Perbandingan Kinerja Algoritma Propagasi Mundur dan Fungsi

advertisement
BAB III
METODE PENELITIAN
Pada bab ini akan membahas metode penelitian yang akan digunakan dalam
melakukan pengujian sistem meliputi: penjelasan dan gambaran penelitian, desain arsitektur
dari sistem yang berisi implementas algoritma Jaringan Saraf Tiruan yang akan diujikan,
arsitektur basis data penyimpanan data history, proses kerja sistem, serta skenario pengujian
sistem yang nantinya akan direalisasikan.
Jaringan Saraf Tiruan (JST) memiliki keunggulan dalam hal pelatihan dan
pembelajaran suatu pola data sehingga JST dapat berfungsi sebagai alat peramalan di masa
depan. Analisis Teknikal pada saham adalah suatu metode analisis yang menitikberatkan
kepada pergerakan nilai saham di masa lalu untuk memprediksi pergerakan saham di masa
depan. Pada skripsi ini, dilakukan penelitian untuk meramal nilai saham di masa depan
dengan terlebih dahulu melakukan pembelajaran jaringan dari saham di masa lalu. Berikut
adalah tahapan kerja yang dilakukan dalam penelitian.
1. Pembuatan Basis Data
2. Pengambilan dan Pemodelan Data
3. Perancangan Perangkat Lunak JST
4. Pelatihan, Percobaan dan Pengujian JST
5. Analisa Hasil Percobaan dan Pengujian
23
3.1.
Pembuatan Basis Data
Pada penelitian ini, terdapat basis data history untuk menunjang penelitian. Basis data
tersebut berisi data historical saham, nilai-nilai variabel JST yang diperlukan dalam penelitian
serta data history dari hasil penelitian. Database Management yang digunakan adalah
Microsoft Structured Query Language (SQL) Server Express Edition 2005. Gambar 3.1
adalah gambar Entity Relational Diagram (ERD) dari basis data sistem.
tabel_data_saham_perusahaan
PK,FK1
PK
id_perusahaan
tgl_data_saham
tabel_perusahaan
mempunyai
PK
data_open
data_high
data_low
data_close
data_volume
id_perusahaan
nama_perusahaan
melakukan
tabel_hasil_prediksi
PK
indeks_hari
FK1
no_prediksi
nilai_prediksi
nilai_aktual
mempunyai
tabel_data_prediksi
tabel_cluster_rbf
PK
no_prediksi
FK1
indeks_percobaan
indeks_perusahaan
tanggal_awal_prediksi
banyak_data_pelatihan
variasi_input
jumlah_prediksi
jenis_algoritma
laju_kecepatan
neuron_tersembunyi
iteraksi_maksimum
target_error
lama_prediksi_jam
lama_prediksi_menit
lama_prediksi_detik
lama_prediksi_milidetik
spread_cluster_rbf
bobot_bias_hidden_awal_pm
bobot_bias_hidden_akhir_pm
id_perusahaan
mempunyai
FK1
no_prediksi
indeks_neuron_hidden
indeks_variable_input
nilai_cluster
tabel_bobot_input
mempunyai
FK1
no_prediksi
indeks_neuron
indeks_variable_input
nilai_bobot_input
posisi_indeks_bobot
tabel_history_mse
mempunyai
no_history_mse
FK1
no_prediksi
indeks_iterasi
mse
tabel_bobot_hidden
mempunyai
FK1
no_prediksi
indeks_neuron
nilai_bobot_input
posisi_indeks_bobot
tabel_bobot_input_bias
mempunyai
Gambar 3.1 ERD Basis Data Sistem
24
PK
FK1
no_prediksi
indeks_neuron
nilai_bobot_bias
posisi_indeks_bobot
3.2.
Pengambilan dan Pemodelan Data
Data adalah bagian yang penting dalam penelitian ini. Tanpa data, maka penelitian
tidak dapat dilakukan.
3.2.1. Pengambilan Data
Dalam analisis Teknikal saham, data historical adalah data yang akan menentukan
peramalan tren saham di masa depan. Untuk itu, data historical ini harus dimiliki. Diagram
alir pengambilan data digambarkan dalam gambar 3.2.
