ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN
Oleh : Sahat Tigor Panjaitan, SE., M.Si Dosen Tetap STIE Indonesia Medan
ABSTRAK
Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam menentukan kapan harus menjual dan membeli suatu indeks saham. Banyak teori metematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat tetapi system peramalan yang sering digunakan masih statis. Untuk kasus yang nilainya dinamis, sangatlah sulit dalam pengembangan model matematisnya. Sesuai dengan perkembangan teknologi komputer, penerapan metode Artificial Neural Network menjadi lebih mudah dalam memodelkan system dinamis. Resilient Backpropagation adalah salah satu model Artificial Neural Network (ANN) yang telah diimplementasikan untuk peramalan indeks saham. Risilient Backpropagation mempunyai kemampuan untuk melakukan pembelajaran dan meramalkan data keluaran pada waktu mendatang berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini, metode ANN akan diterapkan untuk meramalkan harga Open, High, Low dan Close dalam indeks saham Bursa Efek Indonesia. Dengan data berupa harga saham harian, jaringan syaraf tiruan yang dirancang akan menghasilkan bobot-bobot yang digunakan untuk meramal harga saham di hari berikutnya. Dalam penelitian ini, dapat disimpulkan jaringan yang menggunakan variabel input harga opening, high, low dan close dan variabel output open, high, low dan close dengan menggunakan dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node hidden layer2 150 menghasilkan keakuratan peramalan yang paling baik. Penelitian ini masih dalam tahap awal, dimana masih banyak faktor yang dapat dikembangkan atau diteliti lebih lanjut.
Jurnal Ilmiah Dunia Ilmu Vol.4 No.2 Oktober 2018
ABSTRACT
Forecasting stock is much needed equity investor in deciding when to sell and buy a stock index. Metematis many theories that have been used toget the right results but forecasting system that is ofte nusedisstatic. Forcases whose value is dynamic, it is difficult in the development of mathematical models. In accordance with the development of computer technology, the application of Artificial Neural Network method becomes easier to model the dynamic system. Resilient Back propagation is one model of Artificial Neural Network (ANN), which has been implemented for forecastings to ckindex. Risilient Back propagation learning has the ability toout put data and predict the future based on the learning outcomes that have been done. In this study, ANN method will be applied to forecast price of the Open, High, Low and Close in the Indonesia Stock Exchanges to ckindex. With the data in the form of daily stock prices, artificial neural networks are designed to give the weights that are used to predict the stock price in the next day. In this study, we can conclude that the net work uses the input variable opening price, high, low and close and output variables open, high, low and closeusing the two (2) hidden layer with the number of nodesand the number 100 hidden layer1 layer215 0hidden nodes produce the best forecasting accuracy. This researchis stillin its early stages, where there are many factors that can be developedor research edfurther.
Keywords: Resilient Back propagation, Forecasting, Stock.
PENDAHULUAN
Peramalan adalah menduga atau memperkirakan suatu keadaan
di masa yang akan datang
berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan (Makridakis, 1999).
Penelitian ini
memperlihatkan aplikasi model
Artificial Neural Networks (ANN) atau Jaringan Syaraf Tiruan (JST)
dalam bidang ilmu keuangan,
khususnya untuk aplikasi Financial
Forecasting. Artificial Neural
Networks (ANN) merupakan sebuah
model peramalan yang relative baru untuk aplikasi Financial Forecasting.
Financial Forecasting disini
menunjukkan pada peramalan atau prediksi harga saham di pasar modal, atau yang sering disebut stock forecasting.
JST memiliki beberapa
metode yang dapat digunakan seperti Hopfield, Perceptron, Adaline dan Backpropagation. Diantara metode-metode tersebut, Backpropagation merupakan metode yang paling sering digunakan karena metode ini
menurunkan gradien untuk
meminimalkan penjumlahan error
kuadrat dari output jaringan
Data yang digunakan dalam penelitian ini adalah indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu (times series) mulai dari bulan Januari tahun 2012 sampai bulan Desember 2012.
