Mengetahui :
Ketua Program Studi S-1 Matematika
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Dr. Miswanto, M.Si
NIP. 19680204 199303 1 002
iv
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seijin penulis dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik
Universitas Airlangga.
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh.
Alhamdulillahirabbilalamin, rasa syukur kehadirat Allah SWT, yang telah
melimpahkan rahmat dan hidayah-Nya kepada seluruh umat. Terima kasih ya Rabb,
yang selalu membimbing dan memberi petunjuk sehingga penulis dapat
menyelesaikan skripsi dengan judul “
Peramalan Harga Saham Dengan
Menggunakan Jaringan Syaraf Tiruan Metode
Extreme Learning Machine
”.
Dalam penyusunan skripsi, penulis memperoleh banyak bantuan dan
dukungan dari berbagai pihak, sehingga penulis menyampaikan ucapan terima
kasih yang sebesar-besarnya kepada :
1.
Kedua orang tuaku tercinta, Asrori dan Umi Kulsum, dua kakak, Firman dan
Kholis serta adik tercinta Yeni yang telah banyak memberikan dukungan dalam
penyusunan skripsi serta selama menjadi mahasiswa.
2.
Dr. Miswanto, M.Si selaku Kepala Departemen dan Kaprodi Matematika
Fakultas Sains dan Teknologi Universitas Airlangga.
3.
Auli Damayanti, S.Si., M.Si. selaku dosen pembimbing I yang telah memberikan
banyak arahan, masukan, perhatian, tenaga, pikiran, rasa sabar yang begitu besar
dan pengetahuan yang tidak ternilai harganya.
4.
Dr. Herry Suprajitno, S.Si., M.Si. selaku dosen pembimbing II yang telah
memberikan banyak masukan, baik dari segi penulisan maupun isi dari skripsi.
5.
Inna Kuswandari, Dra, M.Si. selaku dosen wali selama menjadi mahasiswa
Fakultas Sains dan Teknologi Universitas Airlangga yang telah banyak
memberikan arahan dan saran demi kesuksesan menjadi mahasiswa.
6.
I Putu selaku “Master Suhu” Java Programing yang telah banyak membantu
selama pengkodean program.
7.
Teman-teman seperjuangan, Abi, Harun, Rijal, Zuda, Anas, Adis, Andri, Bimbim,
Varian, Pakde Yani, dan segenap “Math Touring Club”, kalian telah memberikan
vi
pengalaman hebat selama kuliah serta rekan-rekan Matematika Universitas
Airlangga angkatan 2008 atas dukungan dan kebersamaanya selama ini.
8.
Sahabat-sahabat KKN ke-45 Kelurahan Rungkut Menanggal, Tanjung, Dinda,
Pipit, Inka, Yoel, Nindhi, Jack, Disti, Redita, Mbak Mila, Milda, Mbak Mei,
Michele dan Imam terima kasih atas inspirasi yang kalian berikan selama KKN.
9.
Rekan-rekan pengurus dan penghuni Asrama Bhinneka Tunggal Ika yang telah
memberi banyak pelajaran berharga dan telah memberi banyak pengalaman
terutama dalam pengembangan
softskill.
10.
Teman-teman Himpunan Mahasiswa Islam (HMI) Cabang Surabaya dan
komisariat kampus C Airlangga yang telah banyak memberikan cara pandang
yang baru sebagai mahasiswa dan telah banyak memberi inspirasi kepada penulis.
Go Ahead kawan-kawan.
11.
Serta rekan-rekan lain yang tidak dapat disebutkan satu persatu, terima kasih atas
segala bantuan dalam penyelesaian skripsi ini.
Penulis menyadari bahwa skripsi ini masih banyak terdapat kekurangan. Oleh
karena itu, penulis mengharapkan kritik dan saran yang membangun agar skripsi ini
dapat lebih baik lagi.
Surabaya, Juli 2012
Penyusun
Muhammad Safiq Ubay
Muhammad Safiq Ubay, 2012.
Peramalan Harga Saham Dengan
Menggunakan Jaringan Syaraf Tiruan Metode
Extreme Learning Machine
.
Skripsi ini di bawah bimbingan Auli Damayanti, S.Si, M.Si, dan Herry Suprajitno,
S.Si, M.Si. Departemen Matematika. Fakultas Sains dan Teknologi. Universitas
Airlangga.
ABSTRAK
Peramalan harga saham merupakan salah satu cara mengurangi resiko
kepemilikan saham dengan melakukan prediksi harga pada hari berikutnya dengan
memanfaatkan data harga saham pada hari sebelumnya. Pada penulisan skripsi ini
peramalan saham bertujuan untuk mendapatkan prediksi harga saham secara teknis
dari sebuah perusahaan dengan menggunakan jaringan syaraf tiruan metode
extreme learning machine. Extreme Learning Machine
adalah sebuah metode
pembelajaran baru dalam jaringan syaraf tiruan dengan model
single layer
feedforward neural networks
. Dalam memprediksi harga saham, data akan dilatih
dan dicari bobot yang paling optimum. Selanjutnya, dengan melakukan proses
pengujian data terlatih akan diketahui seberapa baik pola yang dikenali oleh
jaringan sehingga nilai error yang didapatkan mencapai nilai minimum. Dengan
uji validasi akan diperoleh nilai dari peramalan harga saham hari berikutnya
dengan menggunakan bobot optimal dari proses pelatihan.
Berdasarkan implementasi yang dilakukan pada data harga saham PT.
Semen Gresik didapatkan arsitektur jaringan yang maksimum yakni jumlah
masukan sebanyak 5, jumlah lapisan tersembunyi sebanyak 5, dan jumlah total
iterasi sebanyak 45000. Peramalan yang disimulasikan pada data harga saham PT.
Semen Gresik yang menggunakan data mulai tanggal 2 Januari 2008 hingga 31
Mei 2012 menghasilkan nilai peramalan sebesar Rp.10906,00 pada tanggal 1 Juni
2012. Pada data sebenarnya, harga saham PT. Semen Gresik pada tanggal 1 Juni
2012 sebesar Rp.10900,00. Selisih nilai yang didapatkan sebesar Rp.6,00 atau 0,05
%. Dengan selisih sebesar 0,05%, dapat disimpulkan bahwa peramalan yang
dilakukan mampu mendekati nilai sebenarnya sehingga peramalan ini dapat
dijadikan pendukung pengambilan keputusan dalam berinvestasi.