Mulai
Masuk ke halaman
www.finance.yahoo.com
Pilih investing-market stats
Pilih saham world-asia/pasific
Untuk menggunakan saham indonesia
pilih saham Jakarta Composite
Untuk melihat data saham pilih
historical prices
Pilih perusahaan yang akan dianalisis dan
simpan berupa spread sheet
Menyimpan data ke dalam basis data
menggunakan program converter
spread sheet ke SQL Server
Selesai
Gambar 3.2 Diagram Alir Pengambilan Data
25
Data historical akan diproses dalam sistem peramalan JST dan menghasilkan data
hasil peramalan. Data historical saham tersebut diambil dari 20 Perusahaan Perseroan
Terbatas Terbuka di Bursa Efek Indonesia, yang akan diambil dari www.finance.yahoo.com
dari tahun 2003-2011. Berikut adalah daftar perusahaan tersebut.
- Bank Danamon Indonesia
-
Mustika Ratu
- Bank Mandiri
-
Mandom Indonesia
- Indofood Sukses Makmur
-
Kimia Farma (Persero)
- Siantar Top
-
Darya-Varia Laboratoria
- Gudang Garam
-
Indocement Tunggal Prakarsa
- Bentoel Internasional Investama
-
Holcim Indonesia
- Sentul City
-
Aneka Tambang (Persero)
- Lippo Cikarang
-
Resource Alam Indonesia
- Astra International
-
Astra Agro Lestari
- Gajah Tunggal
-
Tunas Baru Lampung
Perusahaan-perusahaan di atas diambil dari beberapa sektor saham sehingga
memungkinkan variasi penelitian yang dipengaruhi dari faktor-faktor khas di tiap perusahaan.
Data tiap perusahaan akan dibagi menjadi data pembelajaran dari JST dan data uji.
www.finance.yahoo.com menyediakan data berupa file spread sheet, sehingga bisa dikonversi
ke dalam bentuk basis data SQL.
3.2.2. Pemodelan Data
Penelitian ini menggunakan 4 variabel data masukan yaitu data harga pembukaan,
tertinggi, terendah dan penutupan saham pada hari tersebut. Sedangkan untuk keluaran hanya
menggunakan 1 variabel yaitu harga penutupan pada hari berikutnya. Pola jaringan tersebut
akan dilatih dalam sekian banyak data/hari. Tabel 3.1 akan menggambarkan gambaran dari
pola pelatihan JST selama 20 hari.
26
Tabel 3.1 Gambaran Pola Pelatihan JST
Nilai Data
Indeks
Nilai Data Masukan
Keluaran
Harga
Hari
Tanggal Saham
Harga
Harga
Harga
Harga
Penutupan
(Hari
Pembukaan
Tertinggi
Terendah Penutupan
Berikutnya)
H-20
07 Oktober 2011
6150
6300
5950
6000
6250
H-19
10 Oktober 2011
6000
6250
5950
6250
6450
H-1
03 Nopember 2011
6950
7000
6800
6900
7200
H
04 Nopember 2011
7100
7250
7050
7200
Prediksi
Tabel 3.1 menjelaskan bahwa pola latih sebanyak 20 hari (h-20 sampai h-1). Data
saham penutupan yang akan di prediksi adalah pada tanggal 7 Nopember 2011 (tanggal 5 dan
6 Nopember adalah hari libur). JST akan melakukan pelatihan hingga target terpenuhi dan
mendapatkan bobot yang terakhir. Dengan bobot yang terakhir tersebut, dapat diprediksi nilai
harga saham penutupan pada tanggal 7 Nopember 2011. Data masukan untuk mendapatkan
hasil prediksi tersebut merupakan data uji pada tanggal 04 Nopember 2011.
