ADLN Perpustakaan Universitas Airlangga
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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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
Pembimbing II
Auli Damayanti, S.Si., M.Si. NIP . 19751107 200312 2 004
Dr. Herry Suprajitno, M.Si NIP. 19680404 199403 1 020
ii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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
Pembimbing II
Auli Damayanti, S.Si., M.Si. NIP . 19751107 200312 2 004
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
iii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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.
iv Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan 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
v Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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
vi Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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.
vii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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.
viii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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 2.3.1
Model Jaringan Syaraf Tiruan …………..…..… 10
ix Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
x
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
Skripsi
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
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
xi
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
LAMPIRAN
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
DAFTAR TABEL
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
xii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
DAFTAR GAMBAR 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
4.9. Prosedur menghitung nilai mean square error …………..
44
xiii Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
4.10. Prosedur inisialisasi bias dan bobot …………………………
42
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
xiv Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
DAFTAR LAMPIRAN No.
Judul Lampiran
1.
Data pembukaan (open) PT. Semen Gresik
2.
Source Code Program
3.
Pola input data training
xv Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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
1 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
2
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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
3
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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
4
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
5
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
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
5 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
6
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
7
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 kaidahkaidah 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. (Nachrowi et al, 2004)
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
8
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
9
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
10
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 (X1, X2, …, Xn) dikalikan dengan bobotnya (W1, W2, …,Wn). Dalam hal ini bobot dikalikan dengan input karena diharapkan bobot mampu memperkuat input yang masuk. Persamaan 2.1 merupakan perumusan dari net yaitu :
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
11
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
12
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
2.
13
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 (x1,x2, …, xn), sebuah layar tersembunyi yang terdiri dari p buah unit (z1, …, zp) dan m buah unit output (Y1,Y2, …, Ym) 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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
14
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
Skripsi
self - organizing learning,
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
yakni belajar
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
15
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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
16
y 1 -1
0
1
x
-1 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.
y 1
0
θ
x
Gambar 2.6 fungsi aktivasi step biner (Kusumadewi, 2003)
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
c.
17
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
y 1
0
x
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
18
y 1 x -1 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 kelemahankelemahan terutama dalam hal laju pembelajaran (learning speed). Huang (2004) menambahkan bahwa alasan utama mengapa JST mempunyai learning speed
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
19
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
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
20
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
21
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 (Xi) 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 : Xi adalah vektor data input (
Skripsi
)
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
T
22
adalah vektor target (
)
GL adalah unit hidden ke-L. sinyal input pada GL dilambangkan dengan (
).
B0L adalah bias untuk hidden ke-L. aiL adalah bobot antara input ke-i dan unit hidden ke-L. Yj
adalah unit output ke-j. sinyal input ke Yj dilambangkan dengan FL(x). Sinyal aktivasi untuk untuk Yj dilambangkan dengan Oj.
β0j adalah bias untuk unit output ke-j. βLj adalah 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).
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
23
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 langkahlangkah 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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
24
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, xp adalah nilai data asli
yang belum dinormalisasi, min (xp) adalah nilai minimum pada data set, dan
max(xp) 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] :
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
(
)(
{ }
25
{ })
{ }
(
)
Sedangkan menurut Agustina (2010), transformasi yang digunakan dalam denormalisasi data dalam interval [-1,1] adalah : (
) (
{
}
{
})
{
}
(
)
dengan x adalah nilai data setelah denormalisasi, xp adalah data output sebelum denormalisasi, min (xp) adalah data minimum pada data set sebelum normalisasi, dan max (xp) 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 4. (XA)H=XA
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
(2.16)
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
26
dengan AH = (A)T yaitu 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 multiarsitektur 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 :
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
27
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. (Wahana, 2010 )
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
BAB III 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.
28 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
2.
29
Normalisasi 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 ke6. 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 ke1.
2.
3.
Skripsi
Data input (X1, X2, …., X5)
Target
X1
X2
X3
X4
X5
Data
Data
Data
Data
Data
Data hari
hari
hari
hari
hari
hari
ke-6
ke-1
ke-2
ke-3
ke-4
ke-5
Data
Data
Data
Data
Data
hari
hari
hari
hari
hari
ke-2
ke-3
ke-4
ke-5
ke-6
Data
Data
Data
Data
Data
Data hari
hari
hari
hari
hari
hari
ke-8
ke-3
ke-4
ke-5
ke-6
ke-7
.
Data hari ke-7
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
b.
30
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Data
Data
Data
Data
Data
Data hari ke
n-5
hari
hari
hari
hari
hari
n
ke n-5
ke n-4
ke n-3
ke n-2
ke n-1
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.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
31
Jumlah neuron pada hidden layer akan di cari berdasarkan pendekatan tersebut, yaitu menggunakan cara trial and error dari jumlah layer dengan neuron terkecil terlebih dahulu (
√
),
kemudian dilakukan training jaringan untuk mencapai nilai MSE minimum. Trial and error dilakukan hingga jumlah neuron pada hidden layer telah mencapai jumlah yang sama dengan neuron pada input layer (
) atau lebih. Hal ini dikarenakan angka random
yang digunakan pada bobot kadang menghasilkan output dengan error yang kecil dan kadang mengeluarkan output dengan error yang besar. Struktur jaringan yang menghasilkan nilai MSE terkecil, akan digunakan sebagai arsitektur jaringan akhir. c. Pada output layer jumlah neuron yang digunakan sebanyak 1 unit. Jumlah neuron yang digunakan pada output layer hanya 1 unit karena proses peramalan hanya menghasilkan satu nilai riil saja. c.
Melakukan pelatihan (training) untuk memperoleh bobot dan bias yang optimal. Prosedur dalam melakukan training data dijelaskan pada gambar 3.1 berikut
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
32
Start
Input data training
Inisialisasi bias dan bobot acak
Proses feedforward
-5
Tidak
MSE <10 atau epoch = epoch max Ya Bias dan Bobot Akhir
End
Gambar 3.1 Prosedur pelatihan pada ELM. d.
Implementasi program pada data harga saham sebenarnya. Pada peramalan menggunakan JST metode ELM, data yang akan digunakan adalah data pembukaan harga saham sebenarnya pada enam perusahaan di masing-masing bidang usaha. Pemilihan perusahaan ini didasarkan pada kepopuleran perusahaan tersebut pada Bursa Efek Indonesia (BEI) dikarenakan sahamnya yang banyak diminati oleh para investor baik dari dalam negeri maupun luar negeri ditunjukkan dengan
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
33
banyaknya volume penjualan saham (lot). Selain itu, pemilihan perusahaan ini juga didasarkan atas bidang usaha yang ditekuni oleh perusahaan tersebut seperti perusahaan BUMN, bidang industri, jasa keuangan, makanan, telekomunikasi dsb. Keenam perusahaan tersebut adalah PT. Semen Gresik, PT. Bank Mandiri, PT. Astra Internasional, PT. Perusahaan Gas Negara, PT. Indofood dan PT. Telkom. e.
Melakukan testing data training dengan menggunakan nilai-nilai bobot yang sudah diperoleh dari hasil training data. Prosedur melakukan testing data training digambarkan dalam Gambar 3.2 sebagai berikut : Start
Input data training
Input bias dan bobot dari proses training Input bobot jaringan
Melakukan Peramalan Data Training
End
Gambar 3.2 Proses melakukan testing pada data training Pada testing data training, jaringan syaraf ELM diaplikasikan pada data training dengan hanya menggunakan proses feedforward dari
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
34
algoritma training. Bias dan bobot yang digunakan adalah bias dan bobot akhir dari training. f.
Melakukan uji validasi data dengan menggunakan nilai-nilai bobot yang sudah diperoleh dari hasil training data. Gambar 3.3 menjelaskan alur bagaimana melakukan uji validasi data. Start
Input data validasi
Input bias dan bobot dari proses training
Input parameter (sama dengan parameter pada proses training)
Proses feedforward
Hasil peramalan pada data validasi
End
Gambar 3.3 Proses validasi data Pada uji validasi data, jaringan syaraf ELM diaplikasikan pada data validasi dengan hanya menggunakan proses feedforward dari algoritma training. Bias dan bobot yang digunakan adalah bias dan bobot akhir dari training. g.
Skripsi
Melakukan denormalisasi data
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
35
Proses denormalisasi data menggunakan persamaan 2.15. h.
Membuat program untuk menyelesaikan peramalan harga saham dengan
JST
metode
ELM
dengan
menggunakan
bahasa
pemrograman Java. i.
Mengimplementasikan program yang telah dibuat pada data saham. Secara umum, cara kerja secara keseluruhan dapat dijelaskan pada Gambar 3.3 sebagai berikut : Mulai Studi Pustaka Membuat Rancangan Data Input Membagi data menjadi 2 bagian ( training & validasi ) Membuat Arsitektur Jaringan Awal Melakukan Training data Melakukan Testing data Training Melakukan Uji Validasi
Selesai
Gambar 3.4 proses kerja keseluruhan
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
BAB IV PEMBAHASAN
Pada bagian ini akan dijelaskan pengolahan data, prosedur Jaringan Syaraf Tiruan Extreme Learning Machine dalam peramalan harga saham dan implementasinya menggunakan bahasa pemrograman Java untuk meramalkan harga saham. 4.1. Data Data harga saham yang digunakan pada Skripsi ini adalah harga pembukaan saham yang terjadi dalam seminggu sebanyak 5 hari. Data perusahaan yang digunakan sebagai simulasi peramalan adalah data saham PT. Semen Gresik. Data saham diambil dari internet pada periode 2 Januari 2008 sampai dengan 31 Mei 2012. Data lengkap tentang harga saham dapat dilihat pada lampiran 1. Kutipan data tersebut dapat dilihat pada Tabel 4.1. (sumber : yahoo finance) Tabel 4.1. Kutipan data harga saham PT.Semen Gresik No.
Tanggal
1
2 Januari 2008
Harga Saham (PT. Semen Gresik) 5600
2
3 Januari 2008
5600
3
4 Januari 2008
5650
.
.
.
.
.
.
.
.
.
1072
31 Mei 2012
11000
36 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
37
Sebelum diolah, data harga saham pada tabel 4.1 dinormalisasi menggunakan persamaan 2.12. Kutipan harga saham yang telah ternormalisasi dapat diihat pada Tabel 4.2. Tabel 4.2. Kutipan data harga saham yang ternormalisasi No. Tanggal Harga Saham (PT. Semen Gresik) 1 2 Januari 2008 0.369194313 2
3 Januari 2008
0.369194313
3
4 Januari 2008
0.372985782
.
.
.
.
.
.
.
.
.
1072
31 Mei 2012
0.778673
Data saham dari masing-masing perusahaan tersebut kemudian dibagi menjadi dua yaitu 80% dari total data menjadi data training yakni berjumlah 857 periode mulai tanggal 2 Januari 2008 hingga tanggal 18 Juli 2011. Sedangkan 20% dari total data menjadi data validasi yakni sebanyak 215 periode mulai tanggal 19 Juli 2011 hingga tanggal 31 Mei 2012. Dengan membuat pola data training sesuai dengan Tabel 3.1 maka dapat disusun pola input data training yang selanjutnya akan diproses menggunakan Jaringan Syaraf ELM. Pola input data training dapat dilihat pada tabel 4.3. Sedangkan untuk uji validasi pola input datanya mirip dengan input data training, hanya data yang dimasukkan adalah data validasi. Untuk pola data validasi dapat dilihat pada Tabel 4.4.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
38
Tabel 4.3. Pola input data training, n adalah jumlah data training Data input (X1, X2, …., X5)
Pola
Target
ke-
X1
X2
X3
X4
X5
X6
1.
0.3691
0.3691
0.3729
0.3729
0.3729
0.3691
2.
0.3691
0.3729
0.3729
0.3729
0.3691
0.3691
3.
0.3729
0.3729
0.3729
0.3691
0.3691
0.3691
.
.
.
.
.
.
.
.
.
.
.
.
.
852.
0.6914
0.6914
0.6838
0.6876
0.6952
0.6952
Sedangkan pada Tabel 4.4 akan digambarkan rancangan pola data untuk uji validasi. Data yang digunakan adalah 20% dari total data yakni 215 data. Pola data uji validasi digambarkan pada Tabel 4.4.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
39
Tabel 4.4. Pola input data validasi, m adalah jumlah data validasi Pola ke-
Data input (X1, X2, …., X5) X1
X2
X3
X4
X5
1.
0.7028
0.6838
0.6914
0.6876
0.6952
2.
0.6838
0.6914
0.6876
0.6952
0.6952
3.
0.6914
0.6876
0.6952
0.6952
0.6876
.
.
.
.
.
.
.
.
.
.
.
.
210.
0.8014
0.7445
0.7635
0.7672
0.7786
Setelah rancangan data disusun, maka langkah selanjutnya adalah menyusun arsitektur jaringan. Arsitektur jaringan akan dijelaskan pada sub bab 4.2. 4.2. Arsitektur Jaringan Arsitektur jaringan adalah susunan jaringan yang terdiri dari jumlah unit input, jumlah unit hidden dan jumlah unit output. Dalam penelitian ini terdapat tiga model arsitektur jaringan. Tiga model dipilih berdasarkan metode trial and error. Selain itu berdasarkan literatur yang didapatkan, pemilihan arsitektur jaringan terutama jumlah hidden minimal sama dengan jumlah input agar diperoleh akurasi yang lebih tinggi. Model pertama terdiri dari 5 unit input, 5 unit
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
41
validasi data digunakan untuk menguji hasil dari training data, perbedaannya terletak pada penggunaan data. Testing data training menggunakan data training sedangkan uji validasi data menggunakan data validasi. Prosedur jaringan syaraf ELM untuk peramalan harga saham pada tahap training data, testing data training, dan uji validasi data berturut-turut dapat dilihat pada Gambar 4.2, 4.3, dan 4.4. Misalkan epoch adalah satuan dari keseluruhan iterasi pada pola training data, jum_pola adalah banyaknya pola dalam data training, f_aktiv adalah fungsi aktivasi yang digunakan, f_norm adalah fungsi yang digunakan untuk normalisasi data dan mse adalah mean square error, maka prosedur dari training data, testing data training dan uji validasi dijelaskan pada Gambar 4.2, Gambar 4.3, dan Gambar 4.4 sebagai berikut : Prosedur training data Mulai input parameter (f_aktiv, f_norm, epoch maks, mse maks); normalisasi data ( ); inisialisasi bias dan bobot ( ); epoch = 1; Untuk i=1 sampai dengan epoch maks Untuk j=1 sampai dengan jum_pola Proses feedforward ( ); update bias dan bobot ( ); Selesai Hitung mse ( ); Jika mse < mse maksimum, maka Berhenti; epoch = epoch + 1; Selesai Selesai Selesai Gambar 4.2. Prosedur training data pada jaringan syaraf ELM
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
42
Prosedur testing data training input parameter (f_aktiv, f_norm); inisialisasi bias dan bobot dari training data ( ); proses feedforward ( ); Gambar 4.3. Prosedur testing data training data pada jaringan syaraf ELM Prosedur Uji Validasi input parameter (f_aktiv, f_norm); inisialisasi bias dan bobot dari training data ( ); proses feedforward ( ); denormalisasi data ( ); Gambar 4.4. Prosedur uji validasi data pada jaringan syaraf ELM Langkah pertama dalam melakukan peramalan menggunakan Jaringan Syaraf ELM adalah menormalisasikan data ke dalam interval 0 hingga 1 atau -1 hingga 1 agar nantinya dapat diproses menggunakan Jaringan Syaraf ELM. Untuk prosedur normalisasi data dijelaskan dalam sub bab 4.3.1. 4.3.1. Prosedur Normalisasi Data Normalisasi data digunakan untuk mengubah data ke dalam interval antara 0 hingga 1 menggunakan persamaan 2.12 atau ke dalam interval -1 hingga 1 menggunakan aturan persamaan 2.13. prosedur normalisasi data dapat dilihat pada Gambar 4.5. Misalkan norm adalah output yang dikehendaki yakni bernilai 0 untuk interval 0 hingga 1 dan bernilai 1 untuk interval -1 hingga 1, normalisasi ke-n adalah hasil normalisasi data ke – n, min adalah nilai minimum pada data, max
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
43
adalah nilai maksimum pada data, maka prosedur normalisasi ditunjukkan pada Gambar 4.5. Prosedur normalisasi data Jika norm = 0, maka Untuk n = 1 sampai dengan jumlah data normalisasi[n] = (0.8*(data [n] – min)/(max-min))+0.1; Selesai Jika norm = 1, maka Untuk n = 1 sampai dengan jumlah data normalisasi[n] = (2*(data [n] – min)/(max-min))+1; Selesai Gambar 4.5 : Prosedur normalisasi data Setelah data ternormalisasi, maka langkah berikutnya adalah melakukan proses inisialisasi bias dan bobot menggunakan angka random. Inisialisasi diperlukan untuk membangkitkan nilai awal bias dan bobot. Angka random hanya dilakukan sebanyak satu kali dan selanjutnya akan digunakan prosedur update bobot dan bias. Untuk bahasan inisialisasi bias dan bobot akan dijelaskan dalam sub bab 4.3.2. 4.3.2. Prosedur Inisialisasi Bias dan Bobot Prosedur ini digunakan untuk menentukan nilai dari bobot awal Vij dan Wjk. Vij adalah bobot antara lapisan input ke-i dan lapisan hidden ke-j, sedangkan Wjk adalah bobot antara unit hidden ke-j dan lapisan output ke-k. inisialisasi bias dan bobot tersebut ditentukan dengan menggunakan fungsi bil_random, bil_random adalah fungsi untuk memperoleh bilangan acak antara -1 hingga 1. Jumlah hidden dimisalkan dengan jml_hidden, jumlah input dimisalkan dengan jml_input dan jumlah output dengan jml_output. Prosedur inisialisasi bias dan bobot dapat dilihat pada gambar 4.6.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
44
Prosedur fungsi bil_random x = random(0,1); bilangan = 2*x – 1; bil_random = bilangan; Untuk i = 0 sampai dengan jml_input Untuk j = 1 sampai dengan jml_hidden V[i][j]= bil_random; Selesai Untuk i = 0 sampai dengan jml_hidden Untuk j = 1 sampai dengan jml_output W[i][j] = bil_random; Selesai Gambar 4.6. Prosedur inisialisasi bias dan bobot Setelah proses inisialiasi bobot dan bias telah selesai dilakukan, maka selanjutnya akan digunakan prosedur feedforward untuk menghitung output jaringan. Untuk prosedur feedforward akan dijelaskan pada sub bab 4.3.3. 4.3.3. Prosedur feedforward Proses feedforward digunakan untuk menghitung nilai dari lapisan keluaran (output). Setiap unit input X_inputni akan menerima sinyal input dan menyebarkan sinyal tersebut pada tiap unit hidden. Gn merupakan fungsi penjumlahan untuk menyebarkan sinyal input pada tiap unit hidden, kemudian digunakan fungsi aktivasi sigmoid biner untuk memperoleh nilai Hnj. Setiap unit hidden Hnj menyebarkan sinyal yang diterima pada tiap unit output dengan menggunakan fungsi penjumlahan Y_netk , kemudian dengan menggunakan fungsi aktivasi sigmoid biner yang dimisalkan sigmoid_biner (Y_net) diperoleh nilai unit output Yk. prosedur feedforward dapat dilihat pada Gambar 4.7.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
45
Prosedur feedforward Untuk n = 1 sampai dengan jml_data Untuk j = 1 sampai dengan jml_hidden sum = 0; Untuk i = 1 sampai dengan jml_input sum = sum + X_input [n][i]*V[i][j]; G [n][j] = V[0][j] + sum; H [n][j] = sigmoid_biner (G [n][j]); Selesai Selesai Untuk k = 1 sampai dengan jml_output sum = 0; Untuk j = 1 sampai dengan jml_hidden sum = sum + H [n][j]*W[j][k]; Y_net [n][k] = W[0][k] + sum; Y[n][k] = sigmoid_biner (Y_net [n][k]) Selesai Selesai Selesai Gambar 4.7. Prosedur proses feedforward Dari proses feedforward yang telah dilakukan maka dalam setiap iterasi dalam sebuah pola dilakukan proses update bobot dan bias. Hal ini dilakukan untuk memperbaiki kesalahan (error) yang terjadi selama proses feedforward. Untuk prosedur update bobot dan bias dijelaskan pada sub bab 4.3.4. 4.3.4. Prosedur Perubahan (update) Bias dan Bobot Proses perubahan (update) bobot dilakukan ketika selisih nilai hasil keluaran jaringan dan target tidak sesuai. Perubahan bobot yang dimisalkan delta_Wjk adalah perubahan bobot dari hidden ke-j hingga output ke-k ,Yk yang merupakan hasil output dari proses feedforward dibandingkan dengan nilai target ke-k yang dimisalkan dengan Tk. Proses update ini memanfaatkan fungsi pseudoinverse dari bobot akhir yang pertama dikalikan dengan target ke-k
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
46
dimisalkan pinv(Wjk)*Tk terus diulang hingga semua pola telah tercapai. Prosedur update bias dan bobot akhir dapat dilihat pada Gambar 4.8. Prosedur update bias dan bobot Untuk n = 1 sampai dengan jumlah pola Untuk k = 1 sampai dengan jml_output Untuk j = 0 sampai dengan jml_hidden delta_W[j][k] = pinv(W[j][k])*Tk; W[j][k] = delta_W[j][k]; Selesai Selesai Selesai Gambar 4.8 : Prosedur update bias dan bobot Setelah proses update bias dan bobot dilakukan maka langkah selanjutnya akan dilakukan proses menghitung MSE. Hal ini dilakukan untuk mengukur performa dari jaringan, yakni seberapa baik kemampuan jaringan mengenali pola. Untuk prosedur menghitung MSE dijelaskan dalam sub bab 4.3.5. 4.3.5. Prosedur Menghitung Mean Square Error Untuk menghitung nilai mean square error (MSE) digunakan persamaan 2.11. Prosedur untuk menghitung nilai MSE dapat dilihat pada gambar 4.9. Tij adalah nilai target pada baris ke-i kolom ke-j dan Yij adalah nilai output (hasil peramalan) pada baris ke-i kolom ke-j. Prosedur hitung mean square error (MSE) MSE = 0; Untuk j = 1 sampai dengan jml_output Untuk i = 1 sampai dengan jumlah pola MSE = MSE + (Tij - Yij)2/jml_pola; Selesai Selesai Gambar 4.9. Prosedur menghitung nilai mean square error (MSE)
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
47
Setelah proses menghitung MSE, proses update bobot serta bias dilakukan maka selanjutnya untuk mengembalikan data kedalam bentuk aslinya diperlukan proses denormalisasi. Untuk prosedur denormalisasi dijelaskan pada sub bab 4.3.6. 4.3.6. Prosedur Denormalisasi Data Denormalisasi data digunakan untuk mengembalikan data yang telah dinormalisasi ke bentuk data yang sebenarnya menggunakan persamaan 2.14 jika normalisasi yang telah dilakukan dalam interval 0 hingga 1 dan menggunakan persamaan 2.15 jika normalisasi yang telah dilakukan dalam interval -1 hingga 1. Prosedur denormalisasi data ditunjukkan pada Gambar 4.10. Prosedur Denormalisasi Data
Jika norm = 0, maka Untuk n = 1 sampai dengan jumlah data denormalisasi[n] =( (normalisasi[n] – 0.1)*(max – in))/0.8)+min; Selesai Jika norm = 1, maka Untuk n = 1 sampai dengan jumlah data denormalisasi[n] =( 0.5*(normalisasi[n] +1)*(max – min))+min; Selesai Gambar 4.10. Prosedur denormalisasi data Setelah semua prosedur diatas disusun, maka langkah berikutnya adalah mengkodekan semua prosedur ke dalam bahasa pemrograman Java. Untuk source code program dapat dilihat pada Lampiran 2. 4.4. Implementasi Pada Program Java Setelah semua prosedur diatas dikodekan ke dalam bahasa pemrograman Java seperti pada Lampiran 2, selanjutnya akan disimulasikan prediksi peramalan harga saham. Dalam simulasi ini digunakan data dari saham PT.Semen Gresik.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
48
4.4.1. Implementasi Pada Program Java Untuk Training Data Sebelum masuk tahap training terlebih dahulu memilih data yang akan diolah. Data yang akan diolah adalah data harga saham pada PT.Semen Gresik mulai tanggal 2 Januari 2008 hingga 31 Mei 2012 yang berbentuk file microsoft excel yang bereksistensi .xls. Data ini dipilih dengan alasan mampu mewakili keenam data harga saham. Setelah itu inputkan jumlah data yang akan digunakan, prosentase penggunaan data training, normalisasi yang akan digunakan, serta fungsi aktivasi yang akan digunakan. Form tersebut digambarkan pada Gambar 4.11.