Rancangan sistem terdiri dari
preprocessing data yaitu tahap
normalisasi data kedalam range
[0-1]. Setelah arsitektur jaringan
ditentukan maka dilakukan proses training, dimana sistem akan dilatih sehingga dapat mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan data input dan target yang belum
pernah dilatih kedalam sistem.
Gambar 3.1 adalah rancangan umum dari sistem yang akan dibangun pada penelitian ini, yaitu:
Gambar 3.1 analisis system
Variabel data masukan
merupakan sekumpulan data serial atau berkala dari transaksi pada suatu jangka waktu. Di dalam sistem peramalan jaringan syaraf tiruan ini, data masukan yang digunakan yaitu : a. Harga Pembuka
Harga saham pembuka yang
diperoleh pada satu hari
transaksi saham di bursa efek.
Diinisialisasikan dengan
variabel X1. b. Harga Tertinggi
Harga saham tertinggi yang
diperoleh pada satu hari
transaksi saham di bursa efek.
Diinisialisasikan dengan
variabel X2. c. Harga Terendah
Harga saham terendah yang
diperoleh pada satu hari
transaksi saham di bursa efek.
Diinisialisasikan dengan
variabel X3. d. Harga Penutup
Harga penutupan saham yang
menjadi penutupan transaksi
saham pada hari itu.
Diinisialisasikan dengan
variabel X4.
Output berhubungan langsung
dengan fungsi aktivasi, sehingga target output dari pasangan data pelatihan harus memiliki rentang nilai yang sama dengan output fungsi aktivasi yakni antara -1 sampai 1.
Output yang dihasilkan akan
digunakan untuk memprediksi harga Open, high, Low dan close sesuai dengan nilai input yang dimasukkan oleh pengguna. Training Testing Postprocess Selesai Mulai Preprocessi Arsitektur
Jurnal Ilmiah Dunia Ilmu Vol.4 No.2 Oktober 2018
Sebelum melakukan
perhitungan Output, yang harus dilakukan terlebih dahulu adalah
melakukan training untuk
mendapatkan pola pembelajaran
pergerakan harga sesuai dengan data-data yang tersimpan dalam data-database. Epoch yang semakin besar akan memakan waktu yang semakin lama, namun pola yang dihasilkan dari proses training akan lebih baik dibanding Epoch yang kecil namun tidak memakan waktu yang lama.
Data yang digunakan dalam
penelitian ini adalah database indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu (times series) mulai dari bulan Januari tahun 2012 sampai bulan Desember 2012. Data
kemudian disusun dan dipilih
variabel faktor-faktor yang
mempengaruhi harga saham dengan record data yang memiliki informasi paling lengkap. Berdasarkan data
tersebut, kemudian digunakan
sebanyak 260 kasus untuk
masing-masing kategori. Data tersebut
kemudian akan di bagi menjadi 2
bagian, yaitu data pelatihan
(training), data pengujian (testing). Sebanyak 50% data digunakan untuk proses training dan 50% data digunakan untuk proses testing.
Data yang telah dianalisis kemudian dinormalisasi sehingga dapat dikenali oleh fungsi aktifasi
yang akan digunakan. Pada
penelitian ini, data di normalisasi kedalam range [0-1] berdasarkan rumus : X’= . ( ) + 0.1(Siang, 2004) Dengan: x’ = x yang telah dinormalisasi x = x sebelum dinormalisasi
min = nilai minimum dari seluruh
data
max = nilai maksimum dari
seluruh data
Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output
layer). Berikut adalah rincian
arsitektur jaringan saraf tiruan yang digunakan:
1. Lapisan masukan (input
layer) terdiri 4 neuron dan ditambah sebuah bias.
2. Lapisan tersembunyi (hidden layer) terdiri dari n lapis. Banyaknya jumlah neuron pada hidden layer yang akan
digunakan ditentukan
berdasarkan percobaan yang
dilakukan beberapa kali
untuk mendapat arsitektur
terbaik, Setiap
masing-masing hidden layer akan ditambah dengan sebuah bias. 3. Lapisan keluaran (output
layer) yang digunakan
sebanyak satu lapis dengan 1 neuron.