Kata kunci :
Extreme Learning Machine, Jaringan Syaraf Tiruan, Single Layer
Feedforward Neural Networks, Arsitektur Jaringan, Uji Validasi
.
viii
Muhammad Safiq Ubay, 2012.
Stock Price Prediction Using Artifial Neural
Network With Extreme Learning Machine Method
. This Undergraduate Paper is
supervised by Auli Damayanti, S.Si, M.Si. and Herry Suprajitno, S.Si, M.Si.
Mathematics Department, Faculty of Science and Technology, Airlangga
University.
ABSTRACT
Stock prices forecasting is one of the way to reduce risk of stock ownership
by making price prediction next day based on previous day. The purpose of stock
price forecasting in this final project is to get stock prediction technically from a
company using artificial neural network with extreme learning machine method.
Extreme Learning Machine is a new learning method in Artificial Neural Network
model with single-layer feedforward neural networks. In predicting stock prices,
data will be trained and will be sought the most optimum weight. Then, using
testing data training process, data will test how good the patterns are recognized
by the network until the value of error minimal. With the validation test, data will
be obtained the value of forecasting stock prices the next day using optimal
weights of the training process.
Based on implementation of the data performed on the stock price of PT.
Semen Gresik obtain maximum network architecture is 5 unit for the number of
inputs, number of hidden layers is 5 unit, and the total number of iterations 45000.
The result of stock price forecasting on PT. Semen Gresik using data starting on
January 2, 2008 until May 31, 2012 at Rp.10906,00 at June 1, 2012. On actual
data, the stock price of PT. Semen Gresik on June 1, 2012 at Rp.10900,00.
Difference between real value with estimate value is Rp.6,00 or 0,05%. With a
margin 0.05%, it can be concluded that forecasting can approach to the real value
so this forecasting can be used as decision support for investment.
Key words
: Extreme Learning Machine, Artificial Neural Network , Single Layer
Feedforward Neural Networks, Network Architecture, Validation
Test.
DAFTAR ISI
Halaman
LEMBAR JUDUL ………....…… ….
i
LEMBAR PERNYATAAN ....……….………..
ii
LEMBAR PENGESAHAN ………...
iii
LEMBAR PEDOMAN PENGGUNAAN SKRIPSI …….……….. ..
iv
KATA PENGANTAR ... .
v
ABSTRAK ...….
vii
ABSTRACT ...
viii
DAFTAR ISI ...
ix
DAFTAR TABEL ….………….………....
xii
DAFTAR GAMBAR ………….………...
xiii
DAFTAR LAMPIRAN .………....………...
xv
BAB I. PENDAHULUAN
1.1. Latar Belakang ………. 1
1.2. Rumusan Masalah ………... 4
1.3. Tujuan ………... 4
1.4. Manfaat ………...…. 4
BAB II. TINJAUAN PUSTAKA
2.1. Saham …...………... 5
2.2. Peramalan (
forecasting
) ………..……... 7
2.3. Jaringan Syaraf Tiruan ………...…... 8
2.3.2 Arsitektur Jaringan ……….…... 11
2.3.4 Pelatihan Jaringan ………...…... 13
2.3.3 Fungsi Aktivasi ... 15
2.4.
Extreme Learning Machine
(ELM)... 18
2.4.1 Arsitektur ELM ………..………….. 19
2.4.2 Algoritma Pelatihan ELM ………... 21
2.4.3 Normalisasi data……….. 24
2.4.4 Denormalisasi data……….. 24
2.4.5
Moore Penrose Generalized Inverse
…...……… 25
2.5. Pemrograman Java ……….………. 26
BAB III. METODE PENELITIAN ……….. 27
BAB IV. PEMBAHASAN
4.1. Data ...
34
4.2. Arsitektur Jaringan ...
37
4.3. Prosedur Jaringan Syaraf Tiruan ELM untuk peramalan
harga saham ……….. 38
4.3.1. Prosedur normalisasi data ….………
39
4.3.2. Prosedur denormalisasi data .………
40
4.3.3. Prosedur inisialisasi bias dan bobot .………
41
4.3.4. Prosedur
feedforward
………..
42
4.3.5. Prosedur Perubahan (
update
) bias dan bobot ….
43
4.3.6. Prosedur menghitung
Mean Square Error
…….
44
4.4. Implementasi pada program Java ………...
44
4.4.1. Implementasi Pada Program Java Untuk
Training Data
……….
44
4.4.2. Implementasi Program Java Untuk Testing
Data Training ……….
50
4.4.3. Implementasi Pada Program Java Untuk
Uji Validasi ………...
52
BAB V. KESIMPULAN DAN SARAN
5.1 Kesimpulan ………..
57
5.2 Saran ………
58
DAFTAR PUSTAKA ……….
59
xii
No.
Judul
Halaman
3.1. Tabel rancangan data yang akan menjadi input ……… 28
4.1. Kutipan data harga saham PT.Semen Gresik……….. 34
4.2. Kutipan data harga saham ternormalisasi ……….. 35
4.3. Pola input data
training
………..………..………. 36
4.4. Pola input data validasi, ……… 37
4.5. Arsitektur ELM yang paling optimal ……….… 47
4.6. Arsitektur dari
training
ELM dengan MSE terkecil ……….…. 48
4.7. Bobot awal dari
input
ke
hidden
……… 49
4.8. Bobot awal dari
hidden
ke
output
……….…. 49
4.9. Bobot akhir dari
input
ke
hidden
……….. 50
4.10. Bobot akhir dari
hidden
ke
output
……….………… 50
4.11. Hasil peramalan harga saham pada 5 buah perusahaan .……... 56
No.
Judul
Halaman
2.1 Susunan Syaraf manusia ……….
9
2.2 Model Jaringan Syaraf Tiruan……….….…
11
2.3 Jaringan Layar Tunggal (
single layer network
) ………….….
12
2.4 Jaringan Lapisan Jamak (
multi layer network
) …………..….
13
2.5 Fungsi aktivasi linear ……….….…
16
2.6 Fungsi aktivasi
step biner
……….……..
16
2.7 Fungsi aktivasi
sigmoid biner
……….
17
2.8 Fungsi aktivasi
sigmoid bipolar
……….
18
2.9 Jaringan syaraf ELM dengan satu
hidden
layer ...