Gambar 4.11. Form awal Setelah menginputkan jumlah data sebanyak 1072, prosentase data training sebanyak 80%, menggunakan normalisasi 0 sampai 1 dan menggunakan fungsi aktivasi sigmoid biner, maka akan muncul form yang memperlihatkan data secara
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
49
keseluruhan yang berjumlah 1072 dengan data training sebanyak 857 dan data validasi sebanyak 215 seperti pada gambar 4.12.
Gambar 4.12. Form data keseluruhan Setelah data telah dinormalisasikan ke dalam interval 0 hingga 1 maka selanjutnya akan diminta untuk menentukan rancangan arsitektur jaringan. Arsitektur jaringan adalah struktur jaringan syaraf tiruan yang meliputi jumlah hidden layer, MSE, dan jumlah epoch maksimal seperti yang diperlihatkan pada gambar 4.13.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
50
Gambar 4.13. Form input parameter Setelah semua parameter yang diperlukan sebagai rancangan arsitektur awal jaringan ditetapkan, proses training data dilakukan. Berdasarkan proses training yang telah dilakukan pada data saham, maka diperoleh hasil dari MSE paling optimal seperti pada Tabel 4.5. Tabel 4.5. Arsitektur ELM yang paling optimal No. 1 2 3 4 5 6
Skripsi
Jumlah Hidden 5 5 5 6 6 7
Epoch
MSE
10000 20000 45000 40000 50000 60000
0,000119190398453 0,0001179845278199 0,0001143899 0,0001116119399420 0,00016343030595385 0,000115546629143
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
51
Dari Tabel 4.5 diketahui bahwa arsitektur yang paling optimal adalah arsitektur dengan unit hidden sebanyak 5 dan epoch sebanyak 45000 epoch. Selanjutnya, untuk menguji keakuratan dari performa ELM maka akan ditampilkan hasil running program dari 5 buah perusahaan yakni PT. Bank Mandiri, PT.Astra Internasional, PT.Perusahaan Gas Negara, PT.Indofood, dan PT.Telkom dengan MSE terkecil pada Tabel 4.6. Tabel 4.6. Arsitektur dari training ELM dengan MSE terkecil No. 1 2 3 4 5
Nama Unit Perusahaan Input PT. Bank 5 Mandiri PT.Astra 5 Internasional PT.PGN 5 PT.Indofood 5 PT.Telkom 5
Unit Hidden
Epoch
MSE
5
10000 0,000189777561
5
10000 0,000097578152
5 6 6
10000 0,000639913998 20000 0,000127591234 20000 0,000737256017
Selama proses training, proses inisialisasi bobot menggunakan angka random dengan interval antara -1 sampai 1 dan menggunakan fungsi aktivasi sigmoid biner. Hal ini dipilih karena selama pelatihan dapat menghasilkan bobot dan MSE terkecil. Data training yang terdiri dari 6 perusahaan ternama dipilih untuk menguji kestabilan dan performance dari jaringan syaraf ELM. Dari data tersebut terlihat bahwa pemilihan arsitektur dan epoch yang berbeda akan berdampak langsung terhadap nilai MSE. Pemilihan bobot awal inisialisasi juga berdampak langsung kepada performance dari jaringan syaraf. Bobot awal dari peramalan saham PT.Semen Gresik digambarkan dalam Tabel 4.7 dan Tabel 4.8. Dari Tabel 4.7 bobot bias dilambangkan dengan X0, bobot input yang lain dengan X, sedangkan bobot dari hidden disimbolkan dengan G.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
52
Tabel 4.7. Bobot awal dari input ke hidden G1
G2
G3
G4
G5
X0
-0.170372372
0.64893507
-0.6082431
-0.1986823
-0.819170
X1
-0.593190421
0.20401791
0.73999162
0.96749005
0.8683085
X2
0.7468956675 0.88656571
-0.2357196
0.67706047
0.7163388
X3
0.3137579199 0.89885037
-0.7281084
0.72580999
-0.058435
X4
0.3474644907 0.15685479
-0.4733648
-0.50054399
0.5828370
X5
0.7152594630 0.27166137
0.04705516
-0.94817082
-0.853578
Tabel 4.8. Bobot awal dari hidden ke output G0 G1 G2 G3 G4 G5
0.744413792 0.69554733023 -0.4229789126 -0.1719031760 0.5750470186 -0.3467028522
Sedangkan untuk tabel bobot akhir dan bias optimal yang dihasilkan selama proses training dapat dilihat pada Tabel 4.9 dan Tabel 4.10.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
53
Tabel 4.9. Bobot akhir dari input ke hidden
X0 X1 X2 X3 X4 X5
G1
G2
G3
G4
G5
-5.27416
-0.20443444
-0.68119732
-2.545489568
-0.493053015
0.494200
-0.131383074 0.104115919 1.2797202021 -0.460768433
1.871857
0.0432711048 -0.78114461 0.5096790221 0.8933025802
0.211761
-0.751032539
-1.90975728
-1.457649887 1.3161447385
6.527356
-1.337804695
-5.04094170
-0.218146617
-5.286067868
-2.61017
-0.822060994
1.54103864
1.585431303
-0.092512075
Tabel 4.10. Bobot akhir dari hidden ke output G0
-0.027165668452828
G1 2.3864303887213065 G2 -0.724477085646728 G3 -3.905284302556329 G4 1.259611525911298 G5 -3.558324973629275
Setelah bobot optimal tercapai, selanjutnya akan dilakukan implementasi program Java untuk testing data training. 4.4.2. Implementasi Program Java Untuk Testing Data Training Pada proses ini diambil bobot dan bias yang diperoleh dari hasil training dengan memilih MSE yang paling optimal. Dalam hal ini diambil dari data Tabel 4.5 yang memiliki MSE terkecil di setiap data harga saham. Untuk melihat grafik MSE dapat dilihat pada Gambar 4.14.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
54
Gambar 4.14. Grafik perubahan MSE Berdasarkan Gambar 4.14 diketahui bahwa selama proses training dilakukan, MSE selalu mengalami penurunan. Hal ini mengindikasikan bahwa Jaringan Syaraf ELM mampu mengenali pola dengan baik karena nilai errornya cenderung menurun disetiap iterasinya. Selain grafik MSE, selanjutnya akan ditampilkan grafik dari testing data training untuk menguji kembali seberapa baik bobot akhir dalam jaringan mampu mengenali pola data yang digambarkan pada Gambar 4.15.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
55
Gambar 4.15. Grafik testing data training Berdasarkan grafik pada gambar 4.15 dapat dilihat bahwa perbedaan antara target dan hasil peramalannya relatif kecil. Hal ini menunjukkan bahwa jaringan syaraf ELM mampu mengenali pola dengan baik. Selanjutnya akan dilakukan implementasi program Java untuk uji validasi agar diperoleh nilai peramalan saham pada tanggal 1 Juni 2012. 4.4.3. Implementasi Pada Program Java Untuk Uji Validasi Setelah proses training dan testing dilakukan, langkah terakhir adalah proses uji validasi. Uji validasi ini dilakukan untuk memperoleh hasil peramalan
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
56
dari harga saham menggunakan jaringan syaraf ELM. Hasil uji validasi pada data saham PT.Semen Gresik untuk nilai MSE training yang paling optimal dan masih dalam keadaan ternormalisasi dapat dilihat pada Gambar 4.16.
Gambar 4.16. Grafik hasil uji validasi data Berdasarkan Gambar 4.16 dapat dilihat bahwa nilai peramalan dalam keadaan ternormalisasi sebesar 0,7596669577470279 dengan MSE sebesar 0,00307. Untuk hasil uji validasi yang telah melalui proses denormalisasi dapat dilihat pada Gambar 4.17.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
57
Gambar 4.17. Hasil uji validasi setelah denormalisasi Setelah proses denormalisasi dilakukan, dapat diketahui nilai hasil peramalan untuk tanggal 1 Juni 2012 yaitu Rp.10906,865123143074 seperti pada Gambar 4.17. Sedangkan pada data yang sebenarnya yakni tanggal 1 Juni 2012 harga saham PT.Semen Gresik adalah sebesar Rp.10900, jadi terjadi selisih harga sekitar Rp.6 atau 0,05% dari data yang sebenarnya. Hal ini menunjukkan bahwa performa ELM untuk meramalkan data dapat dikatakan baik karena selisih yang terjadi relatif kecil sehingga mendekati nilai sebenarnya. Untuk grafik dari uji validasi dapat dilihat pada Gambar 4.18.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
58
Gambar 4.18. Grafik hasil uji validasi Pada Gambar 4.18 dapat dilihat perbedaan antara harga aktual dengan harga hasil peramalan cukup kecil. Hal ini dilihat dari pola data peramalan yang dapat mengikuti pola pergerakan data saham sebenarnya. Perbedaan yang cukup jauh terjadi pada data 7 bulan terakhir, yakni terjadi rentang yang cukup jauh antara data peramalan dengan data sebenarnya. Untuk menguji kestabilan dari peramalan menggunakan jaringan syaraf ELM, akan dilakukan peramalan terhadap 5 buah perusahaan dan hasilnya dibandingkan dengan data yang sebenarnya pada tanggal
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
59
1 Juni 2012. Hasil dari peramalan harga saham 5 buah perusahaan dapat dilihat padaTabel 4.11. Tabel 4.11. Hasil peramalan harga saham pada 5 buah perusahaan Nama Perusahaan
MSE
PT.BANK 0,000189777561 MANDIRI PT.ASTRA INT. 0,0000975781520 PT.PERUSAHAAN 0,000569589511 GAS NEGARA PT.INDOFOOD 0,00012759123 PT.TELKOM 0,000737256017
Nilai Peramalan
Nilai Sebenarnya
Selisih (%)
6856
6750
1,5703703
65937 3624
64000 3650
3.0265625 0.712328767
4818 7173
4700 7850
2.510638298 8.624203822
Dari tabel 4.11 diatas dapat disimpulkan bahwa dalam melakukan peramalan data harga saham, Jaringan Syaraf ELM memiliki kemampuan yang baik. Hal ini ditunjukkan dari hasil peramalan yang mendekati harga saham sebenarnya. Selanjutnya peramalan menggunakan Jaringan Syaraf ELM ini dapat digunakan sebagai bahan pertimbangan seorang investor dalam melakukan keputusan investasinya.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan 1. Jaringan Syaraf Tiruan Metode Extreme Learning Machine (ELM) dapat diterapkan untuk meramalkan harga saham. Proses yang digunakan antara lain training data, testing data training, dan uji validasi data. 2. Program untuk menyelesaikan peramalan saham menggunakan Jaringan Syaraf ELM dapat dibuat dengan bahasa pemrograman Java dengan Netbeans IDE. 3. Berdasarkan analisis yang telah dilakukan, diperoleh arsitektur jaringan yang optimal dengan inisialisasi bias dan bobot menggunakan angka random antara -1 hingga 1, jumlah input sebanyak 5, jumlah hidden sebanyak 5, jumlah output sebanyak 1, fungsi normalisasi yang digunakan antara 0 hingga 1,epoch sebanyak 45000, dan fungsi aktivasi sigmoid biner. 4. Berdasar implementasi yang telah dilakukan pada data saham PT.Semen Gresik diperoleh hasil yakni MSE training sebesar 0,0001143899. Nilai MSE ini relatif kecil sehingga bobot yang dihasilkan mampu mengenali pola data dengan baik. Prediksi harga saham pada tanggal 1 Juni 2012 sebesar Rp.10906,00 . Data sebenarnya pada tanggal 1 Juni 2012 sebesar Rp.10900,00. Sehingga terjadi selisih sebesar Rp.6,00 atau sebesar 0,05 %. Dengan selisih yang kecil ini dapat disimpulkan bahwa peramalan
60 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
61
yang dilakukan dapat dijadikan bahan pengambilan keputusan dalam berinvestasi. 5.2 Saran Untuk penelitian berikutnya, algoritma pelatihan Jaringan Syaraf tiruan ELM dapat dihybrid dengan beberapa algoritma pelatihan lain dalam jaringan syaraf tiruan seperti Backpropagation (BP), Radial Basis Function (RBF), Lerning Vector Quantitation (LVQ), Support Vector Machine(SVM) dan algoritma pelatihan lainnya untuk meningkatkan kemampuan jaringan dalam mengenali pola data saham. Analisis teknis yang telah dilakukan ini akan memiliki akurasi yang lebih tinggi jika digabungkan dengan analisis fundamental.