Fungsi aktivasi yang akan digunakan dari input layer menuju hidden layer pertama adalah fungsi aktivasi sigmoid, begitu juga dari hidden layer pertama menuju hidden layer kedua menggunakan fungsi aktivasi sigmoid sedangkan pada
output layer akan digunakan fungsi aktivasi linier dengan nilai minimal error yaitu 0.01 dengan nilai learning rate yang berada pada range 0.1 sampai dengan 0.9. Rancangan arsitektur secara umum dapat dilihat pada gambar 3.2.
Keterangan :
X = input neuron pada input layer Z = hidden neuron pada hidden layer Y = output neuron pada output layer V11,..Vn = bobot dari input layer ke hidden layer pertama
W11,..Wn = bobot dari hidden layer pertama ke hidden layer kedua 1 = bias dari input layer ke hidden layer
Proses training pada JST memerlukan data input dan data target. Training meliputi proses
iteratif dari data input yang
dimasukkan ke dalam jaringan
sehingga jaringan dapat belajar dan menyesuaikan data yang dilatih dengan data target yang diinginkan. Training dilakukan untuk mencari nilai bobot yang menghubungkan
semua neuron sehingga
meminimalkan error yang dihasilkan oleh output jaringan.
Proses training JST
menggunakan sebanyak 50% jumlah data yang terdiri dari input data dan output target, kemudian data training
dinormalisasi sebelum diproses
kedalam jaringan. Pada proses ini akan dilakukan pelatihan dengan arsitektur JST dari jumlah hidden neuron yang berbeda-beda. Setiap arsitektur yang diuji tersebut akan menghasilkan bobot pelatihan yang nantinya akan digunakan sebagai bobot awal pada proses testing. Kemudian inisialisasi bobot dan bias untuk menghitung nilai output dari
setiap neuron yang akan
dikalikan dengan fungsi aktivasi dan learning rate.
Setelah nilai output jaringan pada lapisan output diperoleh, hitung nilai error dari jaringan, kemudian nilai error dibandingkan dengan nilai error target yang telah ditetapkan. Jika error jaringan yang dihasilkan tidak lebih kecil atau sama dengan nilai error yang telah ditetapkan,
Jurnal Ilmiah Dunia Ilmu Vol.4 No.2 Oktober 2018
backprop dengan memodifikasi
bobot jaringan dan bias pada iterasi tertentu hingga didapatkan nilai error minimum mendekati error
target yang telah ditetapkan
sebelumnya. Ketika kondisi error lebih kecil daripada error target maka bobot tersebut akan disimpan sebagai bobot terpilih dalam proses training. Berikut adalah flowchart training Resilient Backpropagation: Perhitungan error digunakan untuk
menguji keakurasian jaringan.
Tujuannya yaitu memperoleh nilai error seminimal mungkin dengan cara mengganti nilai bobot yang terhubung pada semua neuron secara
iteratif. Pada penelitian ini,
perhitungan error yang digunakan adalah Mean Square Error (MSE) yang merupakan rata-rata kuadrat dari selisih antara output jaringan dengan output target. Rumus dari MSE sebagai berikut:
Keterangan:
= nilai output target
= nilai output jaringan
N = jumlah output dari neuron
Proses testing JST menggunakan sebanyak 50% dari jumlah data yang telah dipilih untuk masing-masing kategori. Pada tahap ini jaringan akan di testing dengan data baru yang belum pernah dilatih kedalam
jaringan untuk mengetahui
kemampuan jaringan melakukan
generalisasi kasus yang dihadapi dan kemudian menarik kecenderungan terhadap output tertentu.
Proses testing hanya akan menerapkan tahap propagasi maju. Secara umum proses testing JST dapat dilihat pada gambar 3.4:
Adapun tahapannya adalah sebagai berikut:
1. Masukkan nilai input dari data testing.
2. Lakukan perhitungan neuron-neuron pada hidden layer dengan rumus:
Zinj = Voj +∑ Xi.Vij
3. Hitung hasil output dari masing-masing hidden layer dengan menerapkan kembali fungsi aktivasi.
Zj = f (Zinj)
= -z_inj
Sinyal tersebut kemudian
neuron pada lapisan berikutnya yaitu output layer. 4. Setiap neuron pada output
layer (Yk, k=1,..,5)
menjumlahkan sinyal-sinyal output beserta bobotnya: Yink = W0k + ∑ j.Wjk 5. Menerapkan kembali fungsi
aktivasi untuk menghitung sinyal output
= ( _ )
= -y_ink
Setelah proses testing selesai,
maka kemampuan
generalisasi jaringan dapat diukur dari berapa banyak
pola yang dikenali. Hal
tersebut dihitung
menggunakan rumus berikut:
! " " =
#$%&'()'*'+',-) . ,'&
#$%&'()'*'* /* ,- x 100 %
Hasil proses testing berupa
matriks yang bentuknya sesuai
dengan
output targetnya. Output jaringan kemudian akan ditentukan pada suatu pola tertentu. Jika hasil keluaran jaringan lebih besar atau sama dengan 0,5 maka jaringan dianggap meniliki hasil keluaran 1 dan jika jaringan memiliki keluaran kurang dari 0,5 maka akan dianggap memiliki hasil keluaran 0. Data yang dikatakan dikenali adalah apabila
data hasil normalisasi yang
digunakan sebagai nilai input dapat menghasilkan nilai output jaringan yang sama dengan nilai target yang diinginkan.
PEMBAHASAN DAN HASIL PENELITIAN
Pada bab ini akan dilakukan implementasi dan pengujian sistem. Sistem dibuat dengan menggunakan Matlab R2008b. Pengujian sistem untuk memrepresentasikan review akhir dari analisis dan implementasi.
Lingkungan implementasi yang
akan dijelaskan merupakan
lingkungan perangkat keras
(hardware) dan perangkat lunak (software) yang digunakan dalam penulisan skripsi ini.
Spesifikasi perangkat keras
(hardware) yang digunakan
adalah sebagai berikut:
1. Prosesor Intel(R) core (TM) i3
CPU M380 @ 2.53GHz (4CPUs), ~2.5GHz. 2. RAM 2048 MB. 3. Hard disk 500 GB. 4. Keyboard. 5. Mouse.
Spesifikasi perangkat lunak
(software) yang digunakan adalah sebagai berikut:
1. Operating System Windows 7 Ultimate 64-bit (6.1, Build 7600). 2. Software Matlab R2008b.
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
Untuk mencari arsitektur jaringan terbaik dengan menggunakan metode Resilient Backpropagation, maka
penulis melakukan serangkaian
percobaan dengan memodifikasi
jumlah hidden layer dan hidden
neuron untuk masing-masing
layerbeserta parameter-parameter
yang digunakan. Adapun langkah-langkah yang dilakukan oleh penulis adalah sebagai berikut:
1. Dilakukan serangkaian
percobaan untuk variasi
jumlah hidden layer dan jumlah hidden neuron untuk mencari arsitektur jaringan terbaik. Dari seluruh variasi jumlah neuron pada hidden
layer yang dicoba akan
dipilih satu variasi yang
memberikan nilai MSE
pelatihan paling minimum. 2. Setelah arsitektur jaringan
terbaik diperoleh, kemudian
dilakukan beberapa kali
percobaan untuk mencari
bobot terbaik pelatihan yang
menghasilkan nilai MSE
paling minimum sesuai
dengan iterasi yang telah ditetapkan.
3. Nilai bobot terbaik disimpan untuk diuji kembali dengan menggunakan nilai learning
rate antara 0.1 sampai dengan 0.9.
4. Menampilkan hasil prediksi menggunakan data testing yang pernah dilatih kedalam jaringan.
Peramalan Data Harga Pembuka
(Open) dengan Resilient
Backpropagation Neural Network
dengan Jumlah Hidden Layer
Sebanyak 2
Proses awal ini dimulai dengan
memasukkan coding ke dalam
software MATLAB seperti yang sudah dijelaskan sebelumnya dan
tampilan coding tersebut dapat
dilihat dilampiran.