Setelah ditentukan pola pembelajaran, maka arsitektur dari JST dapat dirancang dalam
suatu arsitektur pemodelan data. Gambar 3.3 di bawah ini adalah arsitektur dari kedua
algoritma.
lapisan
masukan
harga pembukaan
harga tertinggi
lapisan
tersembuyi
x1
lapisan
keluaran
z1
x2
z2
harga terendah
y
harga penutupan
hari berikutnya
x3
z3
harga penutupan
x4
1
1
Gambar 3.3 Arsitektur Pemodelan Jaringan Propagasi Mundur
27
Keterangan gambar 3.3 adalah sebagai berikut :
-
xi menjelaskan neuron pada lapisan masukan
-
zj menjelaskan neuron pada lapisan tersembunyi
-
y menjelaskan neuron pada lapisan keluaran
-
vij menjelaskan bobot antara lapisan masukan dan tersembunyi
-
v0j menjelaskan bobot bias pada lapisan tersembunyi
-
wj menjelaskan bobot antara lapisan tersembunyi dan keluaran
-
w0 menjelaskan bobot bias pada lapisan keluaran
-
nilai 1 berarti bobot bias dikalikan dengan nilai awal 1 (bobot lain dikalikan nilai
dari neuron masukannya)
Gambar 3.3 menjelaskan bahwa pola sebanyak n data akan dipakai sebagai data
pelatihan. 1 iterasi berarti pelatihan sudah dilakukan pada n data. Pelatihan pola tersebut akan
terus berulang sampai iterasi mencapai iterasi maksimum yang ditentukan. Pelatihan juga
akan berhenti saat MSE mencapai target error yang ditentukan.
Gambar 3.4 akan menjelaskan arsitektur pemodelan data jaringan Fungsi Basis Radial.
lapisan
masukan
harga pembukaan
harga tertinggi
lapisan
tersembuyi
x1
lapisan
keluaran
h1
x2
h2
harga terendah
y
x3
harga penutupan
hari berikutnya
h3
harga penutupan
x4
Gambar 3.4 Pemodelan Data Fungsi Basis Radial
Keterangan gambar 3.4 adalah sebagai berikut :
-
xi menjelaskan neuron pada lapisan masukan
-
hj menjelaskan neuron pada lapisan tersembunyi
-
y menjelaskan neuron pada lapisan keluaran
-
wj menjelaskan bobot antara lapisan tersembunyi dan keluaran
Pemodelan data pada algoritma Fungsi Basis Radial memiliki perbedaan dengan
28
pemodelan data algoritma Propagasi Mundur. Perbedaan itu terletak pada bagian antara
lapisan masukan dan lapisan tersembunyi, di mana pemodelan pada algoritma Fungsi Basis
Radial tidak memiliki bobot antara lapisan masukan dan tersembunyi. Hal ini dikarenakan
algoritma ini melakukan pengelompokan (clustering) data terlebih dahulu. Fungsi
pengelompokan tersebut adalah untuk membagi data berdasarkan kedekatan data ke clustercluster tertentu yang direpresentasikan ke dalam neuron pada lapisan tersembunyi. Setelah
data dikelompokan, pelatihan jaringan dilakukan sampai iterasi mencapai target yang
ditentukan. Selain perbedaan di atas, jaringan Fungsi Basis Radial juga tidak menggunakan
bobot bias dalam pelatihan jaringan.
3.3.
Perancangan Perangkat Lunak Peramalan JST
Untuk mendukung penelitian, dibuatlah sebuah perangkat lunak berupa sistem cerdas
sederhana yang dibangun dengan C# Visual Studio 2008. Sistem cerdas tersebut merupakan
implementasi dari kedua algoritma Jaringan Saraf Tiruan yaitu Propagasi Mundur dan Fungsi
Basis Radial. Gambar 3.5 menjelaskan gambaran sistem penelitian.
Data
Data disimpan
historical
Sistem Peramalan Tren
Investasi Saham
User
dipanggil
Interface
Analisis dan
JST
query
simpan Basis
Data
Penelitian data
hasil keluaran
historic
al
Hasil
peramalan
Gambar 3.5 Blok Diagram Sistem Penelitian
3.3.1. Arsitektur Perangkat Lunak JST
Perangkat lunak peramalan JST, berfungsi sebagai antar muka sehingga penelitian
29
dapat dilakukan dengan baik. Di dalam perangkat lunak ini terdapat implementasi dari kedua
algoritma yang diujikan yaitu Propagasi Mundur dan Fungsi Basis Radial.
