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