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut :
Hasil_akhir =
1.4900 1.4887 1.4922 1.4909 1.4845 Columns 265 through 270 1.4899 1.4790 1.4767 1.4761 1.4790 1.4823 Columns 271 through 2761.4853 1.4900 1.4906 1.4888 1.4864 1.4783Columns 277 through 282 1.4795 1.4797 1.4849 1.4858 1.4859 1.4782 Columns 283 through 288 1.4765 1.4791 1.4796 1.4849 1.4949 1.4930 Columns 289 through 290 1.4970 1.5014 MSE_train = 0.00096812
Peramalan Data Harga
Tertinggi (High) dengan
Resilient Backpropagation
Neural Network dengan
Jumlah Hidden Layer
Sebanyak 2
seperti yang sudah dijelaskan
sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran.
Data yang digunakan yaitu daftar harga saham yang dimulai dari Januari 2012 s/d Desember 2012.
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut : Hasil_akhir = Columns 259 through 264 1.4900 1.4900 1.4979 1.4963 1.4957 1.5000 Columns 265 through 270 1.5016 1.5044 1.5053 1.5055 1.5059 1.5018 Columns 271 through 276 1.5036 1.5010 1.5000 1.5016 1.5035 1.5053 Columns 277 through 282 1.5058 1.5057 1.5056 1.5048 1.5046 1.5053 Columns 283 through 288 1.5058 1.5057 1.5056 1.5048 1.4930 1.4873 Columns 289 through 290 1.4747 1.4525 MSE_train = 0.009829
Peramalan Data Harga
Terendah (Low) dengan Resilient Backpropagation Neural Network
dengan Jumlah Hidden Layer
Sebanyak 2
Proses awal ini dimulai dengan
memasukkan coding ke dalam
software MATLAB seperti yang sudah dijelaskan sebelumnya dan
tampilan coding tersebut dapat
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut : Hasil_akhir = Columns 259 through 264 1.4800 1.4900 1.5133 1.5312 1.5414 1.5449 Columns 265 through 270 1.5465 1.5463 1.5462 1.5462 1.5461 1.5465 Columns 271 through 276 1.5471 1.5474 1.5489 1.5481 1.5478 1.5468 Columns 277 through 282 1.5466 1.5464 1.5464 1.5471 1.5469 1.5465 Columns 283 through 288 1.5464 1.5462 1.5462 1.5466 1.5471 1.5498 Columns 289 through 290 1.5509 1.5559 MSE_train = 0.00099998 SIMPULAN
Program peramalan dengan algoritma jaringan syaraf tiruan ini telah memberikan hasil yang cukup memuaskan dalam peramalan indeks
harga saham. dapat diambil
kesimpulan sebagai berikut :
1. Jaringan syaraf tiruan mampu
digunakan untuk meramalkan
indeks harga saham yang cukup akurat, dilihat dari hasil testing atau estimasi yang tepat.
2. Faktor pemilihan input sangat berpengaruh pada ketepatan hasil peramalan indeks harga saham tergantung pada arsitektur yang digunakan. Input dalam proses training yang digunakan dalam peramalan ini yaitu Open, High, Low dan Close.
3. Dengan melihat hasil peramalan, dapat diambil kesimpulan bahwa indeks harga saham gabungan merupakan bidang yang rentang nilai antara high dan low sehingga dalam 1 hari dapat berbeda jauh atau cenderung tidak stabil.
Sebagai pengembangan penelitian lebih lanjut maka diharapkan dapat dilakukan beberapa perbaikan yaitu: 1. Perlu diadakan penelitian lebih
lanjut mengenai metode untuk peramalan nilai indeks harga saham yang lebih akurat. Hal ini perlu dilakukan karena adanya faktor – faktor lainnya yang mempengaruhi pergerakan nilai indek saham seperti suku bunga, stabilitas politik, fundamental perusahaan dan lainnya.
2. Untuk meningkatkan keakuratan peramalan, faktor input tidak dilihat dari nilai Open, High, Low dan Close saja tetapi ditambah dengan nilai lain misalnya dengan faktor Input suku bunga yang berlaku agar proses pengenalan
pola dalam training dapat
mempelajari hubungannya dengan pergerakan nilai indeks harga saham.
3. Mencoba menambah data-data historis yang telah ada menjadi
lebih lengkap lagi sehingga
meningkatkan keakuratan
peramalan. Semakin banyak data historis yang ada untuk di training maka semakin akurat peramalan dengan menggunakan jaringan syaraf tiruan.