3.3.1.1 Arsitektur Jaringan Propagasi Mundur
Gambar 3.6 akan menjelaskan diagram alir arsitektur Propagasi Mundur.
Mulai
Tetapkan jumlah neuron pada lapisan
masukan, tersembuyi dan keluaran
Inisialisasi bobot dan bias dengan
Metode Nguyen-Widrow
Tetapkan maksimum_iterasi, target
error dan laju pelatihan ; iterasi=0
iterasi=max
iterasi atau
Ya
Simpan bobot
MSE=target
error?
Hitung MSE;
Peramalan Saham
iterasi=iterasi+1
(tahap FeedForward)
Tidak
Tahap
BackPropagation
Tahap FeedForward
Selesai
Gambar 3.6 Diagram Alir Arsitektur Propagasi Mundur
30
Pada langkah pertama, perlu ditentukan jumlah neuron pada tiap lapisan. Pada lapisan
masukan sudah ditentukan bahwa neuron masukan adalah 4 buah yang menggambarkan harga
saham pembukaan, tertinggi, terendah dan penutupan. Neuron pada lapisan tersembunyi
ditentukan sesuai dengan variasi penelitian. Sedangkan neuron pada lapisan output hanya ada
1 buah yang menggambarkan harga saham penutupan keesokan harinya.
Selanjutnya inisialisasi bobot dan bias awal menggunakan metode Nguyen-Widrow.
Metode ini digunakan untuk mendapatkan bobot dan bias awal yang lebih baik daripada
dibangkitkan dengan fungsi acak biasa. Pemilihan bobot dan bias awal yang baik akan
mempengaruhi jaringan Saraf dalam mencapai nilai minimum terhadap kesalahan/error, serta
mempengaruhi kecepatan pelatihan sampai mencapai konvergen[1, h.94].
Maksimum iterasi dan target error adalah variabel yang ditentukan untuk membatasi
lama dari pelatihan jaringan. Kedua variabel ini akan mempengaruhi lama dari pelatihan.
Semakin besar maksimum iterasi yang ditentukan, semakin lama pelatihan. Demikian juga
dengan target error. Semakin kecil target error yang diinginkan, semakin lama pelatihan
jaringan. Penentuan laju pelatihan akan mempengaruhi kecepatan perubahan bobot.
Tahap selanjutnya adalah pembelajaran jaringan. Untuk memulai pelatihan jaringan,
inisialisasi iterasi menjadi 0. Tahap pembelajaran pada algoritma Propagasi Mundur dibagi
menjadi 2 tahap yaitu, Tahap FeedForward dan tahap Backward. Tahap FeedForward dan
tahap Backward
pada algoritma Propagasi Mundur akan terus dilakukan sampai MSE
mencapai target error atau jika iterasi sudah mencapai maksimum iterasi yang ditetapkan.
Setelah target error dan maksimum iterasi tercapai, bobot dan bias terakhir disimpan
untuk digunakan sebagai pembobot peramalan. Pada tahap peramalan hanya digunakan tahap
FeedForward pada algoritma Propagasi Mundur. Hasil keluaran dari tahap FeedForward ini
yang selanjutnya didenormalisasi dan merupakan hasil peramalan jaringan.
31
3.3.1.2 Arsitektur Jaringan Fungsi Basis Radial
Gambar 3.7 akan menjelaskan diagram alir arsitektur Fungsi Basis Radial.
Mulai
Inisialisasi jumlah neuron masukan, jumlah cluster
(jumlah neuron lapisan tersembunyi), jumlah neuron
keluaran
Inisialisasi laju pembelajaran, iterasi
maksimum, target error, bobot
Menentukan pusat cluster menggunakan K-means
clustering layer dan lebar cluster
Tahap Pembelajaran
Perbaikan bobot
iterasi=max
Hitung MSE;
iterasi=iterasi+1
Ya
iterasi atau
Tidak
Simpan bobot
MSE=target
error?