20
3.1 Prosedur pelatihan pada ELM ………
30
3.2 Proses melakukan
testing
pada data
training
……….
31
3.3 Proses validasi data ………
32
3.4 Proses kerja keseluruhan ………
33
4.1. Arsitektur jaringan dengan
n
unit
hidden
………...
38
4.2. Prosedur
training
data pada jaringan syaraf ELM ………….
39
4.3. Prosedur
testing
data
training
data pada
jaringan syaraf ELM ……….….…
39
4.4. Prosedur uji validasi data pada
jaringan syaraf ELM ……….…….…
39
4.5. Prosedur normalisasi data ………..……
40
4.6. Prosedur denormalisasi data ………..……
41
4.7. Prosedur proses
feedforward
………...
43
4.8. Prosedur
update
bias dan bobot ……….
44
xiv
4.11. Form awal ………..
45
4.12. Form data keseluruhan ………...
46
4.13. Form input parameter ……….…
47
4.14. Grafik perubahan MSE ……….….
51
4.15. Grafik
testing
data
training
………....
52
4.16. Hasil uji validasi ternormalisasi ………....
53
4.17. Hasil uji validasi setelah denormalisasi ………..
54
4.18. Grafik hasil uji validasi ………...
55
No.
Judul Lampiran
1.
Data pembukaan (
open
) PT. Semen Gresik
2.
Source Code
Program
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Di Indonesia, saham telah lama menjadi salah satu alat investasi yang
banyak diminati kalangan masyarakat yang memiliki kelebihan dana. Saham
mampu menghasilkan keuntungan yang lebih tinggi dibandingkan instrumen
investasi lain seperti tabungan atau deposito bila dikelola dengan optimal. Harga
saham yang berubah-ubah setiap waktu dan dipengaruhi oleh banyak faktor
menjadikan saham sebagai intrumen investasi yang beresiko tinggi. Untuk itu,
memperkirakan harga saham merupakan hal yang penting bagi investor. Dengan
memperkirakan harga saham, seorang investor mampu mengurangi resiko
kerugian atas saham yang dimilikinya.
Analisis perubahan harga saham dapat dilakukan dengan dua cara, yakni
analisis fundamental dan teknis (
Manurung, 2008
). Analisis fundamental
merupakan analisis yang melakukan penilaian terhadap kinerja perusahaan,
kondisi perekonomian nasional, sosial politik dan keamanan negara. Sedangkan
analisis teknis merupakan analisis pergerakan harga saham berdasarkan dari
pergerakan harga saham di masa lalu menggunakan suatu metode matematika
tertentu (
Syamsir, 2004
). Dari segi keilmuan, analisis teknis dipilih karena
sifatnya yang baku, logis, serta menggunakan aturan-aturan yang tersusun secara
sistematis yang menggunakan perhitungan matematika. Seiring perkembangan
ilmu pengetahuan, para peneliti terutama bidang
Artificial Intellegence
berusaha
untuk mencari dan mengembangkan metode untuk memprediksi pergerakan harga
saham menggunakan analisis teknis.
Dari sekian banyak metode
Artificial Intellegence
yang digunakan untuk
memprediksi, metode yang banyak digunakan oleh peneliti adalah jaringan syaraf
tiruan karena sifatnya yang bebas estimator serta mampu menghasilkan
output
yang mampu mendekati nilai sebenarnya (
Agustina, 2010
). Jaringan Syaraf
Tiruan (JST) atau yang dikenal dengan
Artificial Neural Network (ANN)
adalah
sistem pemroses informasi yang dibentuk sebagai generalisasi model matematika
dari jaringan syaraf biologis pada manusia. JST terdiri atas elemen pemroses
bernama
neuron
yang dihubungkan dengan elemen pemroses lain oleh suatu
aturan dan bobot. JST pertama kali diperkenalkan oleh McCulloch dan Pitts pada
tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa
neuron
sederhana menjadi sebuah sistem akan meningkatkan kemampuan
komputasinya. JST mengalami perkembangan yang pesat sejak tahun 1990an
setelah ditemukannya metode-metode yang mampu diaplikasikan untuk
menyelesaikan berbagai masalah di dunia nyata.
Dalam JST, obyek pengamatan dikenali dengan melakukan suatu pelatihan
yang terstruktur dan terus menerus sampai sistem jaringan tersebut mampu
mengenali obyek tersebut. Seiring perkembangan zaman, aplikasi JST banyak
dimanfaatkan di bidang ekonomi terutama yang berhubungan dengan peramalan
data. JST dapat digunakan untuk meramalkan apa yang terjadi dimasa yang akan
datang berdasarkan pola yang ada di masa lampau (
Siang, 2005)
. Untuk masalah
peramalan, pola pelatihan tersebut dapat digunakan untuk meramalkan obyek
pengamatan berikutnya.
Beberapa penelitian tentang peramalan harga saham telah dilakukan
seperti : Model integrasi jaringan syaraf tiruan dan sistem pakar untuk
pengambilan keputusan investasi saham (
Zuhdi
et al
, 2004
). Penggunaan jaringan
syaraf tiruan metode backpropagation untuk memprediksi harga saham
(
Lesmana, 2007
). Pemilihan analisis teknis dalam berinvestasi saham
menggunakan Probabilistic Neural Network (
Tristiyanto, 2007
). Peramalan harga
saham perusahaan menggunakan
Artificial Neural
Network dan
Akaike
Information Criterion
(
Eliyani, 2007
). Peramalan harga saham dengan algoritma
backpropagation (
Setiawan, 2008
).
Banyak metode dalam JST yang telah dikemukakan untuk peramalan.
Tetapi, metode-metode yang telah ada sebelumnya membutuhkan waktu
komputasi yang relatif lebih lama sehingga dikhawatirkan metode JST akan
semakin ditinggalkan karena diperlukan waktu yang lama dalam pengambilan
keputusan. Mengatasi masalah tersebut,
Huang
(
2004
) menemukan sebuah
metode pembelajaran baru dalam JST bernama
Extreme Learning Machine
(ELM).
Extreme Learning Machine
merupakan JST
feedforward
dengan
single
hidden layer
atau biasa disebut dengan
Single Hidden Layer Feedforward Neural
Networks
(SLFNs).
Extreme Learning Machine
memiliki kelebihan dari metode
yang sudah ada seperti
Backpropagation
(BP) dan
Support Vector Machine
(SVM) terutama dalam hal konsumsi waktu dan performa (
Huang
et al
, 2006
).