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
DAFTAR PUSTAKA 1. Agustina, I, 2010, Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan, Skripsi, Institut Teknologi Sepuluh Nopember Surabaya 2. Eliyani, 2007, Peramalan harga saham perusahaan menggunakan Artificial Neural Network dan Akaike Information Criterion, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta 3. El-sebakhy, 2008, Extreme Learning Machine as a New Framework in Predicting Material Properties: Methodology and Comparison, International Association for Computer Methods and Advances in Geomechanics (IACMAG), India 4. Huang, G. B., Zhu, Q. Y., Siew, C. K., 2006, Extreme learning machine: Theory and application, Neurocomputing, 70, 489-501 5. Iman, N. , 2008, Kiat-kiat membiakkan uang di masa sulit, Elex Media Komputindo, Jakarta 6. Kusumadewi, S., 2003, Artificial intellegence (teknik dan aplikasi), Graha ilmu, Yogyakarta. 7. Lesmana, A., 2007, Penggunaan jaringan syaraf tiruan metode backpropagation untuk memprediksi harga saham, Skripsi, Universitas Gunadarma Jakarta 8. Manurung, A. H., 2010, Wealht Management, Kompas Gramedia, Jakarta 9. Nachrowi, N. J. 2004, Teknik Pengambilan Keputusan, Grasindo, Jakarta 10. Purnomo, R., S., dan Hariani, I. , 2010, Buku Pintar Hukum Bisnis Pasar Modal, Transmedia Pustaka, Jakarta 11. Rojas, R., 1997, Neural Network : A Systematic Introduction , SpringerVerlag, Berlin 12. Setiawan, W., 2008, Peramalan harga saham dengan algoritma backpropagation, Konferensi Nasional Sistem dan Informatika, Bali 13. Siang, J.J, 2005, Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab, Penerbit Andi, Yogyakarta
62 Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
63
14. Situmorang, P., dkk., 2010, Jurus-jurus Berinvstasi Saham, Trans Media Pustaka, Jakarta 15. Syamsir, H., 2004, Solusi Investasi Bursa Saham, Elex Media Komputindo, Jakarta 16. Tang, Z. and P. A. Fishwick, 1993, Feed-forward Neural Networks as Models for Time Series Forecasting, ORSA Journal on Computing 17. Tristiyanto, 2007, Pemilihan analisis teknis dalam berinvestasi saham menggunakan Probabilistic Neural Network, Prosiding Seminar Nasional Sains dan Teknologi 18. Wahana, komputer, 2010, Membangun GUI dengan JAVA Netbeans 6.5, Penerbit Andi, Yogyakarta 19. Widrow, B and Stearns, S. D., 1985, Adaptive Signal Processing, New Jersey: Prentice-Hall, Inc 20. Zuhdi, A., Asih, A. M. S., Sutono, S. B., 2004, Model integrasi jaringan syaraf tiruan dan sistem pakar untuk pengambilan keputusan investasi saham, Jurnal Mesin dan Industri, 1, 63-79
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 1-1
LAMPIRAN 1 DATA HARGA SAHAM PT.SEMEN GRESIK (TANGGAL 2 JANUARI 2008 – 31 MEI 2012) Date Open 1/2/2008 5600 1/3/2008 5600 1/4/2008 5650 1/7/2008 5650 1/8/2008 5650 1/9/2008 5600 1/14/2008 5600 1/15/2008 5600 1/16/2008 5100 1/17/2008 5100 1/18/2008 4800 1/21/2008 4950 1/22/2008 4700 1/23/2008 4850 1/24/2008 4725 1/25/2008 5150 1/28/2008 5300 1/29/2008 5600 1/30/2008 5500 1/31/2008 5550 2/1/2008 5550 2/4/2008 5600 2/5/2008 5450 2/6/2008 5350 2/11/2008 5300 2/12/2008 5250 2/13/2008 5250 2/14/2008 5450 2/15/2008 5600 2/18/2008 5500 2/19/2008 5550 2/20/2008 5500 2/21/2008 5450 2/22/2008 5450 2/25/2008 5550 2/26/2008 5550 2/27/2008 5500
Skripsi
2/28/2008 2/29/2008 3/3/2008 3/4/2008 3/5/2008 3/6/2008 3/10/2008 3/11/2008 3/12/2008 3/13/2008 3/14/2008 3/18/2008 3/19/2008 3/25/2008 3/26/2008 3/27/2008 3/28/2008 3/31/2008 4/1/2008 4/2/2008 4/3/2008 4/4/2008 4/7/2008 4/8/2008 4/9/2008 4/10/2008 4/11/2008 4/14/2008 4/15/2008 4/16/2008 4/17/2008 4/18/2008 4/21/2008 4/22/2008 4/23/2008 4/24/2008 4/25/2008 4/28/2008
5400 5450 5250 5200 5250 5200 4800 4700 4950 4950 4800 4875 4950 4700 4900 5100 5200 5100 5000 5000 4800 4600 4500 4250 4250 4100 4225 4250 4175 4225 4275 4325 4350 4275 4150 4150 4150 4025
4/29/2008 4/30/2008 5/2/2008 5/5/2008 5/6/2008 5/7/2008 5/8/2008 5/9/2008 5/12/2008 5/13/2008 5/14/2008 5/15/2008 5/16/2008 5/19/2008 5/21/2008 5/22/2008 5/23/2008 5/26/2008 5/27/2008 5/28/2008 5/29/2008 5/30/2008 6/2/2008 6/3/2008 6/4/2008 6/5/2008 6/6/2008 6/10/2008 6/11/2008 6/12/2008 6/13/2008 6/16/2008 6/17/2008 6/18/2008 6/19/2008 6/20/2008 6/23/2008 6/24/2008
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
4025 4300 4300 4325 4625 4550 4625 4575 4525 4650 4600 4700 4600 4525 4425 4375 4550 4450 4425 4450 4525 4400 4350 4275 4225 4200 4250 4200 4200 4050 4075 4075 4100 4050 4000 4025 4000 4000
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
6/25/2008 6/26/2008 6/27/2008 6/30/2008 7/1/2008 7/2/2008 7/3/2008 7/4/2008 7/7/2008 7/8/2008 7/9/2008 7/10/2008 7/11/2008 7/14/2008 7/15/2008 7/16/2008 7/17/2008 7/18/2008 7/21/2008 7/22/2008 7/23/2008 7/24/2008 7/25/2008 7/28/2008 7/29/2008 7/31/2008 8/1/2008 8/4/2008 8/5/2008 8/6/2008 8/7/2008 8/8/2008 8/11/2008 8/12/2008 8/13/2008 8/14/2008 8/15/2008 8/19/2008 8/20/2008 8/21/2008 8/22/2008 8/25/2008
Skripsi
4100 4050 3975 4025 4000 4000 4050 4025 3975 3900 4025 4025 4025 3950 3900 3800 3750 3500 3675 3925 4000 4025 3900 3925 3900 4100 4100 4050 3950 4050 3975 4000 4075 4000 3825 3850 3825 3700 3625 3750 3875 3800
8/26/2008 8/27/2008 8/28/2008 8/29/2008 9/1/2008 9/2/2008 9/3/2008 9/4/2008 9/5/2008 9/8/2008 9/9/2008 9/10/2008 9/11/2008 9/12/2008 9/15/2008 9/16/2008 9/17/2008 9/18/2008 9/19/2008 9/22/2008 9/23/2008 9/24/2008 9/25/2008 9/26/2008 9/29/2008 10/6/2008 10/7/2008 10/8/2008 10/14/2008 10/15/2008 10/16/2008 10/17/2008 10/20/2008 10/21/2008 10/22/2008 10/23/2008 10/24/2008 10/27/2008 10/28/2008 10/29/2008 10/30/2008 10/31/2008
3725 3825 3925 4025 4000 4050 4075 4125 3900 4000 3750 3575 3525 3525 3425 3350 3400 3150 3450 3500 3350 3350 3300 3425 3350 3300 2600 2300 2225 2350 2400 2500 2300 2525 2475 2400 2400 2200 2050 2575 2575 2800
Lampiran 1-2
11/3/2008 11/4/2008 11/5/2008 11/6/2008 11/7/2008 11/10/2008 11/11/2008 11/12/2008 11/13/2008 11/14/2008 11/17/2008 11/18/2008 11/19/2008 11/20/2008 11/21/2008 11/24/2008 11/25/2008 11/26/2008 11/27/2008 11/28/2008 12/1/2008 12/2/2008 12/3/2008 12/4/2008 12/5/2008 12/9/2008 12/10/2008 12/11/2008 12/12/2008 12/15/2008 12/16/2008 12/17/2008 12/18/2008 12/19/2008 12/22/2008 12/23/2008 12/24/2008 12/26/2008 12/30/2008 1/5/2009 1/6/2009 1/7/2009
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
3100 3275 3250 3000 3100 3400 3250 3300 3100 3300 3150 3125 3125 3050 2950 3150 3275 3300 3300 3100 3200 3175 3350 3350 3325 3375 3450 3500 3400 3450 3600 3900 4000 3975 4075 4050 4050 4075 4100 4200 4200 4225
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
1/8/2009 1/9/2009 1/12/2009 1/13/2009 1/14/2009 1/15/2009 1/16/2009 1/19/2009 1/20/2009 1/21/2009 1/22/2009 1/23/2009 1/27/2009 1/28/2009 1/29/2009 1/30/2009 2/2/2009 2/3/2009 2/4/2009 2/5/2009 2/6/2009 2/9/2009 2/10/2009 2/11/2009 2/12/2009 2/13/2009 2/16/2009 2/17/2009 2/18/2009 2/19/2009 2/20/2009 2/23/2009 2/24/2009 2/25/2009 2/26/2009 2/27/2009 3/2/2009 3/3/2009 3/4/2009 3/5/2009 3/6/2009 3/10/2009
Skripsi
4175 4200 4275 4050 3975 3550 3550 3650 3450 3425 3450 3350 3425 3500 3500 3475 3450 3600 3475 3450 3450 3550 3500 3425 3550 3525 3500 3525 3500 3500 3500 3500 3475 3525 3500 3475 3500 3400 3475 3475 3425 3425
3/11/2009 3/12/2009 3/13/2009 3/16/2009 3/17/2009 3/18/2009 3/19/2009 3/20/2009 3/23/2009 3/24/2009 3/25/2009 3/27/2009 3/30/2009 3/31/2009 4/1/2009 4/2/2009 4/3/2009 4/6/2009 4/7/2009 4/8/2009 4/13/2009 4/14/2009 4/15/2009 4/16/2009 4/17/2009 4/20/2009 4/21/2009 4/22/2009 4/23/2009 4/24/2009 4/27/2009 4/28/2009 4/29/2009 4/30/2009 5/1/2009 5/4/2009 5/5/2009 5/6/2009 5/7/2009 5/8/2009 5/11/2009 5/12/2009
3450 3450 3425 3450 3475 3425 3475 3500 3550 3650 3850 3750 3850 3800 3750 3825 3950 3975 3975 3975 3925 4125 4175 4150 4275 4300 4200 4100 4150 4000 3975 3950 3975 4050 4100 4200 4425 4450 4475 4450 4625 4500
Lampiran 1-3
5/13/2009 5/14/2009 5/15/2009 5/18/2009 5/19/2009 5/20/2009 5/22/2009 5/25/2009 5/26/2009 5/27/2009 5/28/2009 5/29/2009 6/1/2009 6/2/2009 6/3/2009 6/4/2009 6/5/2009 6/8/2009 6/9/2009 6/10/2009 6/11/2009 6/12/2009 6/15/2009 6/16/2009 6/17/2009 6/18/2009 6/19/2009 6/22/2009 6/23/2009 6/24/2009 6/25/2009 6/26/2009 6/29/2009 6/30/2009 7/1/2009 7/2/2009 7/3/2009 7/6/2009 7/7/2009 7/9/2009 7/10/2009 7/13/2009
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
4400 4450 4450 4475 4650 4750 4775 4600 4600 4700 4550 4625 4700 4900 5150 5100 5050 5100 5000 5050 5000 4925 4925 4850 4700 4600 4300 4500 4600 4750 5000 5150 5200 5250 4900 5200 5100 5250 5150 5400 5150 5150
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
7/14/2009 7/15/2009 7/16/2009 7/17/2009 7/21/2009 7/22/2009 7/23/2009 7/24/2009 7/27/2009 7/28/2009 7/29/2009 7/30/2009 7/31/2009 8/3/2009 8/4/2009 8/5/2009 8/6/2009 8/7/2009 8/10/2009 8/11/2009 8/12/2009 8/13/2009 8/14/2009 8/18/2009 8/19/2009 8/20/2009 8/21/2009 8/24/2009 8/25/2009 8/26/2009 8/27/2009 8/28/2009 8/31/2009 9/1/2009 9/2/2009 9/3/2009 9/4/2009 9/7/2009 9/8/2009 9/9/2009 9/10/2009 9/11/2009
Skripsi
5250 5350 5400 5400 5550 5450 5250 5400 5650 5550 5800 5900 5950 6000 6050 6050 5750 6000 6050 5950 5800 5900 5850 5700 5750 5750 5900 5950 5950 5900 5850 5850 5850 5950 5900 5700 5900 5900 5900 5950 6000 6050
9/14/2009 9/15/2009 9/16/2009 9/17/2009 9/24/2009 9/25/2009 9/28/2009 9/29/2009 9/30/2009 10/1/2009 10/2/2009 10/5/2009 10/6/2009 10/7/2009 10/8/2009 10/9/2009 10/12/2009 10/13/2009 10/14/2009 10/15/2009 10/16/2009 10/19/2009 10/20/2009 10/21/2009 10/22/2009 10/23/2009 10/26/2009 10/27/2009 10/28/2009 10/29/2009 10/30/2009 11/2/2009 11/3/2009 11/4/2009 11/5/2009 11/6/2009 11/9/2009 11/10/2009 11/11/2009 11/12/2009 11/13/2009 11/16/2009
6200 6500 6400 6400 6500 6450 6500 6250 6300 6300 6250 6200 6500 6500 6800 6650 6700 6450 6500 6800 6900 7000 7000 7000 6750 6800 6700 6700 6800 6350 6850 6700 6900 6900 7200 7450 7500 7450 7350 7250 7350 7200
Lampiran 1-4
11/17/2009 11/18/2009 11/19/2009 11/20/2009 11/23/2009 11/24/2009 11/25/2009 11/26/2009 11/30/2009 12/1/2009 12/2/2009 12/3/2009 12/4/2009 12/7/2009 12/8/2009 12/9/2009 12/10/2009 12/11/2009 12/14/2009 12/15/2009 12/16/2009 12/17/2009 12/21/2009 12/22/2009 12/23/2009 12/28/2009 12/29/2009 12/30/2009 1/4/2010 1/5/2010 1/6/2010 1/7/2010 1/8/2010 1/11/2010 1/12/2010 1/13/2010 1/14/2010 1/15/2010 1/18/2010 1/19/2010 1/20/2010 1/21/2010
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
7200 7450 7650 7450 7450 7400 7350 7200 7100 7300 7050 7100 7100 7200 7200 7100 7300 7300 7350 7500 7400 7400 7450 7300 7600 7600 7600 7500 7550 7700 7700 7900 7650 7650 7750 7750 7800 7800 7800 7800 7900 8000
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
1/22/2010 1/25/2010 1/26/2010 1/27/2010 1/28/2010 1/29/2010 2/1/2010 2/2/2010 2/3/2010 2/4/2010 2/5/2010 2/8/2010 2/9/2010 2/10/2010 2/11/2010 2/12/2010 2/15/2010 2/16/2010 2/17/2010 2/18/2010 2/19/2010 2/22/2010 2/23/2010 2/24/2010 2/25/2010 3/1/2010 3/2/2010 3/3/2010 3/4/2010 3/5/2010 3/8/2010 3/9/2010 3/10/2010 3/11/2010 3/12/2010 3/15/2010 3/17/2010 3/18/2010 3/19/2010 3/22/2010 3/23/2010 3/24/2010
Skripsi
7800 8050 7950 7900 7800 7950 7950 7900 8000 7900 7600 7550 7550 7900 7900 7800 7700 7800 7850 7900 7700 7700 7550 7550 7650 7600 7650 7600 7450 7500 7500 7600 7600 7800 7800 7750 7800 7850 7650 7700 7650 7650
3/25/2010 3/26/2010 3/29/2010 3/30/2010 3/31/2010 4/1/2010 4/5/2010 4/6/2010 4/7/2010 4/8/2010 4/9/2010 4/12/2010 4/13/2010 4/14/2010 4/15/2010 4/16/2010 4/19/2010 4/20/2010 4/21/2010 4/22/2010 4/23/2010 4/26/2010 4/27/2010 4/28/2010 4/29/2010 4/30/2010 5/3/2010 5/4/2010 5/5/2010 5/6/2010 5/7/2010 5/10/2010 5/11/2010 5/12/2010 5/14/2010 5/17/2010 5/18/2010 5/19/2010 5/20/2010 5/21/2010 5/24/2010 5/25/2010
7700 7650 7550 7550 7400 7350 7900 8100 8100 8250 8200 8100 8100 8150 8200 8300 8050 7950 8150 8200 8200 8300 8250 8050 8150 8300 8200 8250 8150 7850 7700 7800 8150 8050 8150 8200 8150 8050 8050 7850 7850 7850
Lampiran 1-5
5/26/2010 5/27/2010 5/31/2010 6/1/2010 6/2/2010 6/3/2010 6/4/2010 6/7/2010 6/8/2010 6/9/2010 6/10/2010 6/11/2010 6/14/2010 6/15/2010 6/16/2010 6/17/2010 6/18/2010 6/21/2010 6/22/2010 6/23/2010 6/24/2010 6/25/2010 6/28/2010 6/29/2010 6/30/2010 7/1/2010 7/2/2010 7/5/2010 7/6/2010 7/7/2010 7/8/2010 7/9/2010 7/12/2010 7/13/2010 7/14/2010 7/15/2010 7/16/2010 7/19/2010 7/20/2010 7/21/2010 7/22/2010 7/23/2010
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
7800 8800 8400 8350 8250 8300 8300 8000 8150 8200 8250 8300 8600 8600 8550 8550 8700 9000 8800 8650 8500 8250 8550 8650 8450 8650 8800 8850 9000 9100 9150 9150 9100 9150 9200 9050 9450 9250 9200 9150 9100 9050
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
7/26/2010 7/27/2010 7/28/2010 7/29/2010 7/30/2010 8/2/2010 8/3/2010 8/4/2010 8/5/2010 8/6/2010 8/9/2010 8/10/2010 8/11/2010 8/12/2010 8/13/2010 8/16/2010 8/18/2010 8/19/2010 8/20/2010 8/23/2010 8/24/2010 8/25/2010 8/26/2010 8/27/2010 8/30/2010 8/31/2010 9/1/2010 9/2/2010 9/3/2010 9/6/2010 9/7/2010 9/15/2010 9/16/2010 9/17/2010 9/20/2010 9/21/2010 9/22/2010 9/23/2010 9/24/2010 9/27/2010 9/28/2010 9/29/2010
Skripsi
9250 9050 9050 9200 9250 9250 9100 8750 8650 8700 8700 8600 8700 8750 8900 8900 8900 8800 8950 8900 8850 8750 8750 8850 8900 8700 8700 8900 8900 9000 9000 8950 9450 9150 9600 9600 9600 9500 9450 9600 9500 9600
9/30/2010 10/1/2010 10/4/2010 10/5/2010 10/6/2010 10/7/2010 10/8/2010 10/11/2010 10/12/2010 10/13/2010 10/14/2010 10/15/2010 10/18/2010 10/19/2010 10/20/2010 10/21/2010 10/22/2010 10/25/2010 10/26/2010 10/27/2010 10/28/2010 10/29/2010 11/1/2010 11/2/2010 11/3/2010 11/4/2010 11/5/2010 11/8/2010 11/9/2010 11/10/2010 11/11/2010 11/12/2010 11/15/2010 11/16/2010 11/18/2010 11/19/2010 11/22/2010 11/23/2010 11/24/2010 11/25/2010 11/26/2010 11/29/2010
9800 9900 9950 10100 9950 9950 10000 9950 9750 9750 9950 10050 10050 9950 9850 9900 9900 9850 9900 9850 9800 9800 9850 9800 9550 9550 9600 9300 9200 9500 9500 9450 9300 9350 9300 9300 9400 9850 9700 9750 9750 9650
Lampiran 1-6
11/30/2010 12/1/2010 12/2/2010 12/3/2010 12/6/2010 12/8/2010 12/9/2010 12/10/2010 12/13/2010 12/14/2010 12/15/2010 12/16/2010 12/17/2010 12/20/2010 12/21/2010 12/22/2010 12/23/2010 12/27/2010 12/28/2010 12/29/2010 12/30/2010 1/3/2011 1/4/2011 1/5/2011 1/6/2011 1/7/2011 1/10/2011 1/11/2011 1/12/2011 1/13/2011 1/14/2011 1/17/2011 1/18/2011 1/19/2011 1/20/2011 1/21/2011 1/24/2011 1/25/2011 1/26/2011 1/27/2011 1/28/2011 1/31/2011
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
9500 9400 9350 9500 9500 9600 9800 9850 9450 9400 9300 9400 9250 9200 9300 9400 9200 9250 9300 9450 9650 9650 9850 9900 9800 9800 9300 8700 8900 8950 9200 9050 8850 8850 8400 7950 7800 7750 8000 8350 7900 7650
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
2/1/2011 2/2/2011 2/4/2011 2/7/2011 2/8/2011 2/9/2011 2/10/2011 2/11/2011 2/14/2011 2/16/2011 2/17/2011 2/18/2011 2/21/2011 2/22/2011 2/23/2011 2/24/2011 2/25/2011 2/28/2011 3/1/2011 3/2/2011 3/3/2011 3/4/2011 3/7/2011 3/8/2011 3/9/2011 3/10/2011 3/11/2011 3/14/2011 3/15/2011 3/16/2011 3/17/2011 3/18/2011 3/21/2011 3/22/2011 3/23/2011 3/24/2011 3/25/2011 3/28/2011 3/29/2011 3/30/2011 3/31/2011 4/1/2011
Skripsi
7800 8100 8250 8350 8450 8250 8000 8300 8400 8400 8350 8800 8750 8600 8700 8800 8650 8500 8600 8550 8450 8500 8800 8900 8900 8900 8850 8800 8850 8750 8500 8350 8450 8500 8650 9000 9250 9100 9000 8750 9200 9100
4/4/2011 4/5/2011 4/6/2011 4/7/2011 4/8/2011 4/11/2011 4/12/2011 4/13/2011 4/14/2011 4/15/2011 4/18/2011 4/19/2011 4/20/2011 4/21/2011 4/25/2011 4/26/2011 4/27/2011 4/28/2011 4/29/2011 5/2/2011 5/3/2011 5/4/2011 5/5/2011 5/6/2011 5/9/2011 5/10/2011 5/11/2011 5/12/2011 5/13/2011 5/16/2011 5/18/2011 5/19/2011 5/20/2011 5/23/2011 5/24/2011 5/25/2011 5/26/2011 5/27/2011 5/30/2011 5/31/2011 6/1/2011 6/3/2011
9800 9600 9600 9450 9500 9700 9700 9500 9500 9550 9550 9500 9500 9550 9600 9500 9600 9600 9500 9500 9450 9450 9400 9500 9350 9400 9300 9350 9300 9250 9350 9450 9600 9650 9650 9650 9700 9600 9700 9650 9650 9650
Lampiran 1-7
6/6/2011 6/7/2011 6/8/2011 6/9/2011 6/10/2011 6/13/2011 6/14/2011 6/15/2011 6/16/2011 6/17/2011 6/20/2011 6/21/2011 6/22/2011 6/23/2011 6/24/2011 6/27/2011 6/28/2011 6/30/2011 7/1/2011 7/4/2011 7/5/2011 7/6/2011 7/7/2011 7/8/2011 7/11/2011 7/12/2011 7/13/2011 7/14/2011 7/15/2011 7/18/2011 7/19/2011 7/20/2011 7/21/2011 7/22/2011 7/25/2011 7/26/2011 7/27/2011 7/28/2011 7/29/2011 8/1/2011 8/2/2011 8/3/2011
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
9600 9500 9400 9300 9200 9200 9150 9300 9350 9600 9600 9700 9700 9650 9550 9550 9450 9700 9700 9900 9900 9700 9800 9850 9850 9750 9800 9900 9900 10000 9750 9850 9800 9900 9900 9800 9900 9800 9650 9350 9400 9350
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
8/4/2011 8/5/2011 8/8/2011 8/9/2011 8/10/2011 8/11/2011 8/12/2011 8/15/2011 8/16/2011 8/18/2011 8/19/2011 8/22/2011 8/23/2011 8/24/2011 8/25/2011 8/26/2011 9/5/2011 9/6/2011 9/7/2011 9/8/2011 9/9/2011 9/12/2011 9/13/2011 9/14/2011 9/15/2011 9/16/2011 9/19/2011 9/20/2011 9/21/2011 9/22/2011 9/23/2011 9/26/2011 9/27/2011 9/28/2011 9/29/2011 9/30/2011 10/3/2011 10/4/2011 10/5/2011 10/6/2011 10/7/2011 10/10/2011
Skripsi
9200 8900 8800 8700 8850 8600 8800 8900 8900 8900 8900 8800 9050 9300 9250 9100 9100 8850 9200 9400 9300 9050 8900 8900 8750 8650 8700 8300 8400 8050 7500 8000 8000 8100 8250 8550 8200 8000 7900 8000 8200 7900
10/11/2011 10/12/2011 10/13/2011 10/14/2011 10/17/2011 10/18/2011 10/19/2011 10/20/2011 10/21/2011 10/24/2011 10/25/2011 10/26/2011 10/27/2011 10/28/2011 10/31/2011 11/1/2011 11/2/2011 11/3/2011 11/4/2011 11/7/2011 11/8/2011 11/9/2011 11/10/2011 11/11/2011 11/14/2011 11/15/2011 11/16/2011 11/17/2011 11/18/2011 11/21/2011 11/22/2011 11/23/2011 11/24/2011 11/25/2011 11/28/2011 11/29/2011 11/30/2011 12/1/2011 12/2/2011 12/5/2011 12/6/2011 12/7/2011
8000 7950 8400 8600 9000 8700 8650 9000 8650 8900 9300 9100 9250 9350 9500 9500 8800 9050 9000 9300 9500 9500 9250 9150 9300 9500 9400 9450 9300 9000 9000 9050 8700 8900 8950 8850 9000 9450 9400 9450 9650 9700
Lampiran 1-8
12/8/2011 12/9/2011 12/12/2011 12/13/2011 12/14/2011 12/15/2011 12/16/2011 12/19/2011 12/20/2011 12/21/2011 12/22/2011 12/23/2011 12/27/2011 12/28/2011 12/29/2011 12/30/2011 1/2/2012 1/3/2012 1/4/2012 1/5/2012 1/6/2012 1/9/2012 1/10/2012 1/11/2012 1/12/2012 1/13/2012 1/16/2012 1/17/2012 1/18/2012 1/19/2012 1/20/2012 1/24/2012 1/25/2012 1/26/2012 1/27/2012 1/30/2012 1/31/2012 2/1/2012 2/2/2012 2/3/2012 2/6/2012 2/7/2012