Peramalan Saham
Selesai
Gambar 3.7 Diagram Alir Arsitektur Fungsi Basis Radial
Arsitektur algoritma Fungsi Basis Radial sedikit agak berbeda dengan Propagasi
Mundur. Pada langkah awal tentukan jumlah neuron pada lapisan masukan, tersembunyi dan
keluaran. Jumlah neuron lapisan masukan adalah 4 buah yang merupakan gambaran dari
32
harga pembukaan, tertinggi, terendah dan keluaran. Jumlah neuron pada lapisan tersembunyi
dipilih sesuai inputan. Sedangkan jumlah neuron pada lapisan keluaran adalah 1 yang
menggambarkan harga saham hari berikutnya.
Inisialisasi jumlah cluster, laju pembelajaran, iterasi maksimum, target error dan
bobot awal. Penentuan jumlah cluster akan menentukan juga jumlah neuron pada lapisan
tersembunyi. Artinya, jumlah cluster dan neuron lapisan tersembunyi adalah sama. Target
error dan iterasi pada algoritma ini memiliki fungsi yang sama dengan algoritma Propagasi
Mundur. Keduanya berfungsi untuk membatasi pelatihan jaringan. Sedangkan bobot awal
pada algoritma Fungsi Basis Radial hanya berada pada lapisan tersembunyi ke lapisan
keluaran. Biasanya, bobot awal ini diinisialisasi bernilai 0.
Pada langkah kedua, ditentukan nilai pusat pada masing-masing cluster. Pada diagram
alir di atas tampak bahwa proses pengelompokan ini dilakukan dengan algoritma K-means.
Diagram alir algoritma K-means pada gambar 3.8 di bawah ini.
Mulai
Tentukan jumlah cluster
Tentukan asumsi titik
Ya
pusat cluster secara acak
Apakah data
Hitung jarang masing-
berpindah
masing data ke titik pusat
cluster?
selesai
Tidak
Kelompokan data
berdasarkan jarak minimum
Gambar 3.8 Diagram Alir K-means
Gambar 3.8 di atas menjelaskan bagaimana algoritma K-means bekerja. Algoritma Kmeans mengelompokkan data berdasarkan jarak minimum data terhadap nilai pusat yang telah
dipilih. Pada awal algoritma, nilai pusat dipilih dengan acak berdasar data yang ada.
33
Selanjutnya data tersebut dicari jaraknya terhadap titik pusat. Jarak tersebut menjadi acuan
pengelompokan data sesuai jarak minimum terhadap titik pusat. Kemudian jumlah dari tiap
kelompok cluster dibagi jumlah anggota clusternya. Hasil pembagian tersebut adalah nilai
pusat yang baru. Langkah ini diulang sampai tidak ada perpindahan kelompok cluster lagi.
Setelah nilai-nilai pusat cluster sudah ditentukan, maka lebar cluster dapat dihitung.
Pada algoritma Fungsi Basis Radial, nilai lebar adalah jarak maksimum antara 2 cluster yang
dipilih.
Tahap selanjutnya adalah tahap pembelajaran. Tahap pembelajaran akan terus diulang
sampai target error dan iteraksi maksimum dicapai. Jika sudah dicapai, maka tahap peramalan
dapat dilakukan dengan menggunakan bobot terakhir dari hasil pembelajaran sebelumnya
yang sudah disimpan.
3.3.2. Normalisasi Data
Sebelum data historical diproses oleh perangkat lunak peramalan JST, perlu dilakukan
normalisasi data. Normalisasi data tersebut dilakukan supaya JST dapat mengenali data yang
akan menjadi masukkan bobot-bobotnya dalam proses pelatihan. Normalisasi data
memanipulasi data yang ada sedemikian rupa sehingga nilai-nilai dalam data historical
adalah antara 0 dan 1. Normalisasi ini dilakukan dengan cara memadukan nilai minimum
dan maksimum dalam data. Persamaan 12 di bawah ini adalah perumusan normalisasi [4,
h.15]
X norm 
X  X min
X max  X min
(12)
Di mana :
Xnorm = adalah nilai ternormalisasi
X
= data sebenarnya
Xmin = adalah nilai minimum dalam data
Xmax = adalah nilai miksimum dalam data
Fungsi dari normalisasi ini adalah memodifikasi level variabel ke nilai yang wajar.