Sehingga diharapkan dengan metode ini
output
yang dihasilkan mampu
mendekati kenyataan dan penyelesaian yang optimal serta waktu komputasi yang
relatif singkat sehingga pada akhirnya akan membantu investor dalam melakukan
keputusan menjual atau membeli saham yang diperdagangkan di bursa efek.
Dalam penulisan ini, akan diaplikasikan suatu metode sederhana untuk
meramalkan harga saham menggunakan jaringan syaraf tiruan metode ELM.
Dalam mengaplikasikannya, penulis akan membuat sebuah aplikasi berbasis
desktop
dengan bahasa pemrograman Java untuk mensimulasikan metode yang
telah diterapkan pada harga saham sesungguhnya.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalahnya adalah sebagai
berikut :
1.
Bagaimana cara meramalkan harga saham menggunakan metode
Extreme
Learning Machine
(ELM) ?
2.
Bagaimana cara menerapkan algoritma JST metode ELM menggunakan
bahasa pemrograman Java ?
1.3. Tujuan
1.
Meramalkan harga saham menggunakan Algoritma JST dengan metode
ELM.
2.
Membuat program peramalan harga saham menggunakan algoritma JST
metode ELM dengan bahasa pemrograman Java.
1.4. Manfaat
1.
Memberi masukan bagi para peneliti baik di lingkungan Universitas
Airlangga maupun universitas lain yang ingin meramalkan data
menggunakan metode peramalan yang ada pada matematika terapan.
2.
Menjadi masukan sebagai bahan pertimbangan dan perbandingan untuk
mengembangkan metode peramalan dengan menggunakan algoritma lainnya
sehingga mendukung perkembangan ilmu pengetahuan dan teknologi.
3.
Hasil penulisan ini tentunya akan berguna dalam bidang ekonomi terutama
bagi para pelaku perdagangan di pasar modal yang membutuhkan perkiraan
harga saham dalam penentuan kebijakan keuangannya.
BAB II
TINJAUAN PUSTAKA
Dalam penulisan ini, diperlukan definisi maupun informasi yang
diperlukan guna memperdalam materi dan mempermudah dalam pembuatan
penulisan, diantaranya sebagai berikut :
2.1. Saham
Menurut
Husnan (2002)
, Saham merupakan secarik kertas yang
menunjukkan hak pemodal (yaitu pihak yang memiliki kertas tersebut) untuk
memperoleh bagian dari prospek atau kekayaan organisasi yang menerbitkan
sekuritas tersebut dan berbagai kondisi yang memungkinkan pemodal tersebut
menjalankan haknya.
Sedangkan menurut
Situmorang (2010)
, saham adalah surat berharga
(efek) yang berbentuk sertifikat guna menunjukkan bukti kepemillikan suatu
perusahaan. Semakin banyak saham yang dimiliki oleh seseorang di suatu
perusahaan, berarti jumlah uang yang diberikan ke perusahaan itu juga semakin
besar, demikian juga penguasaan orang tersebut dalam perusahaan itu semakin
tinggi.
Motivasi dan harapan setiap investor adalah mendapatkan keuntungan
dari transaksi investasi yang mereka lakukan. Investasi saham memiliki potensi
keuntungan dalam dua hal, yaitu pembagian dividen dan kenaikan harga saham
(
capital gain
). Dividen merupakan keuntungan perusahaan yang dibagikan kepada
semua pemegang saham dan biasanya dilakukan satu tahun sekali. Bentuk dari
dividen itu sendiri, bisa berupa uang tunai ataupun bentuk penambahan saham.
Sedangkan
capital gain
, didapat berdasarkan selisih harga jual saham dengan
harga beli. Dimana keuntungan didapat bila harga jual saham lebih tinggi dari
harga beli saham.
(
Iman, 2008
)
Menurut
Purnomo (2010)
, ada beberapa risiko yang dihadapi pemodal dengan
kepemilikan sahamnya, antara lain seperti :
1.
Tidak mendapat dividen.
Perusahaan akan membagikan dividen jika operasinya menghasilkan
keuntungan. Oleh karena itu, perusahaan tidak dapat membagikan dividen jika
mengalami kerugian. Dengan demikian, potensi ditentukan oleh kinerja
perusahaan tersebut.
2.
Capital loss
Dalam aktivitas perdagangan saham, investor tidak selalu mendapatkan
capital gain
atau keuntungan atas saham yang dijualnya. Ada kalanya investor
harus menjual saham dengan harga jual lebih rendah dari harga beli saham.
Terkadang untuk menghindari potensi kerugian yang semakin besar seiring terus
menurunnya harga saham seorang investor rela menjual sahamnya dengan harga
rendah. Istilah ini dikenal dengan istilah penghentian kerugian (
cut loss
).
3.
Perusahaan bangkrut atau dilikuidasi
Resiko likuidasi terjadi ketika perusahaan yang sahamnya dimiliki
pemodal dinyatakan bangkrut oleh pengadilan atau perusahaan tersebut
dibubarkan. Dalam hal ini, pemilik saham mendapat prioritas terakhir setelah
seluruh kewajiban perusahaan dilunasi dari hasil penjualan kekayaan perusahaan.
2.2. Peramalan (
forecasting
)
Peramalan (
forecasting
) didefinisikan sebagai alat atau teknik untuk
memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan
data atau informasi masa lalu maupun data atau informasi saat ini. Peramalan
terdiri atas suatu kerangka kerja atau teknik kuantitatif yang baku dan
kaidah-kaidah yang dapat dijelaskan secara matematis. Peramalan merupakan bagian vital
bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen
yang sangat signifikan karena peramalan dapat menjadi dasar bagi perencanaan
jangka panjang perusahaan. Hal tersebut terjadi karena kinerja di masa lalu dapat
terus berulang setidaknya dalam masa mendatang yang relatif dekat. Dilihat dari
manfaatnya, peramalan sangat berguna untuk melihat gambaran-gambaran tentang
masa depan sehingga kita dapat mengantisipasinya dengan baik apa yang akan
terjadi.
Dilihat dari cara memperolehnya, peramalan dapat menggunakan cara
kualitatif dan cara kuantitatif. Pada dasarnya, teknik kualitatif lebih menitik
beratkan intuisi atau pendapat para pakar sehingga cara ini sering disebut teknik
intuisi (
judgemental technique
). Sedangkan metode peramalan secara kuantitatif
mendasarkan ramalannya pada metode-metode matematik. Dalam prakteknya,
teknik kualitatif dan teknik kuantitatif sering digunakan secara beriringan dan
dapat saling menunjang.