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
9650 9600 9550 9800 10250 10600 10300 10650 10850 10800 10900 11200 10800 10950 11000 11000 11450 11200 11100 11000 11150 10900 10850 11100 11400 11650 11600 11800 11850 12400 12600 12000 11650 11650 11050 11000 11050 11300 11500 11350 11400 11400
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
2/8/2012 2/9/2012 2/10/2012 2/13/2012 2/14/2012 2/15/2012 2/16/2012 2/17/2012 2/20/2012 2/21/2012 2/22/2012 2/23/2012 2/24/2012 2/27/2012 2/28/2012 2/29/2012 3/1/2012 3/2/2012 3/5/2012 3/6/2012 3/7/2012 3/8/2012 3/9/2012 3/12/2012 3/13/2012 3/14/2012
Skripsi
11500 11350 11500 11450 11400 11700 11500 11400 11600 11150 11050 11050 11300 10850 10550 11000 11300 11300 11400 11300 11150 11150 11200 11300 11400 11650
3/15/2012 3/16/2012 3/19/2012 3/20/2012 3/21/2012 3/22/2012 3/26/2012 3/27/2012 3/28/2012 3/29/2012 3/30/2012 4/2/2012 4/3/2012 4/4/2012 4/5/2012 4/9/2012 4/10/2012 4/11/2012 4/12/2012 4/13/2012 4/16/2012 4/17/2012 4/18/2012 4/19/2012 4/20/2012 4/23/2012
12200 12550 12500 12450 12500 12250 12000 12100 12450 12350 12250 12350 12450 12450 12100 12000 11950 12000 12000 12250 12300 12150 12250 12000 11950 11950
Lampiran 1-9
4/24/2012 4/25/2012 4/26/2012 4/27/2012 4/30/2012 5/1/2012 5/2/2012 5/3/2012 5/4/2012 5/7/2012 5/8/2012 5/9/2012 5/10/2012 5/11/2012 5/14/2012 5/16/2012 5/21/2012 5/22/2012 5/23/2012 5/24/2012 5/25/2012 5/28/2012 5/29/2012 5/30/2012 5/31/2012
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
11750 11750 11950 12350 12300 12300 12350 12200 12250 12050 12000 11800 11600 11600 11000 10700 10600 11100 10950 11350 11300 10550 10800 10850 11000
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-1
Lampiran 2 : Source Code Program Source Code Kelas main.java package skripsi; public class Skripsi { public static void main(String[] args) { new elm().setVisible(true); } }
Source Code Kelas elm.java import import import import import import import import
java.io.File; java.io.IOException; java.util.logging.Level; java.util.logging.Logger; javax.swing.JFileChooser; jxl.Sheet; jxl.Workbook; jxl.read.biff.BiffException;
public class elm extends javax.swing.JFrame { // from excel static String[] tanggal; // sit1 int [] data_excel; // sit1 static int[] data; static int[] data_training; static int[] data_validasi; static int fungNorm, fungAktiv; String dir; public elm() { initComponents(); fungNorm = 1; fungAktiv = 2; } private void initComponents() { jPanel1 = new javax.swing.JPanel(); jLabel1 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jButton1 = new javax.swing.JButton(); jPanel2 = new javax.swing.JPanel(); jLabel2 = new javax.swing.JLabel(); jTextField2 = new javax.swing.JTextField(); jPanel3 = new javax.swing.JPanel(); jLabel3 = new javax.swing.JLabel(); jLabel4 = new javax.swing.JLabel(); jTextField3 = new javax.swing.JTextField(); jTextField4 = new javax.swing.JTextField(); jLabel5 = new javax.swing.JLabel(); jLabel6 = new javax.swing.JLabel(); jButton2 = new javax.swing.JButton(); jButton3 = new javax.swing.JButton(); jPanel4 = new javax.swing.JPanel(); jLabel7 = new javax.swing.JLabel(); jLabel8 = new javax.swing.JLabel(); jRadioButton1 = new javax.swing.JRadioButton();
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-2
jRadioButton2 = new javax.swing.JRadioButton(); jRadioButton3 = new javax.swing.JRadioButton(); jRadioButton4 = new javax.swing.JRadioButton(); jMenuBar1 = new javax.swing.JMenuBar(); jMenu1 = new javax.swing.JMenu(); jMenuItem1 = new javax.swing.JMenuItem(); jMenuItem3 = new javax.swing.JMenuItem(); setDefaultCloseOperation(javax.swing.WindowConstants.EXIT_ON_CLOSE); setCursor(new java.awt.Cursor(java.awt.Cursor.DEFAULT_CURSOR)); jPanel1.setBorder(javax.swing.BorderFactory.createTitledBorder("Open Data Training")); jLabel1.setText("Nama File"); jTextField1.setEditable(false); jButton1.setFont(new java.awt.Font("Tahoma", 1, 11)); jButton1.setText("Browse"); jButton1.addActionListener(new java.awt.event.ActionListener() { public void actionPerformed(java.awt.event.ActionEvent evt) { jButton1ActionPerformed(evt); } }); private void jButton3ActionPerformed(java.awt.event.ActionEvent evt) { try { setTabelFromExcel(dir); } catch (IOException ex) { Logger.getLogger(elm.class.getName()).log(Level.SEVERE, null, ex); } catch (BiffException ex) { Logger.getLogger(elm.class.getName()).log(Level.SEVERE, null, ex); } int jum_data = Integer.parseInt(jTextField2.getText()); data = new int[jum_data]; System.arraycopy(data_excel, 0, data, 0, jum_data); int jum_training = (int) (((double) Integer.parseInt(jTextField3.getText())/100)*jum_data); data_training = new int[jum_training]; System.arraycopy(data, 0, data_training, 0, jum_training); int jum_validasi = jum_data - jum_training; data_validasi = new int[jum_validasi]; System.arraycopy(data, jum_training, data_validasi, 0, jum_validasi); new data().setVisible(true); } private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) { try{ JFileChooser fc=new JFileChooser(); int res=fc.showOpenDialog(this); if(res==JFileChooser.APPROVE_OPTION){ File file=fc.getSelectedFile(); dir=file.getPath(); jTextField1.setText(dir); } }catch(Exception e){ System.out.println(e); } } private void jRadioButton1ActionPerformed(java.awt.event.ActionEvent evt) {
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-3
if(jRadioButton1.isSelected() == true){ jRadioButton2.setSelected(false); fungNorm = 1; } else{ jRadioButton2.setSelected(true); fungNorm = 2; } } private evt) {
void
jRadioButton2ActionPerformed(java.awt.event.ActionEvent
if(jRadioButton2.isSelected() == true){ jRadioButton1.setSelected(false); fungNorm = 2; } else{ jRadioButton1.setSelected(true); fungNorm = 1; } } private evt) {
void
jRadioButton3ActionPerformed(java.awt.event.ActionEvent
if(jRadioButton3.isSelected() == true){ jRadioButton4.setSelected(false); fungAktiv = 1; } else{ jRadioButton4.setSelected(true); fungAktiv = 2; } } private void jRadioButton4ActionPerformed(java.awt.event.ActionEvent evt) { if(jRadioButton4.isSelected() == true){ jRadioButton3.setSelected(false); fungAktiv = 2; } else{ jRadioButton3.setSelected(true); fungAktiv = 1; } } private void jTextField2ActionPerformed(java.awt.event.ActionEvent evt) } private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) { System.exit(1); } private void jTextField3KeyPressed(java.awt.event.KeyEvent evt) { } private void jTextField3KeyReleased(java.awt.event.KeyEvent evt) { int nilai; String x = jTextField3.getText(); if("".equals(x)){ nilai = 0; }else{
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-4
nilai = Integer.parseInt(jTextField3.getText()); } jTextField4.setText(""+(100-nilai)); } private javax.swing.JButton jButton1; private javax.swing.JButton jButton2; private javax.swing.JButton jButton3; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JLabel jLabel6; private javax.swing.JLabel jLabel7; private javax.swing.JLabel jLabel8; private javax.swing.JMenu jMenu1; private javax.swing.JMenuBar jMenuBar1; private javax.swing.JMenuItem jMenuItem1; private javax.swing.JMenuItem jMenuItem3; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JPanel jPanel4; private javax.swing.JRadioButton jRadioButton1; private javax.swing.JRadioButton jRadioButton2; private javax.swing.JRadioButton jRadioButton3; private javax.swing.JRadioButton jRadioButton4; private javax.swing.JTextField jTextField1; private javax.swing.JTextField jTextField2; private javax.swing.JTextField jTextField3; private javax.swing.JTextField jTextField4; private void setTabelFromExcel(String dir) throws IOException, BiffException { Workbook wb = Workbook.getWorkbook(new File(dir)); //file yang akan dibuka Sheet sit1 = wb.getSheet(0); int baris = sit1.getRows(); tanggal = new String[baris-1]; data_excel = new int[baris-1]; for(int i=1;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-5
return fungNorm; } public static int getFungAktiv(){ return fungAktiv; } }
Source Code Kelas data.java public class data extends javax.swing.JFrame { static int[] data_all; int[] data_train; static int[] data_val; static String[] tanggal; double[] data_all_normal; double[] data_train_normal; static double[] data_val_normal; int fungNorm; static double[][] rancang; //table JTable tabDtAll, tabDtTrain, tabDtVal, tabDtAllNormal, tabDtTrainNormal, tabDtValNormal; public data() { initComponents(); data_all = elm.getData(); //display(data_all); data_train = elm.getDataTraining(); data_val = elm.getDataValidasi(); tanggal = elm.getTanggal(); fungNorm = elm.getFungNorm(); normalisasi(); setTable(); } @SuppressWarnings("unchecked") private void initComponents() { jTabbedPane1 = new javax.swing.JTabbedPane(); jPanel1 = new javax.swing.JPanel(); jScrollPane3 = new javax.swing.JScrollPane(); jScrollPane2 = new javax.swing.JScrollPane(); jScrollPane1 = new javax.swing.JScrollPane(); jPanel3 = new javax.swing.JPanel(); jLabel1 = new javax.swing.JLabel(); jLabel2 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jTextField2 = new javax.swing.JTextField(); jButton1 = new javax.swing.JButton(); jButton2 = new javax.swing.JButton(); jPanel2 = new javax.swing.JPanel(); setDefaultCloseOperation(javax.swing.WindowConstants.DISPOSE_ON_CLOSE); setTitle("Data"); jTabbedPane1.addMouseListener(new java.awt.event.MouseAdapter() { public void mouseClicked(java.awt.event.MouseEvent evt) { jTabbedPane1MouseClicked(evt); } }); private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) { setRancang(); new rancangan_data().setVisible(true); } setRancang(); new rancangan_data().setVisible(true); }
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-6
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) { ("Normalisasi".equals(jButton1.getText())) { setTableNormalisasi(); jButton1.setText("Riil"); } else { setTableRiil(); jButton1.setText("Normalisasi"); } } if ("Normalisasi".equals(jButton1.getText())) { setTableNormalisasi(); jButton1.setText("Riil"); } else { setTableRiil(); jButton1.setText("Normalisasi"); } private void jTabbedPane1MouseClicked(java.awt.event.MouseEvent evt) } // Variables declaration - do not modify private javax.swing.JButton jButton1; private javax.swing.JButton jButton2; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JScrollPane jScrollPane3; private javax.swing.JTabbedPane jTabbedPane1; private javax.swing.JTextField jTextField1; private javax.swing.JTextField jTextField2; private void normalisasi(){ int[] maxmin = max_min(data_all); int max = maxmin[0]; int min = maxmin[1]; int selisih = max - min; // normalisasi int baris = data_all.length; data_all_normal = new double[baris]; int jum_train = data_train.length; data_train_normal = new double[jum_train]; data_val_normal = new double[baris-jum_train]; if(fungNorm == 1){ for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-7
data_val_normal[i - jum_train] = data_all_normal[i]; } } } } private void setTable(){ Object[][] dtAllTab = new Object[data_all.length][3], dtAllNormalTab = new Object[data_all_normal.length][3]; Object[][] dtTrainTab = new Object[data_train.length][3], dtTrainNormalTab = new Object[data_train_normal.length][3]; Object[][] dtValTab = new Object[data_val.length][3], dtValNormalTab = new Object[data_val_normal.length][3]; int baris = data_all.length; int jum_train = data_train.length; jTextField1.setText(""+jum_train); jTextField2.setText(""+(baris-jum_train)); String[] headerRiil = {"No","Tanggal","Data Riil"}; String[] headerNormal = {"No","Tanggal","Data Normalisasi"}; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-8
tabDtValNormal = new JTable(dtValNormalTab,headerRiil); tabDtValNormal.setAutoResizeMode(JTable.AUTO_RESIZE_OFF); tabDtValNormal.setEnabled(false); setTableRiil(); } public static int[] max_min(int[] array){ int[] maxmin = new int[2]; int l = array.length; int max = array[0]; int min = array[0]; for(int i=0;i
array[i]){ min = array[i]; } } maxmin[0] = max; maxmin[1] = min; return maxmin; } private void display(int[] array){ int l=array.length; for(int i=0;i
Source Code Kelas rancangan_data.java
package skripsi; public class rancangan_data extends javax.swing.JFrame { double[][] rancang; static int jumHidden; static double MSE; static int epochMax;
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-9
public rancangan_data() { initComponents(); rancang = data.getRancang(); setTable(); } @SuppressWarnings("unchecked") private void initComponents() { jPanel1 = new javax.swing.JPanel(); jScrollPane1 = new javax.swing.JScrollPane(); jPanel2 = new javax.swing.JPanel(); jScrollPane2 = new javax.swing.JScrollPane(); jPanel3 = new javax.swing.JPanel(); jLabel1 = new javax.swing.JLabel(); jLabel2 = new javax.swing.JLabel(); jLabel3 = new javax.swing.JLabel(); jLabel4 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jLabel5 = new javax.swing.JLabel(); jPanel4 = new javax.swing.JPanel(); jLabel6 = new javax.swing.JLabel(); jTextField2 = new javax.swing.JTextField(); jLabel7 = new javax.swing.JLabel(); jTextField3 = new javax.swing.JTextField(); jButton1 = new javax.swing.JButton(); jMenuBar1 = new javax.swing.JMenuBar(); private void jTextField1ActionPerformed(java.awt.event.ActionEvent evt) { } private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) { try{ jumHidden = Integer.parseInt(jTextField1.getText()); MSE = Double.parseDouble(jTextField2.getText()); epochMax = Integer.parseInt(jTextField3.getText()); new bobot_awal().setVisible(true); } catch(Exception e){ System.out.println(e); } } // Variables declaration - do not modify private javax.swing.JButton jButton1; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JLabel jLabel6; private javax.swing.JLabel jLabel7; private javax.swing.JMenuBar jMenuBar1; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JPanel jPanel4; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JTextField jTextField1; private javax.swing.JTextField jTextField2; private javax.swing.JTextField jTextField3;
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-10
// End of variables declaration private void setTable(){ int baris = rancang.length; Object[][] absRancang = new Object[baris][6], absTarget = new Object[baris][2]; String[] header1 = {"Pola Ke-","X1","X2","X3","X4","X5"}, header2 = {"Pola Ke-","Target(Y)"}; for(int i=0;i
Source Code Kelas main.java package skripsi; import Jama.*; import javax.swing.JTable; public class bobot_awal extends javax.swing.JFrame { // from prev form int hidden, epoch; double MSE_max; // from data double[][] rancang; //from elm final int fungAktiv; // this form double[][] IH, BH, HO; double BO; // hanya digunakan awal untuk pembentukan matrix Object[][] absIH, absBH, absHO; static Matrix matIH, matBH, matHO,matBO ; Matrix matIHt2,matBHt2,matHOt2,matBOt2, matIHt1,matBHt1,matHOt1,matBOt1 JTable tabIH, tabBH, tabHO; String[] nmKlmIH, nmKlmBH, nmKlmHO; double[] mseTraining; double[] mapeTraining;
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-11
static double[] target, forecast, error; public bobot_awal() { initComponents(); hidden = rancangan_data.getHidden(); MSE_max = rancangan_data.getMSE(); epoch = rancangan_data.getEpochMax(); rancang = data.getRancang(); fungAktiv = elm.getFungAktiv(); // matrix inisialisasi wt-1 IH = inputHidden(); BH = biasHidden(); HO = hiddenOutput(); BO = biasOutput(); matIHt2 = new Matrix(IH); matBHt2 = new Matrix(BH); matHOt2 = new Matrix(HO); double[][] forMatBO = new double[1][1]; forMatBO[0][0] = BO; matBOt2 = new Matrix(forMatBO); // matrix inisialisasi wt IH = inputHidden(); BH = biasHidden(); HO = hiddenOutput(); BO = biasOutput(); matIHt1 = new Matrix(IH); matBHt1 = new Matrix(BH); matHOt1 = new Matrix(HO); forMatBO[0][0] = BO; matBOt1 = new Matrix(forMatBO); setTable(); } @SuppressWarnings("unchecked") private void initComponents() { jPanel1 = new javax.swing.JPanel(); jScrollPane1 = new javax.swing.JScrollPane(); jPanel3 = new javax.swing.JPanel(); jScrollPane2 = new javax.swing.JScrollPane(); jPanel2 = new javax.swing.JPanel(); jScrollPane3 = new javax.swing.JScrollPane(); jPanel4 = new javax.swing.JPanel(); jLabel1 = new javax.swing.JLabel(); jButton1 = new javax.swing.JButton(); jLabel2 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jTextField2 = new javax.swing.JTextField(); jLabel4 = new javax.swing.JLabel(); jMenuBar1 = new javax.swing.JMenuBar(); jMenu1 = new javax.swing.JMenu(); jMenu2 = new javax.swing.JMenu(); jMenuItem1 = new javax.swing.JMenuItem(); jMenuItem2 = new javax.swing.JMenuItem(); jMenuItem3 = new javax.swing.JMenuItem(); private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) { proses(); } private void jMenuItem1ActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here: mseGraphics mse = new mseGraphics("MSE Training", mseTraining); mse.pack();
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-12
mse.setVisible(true); } private void jMenuItem2ActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here: new forecast().setVisible(true); } private void jMenu1ActionPerformed(java.awt.event.ActionEvent evt) { } private void jMenuItem3ActionPerformed(java.awt.event.ActionEvent evt) { new validasi().setVisible(true); } private javax.swing.JButton jButton1; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel4; private javax.swing.JMenu jMenu1; private javax.swing.JMenu jMenu2; private javax.swing.JMenuBar jMenuBar1; private javax.swing.JMenuItem jMenuItem1; private javax.swing.JMenuItem jMenuItem2; private javax.swing.JMenuItem jMenuItem3; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JPanel jPanel4; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JScrollPane jScrollPane3; private javax.swing.JTextField jTextField1; private javax.swing.JTextField jTextField2; private void proses(){ matIH = new Matrix(IH); matBH = new Matrix(BH); matHO = new Matrix(HO); double[][] forMatBO = new double[1][1]; forMatBO[0][0] = BO; matBO = new Matrix(forMatBO); mseTraining = new double[epoch]; mapeTraining = new double[epoch]; double eps; double eps_mape; Matrix H, X, Yin, Y1; double[][] pola = new double[1][5]; Matrix polax, tempC; int bar = rancang.length; System.out.println("Matriks IH : ");displayMatrix(matIH); System.out.println("Matriks BH : ");displayMatrix(matBH); System.out.println("Matriks HO : ");displayMatrix(matHO); System.out.println("Matriks BO : ");displayMatrix(matBO); for(int e=0;e<epoch;e++){ double sigMSE = 0; double sigMape = 0; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-13