4. Sebaiknya penelitian dilakukan
lebih dalam lagi untuk
membangun arsitektur jaringan syaraf tiruan yang memberikan hasil yang lebih optimal.
5. Untuk pengembangan selanjutnya
diperlukan desain antarmuka agar sistem dapat lebih user friendl
DAFTAR PUSTAKA
Chatfield, C. and Faraway, J., Time Series Forecasting with Neural Networks: a Comparative Study Using the Airline Data, Royal Statistical Society, 47, Part 2, pp. 231-250, 1998.
Demuth, H., Beale, M. (2009). Neural Network Toolbox, For Use with MATLAB. USA: The MathWorks.
Fajri, Nazar Iskandar., 2011. Prediksi
Suhu dengan Menggunakan
Algoritma-Algortima yang
Terdapat pada Artificial Neural
Network. Thesis. Bandung,
Indonesia: Institut Teknologi Bandung.
Fausett, L. 1994. Fundamental of Neural Network : Architecture, Algorithm and Application. New Jersey. Prentice-Hall.
Halim, Abdul. 2005. Analisis
Investasi. Jakarta : Salemba Empat.
Kao, J.J & Huang, S.S. 2000, Forecasts Using Neural Network
versus Box-Jenkins
Methodology for Ambient Air
Quality Monitoring Data,
Journal of the Air and Waste Management Association, 50, pp. 219-226, 2000.
Kusumadewi, Sri. 2003. Artificial
Intelligence (Teknik dan
Aplikasinya). Edisi I.
Yogyakarta :Graha Ilmu.
Kusumadewi, Sri. 2004. Membangun
Jaringan SyarafTiruan
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
&Excel Link). Edisi I.
Yogyakarta : Penerbit Graha Ilmu.
Leung, M.T., Chen, A.N., and
Daouk, H., Forecasting
Exchange Rates using General Regression Neural Networks,
Computers & Operations
Research, 27, pp. 1093-1110, 2000.
Makridakis, 1999. Metodedan
Aplikasi Peramalan Edisi
Kedua. (diterjemahkan oleh :
Suminto, Hari). Binarupa
Aksara. Jakarta. Terjemahan dari : Forecasting Methods and Applications, Second Edition.
Manurung, A. (2002). Teknik
Peramalan Bisnis dan Ekonomi. Jakarta : Rineka Cipta.
Cattolico, M.2000. A Computational
Intelligence Approach to
Financial Forecanting.
Neves, J, and Cortez, P. 1998. Combining Genetic Algorithms, Neural Networks and Data
Filtering for Time Series
Forecasting. Departamento de Informatica Universidade do Minho. Portugal.
Pandjaitan, L.W. 2002. Dasar-Dasar Komputasi Cerdas. Andi Offset. Yogyakarta.
Portugal, M.S., Neural Networks Versus Time Series Methods: a
Forecasting Exercise, 14th
International Symposium on
Forecasting, Stockholm School of Econometrics, Stockholm, Sweden, pp. 12-15 of June, 1995.
Puspitaningrum, Diyah. 2006.
Pengantar Jaringan Saraf
Tiruan. Edisi I. Yogyakarta : ANDI.
Rusdin. 2005. Pasar Modal.
Bandung : Alfabeta.
Santosa, Budi. 2007. DATA MINING : Teknik Pemanfaatan Data untuk Keperluan Bisnis. EdisiI. Yogyakarta : Graha Ilmu.
Siang, J.J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Andi Offset. Yogyakarta.
Tandelilin, Eduardus, 2001, Analisis
Investasi dan Manajemen
Portofolio, edisi pertama, BPFE Yogyakarta
Taswan dan Euis Soliha, 2002,
“Perspektif Analisis Pelaku
Investasi dan Spekulasi di Pasar Modal”, Fokus Ekonomi, Vol.1 No.2 Agustus hal.157-166
Weigend, Andreas S., David E. Rumelhart, dan Berdardo A.
Huberman (1991).
Generalization by Weight
Elimination with Application to Forecasting, Neural Information Processing System, San Mateo :
Morgan Kaufmann, vol.