Secara umum, menurut
Nachrowi
et al
(2004)
langkah untuk melakukan
peramalan secara kuantitatif antara lain :
1.
Definisikan tujuan peramalan.
2.
Pembuatan grafik atau plot data.
3.
Memilih model peramalan yang tepat.
4.
Lakukan peramalan
5.
Hitung kesalahan ramalan (
forecast error
).
6.
Lakukan verifikasi peramalan.
2.3. Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan adalah upaya untuk memodelkan pemrosesan
informasi berdasarkan kemampuan sistem syaraf biologis yang ada pada manusia.
Jadi, dapat disimpulkan bahwa jaringan syaraf tiruan merupakan jaringan syaraf
biologis dipandang dari sudut pandang pengolahan informasi. Hal ini akan
memungkinkan kita untuk merancang model yang kemudian dapat disimulasikan
dan dianalisis.
(Rojas, 1997)
Menurut
Kusumadewi (2003)
, jaringan syaraf tiruan merupakan salah
satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan
proses pembelajaran pada otak manusia. Istilah buatan disini digunakan karena
jaringan syaraf ini diimplementasikan dengan menggunakan program komputer
yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran.
untuk belajar dengan melakukan adaptasi.
(Kusumadewi, 2003)
2.3.1 Model Jaringan Syaraf Tiruan
Menurut
Siang (2005),
JST dibentuk sebagai generalisasi model matematika
dari jaringan syaraf biologi dengan asumsi sebagai berikut :
a.
Pemrosesan informasi terjadi pada banyak elemen sederhana (
neuron
).
b.
Sinyal dikirimkan diantara
neuron-neuron
melalui
penghubung-penghubung.
c.
Penghubung antar
neuron
memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
d.
Untuk menentukan keluaran (
output
), setiap
neuron
menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (
input
) yang diterima.
Besarnya
output
ini selanjutnya dibandingkan dengan suatu batas ambang.
Gambar 2.2 adalah model sederhana dari JST, terlihat bahwa JST terbentuk
dari
Processing Element
yang saling terhubung pada jaringan. Masing-masing
Processing Element
menerima
input
berupa
net
yang langsung diolah sehingga
menghasilkan nilai
output
(Y).
Processing Element
berisi dua elemen yaitu :
1.
net
, yaitu jumlahan dari nilai
input
(X
1, X
2, …, X
n) dikalikan dengan
bobotnya (W
1, W
2, …,W
n). Dalam hal ini bobot dikalikan dengan input
karena diharapkan bobot mampu memperkuat
input
yang masuk. Persamaan
2.1 merupakan perumusan dari
net
yaitu :
2.
Jaringan Layar Jamak (
multi layer network)
Jaringan dengan lapisan jamak merupakan perluasan dari jaringan dengan
satu lapisan, dimana terdapat satu atau beberapa lapisan lain diantara lapisan input
dan lapisan output yang disebut dengan lapisan tersembunyi atau
hidden layer.
Sama seperti pada unit input dan output, unit-unit dalam satu lapisan tidak saling
berhubungan. Jaringan ini mampu menyelesaikan permasalahan yang lebih
kompleks dibandingkan jaringan dengan satu lapisan, meskipun terkadang proses
pelatihan lebih kompleks dan lama.
Gambar 2.4 Jaringan Lapisan Jamak (
multi layer network
)
Gambar 2.4 adalah gambaran dari jaringan
multi layer network
dengan n
buah unit input (x
1,x
2, …, x
n), sebuah layar tersembunyi yang terdiri dari p buah
unit (z
1, …, z
p) dan m buah unit output (Y
1,Y
2, …, Y
m)
2.3.4 Pelatihan Jaringan Syaraf Tiruan
Berdasarkan pada
Kusumadewi (2003)
, pelatihan pada JST dimaksudkan
untuk mencari bobot-bobot yang terdapat dalam tiap layer, ada dua jenis pelatihan
yaitu pelatihan dengan pengawasan (
supervised
) dan pelatihan tanpa pengawasan
(
unsupervised
)
.
1.
Pelatihan Dengan Pengawasan (
supervised
)
Pada pelatihan dengan pengawasan, terdapat sejumlah pasangan data
(masukan dan target keluaran) yang dipakai untuk melatih jaringan hingga
diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai "guru"
untuk melatih jaringan hingga diperoleh bentuk yang terbaik. "Guru" akan
memberikan informasi yang jelas tentang bagaimana sistem harus mengubah
dirinya untuk meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu
input diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan
keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang
diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot
sesuai dengan kesalahan tersebut.
Ada beberapa metode dalam proses belajar terawasi, diantaranya
Delta
Rule, Backpropagation
atau
Generalized Delta Rule, Radial Basic Function
(RBF) dan
Counterpropagation
.
2.
Pelatihan Tanpa Pengawasan (
Unsupervised
)
Pada pelatihan tanpa pengawasan (
unsupervised learning
) tidak ada "guru"
yang akan mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot
jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi
menurut ukuran parameter tersebut. Karena jaringan tidak mendapatkan target,
maka JST mengatur bobot interkoneksinya sendiri. Belajar tanpa pengawasan
kadang-kadang diacu sebagai
self - organizing learning
, yakni belajar
mengklasifikasikan tanpa dilatih. Pada proses belajar tanpa pengawasan, JST akan
mengklasifikasi-kan contoh pola-pola masukan yang tersedia ke dalam kelompok
yang berbeda-beda.
Model yang menggunakan pelatihan ini adalah model jaringan kompetitif.
Metode yang dipakai dalam proses belajar tak terawasi ini antara lain
Kohonen
Self Organizing Map
dan
Learning Vector Quantization
(LVQ).
2.3.3 Fungsi Aktivasi
Fungsi aktivasi adalah aturan yang memetakan penjumlahan input elemen
pemroses terhadap outputnya. Fungsi ini adalah fungsi umum yang akan
digunakan untuk menentukan keluaran suatu
neuron
. Selain itu, fungsi ini
bertujuan untuk memodifikasi output kedalam rentang nilai tertentu.
(Siang, 2005)
.