else{ X = tansig(H); } Yin = (X.times(matHO)).plus(matBO); if(fungAktiv == 1){ Y1 = logsig(Yin); } else{ Y1 = tansig(Yin); } ");displayMatrix(Y1); double tempY1 = Y1.get(0,0); eps = Math.pow((rancang[i][5]-tempY1), 2); eps_mape = Math.abs((rancang[i][5]-tempY1)/tempY1)*100; faktor(rancang[i][5], tempY1, polax, X); sigMSE += eps; sigMape += eps_mape; } double mse = sigMSE/rancang.length; jTextField1.setText(""+mse); jTextField2.setText(""+(e+1)); jTextField3.setText(""+mape); mseTraining[e] = mse; if(mse < MSE_max || (e+1) == epoch){ System.out.println("Matriks IH Akhir: ");displayMatrix(matIH); System.out.println("Matriks BH Akhir: ");displayMatrix(matBH); System.out.println("Matriks HO Akhir: ");displayMatrix(matHO); System.out.println("Matriks BO Akhir: ");displayMatrix(matBO); break; } } setTableUpdate(); target = getTarget(); forecast = getForecasting(); error = diffSquare(target, forecast); } private Matrix UpdateBobot(Matrix H, Matrix target){ int p = H.getRowDimension(); int l = target.getColumnDimension(); Matrix hasil = new Matrix(target); hasil = H.inverse().times(target); return hasil; } private double[] getTarget(){ // diperoleh dari rancang kolom ke 6 int length = rancang.length; double[] hasil = new double[length]; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-14
result = logsig(((logsig((polax.times(matIH)).plus(matBH))).times(matHO)).plus(matBO) ); } else{ result = tansig(((tansig((polax.times(matIH)).plus(matBH))).times(matHO)).plus(matBO) ); } hasil[i] = result.get(0, 0); } return hasil; } private void setTableUpdate(){ absIH = getObjectMatrix(matIH); absBH = getObjectMatrix(matBH); absHO = getObjectMatrix(matHO); tabIH = new JTable(absIH,nmKlmIH); tabBH = new JTable(absBH,nmKlmBH); tabHO = new JTable(absHO,nmKlmHO); tabIH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabIH.setEnabled(false);tabI H.setTableHeader(null); tabBH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabBH.setEnabled(false);tabB H.setTableHeader(null); tabHO.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabHO.setEnabled(false);tabH O.setTableHeader(null); jScrollPane1.setViewportView(tabIH); jScrollPane2.setViewportView(tabBH); jScrollPane3.setViewportView(tabHO); jLabel1.setText(""+matBO.get(0, 0)); } public static Matrix tansig(Matrix H){ Matrix output; double[][] h = H.getArrayCopy(); int bar = h.length; int kol = h[0].length; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-15
tabIH = new JTable(absIH,nmKlmIH); nmKlmBH = new String[absBH[0].length]; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-16
} Matrix has = new Matrix(hasil); return has; } private Object[][] getObjectMatrix(Matrix m){ int bar = m.getRowDimension(); int kol = m.getColumnDimension(); Object[][] hasil= new Object[bar][kol]; for(int i=0;i
Source Code Kelas forecast.java
package skripsi; import javax.swing.JTable; public class forecast extends javax.swing.JFrame { // from prev double[] target, forecast, error; int[] dataAll; double[] targetDenorm, forecastDenorm, errorDenorm; int fungNorm; String[] tanggal; JTable beforeDenorm, afterDenorm; public forecast() { initComponents(); target = bobot_awal.target; forecast = bobot_awal.forecast; error = bobot_awal.error; dataAll = data.data_all; fungNorm = elm.getFungNorm(); tanggal = data.tanggal; setDenorm(); setTable(); } @SuppressWarnings("unchecked") private void initComponents() { jPanel1 = new javax.swing.JPanel(); jScrollPane1 = new javax.swing.JScrollPane(); jButton1 = new javax.swing.JButton(); jButton2 = new javax.swing.JButton();
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-17
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) { forecastGraphics f = new forecastGraphics("Grafik Testing Data Training", tanggal , targetDenorm, forecastDenorm); f.pack(); f.setVisible(true); } private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) { if("Denormalisasi".equals(jButton2.getText())){ setTableDenorm(); jButton2.setText("Riil"); } else{ setTable(); jButton2.setText("Denormalisasi"); } } // Variables declaration - do not modify private javax.swing.JButton jButton1; private javax.swing.JButton jButton2; private javax.swing.JPanel jPanel1; private javax.swing.JScrollPane jScrollPane1; // End of variables declaration int length = target.length; Object[][] isi = new Object[length][4]; String[] nmKlm = {"No", "Target", "Forecast", "Error"}; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-18
targetDenorm[i] = ((double) 0.5*(target[i]+1)*(maxmin[0]maxmin[1]))+maxmin[1]; forecastDenorm[i] = ((double) 0.5*(forecast[i]+1)*(maxmin[0]-maxmin[1]))+maxmin[1]; errorDenorm[i] = Math.pow((double) (targetDenorm[i]forecastDenorm[i]), 2); } } else{ // 0 sampai 1 for(int i=0;i
Source Code Kelas validasi.java
package skripsi; import Jama.Matrix; import javax.swing.JTable; public class validasi extends javax.swing.JFrame { double[] dataValNorm; int[] dataVal; double[][] rancangVal, rancangDenormVal; // 5 kolom + target Matrix IH_akhir, BH_akhir, HO_akhir, BO_akhir; double[] forecastVal, errorVal; double[] forecastDenormVal, errorDenormVal; double mseVal, mseValDenorm; double ramalBeforeDenorm, ramalAfterDenorm ; int[] dataAll; String[] tanggal; double[] targetDenormVal; JTable tabRancangBeforeDenorm, tabTargetBeforeDenorm, tabRancangafterDenorm, tabTargetafterDenorm ; public validasi() { initComponents(); dataVal = data.data_val; dataValNorm = data.data_val_normal; setRancangVal(); IH_akhir = bobot_awal.matIH; BH_akhir = bobot_awal.matBH; HO_akhir = bobot_awal.matHO; BO_akhir = bobot_awal.matBO; dataAll = data.data_all; tanggal = data.tanggal; forecastVal = getForecastingVal(); errorVal = getErrorval(); // mendapatkan error dan mseVal setTableBeforeDenorm(); jScrollPane1.setViewportView(tabRancangBeforeDenorm); jScrollPane2.setViewportView(tabTargetBeforeDenorm); //jLabel1.setText(""+mseVal); jTextField1.setText(""+mseVal); setDenorm(); setTableAfterDenorm();
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-19
setRamal(); jLabel2.setText(""+ramalBeforeDenorm); setTargetDenormVal(); // mengisi array targetDenormVal untuk grafik jTextField2.setText(""+dataVal.length); } @SuppressWarnings("unchecked") // <editor-fold defaultstate="collapsed" desc="Generated Code"> private void initComponents() { jPanel1 = new javax.swing.JPanel(); jScrollPane1 = new javax.swing.JScrollPane(); jPanel2 = new javax.swing.JPanel(); jScrollPane2 = new javax.swing.JScrollPane(); jPanel4 = new javax.swing.JPanel(); jLabel2 = new javax.swing.JLabel(); jButton1 = new javax.swing.JButton(); jButton2 = new javax.swing.JButton(); jButton3 = new javax.swing.JButton(); jLabel3 = new javax.swing.JLabel(); jLabel4 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jTextField2 = new javax.swing.JTextField(); private javax.swing.JButton jButton1; private javax.swing.JButton jButton2; private javax.swing.JButton jButton3; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel4; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JTextField jTextField1; private javax.swing.JTextField jTextField2; // End of variables declaration private void setRancangVal(){ int length = dataVal.length - 5; rancangVal = new double[length][6]; for(int j=0;j<6;j++){ for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-20
} else{ result = bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_akhir) )).times(HO_akhir)).plus(BO_akhir)); } hasil[i] = result.get(0, 0); } return hasil; } private double[] getErrorval(){ int l = rancangVal.length; double[] hasil = new double[l]; double[] sum = new double[1]; mseVal = 0; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-21
absRancangVal[i][2] = rancangDenormVal[i][1]; absForecast[i][2] = forecastDenormVal[i]; absRancangVal[i][3] = rancangDenormVal[i][2]; absForecast[i][3] = errorDenormVal[i]; absRancangVal[i][4] = rancangDenormVal[i][3]; absRancangVal[i][5] = rancangDenormVal[i][4]; } tabRancangafterDenorm = new JTable(absRancangVal, header1); tabRancangafterDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF); tabRancangafterDenorm.setEnabled(false); tabTargetafterDenorm = new JTable(absForecast, header2); tabTargetafterDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF); tabTargetafterDenorm.setEnabled(false); } private void setDenorm(){ int length = rancangVal.length; rancangDenormVal = new double[length][6]; int[] maxmin = data.max_min(dataAll); forecastDenormVal = new double[length]; errorDenormVal = new double[length]; mseValDenorm = 0; if(elm.fungNorm == 1){ // -1 sampai 1 for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-22
polax = new Matrix(pola); if(elm.fungAktiv == 1){ result = bobot_awal.logsig(((bobot_awal.logsig((polax.times(IH_akhir)).plus(BH_akhir) )).times(HO_akhir)).plus(BO_akhir)); } else{ result = bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_akhir) )).times(HO_akhir)).plus(BO_akhir)); } ramalBeforeDenorm = result.get(0, 0); System.arraycopy(rancangDenormVal[l-1], 1, pola[0], 0, 5); polax = new Matrix(pola); int[] maxmin = data.max_min(dataAll); if(elm.fungNorm == 1){ ramalAfterDenorm = ((double) 0.5*(ramalBeforeDenorm+1)*(maxmin[0]-maxmin[1]))+maxmin[1]; }else{ ramalAfterDenorm = ((double) (ramalBeforeDenorm-0.1)*(maxmin[0]maxmin[1])/0.8)+maxmin[1]; } } private void setTargetDenormVal(){ int l = rancangDenormVal.length; targetDenormVal = new double[l]; for(int i=0;i
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-1
Lampiran 3 : Pola Input Training Data Pola ke1
Hari ke-1
Hari ke-2
Hari ke-3
Hari ke-4
Hari ke-5
Hari ke-6
0.369194313
0.369194313
0.372985782
0.372985782
0.372985782
0.369194313
2
0.369194313
0.372985782
0.372985782
0.372985782
0.369194313
0.369194313
3
0.372985782
0.372985782
0.372985782
0.369194313
0.369194313
0.369194313
4
0.372985782
0.372985782
0.369194313
0.369194313
0.369194313
0.331279621
5
0.372985782
0.369194313
0.369194313
0.369194313
0.331279621
0.331279621
6
0.369194313
0.369194313
0.369194313
0.331279621
0.331279621
0.308530806
7
0.369194313
0.369194313
0.331279621
0.331279621
0.308530806
0.319905213
8
0.369194313
0.331279621
0.331279621
0.308530806
0.319905213
0.300947867
9
0.331279621
0.331279621
0.308530806
0.319905213
0.300947867
0.312322275
10
0.331279621
0.308530806
0.319905213
0.300947867
0.312322275
0.302843602
11
0.308530806
0.319905213
0.300947867
0.312322275
0.302843602
0.33507109
12
0.319905213
0.300947867
0.312322275
0.302843602
0.33507109
0.346445498
13
0.300947867
0.312322275
0.302843602
0.33507109
0.346445498
0.369194313
14
0.312322275
0.302843602
0.33507109
0.346445498
0.369194313
0.361611374
15
0.302843602
0.33507109
0.346445498
0.369194313
0.361611374
0.365402844
16
0.33507109
0.346445498
0.369194313
0.361611374
0.365402844
0.365402844
17
0.346445498
0.369194313
0.361611374
0.365402844
0.365402844
0.369194313
18
0.369194313
0.361611374
0.365402844
0.365402844
0.369194313
0.357819905
19
0.361611374
0.365402844
0.365402844
0.369194313
0.357819905
0.350236967
20
0.365402844
0.365402844
0.369194313
0.357819905
0.350236967
0.346445498
21
0.365402844
0.369194313
0.357819905
0.350236967
0.346445498
0.342654028
22
0.369194313
0.357819905
0.350236967
0.346445498
0.342654028
0.342654028
23
0.357819905
0.350236967
0.346445498
0.342654028
0.342654028
0.357819905
24
0.350236967
0.346445498
0.342654028
0.342654028
0.357819905
0.369194313
25
0.346445498
0.342654028
0.342654028
0.357819905
0.369194313
0.361611374
26
0.342654028
0.342654028
0.357819905
0.369194313
0.361611374
0.365402844
27
0.342654028
0.357819905
0.369194313
0.361611374
0.365402844
0.361611374
28
0.357819905
0.369194313
0.361611374
0.365402844
0.361611374
0.357819905
29
0.369194313
0.361611374
0.365402844
0.361611374
0.357819905
0.357819905
30
0.361611374
0.365402844
0.361611374
0.357819905
0.357819905
0.365402844
31
0.365402844
0.361611374
0.357819905
0.357819905
0.365402844
0.365402844
32
0.361611374
0.357819905
0.357819905
0.365402844
0.365402844
0.361611374
33
0.357819905
0.357819905
0.365402844
0.365402844
0.361611374
0.354028436
34
0.357819905
0.365402844
0.365402844
0.361611374
0.354028436
0.357819905
35
0.365402844
0.365402844
0.361611374
0.354028436
0.357819905
0.342654028
36
0.365402844
0.361611374
0.354028436
0.357819905
0.342654028
0.338862559
37
0.361611374
0.354028436
0.357819905
0.342654028
0.338862559
0.342654028
38
0.354028436
0.357819905
0.342654028
0.338862559
0.342654028
0.338862559
39
0.357819905
0.342654028
0.338862559
0.342654028
0.338862559
0.308530806
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-2
40
0.342654028
0.338862559
0.342654028
0.338862559
0.308530806
0.300947867
41
0.338862559
0.342654028
0.338862559
0.308530806
0.300947867
0.319905213
42
0.342654028
0.338862559
0.308530806
0.300947867
0.319905213
0.319905213
43
0.338862559
0.308530806
0.300947867
0.319905213
0.319905213
0.308530806
44
0.308530806
0.300947867
0.319905213
0.319905213
0.308530806
0.314218009
45
0.300947867
0.319905213
0.319905213
0.308530806
0.314218009
0.319905213
46
0.319905213
0.319905213
0.308530806
0.314218009
0.319905213
0.300947867
47
0.319905213
0.308530806
0.314218009
0.319905213
0.300947867
0.316113744
48
0.308530806
0.314218009
0.319905213
0.300947867
0.316113744
0.331279621
49
0.314218009
0.319905213
0.300947867
0.316113744
0.331279621
0.338862559
50
0.319905213
0.300947867
0.316113744
0.331279621
0.338862559
0.331279621
51
0.300947867
0.316113744
0.331279621
0.338862559
0.331279621
0.323696682
52
0.316113744
0.331279621
0.338862559
0.331279621
0.323696682
0.323696682
53
0.331279621
0.338862559
0.331279621
0.323696682
0.323696682
0.308530806
54
0.338862559
0.331279621
0.323696682
0.323696682
0.308530806
0.293364929
55
0.331279621
0.323696682
0.323696682
0.308530806
0.293364929
0.285781991
56
0.323696682
0.323696682
0.308530806
0.293364929
0.285781991
0.266824645
57
0.323696682
0.308530806
0.293364929
0.285781991
0.266824645
0.266824645
58
0.308530806
0.293364929
0.285781991
0.266824645
0.266824645
0.255450237
59
0.293364929
0.285781991
0.266824645
0.266824645
0.255450237
0.26492891
60
0.285781991
0.266824645
0.266824645
0.255450237
0.26492891
0.266824645
61
0.266824645
0.266824645
0.255450237
0.26492891
0.266824645
0.261137441
62
0.266824645
0.255450237
0.26492891
0.266824645
0.261137441
0.26492891
63
0.255450237
0.26492891
0.266824645
0.261137441
0.26492891
0.268720379
64
0.26492891
0.266824645
0.261137441
0.26492891
0.268720379
0.272511848
65
0.266824645
0.261137441
0.26492891
0.268720379
0.272511848
0.274407583
66
0.261137441
0.26492891
0.268720379
0.272511848
0.274407583
0.268720379
67
0.26492891
0.268720379
0.272511848
0.274407583
0.268720379
0.259241706
68
0.268720379
0.272511848
0.274407583
0.268720379
0.259241706
0.259241706
69
0.272511848
0.274407583
0.268720379
0.259241706
0.259241706
0.259241706
70
0.274407583
0.268720379
0.259241706
0.259241706
0.259241706
0.249763033
71
0.268720379
0.259241706
0.259241706
0.259241706
0.249763033
0.249763033
72
0.259241706
0.259241706
0.259241706
0.249763033
0.249763033
0.270616114
73
0.259241706
0.259241706
0.249763033
0.249763033
0.270616114
0.270616114
74
0.259241706
0.249763033
0.249763033
0.270616114
0.270616114
0.272511848
75
0.249763033
0.249763033
0.270616114
0.270616114
0.272511848
0.295260664
76
0.249763033
0.270616114
0.270616114
0.272511848
0.295260664
0.28957346
77
0.270616114
0.270616114
0.272511848
0.295260664
0.28957346
0.295260664
78
0.270616114
0.272511848
0.295260664
0.28957346
0.295260664
0.291469194
79
0.272511848
0.295260664
0.28957346
0.295260664
0.291469194
0.287677725
80
0.295260664
0.28957346
0.295260664
0.291469194
0.287677725
0.297156398
81
0.28957346
0.295260664
0.291469194
0.287677725
0.297156398
0.293364929
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-3
82
0.295260664
0.291469194
0.287677725
0.297156398
0.293364929
0.300947867
83
0.291469194
0.287677725
0.297156398
0.293364929
0.300947867
0.293364929
84
0.287677725
0.297156398
0.293364929
0.300947867
0.293364929
0.287677725
85
0.297156398
0.293364929
0.300947867
0.293364929
0.287677725
0.280094787
86
0.293364929
0.300947867
0.293364929
0.287677725
0.280094787
0.276303318
87
0.300947867
0.293364929
0.287677725
0.280094787
0.276303318
0.28957346
88
0.293364929
0.287677725
0.280094787
0.276303318
0.28957346
0.281990521
89
0.287677725
0.280094787
0.276303318
0.28957346
0.281990521
0.280094787
90
0.280094787
0.276303318
0.28957346
0.281990521
0.280094787
0.281990521
91
0.276303318
0.28957346
0.281990521
0.280094787
0.281990521
0.287677725
92
0.28957346
0.281990521
0.280094787
0.281990521
0.287677725
0.278199052
93
0.281990521
0.280094787
0.281990521
0.287677725
0.278199052
0.274407583
94
0.280094787
0.281990521
0.287677725
0.278199052
0.274407583
0.268720379
95
0.281990521
0.287677725
0.278199052
0.274407583
0.268720379
0.26492891
96
0.287677725
0.278199052
0.274407583
0.268720379
0.26492891
0.263033175
97
0.278199052
0.274407583
0.268720379
0.26492891
0.263033175
0.266824645
98
0.274407583
0.268720379
0.26492891
0.263033175
0.266824645
0.263033175
99
0.268720379
0.26492891
0.263033175
0.266824645
0.263033175
0.263033175
100
0.26492891
0.263033175
0.266824645
0.263033175
0.263033175
0.251658768
101
0.263033175
0.266824645
0.263033175
0.263033175
0.251658768
0.253554502
102
0.266824645
0.263033175
0.263033175
0.251658768
0.253554502
0.253554502
103
0.263033175
0.263033175
0.251658768
0.253554502
0.253554502
0.255450237
104
0.263033175
0.251658768
0.253554502
0.253554502
0.255450237
0.251658768
105
0.251658768
0.253554502
0.253554502
0.255450237
0.251658768
0.247867299
106
0.253554502
0.253554502
0.255450237
0.251658768
0.247867299
0.249763033
107
0.253554502
0.255450237
0.251658768
0.247867299
0.249763033
0.247867299
108
0.255450237
0.251658768
0.247867299
0.249763033
0.247867299
0.247867299
109
0.251658768
0.247867299
0.249763033
0.247867299
0.247867299
0.255450237
110
0.247867299
0.249763033
0.247867299
0.247867299
0.255450237
0.251658768
111
0.249763033
0.247867299
0.247867299
0.255450237
0.251658768
0.245971564
112
0.247867299
0.247867299
0.255450237