Jika tidak dinormalisasi, nilai variabel bisa terlalu besar pada proses pelatihan. Normalisasi
juga berfungsi untuk mengurangi fluktuasi dan noise di dalam data.
Setelah data diproses dalam perangkat lunak peramalan JST, maka hasil dari
peramalan perlu didenormalisasi. Tahap ini berarti pembalikan ke nilai yang semula telah
dinormalisasi menjadi nilai sesungguhnya.
34
3.3.3. Mean Square Error (MSE)
MSE digunakan untuk menganalisis hasil peramalan adalah dengan membandingkan
nilai hasil dari peramalan dan data sebenarnya yang sudah dinormalisasi. Rumus ini
berfungsi untuk menghitung rata-rata error jaringan pada saat pembelajaran. MSE juga
berfungsi untuk melihat perubahan tingkat kesalahan dari jaringan pada setiap iterasi. MSE
dapat digunakan sebagai batasan untuk menghentikan pelatihan sesuai target kesalahan yang
sudah ditetapkan sebelumnya. Rumus 13 adalah cara menghitung MSE [4, h.8]:
n
MSE 
3.4.
 (nilai _ aktual  nilai _ hasil _ peramalan)
2
i 1
n
(13)
Pelatihan, Percobaan dan Pengujian JST
Tahap dimana data saham diproses dalam perangkat lunak peramalan JST. Melalui
data saham yang sudah tersimpan di basis data, perangkat lunak peramalan JST akan
memproses data dengan algoritma yang ada di dalamnya.
3.4.1. Pelatihan JST
Tahap ini adalah tahap pembelajaran jaringan untuk mendapatkan bobot teroptimal
yang mempengaruhi presepsi jaringan atas informasi yang dibawa (data masukan dan
keluaran).
Sebelum melakukan peramalan, jaringan perlu dilatih terlebih dahulu hingga
batasan tertentu. Setelah batasan tersebut dicapai, maka peramalan dapat dilakukan dengan
berdasarkan bobot terakhir yang sudah disimpan.
Terdapat banyak data saham yang disimpan di dalam basis data sekitar dari data dari
tahun 2003 sampai 2011. Setiap data historical masing-masing perusahaan disimpan
berdasarkan tanggal hari kerja. Artinya dari rentang waktu tersebut, dapat dipilih dan dibagi
perusahaan apa serta kapan waktu yang akan digunakan sebagai data pelatihan dan data
pengujian.
Pada penelitian ini, dipilih 6 waktu banyaknya pelatihan yaitu 1 bulan kerja (20 hari),
2 bulan kerja (40 hari), 3 bulan kerja (60 hari), 6 bulan kerja (120 hari), 1 tahun kerja (240
hari) dan 2 tahun kerja (480 hari). Dengan variasi data di atas, akan dilakukan penelitian
hubungan antara banyaknya variasi pelatihan dengan lama pelatihan serta hasil peramalan
JST.
35
3.4.2. Percobaan dan Pengujian Data
Bagian ini dibagi menjadi tahap percobaan dan pengujian data. Namun pada dasarnya
kedua tahap ini memiliki skenario yang hampir sama. Berikut adalah skenario percobaan dan
pengujian saham.
-
Menvariasikan banyaknya data pelatihan JST
-
Menvariasikan banyak neuron tersembunyi pada kedua algoritma. Dimana
algoritma Propagasi Mundur dipilih 5 buah jumlah neuron yaitu 5, 10, 20, 30
dan 50 buah neuron. Pada Algorima Fungsi Basis Radial dipilih 3 buah jumlah
neuron tersembunyi/cluster yaitu 2, 3 dan 4.
Pada tahap pelatihan, kedua algoritma memiliki beberapa variabel yang sama dalam
melakukan pembelajaran. Variabel tersebut adalah banyak neuron tersembunyi, laju pelatihan,
iterasi maksimum dan target error. Pada tahap percobaan ini, dilakukan beberapa variasi
percobaan untuk mendapatkan laju pelatihan terbaik dan iterasi maksimum yang tidak terlalu
lama.