Berikut fungsi-fungsi aktivasi yang biasanya digunakan dalam sistem
Jaringan Syaraf :
a.
Fungsi Identitas
( )
(2.2)
Fungsi identitas ini merupakan fungsi aktivasi untuk semua unit
input
.
Persamaan 2.2 adalah persamaan yang ada pada fungsi identitas. Bentuk fungsi
identitas terdapat pada Gambar 2.5
Gambar 2.5 fungsi aktivasi linear
(Kusumadewi, 2003)
b.
Fungsi
Step
Biner
( ) {
(2.3)
Fungsi
step biner
sering dipakai pada jaringan
single layer
. Persamaan 2.3
adalah persamaan yang dipakai dalam fungsi
step biner
Bentuk fungsi
step biner
terdapat pada Gambar 2.6.
Gambar 2.6 fungsi aktivasi
step biner
(Kusumadewi, 2003)
1
θ
-1
0
1
-1
1
0
y
x
y
x
c.
Fungsi
Sigmoid Biner
( )
( )
Fungsi
sigmoid biner
berbentuk kurva S dan merupakan fungsi yang paling
umum digunakan dalam JST. Hal ini dikarenakan fungsi
sigmoid biner
mampu
menghasilkan keluaran yang lebih cepat. Fungsi
sigmoid biner
mempunyai
persamaan yang ditulis pada persamaan 2.4.Fungsi tersebut digunakan jika
output
yang diinginkan (target) terletak antara 0 dan 1. Pada Gambar 2.7 berikut adalah
bentuk dari fungsi
sigmoid biner
Gambar 2.7 fungsi aktivasi
sigmoid biner
(Kusumadewi, 2003)
d.
Fungsi
Sigmoid Bipolar
( )
( )
Fungsi
sigmoid bipolar
adalah fungsi
sigmoid biner
yang mempunyai nilai
antara -1 dan 1. Persamaan fungsi
sigmoid bipolar
dituliskan pada persamaan 2.5
dan bentuk dari fungsi
sigmoid bipolar
digambarkan pada Gambar 2.8.
0
1
y
Gambar 2.8 fungsi aktivasi
sigmoid bipolar
Fungsi
sigmoid bipolar
berhubungan erat dengan fungsi tangen hiperbolik.
Fungsi tangen hiperbolik juga dapat digunakan sebagai fungsi aktivasi jika
output
yang diinginkan dari jaringan terletak dalam interval -1 dan 1. Persamaan 2.6
menunjukkan bentuk persamaan dari fungsi tangen hiperbolik.
( )
( )
(Kusumadewi, 2003)
2.4
Extreme Learning Machine
(ELM)
Metode pelatihan ELM adalah salah satu metode pelatihan yang baru di
JST dan termasuk metode pelatihan terawasi. ELM ditemukan oleh Huang pada
tahun 2004 saat menjadi asisten profesor bidang
computational enginering
di
Nanyang Technological University, Singapore
.
Huang (2004),
berpendapat
bahwa metode-metode JST yang telah ada sebelumnya memiliki
kelemahan-kelemahan terutama dalam hal laju pembelajaran (
learning speed
).
Huang (2004)
menambahkan bahwa alasan utama mengapa JST mempunyai
learning speed
1
-1
y
x
yang rendah adalah karena semua parameter pada jaringan ditentukan secara
iteratif dengan menggunakan suatu metode pembelajaran. Parameter yang
dimaksud adalah bobot
input
dan bias yang menghubungkan antara
layer
satu
dengan
layer
yang lain.
Pada metode ELM, bobot
input
dan bias mula-mula ditentukan secara
random. Setelah itu, untuk mencari bobot akhir dapat dilakukan perhitungan
secara analitis yaitu dengan menggunakan
Moore-Penrose Generalized Invers
.
Matriks yang digunakan dalam perhitungan bobot akhir adalah matriks yang
beranggotakan jumlahan atau keluaran dari masing-masing input ke
layer
tersembunyi. Sehingga menurut
Huang (2004)
, ELM memiliki
learning speed
yang cepat dan mampu menghasilkan
good generalization performance
. Untuk
mempelajari bagaimana ELM bekerja, maka akan dijelaskan terlebih dahulu
arsitektur dari ELM, algoritma pelatihan dan algoritma pengujian pada ELM.
2.4.1 Arsitektur ELM
Jaringan Syaraf ELM merupakan jaringan syaraf yang menggunakan
arsitektur
multi layer
. Sebagai contoh, pada Gambar 2.4 digambarkan jaringan
dengan sebuah
hidden layer
. Dalam jaringan ini, selain terdapat unit-unit
input
,
unit-unit tersembunyi (
hidden
) dan
output
juga terdapat bias yang diberikan pada
unit-unit tersembunyi dan
output
berukuran
n x L
. Persamaan 2.9 menjelaskan tentang matriks H yang dibentuk dari
n
buah
input
dan
L
jumlah
hidden
[
(
) (
)
(
) (
)
]
(2.9)
(Huang, 2006)
2.4.2 Algoritma Metode ELM
Pada intinya, pelatihan dengan metode ELM terdiri atas tiga langkah, yaitu
inisialisasi bobot
input
dan bias, penghitungan
output
dari
hidden layer
, dan
penghitungan bobot akhir. Pada saat inisialisasi bobot
input
dan bias, bobot setiap
unit
input
(
X
i) yakni
a
dan bias yakni
b
diperoleh dari hasil randomisasi. Setiap
unit
hidden
kemudian akan dihitung jumlah keluaran yang dihasilkan
(
(
)
). Kemudian, bobot akhir (
β
) akan dihitung dan setelah itu di aktivasi
dengan menggunakan sebuah fungsi aktivasi. Saat proses pelatihan, setiap unit
output
membandingkan aktivasinya dengan nilai target untuk menentukan
besarnya
error
. Berdasarkan
error
tersebut, jika
error
masih melebihi dari yang
diharapkan, maka proses akan diulangi dari penginisialisasi bobot
input
dan bias
sampai menemukan bobot yang optimal.
Selengkapnya, notasi-notasi yang akan digunakan pada algoritma pelatihan
dan pengujian yaitu sebagai berikut :
X
iadalah vektor data
input
T adalah vektor target
(
)
G
Ladalah unit
hidden
ke-
L
. sinyal input pada G
Ldilambangkan dengan
(
)
.
B
0Ladalah bias untuk
hidden
ke-
L.
a
iLadalah bobot antara
input
ke-
i
dan unit
hidden
ke-
L.