0.251658768
0.245971564
0.249763033
113
0.247867299
0.255450237
0.251658768
0.245971564
0.249763033
0.247867299
114
0.255450237
0.251658768
0.245971564
0.249763033
0.247867299
0.247867299
115
0.251658768
0.245971564
0.249763033
0.247867299
0.247867299
0.251658768
116
0.245971564
0.249763033
0.247867299
0.247867299
0.251658768
0.249763033
117
0.249763033
0.247867299
0.247867299
0.251658768
0.249763033
0.245971564
118
0.247867299
0.247867299
0.251658768
0.249763033
0.245971564
0.24028436
119
0.247867299
0.251658768
0.249763033
0.245971564
0.24028436
0.249763033
120
0.251658768
0.249763033
0.245971564
0.24028436
0.249763033
0.249763033
121
0.249763033
0.245971564
0.24028436
0.249763033
0.249763033
0.249763033
122
0.245971564
0.24028436
0.249763033
0.249763033
0.249763033
0.244075829
123
0.24028436
0.249763033
0.249763033
0.249763033
0.244075829
0.24028436
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-4
124
0.249763033
0.249763033
0.249763033
0.244075829
0.24028436
0.232701422
125
0.249763033
0.249763033
0.244075829
0.24028436
0.232701422
0.228909953
126
0.249763033
0.244075829
0.24028436
0.232701422
0.228909953
0.209952607
127
0.244075829
0.24028436
0.232701422
0.228909953
0.209952607
0.223222749
128
0.24028436
0.232701422
0.228909953
0.209952607
0.223222749
0.242180095
129
0.232701422
0.228909953
0.209952607
0.223222749
0.242180095
0.247867299
130
0.228909953
0.209952607
0.223222749
0.242180095
0.247867299
0.249763033
131
0.209952607
0.223222749
0.242180095
0.247867299
0.249763033
0.24028436
132
0.223222749
0.242180095
0.247867299
0.249763033
0.24028436
0.242180095
133
0.242180095
0.247867299
0.249763033
0.24028436
0.242180095
0.24028436
134
0.247867299
0.249763033
0.24028436
0.242180095
0.24028436
0.255450237
135
0.249763033
0.24028436
0.242180095
0.24028436
0.255450237
0.255450237
136
0.24028436
0.242180095
0.24028436
0.255450237
0.255450237
0.251658768
137
0.242180095
0.24028436
0.255450237
0.255450237
0.251658768
0.244075829
138
0.24028436
0.255450237
0.255450237
0.251658768
0.244075829
0.251658768
139
0.255450237
0.255450237
0.251658768
0.244075829
0.251658768
0.245971564
140
0.255450237
0.251658768
0.244075829
0.251658768
0.245971564
0.247867299
141
0.251658768
0.244075829
0.251658768
0.245971564
0.247867299
0.253554502
142
0.244075829
0.251658768
0.245971564
0.247867299
0.253554502
0.247867299
143
0.251658768
0.245971564
0.247867299
0.253554502
0.247867299
0.234597156
144
0.245971564
0.247867299
0.253554502
0.247867299
0.234597156
0.236492891
145
0.247867299
0.253554502
0.247867299
0.234597156
0.236492891
0.234597156
146
0.253554502
0.247867299
0.234597156
0.236492891
0.234597156
0.225118483
147
0.247867299
0.234597156
0.236492891
0.234597156
0.225118483
0.21943128
148
0.234597156
0.236492891
0.234597156
0.225118483
0.21943128
0.228909953
149
0.236492891
0.234597156
0.225118483
0.21943128
0.228909953
0.238388626
150
0.234597156
0.225118483
0.21943128
0.228909953
0.238388626
0.232701422
151
0.225118483
0.21943128
0.228909953
0.238388626
0.232701422
0.227014218
152
0.21943128
0.228909953
0.238388626
0.232701422
0.227014218
0.234597156
153
0.228909953
0.238388626
0.232701422
0.227014218
0.234597156
0.242180095
154
0.238388626
0.232701422
0.227014218
0.234597156
0.242180095
0.249763033
155
0.232701422
0.227014218
0.234597156
0.242180095
0.249763033
0.247867299
156
0.227014218
0.234597156
0.242180095
0.249763033
0.247867299
0.251658768
157
0.234597156
0.242180095
0.249763033
0.247867299
0.251658768
0.253554502
158
0.242180095
0.249763033
0.247867299
0.251658768
0.253554502
0.257345972
159
0.249763033
0.247867299
0.251658768
0.253554502
0.257345972
0.24028436
160
0.247867299
0.251658768
0.253554502
0.257345972
0.24028436
0.247867299
161
0.251658768
0.253554502
0.257345972
0.24028436
0.247867299
0.228909953
162
0.253554502
0.257345972
0.24028436
0.247867299
0.228909953
0.21563981
163
0.257345972
0.24028436
0.247867299
0.228909953
0.21563981
0.211848341
164
0.24028436
0.247867299
0.228909953
0.21563981
0.211848341
0.211848341
165
0.247867299
0.228909953
0.21563981
0.211848341
0.211848341
0.204265403
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-5
166
0.228909953
0.21563981
0.211848341
0.211848341
0.204265403
0.198578199
167
0.21563981
0.211848341
0.211848341
0.204265403
0.198578199
0.202369668
168
0.211848341
0.211848341
0.204265403
0.198578199
0.202369668
0.183412322
169
0.211848341
0.204265403
0.198578199
0.202369668
0.183412322
0.206161137
170
0.204265403
0.198578199
0.202369668
0.183412322
0.206161137
0.209952607
171
0.198578199
0.202369668
0.183412322
0.206161137
0.209952607
0.198578199
172
0.202369668
0.183412322
0.206161137
0.209952607
0.198578199
0.198578199
173
0.183412322
0.206161137
0.209952607
0.198578199
0.198578199
0.19478673
174
0.206161137
0.209952607
0.198578199
0.198578199
0.19478673
0.204265403
175
0.209952607
0.198578199
0.198578199
0.19478673
0.204265403
0.198578199
176
0.198578199
0.198578199
0.19478673
0.204265403
0.198578199
0.19478673
177
0.198578199
0.19478673
0.204265403
0.198578199
0.19478673
0.141706161
178
0.19478673
0.204265403
0.198578199
0.19478673
0.141706161
0.118957346
179
0.204265403
0.198578199
0.19478673
0.141706161
0.118957346
0.113270142
180
0.198578199
0.19478673
0.141706161
0.118957346
0.113270142
0.122748815
181
0.19478673
0.141706161
0.118957346
0.113270142
0.122748815
0.126540284
182
0.141706161
0.118957346
0.113270142
0.122748815
0.126540284
0.134123223
183
0.118957346
0.113270142
0.122748815
0.126540284
0.134123223
0.118957346
184
0.113270142
0.122748815
0.126540284
0.134123223
0.118957346
0.136018957
185
0.122748815
0.126540284
0.134123223
0.118957346
0.136018957
0.132227488
186
0.126540284
0.134123223
0.118957346
0.136018957
0.132227488
0.126540284
187
0.134123223
0.118957346
0.136018957
0.132227488
0.126540284
0.126540284
188
0.118957346
0.136018957
0.132227488
0.126540284
0.126540284
0.111374408
189
0.136018957
0.132227488
0.126540284
0.126540284
0.111374408
0.1
190
0.132227488
0.126540284
0.126540284
0.111374408
0.1
0.139810427
191
0.126540284
0.126540284
0.111374408
0.1
0.139810427
0.139810427
192
0.126540284
0.111374408
0.1
0.139810427
0.139810427
0.156872038
193
0.111374408
0.1
0.139810427
0.139810427
0.156872038
0.179620853
194
0.1
0.139810427
0.139810427
0.156872038
0.179620853
0.192890995
195
0.139810427
0.139810427
0.156872038
0.179620853
0.192890995
0.190995261
196
0.139810427
0.156872038
0.179620853
0.192890995
0.190995261
0.172037915
197
0.156872038
0.179620853
0.192890995
0.190995261
0.172037915
0.179620853
198
0.179620853
0.192890995
0.190995261
0.172037915
0.179620853
0.202369668
199
0.192890995
0.190995261
0.172037915
0.179620853
0.202369668
0.190995261
200
0.190995261
0.172037915
0.179620853
0.202369668
0.190995261
0.19478673
201
0.172037915
0.179620853
0.202369668
0.190995261
0.19478673
0.179620853
202
0.179620853
0.202369668
0.190995261
0.19478673
0.179620853
0.19478673
203
0.202369668
0.190995261
0.19478673
0.179620853
0.19478673
0.183412322
204
0.190995261
0.19478673
0.179620853
0.19478673
0.183412322
0.181516588
205
0.19478673
0.179620853
0.19478673
0.183412322
0.181516588
0.181516588
206
0.179620853
0.19478673
0.183412322
0.181516588
0.181516588
0.175829384
207
0.19478673
0.183412322
0.181516588
0.181516588
0.175829384
0.168246445
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-6
208
0.183412322
0.181516588
0.181516588
0.175829384
0.168246445
0.183412322
209
0.181516588
0.181516588
0.175829384
0.168246445
0.183412322
0.192890995
210
0.181516588
0.175829384
0.168246445
0.183412322
0.192890995
0.19478673
211
0.175829384
0.168246445
0.183412322
0.192890995
0.19478673
0.19478673
212
0.168246445
0.183412322
0.192890995
0.19478673
0.19478673
0.179620853
213
0.183412322
0.192890995
0.19478673
0.19478673
0.179620853
0.187203791
214
0.192890995
0.19478673
0.19478673
0.179620853
0.187203791
0.185308057
215
0.19478673
0.19478673
0.179620853
0.187203791
0.185308057
0.198578199
216
0.19478673
0.179620853
0.187203791
0.185308057
0.198578199
0.198578199
217
0.179620853
0.187203791
0.185308057
0.198578199
0.198578199
0.196682464
218
0.187203791
0.185308057
0.198578199
0.198578199
0.196682464
0.200473934
219
0.185308057
0.198578199
0.198578199
0.196682464
0.200473934
0.206161137
220
0.198578199
0.198578199
0.196682464
0.200473934
0.206161137
0.209952607
221
0.198578199
0.196682464
0.200473934
0.206161137
0.209952607
0.202369668
222
0.196682464
0.200473934
0.206161137
0.209952607
0.202369668
0.206161137
223
0.200473934
0.206161137
0.209952607
0.202369668
0.206161137
0.217535545
224
0.206161137
0.209952607
0.202369668
0.206161137
0.217535545
0.24028436
225
0.209952607
0.202369668
0.206161137
0.217535545
0.24028436
0.247867299
226
0.202369668
0.206161137
0.217535545
0.24028436
0.247867299
0.245971564
227
0.206161137
0.217535545
0.24028436
0.247867299
0.245971564
0.253554502
228
0.217535545
0.24028436
0.247867299
0.245971564
0.253554502
0.251658768
229
0.24028436
0.247867299
0.245971564
0.253554502
0.251658768
0.251658768
230
0.247867299
0.245971564
0.253554502
0.251658768
0.251658768
0.253554502
231
0.245971564
0.253554502
0.251658768
0.251658768
0.253554502
0.255450237
232
0.253554502
0.251658768
0.251658768
0.253554502
0.255450237
0.263033175
233
0.251658768
0.251658768
0.253554502
0.255450237
0.263033175
0.263033175
234
0.251658768
0.253554502
0.255450237
0.263033175
0.263033175
0.26492891
235
0.253554502
0.255450237
0.263033175
0.263033175
0.26492891
0.261137441
236
0.255450237
0.263033175
0.263033175
0.26492891
0.261137441
0.263033175
237
0.263033175
0.263033175
0.26492891
0.261137441
0.263033175
0.268720379
238
0.263033175
0.26492891
0.261137441
0.263033175
0.268720379
0.251658768
239
0.26492891
0.261137441
0.263033175
0.268720379
0.251658768
0.245971564
240
0.261137441
0.263033175
0.268720379
0.251658768
0.245971564
0.213744076
241
0.263033175
0.268720379
0.251658768
0.245971564
0.213744076
0.213744076
242
0.268720379
0.251658768
0.245971564
0.213744076
0.213744076
0.221327014
243
0.251658768
0.245971564
0.213744076
0.213744076
0.221327014
0.206161137
244
0.245971564
0.213744076
0.213744076
0.221327014
0.206161137
0.204265403
245
0.213744076
0.213744076
0.221327014
0.206161137
0.204265403
0.206161137
246
0.213744076
0.221327014
0.206161137
0.204265403
0.206161137
0.198578199
247
0.221327014
0.206161137
0.204265403
0.206161137
0.198578199
0.204265403
248
0.206161137
0.204265403
0.206161137
0.198578199
0.204265403
0.209952607
249
0.204265403
0.206161137
0.198578199
0.204265403
0.209952607
0.209952607
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-7
250
0.206161137
0.198578199
0.204265403
0.209952607
0.209952607
0.208056872
251
0.198578199
0.204265403
0.209952607
0.209952607
0.208056872
0.206161137
252
0.204265403
0.209952607
0.209952607
0.208056872
0.206161137
0.217535545
253
0.209952607
0.209952607
0.208056872
0.206161137
0.217535545
0.208056872
254
0.209952607
0.208056872
0.206161137
0.217535545
0.208056872
0.206161137
255
0.208056872
0.206161137
0.217535545
0.208056872
0.206161137
0.206161137
256
0.206161137
0.217535545
0.208056872
0.206161137
0.206161137
0.213744076
257
0.217535545
0.208056872
0.206161137
0.206161137
0.213744076
0.209952607
258
0.208056872
0.206161137
0.206161137
0.213744076
0.209952607
0.204265403
259
0.206161137
0.206161137
0.213744076
0.209952607
0.204265403
0.213744076
260
0.206161137
0.213744076
0.209952607
0.204265403
0.213744076
0.211848341
261
0.213744076
0.209952607
0.204265403
0.213744076
0.211848341
0.209952607
262
0.209952607
0.204265403
0.213744076
0.211848341
0.209952607
0.211848341
263
0.204265403
0.213744076
0.211848341
0.209952607
0.211848341
0.209952607
264
0.213744076
0.211848341
0.209952607
0.211848341
0.209952607
0.209952607
265
0.211848341
0.209952607
0.211848341
0.209952607
0.209952607
0.209952607
266
0.209952607
0.211848341
0.209952607
0.209952607
0.209952607
0.209952607
267
0.211848341
0.209952607
0.209952607
0.209952607
0.209952607
0.208056872
268
0.209952607
0.209952607
0.209952607
0.209952607
0.208056872
0.211848341
269
0.209952607
0.209952607
0.209952607
0.208056872
0.211848341
0.209952607
270
0.209952607
0.209952607
0.208056872
0.211848341
0.209952607
0.208056872
271
0.209952607
0.208056872
0.211848341
0.209952607
0.208056872
0.209952607
272
0.208056872
0.211848341
0.209952607
0.208056872
0.209952607
0.202369668
273
0.211848341
0.209952607
0.208056872
0.209952607
0.202369668
0.208056872
274
0.209952607
0.208056872
0.209952607
0.202369668
0.208056872
0.208056872
275
0.208056872
0.209952607
0.202369668
0.208056872
0.208056872
0.204265403
276
0.209952607
0.202369668
0.208056872
0.208056872
0.204265403
0.204265403
277
0.202369668
0.208056872
0.208056872
0.204265403
0.204265403
0.206161137
278
0.208056872
0.208056872
0.204265403
0.204265403
0.206161137
0.206161137
279
0.208056872
0.204265403
0.204265403
0.206161137
0.206161137
0.204265403
280
0.204265403
0.204265403
0.206161137
0.206161137
0.204265403
0.206161137
281
0.204265403
0.206161137
0.206161137
0.204265403
0.206161137
0.208056872
282
0.206161137
0.206161137
0.204265403
0.206161137
0.208056872
0.204265403
283
0.206161137
0.204265403
0.206161137
0.208056872
0.204265403
0.208056872
284
0.204265403
0.206161137
0.208056872
0.204265403
0.208056872
0.209952607
285
0.206161137
0.208056872
0.204265403
0.208056872
0.209952607
0.213744076
286
0.208056872
0.204265403
0.208056872
0.209952607
0.213744076
0.221327014
287
0.204265403
0.208056872
0.209952607
0.213744076
0.221327014
0.236492891
288
0.208056872
0.209952607
0.213744076
0.221327014
0.236492891
0.228909953
289
0.209952607
0.213744076
0.221327014
0.236492891
0.228909953
0.236492891
290
0.213744076
0.221327014
0.236492891
0.228909953
0.236492891
0.232701422
291
0.221327014
0.236492891
0.228909953
0.236492891
0.232701422
0.228909953
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-8
292
0.236492891
0.228909953
0.236492891
0.232701422
0.228909953
0.234597156
293
0.228909953
0.236492891
0.232701422
0.228909953
0.234597156
0.244075829
294
0.236492891
0.232701422
0.228909953
0.234597156
0.244075829
0.245971564
295
0.232701422
0.228909953
0.234597156
0.244075829
0.245971564
0.245971564
296
0.228909953
0.234597156
0.244075829
0.245971564
0.245971564
0.245971564
297
0.234597156
0.244075829
0.245971564
0.245971564
0.245971564
0.242180095
298
0.244075829
0.245971564
0.245971564
0.245971564
0.242180095
0.257345972
299
0.245971564
0.245971564
0.245971564
0.242180095
0.257345972
0.261137441
300
0.245971564
0.245971564
0.242180095
0.257345972
0.261137441
0.259241706
301
0.245971564
0.242180095
0.257345972
0.261137441
0.259241706
0.268720379
302
0.242180095
0.257345972
0.261137441
0.259241706
0.268720379
0.270616114
303
0.257345972
0.261137441
0.259241706
0.268720379
0.270616114
0.263033175
304
0.261137441
0.259241706
0.268720379
0.270616114
0.263033175
0.255450237
305
0.259241706
0.268720379
0.270616114
0.263033175
0.255450237
0.259241706
306
0.268720379
0.270616114
0.263033175
0.255450237
0.259241706
0.247867299
307
0.270616114
0.263033175
0.255450237
0.259241706
0.247867299
0.245971564
308
0.263033175
0.255450237
0.259241706
0.247867299
0.245971564
0.244075829
309
0.255450237
0.259241706
0.247867299
0.245971564
0.244075829
0.245971564
310
0.259241706
0.247867299
0.245971564
0.244075829
0.245971564
0.251658768
311
0.247867299
0.245971564
0.244075829
0.245971564
0.251658768
0.255450237
312
0.245971564
0.244075829
0.245971564
0.251658768
0.255450237
0.263033175
313
0.244075829
0.245971564
0.251658768
0.255450237
0.263033175
0.280094787
314
0.245971564
0.251658768
0.255450237
0.263033175
0.280094787
0.281990521
315
0.251658768
0.255450237
0.263033175
0.280094787
0.281990521
0.283886256
316
0.255450237
0.263033175
0.280094787
0.281990521
0.283886256
0.281990521
317
0.263033175
0.280094787
0.281990521
0.283886256
0.281990521
0.295260664
318
0.280094787
0.281990521
0.283886256
0.281990521
0.295260664
0.285781991
319
0.281990521
0.283886256
0.281990521
0.295260664
0.285781991
0.278199052
320
0.283886256
0.281990521
0.295260664
0.285781991
0.278199052
0.281990521
321
0.281990521
0.295260664
0.285781991
0.278199052
0.281990521
0.281990521
322
0.295260664
0.285781991
0.278199052
0.281990521
0.281990521
0.283886256
323
0.285781991
0.278199052
0.281990521
0.281990521
0.283886256
0.297156398
324
0.278199052
0.281990521
0.281990521
0.283886256
0.297156398
0.304739336
325
0.281990521
0.281990521
0.283886256
0.297156398
0.304739336
0.306635071
326
0.281990521
0.283886256
0.297156398
0.304739336
0.306635071
0.293364929
327
0.283886256
0.297156398
0.304739336
0.306635071
0.293364929
0.293364929
328
0.297156398
0.304739336
0.306635071
0.293364929
0.293364929
0.300947867
329
0.304739336
0.306635071
0.293364929
0.293364929
0.300947867
0.28957346
330
0.306635071
0.293364929
0.293364929
0.300947867
0.28957346
0.295260664
331
0.293364929
0.293364929
0.300947867
0.28957346
0.295260664
0.300947867
332
0.293364929
0.300947867
0.28957346
0.295260664
0.300947867
0.316113744
333
0.300947867
0.28957346
0.295260664
0.300947867
0.316113744
0.33507109
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-9
334
0.28957346
0.295260664
0.300947867
0.316113744
0.33507109
0.331279621
335
0.295260664
0.300947867
0.316113744
0.33507109
0.331279621
0.327488152
336
0.300947867
0.316113744
0.33507109
0.331279621
0.327488152
0.331279621
337
0.316113744
0.33507109
0.331279621
0.327488152
0.331279621
0.323696682
338
0.33507109
0.331279621
0.327488152
0.331279621
0.323696682
0.327488152
339
0.331279621
0.327488152
0.331279621
0.323696682
0.327488152
0.323696682
340
0.327488152
0.331279621
0.323696682
0.327488152
0.323696682
0.318009479
341
0.331279621
0.323696682
0.327488152
0.323696682
0.318009479
0.318009479
342
0.323696682
0.327488152
0.323696682
0.318009479
0.318009479
0.312322275
343
0.327488152
0.323696682
0.318009479
0.318009479
0.312322275
0.300947867
344
0.323696682
0.318009479
0.318009479
0.312322275
0.300947867
0.293364929
345
0.318009479
0.318009479
0.312322275
0.300947867
0.293364929
0.270616114
346
0.318009479
0.312322275
0.300947867
0.293364929
0.270616114
0.285781991
347
0.312322275
0.300947867
0.293364929
0.270616114
0.285781991
0.293364929
348
0.300947867
0.293364929
0.270616114
0.285781991
0.293364929
0.304739336
349
0.293364929
0.270616114
0.285781991
0.293364929