Berdasarkan hasil yang ada (hasil peramalan dan dan tingkat kesalahan
peramalan(MSE), serta waktu pelatihan)
akan ditentukan laju pelatihan dan iterasi
maksimum yang akan digunakan sebagai variabel pengujian terhadap 20 data saham
perusahaan.
Pada tahap percobaan ini, dipilih 3 perusahaan dengan fluktuasi saham yang berbeda
dibagi berdasar kestabilan perusahaan. Pembagian perusahaan tersebut adalah :
-
Perusahaan yang Relatif Stabil
Perusahaan ini memiliki pergerakan saham yang stabil. Ini didukung oleh
faktor fundamental perusahaan yang kuat. Untuk mewakili perusahaan ini
dipilihlah data Bank Mandiri sebagai data uji coba.
-
Perusahaan yang Biasa
Persuhaan ini memiliki pergerakan saham yang biasa dalam arti tidak terlalu
signifikan. Data perusahaan yang dipilih adalah data Bank Danamon
Indonesia.
-
Perusahaan yang Relatif Tidak Stabil
Perusahaan ini memilik pergerakan data saham yang pergerakannya signifikan.
Data yang digunakan adalah data perusahaan Sentul City.
Pada tahap percobaan, dapat disimpulkan pengaruh laju kecepatan dan jumlah iterasi
maksimum terhadap hasil peramalan, waktu pelatihan dan tingkat kesalahan peramalan.
36
Setelah didapatkan nilai laju kecepatan dan nilai iteraksi maksimum yang tepat, maka
pengujian terhadap 20 perusahaan dapat dilakukan. Dari pengujian ini akan dapat disimpulkan
pengaruh neuron tersembunyi dan banyaknya data pelatihan terhadap hasil peramalan dan
tingkat kesalahan peramalan (MSE) serta lamanya waktu pelatihan.
3.5.
Analisa Hasil Percobaan dan Pengujian
Bagian ini adalah tahap mempelajari dan menganalisa hasil dari percobaan dan
pengujian yang sudah dilakukan. Parameter yang dianalisa untuk membandingkan kedua
algoritma adalah sebagai berikut :
1. Kecepatan Pelatihan
Dengan variasi nilai variabel yang sudah dijelaskan di atas, maka akan dianalisa
pengaruh variabel-variabel tersebut terhadap kecepatan pelatihan dari masingmasing algoritma.
2. Hasil Peramalan
Nilai hasil peramalan yang sudah didenormalisasi akan dibandingkan dengan nilai
aktual. Pada parameter ini, akan disimpulkan algoritma apa yang lebih baik untuk
kasus peramalan saham. Selain itu, akan dianalisa pengaruh variabel-variabel
jaringan terhadap hasil peramalan.
3. Tingkat Kesalahan pada Pelatihan (MSE)
Pada setiap skenario percobaan dan pengujian, sudah disimpan setiap perubahan
nilai MSE sampai batasan tertentu yang sudah ditetapkan. Pada parameter ini, akan
dianalisa pengaruh variasi tiap variabel terhadap MSE.
4. Pengaruh Faktor-Faktor Lain terhadap Hasil Peramalan JST
Nilai saham berubah-ubah karena faktor psikologi dari pelaku saham. Sedangkan
faktor psikologi ini dipengaruhi oleh faktor internal (analisis fundamental) dan
ekternal dari perusahaan. Analisa hubungan ralat hasil peramalan JST dan faktorfaktor tersebut memang sulit dilakukan. Namun, akan dicoba analisis tersebut.
Untuk membantu analisa parameter ini, digunakan analisis Regresi Polinomial.
Analisis Regresi Polinomial digunakan untuk mempelajari pola perubahan data
saham penutupan terhadap waktu. Diharapkan dengan analisis tersebut dapat
membantu mempelajari pengaruh faktor-faktor internal dan eksternal terhadap
hasil peramalan JST.
37
Download