Y
jadalah unit
output
ke-j. sinyal input ke
Y
jdilambangkan dengan
F
L(
x
).
Sinyal aktivasi untuk untuk
Y
jdilambangkan dengan
O
j.
β
0jadalah bias untuk unit
output
ke-j.
β
Ljadalah bobot antara unit
hidden
ke-
L
dan unit
output
ke-
j
.
H
adalah matriks yang tersusun dari
output
masing-masing
hidden layer
.
H
+adalah matriks
Moore-Penrose Generalized Invers
dari matriks
H
.
(Huang, 2006)
2.4.2.1 Prosedur Pelatihan
Langkah-langkah pelatihan ELM sebagai berikut :
Langkah 1. Inisialisasi bobot (sebaiknya diatur pada bilangan acak yang kecil).
Langkah 2. Jika
error
belum terpenuhi, maka lakukan langkah 3 sampai
langkah 6.
Langkah 3. Setiap unit
input
(
)
menerima sinyal input dan
menyebarkan sinyal tersebut pada seluruh unit lapisan di atasnya
(unit
hidden
).
Langkah 4. Setiap
output
dari
hidden layer
akan dihitung dan dilambangkan
dengan
(
)
.
Langkah 5. Bobot akhir dari
hidden layer
ke
output layer
(
β
) dihitung dengan
menggunakan persamaan 2.10
(2.10)
Langkah 6. Memeriksa
stop condition
.
Untuk memeriksa
stopping condition
terdapat dua cara, yaitu :
i.
Membatasi iterasi (
epoch
) yang diinginkan.
ii.
Membatasi
error
.
Error dihitung dengan Cara menghitung
Mean Square
Error
(
MSE
). MSE adalah metode untuk menghitung
error
dari
perbedaan nilai peramalan dan nilai sebenarnya. MSE akan
dituliskan dalam persamaan 2.11.
∑
(
)
(2.11)
2.4.2.2 Prosedur Pengujian
Setelah pelatihan, JST dengan metode ELM akan mendapatkan bobot
yang optimal. Setelah itu, maka akan dilakukan proses pengujian dengan
langkah-langkah sebagai berikut :
Langkah 1. Inisialisasi bobot (dari algoritma pelatihan) atur fungsi aktivasi yang
digunakan.
Langkah 2. Untuk setiap unit
input
(
)
, hitung keluaran jaringan (Y).
Langkah 3. Ubah keluaran jaringan dengan menggunakan fungsi aktivasi.
2.4.3
Normalisasi data.
Agar data dapat dilatih dengan metode pembelajaran ELM, maka data
harus di normalisasikan dulu dalam interval yang lebih kecil, baik interval [0,1]
atau interval [-1,1]. Jika x adalah input setelah dinormalisasi, x
padalah nilai data
asli yang belum dinormalisasi, min (x
p) adalah nilai minimum pada data set, dan
max(x
p) adalah nilai maksimum pada data set.
Maka transformasi pada persamaan 2.12 digunakan untuk mengubah data
menjadi interval [0,1] adalah :
(
(
))
( (
) (
))
( )
(Siang, 2005)
Namun, jika menginginkan interval [-1,1] maka transformasi pada persamaan 2.13
yang digunakan untuk mengubah data menjadi interval [-1,1] :
(
(
))
( (
) (
))
( )
(
Agustina, 2010
)
2.4.4
Denormalisasi data.
Denormalisasi data penting dilakukan agar data hasil peramalan dengan
jaringan syaraf ELM dapat dilihat secara mudah dalam nilai yang sama dengan
asalnya. Menurut
Siang (2005)
, denormalisasi dimaksudkan agar data hasil
peramalan dengan jaringan syaraf dapat dilihat secara mudah dalam nilai yang
sama dengan asalnya. Persamaan 2.14 menunjukkan rumus yang digunakan untuk
denormalisasi data di dalam interval [0,1]. Sedangkan persamaan 2.15
menunjukkan denormalisasi data di dalam interval [-1,1] :
(
)( {
} {
})
{
} ( )
Sedangkan menurut
Agustina (2010)
, transformasi yang digunakan dalam
denormalisasi data dalam interval [-1,1] adalah :
(
) ( {
} {
}) {
} ( )
dengan
x
adalah nilai data setelah denormalisasi,
x
padalah data
output
sebelum
denormalisasi,
min
(
x
p) adalah data minimum pada data set sebelum normalisasi,
dan
max
(
x
p) adalah data maksimun pada data set sebelum normalisasi.
2.4.5
Moore-Penrose Generalized Invers
Dalam menghitung bobot akhir jaringan menggunakan persamaan 2.10,
metode ELM menggunakan sebuah metode yang bernama
Moore-Penrose
Generalized Invers
untuk menghasilkan bobot akhir.
Moore-Penrose Generalized
Invers
adalah salah satu jenis matriks invers.
Moore-Penrose Generalized Invers
atau invers
Moore - Penrose
merupakan perluasan dari konsep invers matriks.
Jika invers matriks yang umum adalah invers dari suatu matriks bujur sangkar dan
non singular (determinannya tidak nol), maka invers
Moore - Penrose
ada untuk
setiap matriks baik matriks bujur sangkar yang singular maupun yang tidak bujur
sangkar. Sebuah matriks X dikatakan sebagai invers
moore-penrose
jika dan
hanya jika matriks X memenuhi keempat sifat sebagai berikut :
1.
AXA=A
2.
XAX=X
3.
(AX)
H=AX
dengan A
H= (
A
)
Tyaitu
conjugate transpose
dari matriks A. Jika memenuhi
keempat sifat pada persamaan 2.16, maka X disebut invers
moore-Penrose
dari A
dan dinotasikan dengan A
+(
Huang, 2004
).
2.5. Pemrograman Java
Java merupakan bahasa pemrograman yang didasari oleh OOP (
Oriented
Object Programing
) yaitu merupakan teknik membuat suatu program berdasarkan
objek. Java memiliki JVM (
Java Virtual Machine
) yaitu lingkungan tempat
eksekusi program java berlangsung dimana setiap objek saling berinteraksi satu
dengan yang lainnya.