0.304739336
0.323696682
350
0.270616114
0.285781991
0.293364929
0.304739336
0.323696682
0.33507109
351
0.285781991
0.293364929
0.304739336
0.323696682
0.33507109
0.338862559
352
0.293364929
0.304739336
0.323696682
0.33507109
0.338862559
0.342654028
353
0.304739336
0.323696682
0.33507109
0.338862559
0.342654028
0.316113744
354
0.323696682
0.33507109
0.338862559
0.342654028
0.316113744
0.338862559
355
0.33507109
0.338862559
0.342654028
0.316113744
0.338862559
0.331279621
356
0.338862559
0.342654028
0.316113744
0.338862559
0.331279621
0.342654028
357
0.342654028
0.316113744
0.338862559
0.331279621
0.342654028
0.33507109
358
0.316113744
0.338862559
0.331279621
0.342654028
0.33507109
0.354028436
359
0.338862559
0.331279621
0.342654028
0.33507109
0.354028436
0.33507109
360
0.331279621
0.342654028
0.33507109
0.354028436
0.33507109
0.33507109
361
0.342654028
0.33507109
0.354028436
0.33507109
0.33507109
0.342654028
362
0.33507109
0.354028436
0.33507109
0.33507109
0.342654028
0.350236967
363
0.354028436
0.33507109
0.33507109
0.342654028
0.350236967
0.354028436
364
0.33507109
0.33507109
0.342654028
0.350236967
0.354028436
0.354028436
365
0.33507109
0.342654028
0.350236967
0.354028436
0.354028436
0.365402844
366
0.342654028
0.350236967
0.354028436
0.354028436
0.365402844
0.357819905
367
0.350236967
0.354028436
0.354028436
0.365402844
0.357819905
0.342654028
368
0.354028436
0.354028436
0.365402844
0.357819905
0.342654028
0.354028436
369
0.354028436
0.365402844
0.357819905
0.342654028
0.354028436
0.372985782
370
0.365402844
0.357819905
0.342654028
0.354028436
0.372985782
0.365402844
371
0.357819905
0.342654028
0.354028436
0.372985782
0.365402844
0.38436019
372
0.342654028
0.354028436
0.372985782
0.365402844
0.38436019
0.391943128
373
0.354028436
0.372985782
0.365402844
0.38436019
0.391943128
0.395734597
374
0.372985782
0.365402844
0.38436019
0.391943128
0.395734597
0.399526066
375
0.365402844
0.38436019
0.391943128
0.395734597
0.399526066
0.403317536
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-10
376
0.38436019
0.391943128
0.395734597
0.399526066
0.403317536
0.403317536
377
0.391943128
0.395734597
0.399526066
0.403317536
0.403317536
0.38056872
378
0.395734597
0.399526066
0.403317536
0.403317536
0.38056872
0.399526066
379
0.399526066
0.403317536
0.403317536
0.38056872
0.399526066
0.403317536
380
0.403317536
0.403317536
0.38056872
0.399526066
0.403317536
0.395734597
381
0.403317536
0.38056872
0.399526066
0.403317536
0.395734597
0.38436019
382
0.38056872
0.399526066
0.403317536
0.395734597
0.38436019
0.391943128
383
0.399526066
0.403317536
0.395734597
0.38436019
0.391943128
0.388151659
384
0.403317536
0.395734597
0.38436019
0.391943128
0.388151659
0.376777251
385
0.395734597
0.38436019
0.391943128
0.388151659
0.376777251
0.38056872
386
0.38436019
0.391943128
0.388151659
0.376777251
0.38056872
0.38056872
387
0.391943128
0.388151659
0.376777251
0.38056872
0.38056872
0.391943128
388
0.388151659
0.376777251
0.38056872
0.38056872
0.391943128
0.395734597
389
0.376777251
0.38056872
0.38056872
0.391943128
0.395734597
0.395734597
390
0.38056872
0.38056872
0.391943128
0.395734597
0.395734597
0.391943128
391
0.38056872
0.391943128
0.395734597
0.395734597
0.391943128
0.388151659
392
0.391943128
0.395734597
0.395734597
0.391943128
0.388151659
0.388151659
393
0.395734597
0.395734597
0.391943128
0.388151659
0.388151659
0.388151659
394
0.395734597
0.391943128
0.388151659
0.388151659
0.388151659
0.395734597
395
0.391943128
0.388151659
0.388151659
0.388151659
0.395734597
0.391943128
396
0.388151659
0.388151659
0.388151659
0.395734597
0.391943128
0.376777251
397
0.388151659
0.388151659
0.395734597
0.391943128
0.376777251
0.391943128
398
0.388151659
0.395734597
0.391943128
0.376777251
0.391943128
0.391943128
399
0.395734597
0.391943128
0.376777251
0.391943128
0.391943128
0.391943128
400
0.391943128
0.376777251
0.391943128
0.391943128
0.391943128
0.395734597
401
0.376777251
0.391943128
0.391943128
0.391943128
0.395734597
0.399526066
402
0.391943128
0.391943128
0.391943128
0.395734597
0.399526066
0.403317536
403
0.391943128
0.391943128
0.395734597
0.399526066
0.403317536
0.414691943
404
0.391943128
0.395734597
0.399526066
0.403317536
0.414691943
0.437440758
405
0.395734597
0.399526066
0.403317536
0.414691943
0.437440758
0.42985782
406
0.399526066
0.403317536
0.414691943
0.437440758
0.42985782
0.42985782
407
0.403317536
0.414691943
0.437440758
0.42985782
0.42985782
0.437440758
408
0.414691943
0.437440758
0.42985782
0.42985782
0.437440758
0.433649289
409
0.437440758
0.42985782
0.42985782
0.437440758
0.433649289
0.437440758
410
0.42985782
0.42985782
0.437440758
0.433649289
0.437440758
0.418483412
411
0.42985782
0.437440758
0.433649289
0.437440758
0.418483412
0.422274882
412
0.437440758
0.433649289
0.437440758
0.418483412
0.422274882
0.422274882
413
0.433649289
0.437440758
0.418483412
0.422274882
0.422274882
0.418483412
414
0.437440758
0.418483412
0.422274882
0.422274882
0.418483412
0.414691943
415
0.418483412
0.422274882
0.422274882
0.418483412
0.414691943
0.437440758
416
0.422274882
0.422274882
0.418483412
0.414691943
0.437440758
0.437440758
417
0.422274882
0.418483412
0.414691943
0.437440758
0.437440758
0.460189573
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-11
418
0.418483412
0.414691943
0.437440758
0.437440758
0.460189573
0.448815166
419
0.414691943
0.437440758
0.437440758
0.460189573
0.448815166
0.452606635
420
0.437440758
0.437440758
0.460189573
0.448815166
0.452606635
0.433649289
421
0.437440758
0.460189573
0.448815166
0.452606635
0.433649289
0.437440758
422
0.460189573
0.448815166
0.452606635
0.433649289
0.437440758
0.460189573
423
0.448815166
0.452606635
0.433649289
0.437440758
0.460189573
0.467772512
424
0.452606635
0.433649289
0.437440758
0.460189573
0.467772512
0.47535545
425
0.433649289
0.437440758
0.460189573
0.467772512
0.47535545
0.47535545
426
0.437440758
0.460189573
0.467772512
0.47535545
0.47535545
0.47535545
427
0.460189573
0.467772512
0.47535545
0.47535545
0.47535545
0.456398104
428
0.467772512
0.47535545
0.47535545
0.47535545
0.456398104
0.460189573
429
0.47535545
0.47535545
0.47535545
0.456398104
0.460189573
0.452606635
430
0.47535545
0.47535545
0.456398104
0.460189573
0.452606635
0.452606635
431
0.47535545
0.456398104
0.460189573
0.452606635
0.452606635
0.460189573
432
0.456398104
0.460189573
0.452606635
0.452606635
0.460189573
0.426066351
433
0.460189573
0.452606635
0.452606635
0.460189573
0.426066351
0.463981043
434
0.452606635
0.452606635
0.460189573
0.426066351
0.463981043
0.452606635
435
0.452606635
0.460189573
0.426066351
0.463981043
0.452606635
0.467772512
436
0.460189573
0.426066351
0.463981043
0.452606635
0.467772512
0.467772512
437
0.426066351
0.463981043
0.452606635
0.467772512
0.467772512
0.490521327
438
0.463981043
0.452606635
0.467772512
0.467772512
0.490521327
0.509478673
439
0.452606635
0.467772512
0.467772512
0.490521327
0.509478673
0.513270142
440
0.467772512
0.467772512
0.490521327
0.509478673
0.513270142
0.509478673
441
0.467772512
0.490521327
0.509478673
0.513270142
0.509478673
0.501895735
442
0.490521327
0.509478673
0.513270142
0.509478673
0.501895735
0.494312796
443
0.509478673
0.513270142
0.509478673
0.501895735
0.494312796
0.501895735
444
0.513270142
0.509478673
0.501895735
0.494312796
0.501895735
0.490521327
445
0.509478673
0.501895735
0.494312796
0.501895735
0.490521327
0.490521327
446
0.501895735
0.494312796
0.501895735
0.490521327
0.490521327
0.509478673
447
0.494312796
0.501895735
0.490521327
0.490521327
0.509478673
0.52464455
448
0.501895735
0.490521327
0.490521327
0.509478673
0.52464455
0.509478673
449
0.490521327
0.490521327
0.509478673
0.52464455
0.509478673
0.509478673
450
0.490521327
0.509478673
0.52464455
0.509478673
0.509478673
0.505687204
451
0.509478673
0.52464455
0.509478673
0.509478673
0.505687204
0.501895735
452
0.52464455
0.509478673
0.509478673
0.505687204
0.501895735
0.490521327
453
0.509478673
0.509478673
0.505687204
0.501895735
0.490521327
0.482938389
454
0.509478673
0.505687204
0.501895735
0.490521327
0.482938389
0.498104265
455
0.505687204
0.501895735
0.490521327
0.482938389
0.498104265
0.479146919
456
0.501895735
0.490521327
0.482938389
0.498104265
0.479146919
0.482938389
457
0.490521327
0.482938389
0.498104265
0.479146919
0.482938389
0.482938389
458
0.482938389
0.498104265
0.479146919
0.482938389
0.482938389
0.490521327
459
0.498104265
0.479146919
0.482938389
0.482938389
0.490521327
0.490521327
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-12
460
0.479146919
0.482938389
0.482938389
0.490521327
0.490521327
0.482938389
461
0.482938389
0.482938389
0.490521327
0.490521327
0.482938389
0.498104265
462
0.482938389
0.490521327
0.490521327
0.482938389
0.498104265
0.498104265
463
0.490521327
0.490521327
0.482938389
0.498104265
0.498104265
0.501895735
464
0.490521327
0.482938389
0.498104265
0.498104265
0.501895735
0.513270142
465
0.482938389
0.498104265
0.498104265
0.501895735
0.513270142
0.505687204
466
0.498104265
0.498104265
0.501895735
0.513270142
0.505687204
0.505687204
467
0.498104265
0.501895735
0.513270142
0.505687204
0.505687204
0.509478673
468
0.501895735
0.513270142
0.505687204
0.505687204
0.509478673
0.498104265
469
0.513270142
0.505687204
0.505687204
0.509478673
0.498104265
0.520853081
470
0.505687204
0.505687204
0.509478673
0.498104265
0.520853081
0.520853081
471
0.505687204
0.509478673
0.498104265
0.520853081
0.520853081
0.520853081
472
0.509478673
0.498104265
0.520853081
0.520853081
0.520853081
0.513270142
473
0.498104265
0.520853081
0.520853081
0.520853081
0.513270142
0.517061611
474
0.520853081
0.520853081
0.520853081
0.513270142
0.517061611
0.528436019
475
0.520853081
0.520853081
0.513270142
0.517061611
0.528436019
0.528436019
476
0.520853081
0.513270142
0.517061611
0.528436019
0.528436019
0.543601896
477
0.513270142
0.517061611
0.528436019
0.528436019
0.543601896
0.52464455
478
0.517061611
0.528436019
0.528436019
0.543601896
0.52464455
0.52464455
479
0.528436019
0.528436019
0.543601896
0.52464455
0.52464455
0.532227488
480
0.528436019
0.543601896
0.52464455
0.52464455
0.532227488
0.532227488
481
0.543601896
0.52464455
0.52464455
0.532227488
0.532227488
0.536018957
482
0.52464455
0.52464455
0.532227488
0.532227488
0.536018957
0.536018957
483
0.52464455
0.532227488
0.532227488
0.536018957
0.536018957
0.536018957
484
0.532227488
0.532227488
0.536018957
0.536018957
0.536018957
0.536018957
485
0.532227488
0.536018957
0.536018957
0.536018957
0.536018957
0.543601896
486
0.536018957
0.536018957
0.536018957
0.536018957
0.543601896
0.551184834
487
0.536018957
0.536018957
0.536018957
0.543601896
0.551184834
0.536018957
488
0.536018957
0.536018957
0.543601896
0.551184834
0.536018957
0.554976303
489
0.536018957
0.543601896
0.551184834
0.536018957
0.554976303
0.547393365
490
0.543601896
0.551184834
0.536018957
0.554976303
0.547393365
0.543601896
491
0.551184834
0.536018957
0.554976303
0.547393365
0.543601896
0.536018957
492
0.536018957
0.554976303
0.547393365
0.543601896
0.536018957
0.547393365
493
0.554976303
0.547393365
0.543601896
0.536018957
0.547393365
0.547393365
494
0.547393365
0.543601896
0.536018957
0.547393365
0.547393365
0.543601896
495
0.543601896
0.536018957
0.547393365
0.547393365
0.543601896
0.551184834
496
0.536018957
0.547393365
0.547393365
0.543601896
0.551184834
0.543601896
497
0.547393365
0.547393365
0.543601896
0.551184834
0.543601896
0.520853081
498
0.547393365
0.543601896
0.551184834
0.543601896
0.520853081
0.517061611
499
0.543601896
0.551184834
0.543601896
0.520853081
0.517061611
0.517061611
500
0.551184834
0.543601896
0.520853081
0.517061611
0.517061611
0.543601896
501
0.543601896
0.520853081
0.517061611
0.517061611
0.543601896
0.543601896
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-13
502
0.520853081
0.517061611
0.517061611
0.543601896
0.543601896
0.536018957
503
0.517061611
0.517061611
0.543601896
0.543601896
0.536018957
0.528436019
504
0.517061611
0.543601896
0.543601896
0.536018957
0.528436019
0.536018957
505
0.543601896
0.543601896
0.536018957
0.528436019
0.536018957
0.539810427
506
0.543601896
0.536018957
0.528436019
0.536018957
0.539810427
0.543601896
507
0.536018957
0.528436019
0.536018957
0.539810427
0.543601896
0.528436019
508
0.528436019
0.536018957
0.539810427
0.543601896
0.528436019
0.528436019
509
0.536018957
0.539810427
0.543601896
0.528436019
0.528436019
0.517061611
510
0.539810427
0.543601896
0.528436019
0.528436019
0.517061611
0.517061611
511
0.543601896
0.528436019
0.528436019
0.517061611
0.517061611
0.52464455
512
0.528436019
0.528436019
0.517061611
0.517061611
0.52464455
0.520853081
513
0.528436019
0.517061611
0.517061611
0.52464455
0.520853081
0.52464455
514
0.517061611
0.517061611
0.52464455
0.520853081
0.52464455
0.520853081
515
0.517061611
0.52464455
0.520853081
0.52464455
0.520853081
0.509478673
516
0.52464455
0.520853081
0.52464455
0.520853081
0.509478673
0.513270142
517
0.520853081
0.52464455
0.520853081
0.509478673
0.513270142
0.513270142
518
0.52464455
0.520853081
0.509478673
0.513270142
0.513270142
0.520853081
519
0.520853081
0.509478673
0.513270142
0.513270142
0.520853081
0.520853081
520
0.509478673
0.513270142
0.513270142
0.520853081
0.520853081
0.536018957
521
0.513270142
0.513270142
0.520853081
0.520853081
0.536018957
0.536018957
522
0.513270142
0.520853081
0.520853081
0.536018957
0.536018957
0.532227488
523
0.520853081
0.520853081
0.536018957
0.536018957
0.532227488
0.536018957
524
0.520853081
0.536018957
0.536018957
0.532227488
0.536018957
0.539810427
525
0.536018957
0.536018957
0.532227488
0.536018957
0.539810427
0.52464455
526
0.536018957
0.532227488
0.536018957
0.539810427
0.52464455
0.528436019
527
0.532227488
0.536018957
0.539810427
0.52464455
0.528436019
0.52464455
528
0.536018957
0.539810427
0.52464455
0.528436019
0.52464455
0.52464455
529
0.539810427
0.52464455
0.528436019
0.52464455
0.52464455
0.528436019
530
0.52464455
0.528436019
0.52464455
0.52464455
0.528436019
0.52464455
531
0.528436019
0.52464455
0.52464455
0.528436019
0.52464455
0.517061611
532
0.52464455
0.52464455
0.528436019
0.52464455
0.517061611
0.517061611
533
0.52464455
0.528436019
0.52464455
0.517061611
0.517061611
0.505687204
534
0.528436019
0.52464455
0.517061611
0.517061611
0.505687204
0.501895735
535
0.52464455
0.517061611
0.517061611
0.505687204
0.501895735
0.543601896
536
0.517061611
0.517061611
0.505687204
0.501895735
0.543601896
0.558767773
537
0.517061611
0.505687204
0.501895735
0.543601896
0.558767773
0.558767773
538
0.505687204
0.501895735
0.543601896
0.558767773
0.558767773
0.57014218
539
0.501895735
0.543601896
0.558767773
0.558767773
0.57014218
0.566350711
540
0.543601896
0.558767773
0.558767773
0.57014218
0.566350711
0.558767773
541
0.558767773
0.558767773
0.57014218
0.566350711
0.558767773
0.558767773
542
0.558767773
0.57014218
0.566350711
0.558767773
0.558767773
0.562559242
543
0.57014218
0.566350711
0.558767773
0.558767773
0.562559242
0.566350711
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-14
544
0.566350711
0.558767773
0.558767773
0.562559242
0.566350711
0.573933649
545
0.558767773
0.558767773
0.562559242
0.566350711
0.573933649
0.554976303
546
0.558767773
0.562559242
0.566350711
0.573933649
0.554976303
0.547393365
547
0.562559242
0.566350711
0.573933649
0.554976303
0.547393365
0.562559242
548
0.566350711
0.573933649
0.554976303
0.547393365
0.562559242
0.566350711
549
0.573933649
0.554976303
0.547393365
0.562559242
0.566350711
0.566350711
550
0.554976303
0.547393365
0.562559242
0.566350711
0.566350711
0.573933649
551
0.547393365
0.562559242
0.566350711
0.566350711
0.573933649
0.57014218
552
0.562559242
0.566350711
0.566350711
0.573933649
0.57014218
0.554976303
553
0.566350711
0.566350711
0.573933649
0.57014218
0.554976303
0.562559242
554
0.566350711
0.573933649
0.57014218
0.554976303
0.562559242
0.573933649
555
0.573933649
0.57014218
0.554976303
0.562559242
0.573933649
0.566350711
556
0.57014218
0.554976303
0.562559242
0.573933649
0.566350711
0.57014218
557
0.554976303
0.562559242
0.573933649
0.566350711
0.57014218
0.562559242
558
0.562559242
0.573933649
0.566350711
0.57014218
0.562559242
0.539810427
559
0.573933649
0.566350711
0.57014218
0.562559242
0.539810427
0.528436019
560
0.566350711
0.57014218
0.562559242
0.539810427
0.528436019
0.536018957
561
0.57014218
0.562559242
0.539810427
0.528436019
0.536018957
0.562559242
562
0.562559242
0.539810427
0.528436019
0.536018957
0.562559242
0.554976303
563
0.539810427
0.528436019
0.536018957
0.562559242
0.554976303
0.562559242
564
0.528436019
0.536018957
0.562559242
0.554976303
0.562559242
0.566350711
565
0.536018957
0.562559242
0.554976303
0.562559242
0.566350711
0.562559242
566
0.562559242
0.554976303
0.562559242
0.566350711
0.562559242
0.554976303
567
0.554976303
0.562559242
0.566350711
0.562559242
0.554976303
0.554976303
568
0.562559242
0.566350711
0.562559242
0.554976303
0.554976303
0.539810427
569
0.566350711
0.562559242
0.554976303
0.554976303
0.539810427
0.539810427
570
0.562559242
0.554976303
0.554976303
0.539810427
0.539810427
0.539810427
571
0.554976303
0.554976303
0.539810427
0.539810427
0.539810427
0.536018957
572
0.554976303
0.539810427
0.539810427
0.539810427
0.536018957
0.611848341
573
0.539810427
0.539810427
0.539810427
0.536018957
0.611848341
0.581516588
574
0.539810427
0.539810427
0.536018957
0.611848341
0.581516588
0.577725118
575
0.539810427
0.536018957
0.611848341
0.581516588
0.577725118
0.57014218
576
0.536018957
0.611848341
0.581516588
0.577725118
0.57014218
0.573933649
577
0.611848341
0.581516588
0.577725118
0.57014218
0.573933649
0.573933649
578
0.581516588
0.577725118
0.57014218
0.573933649
0.573933649
0.551184834
579
0.577725118
0.57014218
0.573933649
0.573933649
0.551184834
0.562559242
580
0.57014218
0.573933649
0.573933649
0.551184834
0.562559242
0.566350711
581
0.573933649
0.573933649
0.551184834
0.562559242
0.566350711
0.57014218
582
0.573933649
0.551184834
0.562559242
0.566350711
0.57014218
0.573933649
583
0.551184834
0.562559242
0.566350711
0.57014218
0.573933649
0.596682464
584
0.562559242
0.566350711
0.57014218
0.573933649
0.596682464
0.596682464
585
0.566350711
0.57014218
0.573933649
0.596682464
0.596682464
0.592890995
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-15
586
0.57014218
0.573933649
0.596682464
0.596682464
0.592890995