Virtual machine
inilah yang menyebabkan java mempunyai
kemampuan penanganan memori yang lebih baik, keamanan yang lebih tinggi
serta portabilitas yang besar. Namun demikian java tidak terikat oleh lisensi
karena java bersifat
open-source
sehingga java merupaka bahasa pemrograman
portable
yang bisa digunakan secara
muti-platform
(Sistem Operasi) dan
multi-arsitektur
dimana arsitektur java terbagi menjadi tiga bagian yaitu:
1.
Java 2 Enterprise Edition ( J2EE ) untuk aplikasi berbasis web, aplikasi
sistem tersebar dengan beraneka ragam
klien
dengan kompleksitas yang
tinggi.
2.
Java 2 Standard Edition ( J2SE ) untuk aplikasi standar berbasis dekstop.
3.
Java 2 Mobile Edition (J2ME) untuk aplikasi
mobile
seperti handphone.
Hal yang paling penting dalam pemrograman java adalah memahami
karakter dari pola pemrograman berbasis objek yang mencakup konsep utama
pada
Object Oriented Programing
( OOP ) yaitu :
1.
Class
Dalam java, kelas didefinisikan menggunakan kata kunci
class
.
2.
Method
Terdapat dua buah
method
(metode) yaitu fungsi dan prosedur. Fungsi
merupakan metode yang memiliki nilai balik yang menggunakan kata
kunci
tipe_data <spasi> nama_fungsi()
. Sebaliknya prosedur merupakan
metode yang tidak memiliki nilai balik yang menggunakan kata kunci
void <spasi> nama_fungsi()
.
3.
Inheritance
( pewarisan )
Pewarisan adalah membentuk subkelas baru ( kelas anak ) dari kelas
utama atau kelas induk sebelumnya yang menggunakan kata kunci
class
<spasi> nama_kelas_anak <spasi> extends <spasi> nama_kelas_induk.
4.
Polimorfisme
Polimorfisme
adalah pembentukan kelas baru yang bersifat abstrak karena
adanya keragaman fungsi dari objek – objek yang identik. Oleh karena itu
polimorfisme
membentuk kelas abstrak yang menggunakan kata kunci
abstract.
5.
Interface
Interface
hampir menyerupai kelas abstrak, akan tetapi
interface
merupakan kelas abstrak sepenuhnya yang bertujuan untuk menerapkan
pewarisan jamak.
Interface
menggunakan kata kunci
interface.
28
METODE PENELITIAN
Langkah-langkah yang digunakan dalam penulisan ini adalah sebagai
berikut:
1.
Studi pustaka yang berkaitan dengan saham, peramalan (
forecasting
),
jaringan syaraf tiruan
metode
Extreme Learning Machine
dan bahasa
pemrograman.
2.
Prosedur untuk menerapkan Algoritma
Extreme Learning Machine
dalam
menyelesaikan peramalan harga saham adalah sebagai berikut :
a.
Membuat rancangan data yang akan digunakan sebagai
input
dalam jaringan syaraf
extreme learning machine
.
Dalam membuat rancangan data, ada dua hal yang akan
dilakukan yaitu membagi data menjadi data
training
dan data
testing
,
dan melakukan normalisasi pada data.
1.
Pembagian data menjadi data
training
dan testing.
Data dibagi menjadi dua yaitu data training dan testing.
Menurut Agustina (2010), data dibagi menjadi data training dan
testing dengan komposisi sebagai berikut :
i. Data training sebanyak 80% dari total data.
ii. Data testing 20% dari total data.
Data akan dinormalisasikan ke interval yang lebih kecil,
yaitu pada interval [0,1]. Sehingga untuk dapat digunakan sebagai
input pada jaringan, terlebih dahulu dilakukan normalisasi data
dengan mengubah data tersebut menjadi bilangan desimal dalam
interval [0,1]. Transformasi linier yang digunakan untuk
normalisasi data ke interval [-1,1] adalah pada persamaan 2.12.
Jumlah
neuron
yang digunakan sebanyak 5 unit, dengan
asumsi bahwa jumlah tersebut dapat mewakili data selama 1
minggu dengan asumsi bahwa hari sabtu dan minggu tidak ada
perdagangan saham, diharapkan dengan jumlah
neuron
input
tersebut, jaringan memiliki arsitektur yang tidak terlalu rumit
sehingga mampu melakukan pembelajaran dengan baik.
Sedangkan target
output
yang digunakan adalah data pada hari
ke-6. Misalkan
n
adalah jumlah data yang digunakan, maka rancangan
data dapat dijelaskan pada tabel 3.1 sebagai berikut:
Tabel 3.1 Tabel rancangan data yang akan menjadi
input
Pola
ke-
Data
input
(
X1, X2,….,
X5)
Target
X1 X2 X3 X4 X5 1. Data hari ke-1 Data hari ke-2 Data hari ke-3 Data hari ke-4 Data hari ke-5 Data hari ke-6 2. Data hari ke-2 Data hari ke-3 Data hari ke-4 Data hari ke-5 Data hari ke-6 Data hari ke-7 3. Data hari ke-3 Data hari ke-4 Data hari ke-5 Data hari ke-6 Data hari ke-7 Data hari ke-8 .b.
Mendesain arsitektur jaringan yang terdiri dari
input layer
,
hidden
layer
, dan
output layer
Arsitektur jaringan yang digunakan terdiri dari sebuah
input
layer
, sebuah
hidden
layer
, dan sebuah
output layer
. Rancangan
jumlah unit pada tiap
layer
adalah sebagai berikut:
a.
Pada
Input layer
jumlah
neuron
yang digunakan sebanyak 5 unit.
b.
Pada
hidden
layer
jumlah
neuron
yang digunakan di cari terlebih
dahulu.
Fungsi aktivasi yang biasa digunakan dalam peramalan
adalah fungsi sigmoid biner dan sigmoid bipolar. Sedangkan untuk
jumlah hidden neuron, terdapat beberapa pendekatan yang dapat
digunakan untuk mencari jumlah neuron pada hidden layer,
diantaranya adalah :
1.
h=√(m.n), (
Widrow dan Stearns, 1985
)
2.
h=n, (
Tang dan Fishwick, 1993
)
dengan h = jumlah neuron pada lapisan
hidden
, n = jumlah neuron
pada lapisan
input
dan m = jumlah neuron pada lapisan
output
.
. . . . n-5 . . . Data hari ken-5 . . . Data hari ke n-4 . . . Data hari ke n-3 . . . Data hari ke n-2 . . . Data hari ke n-1 . . . Data hari ke n