0.592890995
587
0.573933649
0.596682464
0.596682464
0.592890995
0.592890995
0.604265403
588
0.596682464
0.596682464
0.592890995
0.592890995
0.604265403
0.627014218
589
0.596682464
0.592890995
0.592890995
0.604265403
0.627014218
0.611848341
590
0.592890995
0.592890995
0.604265403
0.627014218
0.611848341
0.600473934
591
0.592890995
0.604265403
0.627014218
0.611848341
0.600473934
0.589099526
592
0.604265403
0.627014218
0.611848341
0.600473934
0.589099526
0.57014218
593
0.627014218
0.611848341
0.600473934
0.589099526
0.57014218
0.592890995
594
0.611848341
0.600473934
0.589099526
0.57014218
0.592890995
0.600473934
595
0.600473934
0.589099526
0.57014218
0.592890995
0.600473934
0.585308057
596
0.589099526
0.57014218
0.592890995
0.600473934
0.585308057
0.600473934
597
0.57014218
0.592890995
0.600473934
0.585308057
0.600473934
0.611848341
598
0.592890995
0.600473934
0.585308057
0.600473934
0.611848341
0.61563981
599
0.600473934
0.585308057
0.600473934
0.611848341
0.61563981
0.627014218
600
0.585308057
0.600473934
0.611848341
0.61563981
0.627014218
0.634597156
601
0.600473934
0.611848341
0.61563981
0.627014218
0.634597156
0.638388626
602
0.611848341
0.61563981
0.627014218
0.634597156
0.638388626
0.638388626
603
0.61563981
0.627014218
0.634597156
0.638388626
0.638388626
0.634597156
604
0.627014218
0.634597156
0.638388626
0.638388626
0.634597156
0.638388626
605
0.634597156
0.638388626
0.638388626
0.634597156
0.638388626
0.642180095
606
0.638388626
0.638388626
0.634597156
0.638388626
0.642180095
0.630805687
607
0.638388626
0.634597156
0.638388626
0.642180095
0.630805687
0.661137441
608
0.634597156
0.638388626
0.642180095
0.630805687
0.661137441
0.645971564
609
0.638388626
0.642180095
0.630805687
0.661137441
0.645971564
0.642180095
610
0.642180095
0.630805687
0.661137441
0.645971564
0.642180095
0.638388626
611
0.630805687
0.661137441
0.645971564
0.642180095
0.638388626
0.634597156
612
0.661137441
0.645971564
0.642180095
0.638388626
0.634597156
0.630805687
613
0.645971564
0.642180095
0.638388626
0.634597156
0.630805687
0.645971564
614
0.642180095
0.638388626
0.634597156
0.630805687
0.645971564
0.630805687
615
0.638388626
0.634597156
0.630805687
0.645971564
0.630805687
0.630805687
616
0.634597156
0.630805687
0.645971564
0.630805687
0.630805687
0.642180095
617
0.630805687
0.645971564
0.630805687
0.630805687
0.642180095
0.645971564
618
0.645971564
0.630805687
0.630805687
0.642180095
0.645971564
0.645971564
619
0.630805687
0.630805687
0.642180095
0.645971564
0.645971564
0.634597156
620
0.630805687
0.642180095
0.645971564
0.645971564
0.634597156
0.608056872
621
0.642180095
0.645971564
0.645971564
0.634597156
0.608056872
0.600473934
622
0.645971564
0.645971564
0.634597156
0.608056872
0.600473934
0.604265403
623
0.645971564
0.634597156
0.608056872
0.600473934
0.604265403
0.604265403
624
0.634597156
0.608056872
0.600473934
0.604265403
0.604265403
0.596682464
625
0.608056872
0.600473934
0.604265403
0.604265403
0.596682464
0.604265403
626
0.600473934
0.604265403
0.604265403
0.596682464
0.604265403
0.608056872
627
0.604265403
0.604265403
0.596682464
0.604265403
0.608056872
0.61943128
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-16
628
0.604265403
0.596682464
0.604265403
0.608056872
0.61943128
0.61943128
629
0.596682464
0.604265403
0.608056872
0.61943128
0.61943128
0.61943128
630
0.604265403
0.608056872
0.61943128
0.61943128
0.61943128
0.611848341
631
0.608056872
0.61943128
0.61943128
0.61943128
0.611848341
0.623222749
632
0.61943128
0.61943128
0.61943128
0.611848341
0.623222749
0.61943128
633
0.61943128
0.61943128
0.611848341
0.623222749
0.61943128
0.61563981
634
0.61943128
0.611848341
0.623222749
0.61943128
0.61563981
0.608056872
635
0.611848341
0.623222749
0.61943128
0.61563981
0.608056872
0.608056872
636
0.623222749
0.61943128
0.61563981
0.608056872
0.608056872
0.61563981
637
0.61943128
0.61563981
0.608056872
0.608056872
0.61563981
0.61943128
638
0.61563981
0.608056872
0.608056872
0.61563981
0.61943128
0.604265403
639
0.608056872
0.608056872
0.61563981
0.61943128
0.604265403
0.604265403
640
0.608056872
0.61563981
0.61943128
0.604265403
0.604265403
0.61943128
641
0.61563981
0.61943128
0.604265403
0.604265403
0.61943128
0.61943128
642
0.61943128
0.604265403
0.604265403
0.61943128
0.61943128
0.627014218
643
0.604265403
0.604265403
0.61943128
0.61943128
0.627014218
0.627014218
644
0.604265403
0.61943128
0.61943128
0.627014218
0.627014218
0.623222749
645
0.61943128
0.61943128
0.627014218
0.627014218
0.623222749
0.661137441
646
0.61943128
0.627014218
0.627014218
0.623222749
0.661137441
0.638388626
647
0.627014218
0.627014218
0.623222749
0.661137441
0.638388626
0.672511848
648
0.627014218
0.623222749
0.661137441
0.638388626
0.672511848
0.672511848
649
0.623222749
0.661137441
0.638388626
0.672511848
0.672511848
0.672511848
650
0.661137441
0.638388626
0.672511848
0.672511848
0.672511848
0.66492891
651
0.638388626
0.672511848
0.672511848
0.672511848
0.66492891
0.661137441
652
0.672511848
0.672511848
0.672511848
0.66492891
0.661137441
0.672511848
653
0.672511848
0.672511848
0.66492891
0.661137441
0.672511848
0.66492891
654
0.672511848
0.66492891
0.661137441
0.672511848
0.66492891
0.672511848
655
0.66492891
0.661137441
0.672511848
0.66492891
0.672511848
0.687677725
656
0.661137441
0.672511848
0.66492891
0.672511848
0.687677725
0.695260664
657
0.672511848
0.66492891
0.672511848
0.687677725
0.695260664
0.699052133
658
0.66492891
0.672511848
0.687677725
0.695260664
0.699052133
0.71042654
659
0.672511848
0.687677725
0.695260664
0.699052133
0.71042654
0.699052133
660
0.687677725
0.695260664
0.699052133
0.71042654
0.699052133
0.699052133
661
0.695260664
0.699052133
0.71042654
0.699052133
0.699052133
0.702843602
662
0.699052133
0.71042654
0.699052133
0.699052133
0.702843602
0.699052133
663
0.71042654
0.699052133
0.699052133
0.702843602
0.699052133
0.683886256
664
0.699052133
0.699052133
0.702843602
0.699052133
0.683886256
0.683886256
665
0.699052133
0.702843602
0.699052133
0.683886256
0.683886256
0.699052133
666
0.702843602
0.699052133
0.683886256
0.683886256
0.699052133
0.706635071
667
0.699052133
0.683886256
0.683886256
0.699052133
0.706635071
0.706635071
668
0.683886256
0.683886256
0.699052133
0.706635071
0.706635071
0.699052133
669
0.683886256
0.699052133
0.706635071
0.706635071
0.699052133
0.691469194
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-17
670
0.699052133
0.706635071
0.706635071
0.699052133
0.691469194
0.695260664
671
0.706635071
0.706635071
0.699052133
0.691469194
0.695260664
0.695260664
672
0.706635071
0.699052133
0.691469194
0.695260664
0.695260664
0.691469194
673
0.699052133
0.691469194
0.695260664
0.695260664
0.691469194
0.695260664
674
0.691469194
0.695260664
0.695260664
0.691469194
0.695260664
0.691469194
675
0.695260664
0.695260664
0.691469194
0.695260664
0.691469194
0.687677725
676
0.695260664
0.691469194
0.695260664
0.691469194
0.687677725
0.687677725
677
0.691469194
0.695260664
0.691469194
0.687677725
0.687677725
0.691469194
678
0.695260664
0.691469194
0.687677725
0.687677725
0.691469194
0.687677725
679
0.691469194
0.687677725
0.687677725
0.691469194
0.687677725
0.668720379
680
0.687677725
0.687677725
0.691469194
0.687677725
0.668720379
0.668720379
681
0.687677725
0.691469194
0.687677725
0.668720379
0.668720379
0.672511848
682
0.691469194
0.687677725
0.668720379
0.668720379
0.672511848
0.649763033
683
0.687677725
0.668720379
0.668720379
0.672511848
0.649763033
0.642180095
684
0.668720379
0.668720379
0.672511848
0.649763033
0.642180095
0.66492891
685
0.668720379
0.672511848
0.649763033
0.642180095
0.66492891
0.66492891
686
0.672511848
0.649763033
0.642180095
0.66492891
0.66492891
0.661137441
687
0.649763033
0.642180095
0.66492891
0.66492891
0.661137441
0.649763033
688
0.642180095
0.66492891
0.66492891
0.661137441
0.649763033
0.653554502
689
0.66492891
0.66492891
0.661137441
0.649763033
0.653554502
0.649763033
690
0.66492891
0.661137441
0.649763033
0.653554502
0.649763033
0.649763033
691
0.661137441
0.649763033
0.653554502
0.649763033
0.649763033
0.657345972
692
0.649763033
0.653554502
0.649763033
0.649763033
0.657345972
0.691469194
693
0.653554502
0.649763033
0.649763033
0.657345972
0.691469194
0.680094787
694
0.649763033
0.649763033
0.657345972
0.691469194
0.680094787
0.683886256
695
0.649763033
0.657345972
0.691469194
0.680094787
0.683886256
0.683886256
696
0.657345972
0.691469194
0.680094787
0.683886256
0.683886256
0.676303318
697
0.691469194
0.680094787
0.683886256
0.683886256
0.676303318
0.66492891
698
0.680094787
0.683886256
0.683886256
0.676303318
0.66492891
0.657345972
699
0.683886256
0.683886256
0.676303318
0.66492891
0.657345972
0.653554502
700
0.683886256
0.676303318
0.66492891
0.657345972
0.653554502
0.66492891
701
0.676303318
0.66492891
0.657345972
0.653554502
0.66492891
0.66492891
702
0.66492891
0.657345972
0.653554502
0.66492891
0.66492891
0.672511848
703
0.657345972
0.653554502
0.66492891
0.66492891
0.672511848
0.687677725
704
0.653554502
0.66492891
0.66492891
0.672511848
0.687677725
0.691469194
705
0.66492891
0.66492891
0.672511848
0.687677725
0.691469194
0.661137441
706
0.66492891
0.672511848
0.687677725
0.691469194
0.661137441
0.657345972
707
0.672511848
0.687677725
0.691469194
0.661137441
0.657345972
0.649763033
708
0.687677725
0.691469194
0.661137441
0.657345972
0.649763033
0.657345972
709
0.691469194
0.661137441
0.657345972
0.649763033
0.657345972
0.645971564
710
0.661137441
0.657345972
0.649763033
0.657345972
0.645971564
0.642180095
711
0.657345972
0.649763033
0.657345972
0.645971564
0.642180095
0.649763033
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-18
712
0.649763033
0.657345972
0.645971564
0.642180095
0.649763033
0.657345972
713
0.657345972
0.645971564
0.642180095
0.649763033
0.657345972
0.642180095
714
0.645971564
0.642180095
0.649763033
0.657345972
0.642180095
0.645971564
715
0.642180095
0.649763033
0.657345972
0.642180095
0.645971564
0.649763033
716
0.649763033
0.657345972
0.642180095
0.645971564
0.649763033
0.661137441
717
0.657345972
0.642180095
0.645971564
0.649763033
0.661137441
0.676303318
718
0.642180095
0.645971564
0.649763033
0.661137441
0.676303318
0.676303318
719
0.645971564
0.649763033
0.661137441
0.676303318
0.676303318
0.691469194
720
0.649763033
0.661137441
0.676303318
0.676303318
0.691469194
0.695260664
721
0.661137441
0.676303318
0.676303318
0.691469194
0.695260664
0.687677725
722
0.676303318
0.676303318
0.691469194
0.695260664
0.687677725
0.687677725
723
0.676303318
0.691469194
0.695260664
0.687677725
0.687677725
0.649763033
724
0.691469194
0.695260664
0.687677725
0.687677725
0.649763033
0.604265403
725
0.695260664
0.687677725
0.687677725
0.649763033
0.604265403
0.61943128
726
0.687677725
0.687677725
0.649763033
0.604265403
0.61943128
0.623222749
727
0.687677725
0.649763033
0.604265403
0.61943128
0.623222749
0.642180095
728
0.649763033
0.604265403
0.61943128
0.623222749
0.642180095
0.630805687
729
0.604265403
0.61943128
0.623222749
0.642180095
0.630805687
0.61563981
730
0.61943128
0.623222749
0.642180095
0.630805687
0.61563981
0.61563981
731
0.623222749
0.642180095
0.630805687
0.61563981
0.61563981
0.581516588
732
0.642180095
0.630805687
0.61563981
0.61563981
0.581516588
0.547393365
733
0.630805687
0.61563981
0.61563981
0.581516588
0.547393365
0.536018957
734
0.61563981
0.61563981
0.581516588
0.547393365
0.536018957
0.532227488
735
0.61563981
0.581516588
0.547393365
0.536018957
0.532227488
0.551184834
736
0.581516588
0.547393365
0.536018957
0.532227488
0.551184834
0.577725118
737
0.547393365
0.536018957
0.532227488
0.551184834
0.577725118
0.543601896
738
0.536018957
0.532227488
0.551184834
0.577725118
0.543601896
0.52464455
739
0.532227488
0.551184834
0.577725118
0.543601896
0.52464455
0.536018957
740
0.551184834
0.577725118
0.543601896
0.52464455
0.536018957
0.558767773
741
0.577725118
0.543601896
0.52464455
0.536018957
0.558767773
0.57014218
742
0.543601896
0.52464455
0.536018957
0.558767773
0.57014218
0.577725118
743
0.52464455
0.536018957
0.558767773
0.57014218
0.577725118
0.585308057
744
0.536018957
0.558767773
0.57014218
0.577725118
0.585308057
0.57014218
745
0.558767773
0.57014218
0.577725118
0.585308057
0.57014218
0.551184834
746
0.57014218
0.577725118
0.585308057
0.57014218
0.551184834
0.573933649
747
0.577725118
0.585308057
0.57014218
0.551184834
0.573933649
0.581516588
748
0.585308057
0.57014218
0.551184834
0.573933649
0.581516588
0.581516588
749
0.57014218
0.551184834
0.573933649
0.581516588
0.581516588
0.577725118
750
0.551184834
0.573933649
0.581516588
0.581516588
0.577725118
0.611848341
751
0.573933649
0.581516588
0.581516588
0.577725118
0.611848341
0.608056872
752
0.581516588
0.581516588
0.577725118
0.611848341
0.608056872
0.596682464
753
0.581516588
0.577725118
0.611848341
0.608056872
0.596682464
0.604265403
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-19
754
0.577725118
0.611848341
0.608056872
0.596682464
0.604265403
0.611848341
755
0.611848341
0.608056872
0.596682464
0.604265403
0.611848341
0.600473934
756
0.608056872
0.596682464
0.604265403
0.611848341
0.600473934
0.589099526
757
0.596682464
0.604265403
0.611848341
0.600473934
0.589099526
0.596682464
758
0.604265403
0.611848341
0.600473934
0.589099526
0.596682464
0.592890995
759
0.611848341
0.600473934
0.589099526
0.596682464
0.592890995
0.585308057
760
0.600473934
0.589099526
0.596682464
0.592890995
0.585308057
0.589099526
761
0.589099526
0.596682464
0.592890995
0.585308057
0.589099526
0.611848341
762
0.596682464
0.592890995
0.585308057
0.589099526
0.611848341
0.61943128
763
0.592890995
0.585308057
0.589099526
0.611848341
0.61943128
0.61943128
764
0.585308057
0.589099526
0.611848341
0.61943128
0.61943128
0.61943128
765
0.589099526
0.611848341
0.61943128
0.61943128
0.61943128
0.61563981
766
0.611848341
0.61943128
0.61943128
0.61943128
0.61563981
0.611848341
767
0.61943128
0.61943128
0.61943128
0.61563981
0.611848341
0.61563981
768
0.61943128
0.61943128
0.61563981
0.611848341
0.61563981
0.608056872
769
0.61943128
0.61563981
0.611848341
0.61563981
0.608056872
0.589099526
770
0.61563981
0.611848341
0.61563981
0.608056872
0.589099526
0.577725118
771
0.611848341
0.61563981
0.608056872
0.589099526
0.577725118
0.585308057
772
0.61563981
0.608056872
0.589099526
0.577725118
0.585308057
0.589099526
773
0.608056872
0.589099526
0.577725118
0.585308057
0.589099526
0.600473934
774
0.589099526
0.577725118
0.585308057
0.589099526
0.600473934
0.627014218
775
0.577725118
0.585308057
0.589099526
0.600473934
0.627014218
0.645971564
776
0.585308057
0.589099526
0.600473934
0.627014218
0.645971564
0.634597156
777
0.589099526
0.600473934
0.627014218
0.645971564
0.634597156
0.627014218
778
0.600473934
0.627014218
0.645971564
0.634597156
0.627014218
0.608056872
779
0.627014218
0.645971564
0.634597156
0.627014218
0.608056872
0.642180095
780
0.645971564
0.634597156
0.627014218
0.608056872
0.642180095
0.634597156
781
0.634597156
0.627014218
0.608056872
0.642180095
0.634597156
0.687677725
782
0.627014218
0.608056872
0.642180095
0.634597156
0.687677725
0.672511848
783
0.608056872
0.642180095
0.634597156
0.687677725
0.672511848
0.672511848
784
0.642180095
0.634597156
0.687677725
0.672511848
0.672511848
0.661137441
785
0.634597156
0.687677725
0.672511848
0.672511848
0.661137441
0.66492891
786
0.687677725
0.672511848
0.672511848
0.661137441
0.66492891
0.680094787
787
0.672511848
0.672511848
0.661137441
0.66492891
0.680094787
0.680094787
788
0.672511848
0.661137441
0.66492891
0.680094787
0.680094787
0.66492891
789
0.661137441
0.66492891
0.680094787
0.680094787
0.66492891
0.66492891
790
0.66492891
0.680094787
0.680094787
0.66492891
0.66492891
0.668720379
791
0.680094787
0.680094787
0.66492891
0.66492891
0.668720379
0.668720379
792
0.680094787
0.66492891
0.66492891
0.668720379
0.668720379
0.66492891
793
0.66492891
0.66492891
0.668720379
0.668720379
0.66492891
0.66492891
794
0.66492891
0.668720379
0.668720379
0.66492891
0.66492891
0.668720379
795
0.668720379
0.668720379
0.66492891
0.66492891
0.668720379
0.672511848
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-20
796
0.668720379
0.66492891
0.66492891
0.668720379
0.672511848
0.66492891
797
0.66492891
0.66492891
0.668720379
0.672511848
0.66492891
0.672511848
798
0.66492891
0.668720379
0.672511848
0.66492891
0.672511848
0.672511848
799
0.668720379
0.672511848
0.66492891
0.672511848
0.672511848
0.66492891
800
0.672511848
0.66492891
0.672511848
0.672511848
0.66492891
0.66492891
801
0.66492891
0.672511848
0.672511848
0.66492891
0.66492891
0.661137441
802
0.672511848
0.672511848
0.66492891
0.66492891
0.661137441
0.661137441
803
0.672511848
0.66492891
0.66492891
0.661137441
0.661137441
0.657345972
804
0.66492891
0.66492891
0.661137441
0.661137441
0.657345972
0.66492891
805
0.66492891
0.661137441
0.661137441
0.657345972
0.66492891
0.653554502
806
0.661137441
0.661137441
0.657345972
0.66492891
0.653554502
0.657345972
807
0.661137441
0.657345972
0.66492891
0.653554502
0.657345972
0.649763033
808
0.657345972
0.66492891
0.653554502
0.657345972
0.649763033
0.653554502
809
0.66492891
0.653554502
0.657345972
0.649763033
0.653554502
0.649763033
810
0.653554502
0.657345972
0.649763033
0.653554502
0.649763033
0.645971564
811
0.657345972
0.649763033
0.653554502
0.649763033
0.645971564
0.653554502
812
0.649763033
0.653554502
0.649763033
0.645971564
0.653554502
0.661137441
813
0.653554502
0.649763033
0.645971564
0.653554502
0.661137441
0.672511848
814
0.649763033
0.645971564
0.653554502
0.661137441
0.672511848
0.676303318
815
0.645971564
0.653554502
0.661137441
0.672511848
0.676303318
0.676303318
816
0.653554502
0.661137441
0.672511848
0.676303318
0.676303318
0.676303318
817
0.661137441
0.672511848
0.676303318
0.676303318
0.676303318
0.680094787
818
0.672511848
0.676303318
0.676303318
0.676303318
0.680094787
0.672511848
819
0.676303318
0.676303318
0.676303318
0.680094787
0.672511848
0.680094787
820
0.676303318
0.676303318
0.680094787
0.672511848
0.680094787
0.676303318
821
0.676303318
0.680094787
0.672511848
0.680094787
0.676303318
0.676303318
822
0.680094787
0.672511848
0.680094787
0.676303318
0.676303318
0.676303318
823
0.672511848
0.680094787
0.676303318
0.676303318
0.676303318
0.672511848
824
0.680094787
0.676303318
0.676303318
0.676303318
0.672511848
0.66492891
825
0.676303318
0.676303318
0.676303318
0.672511848
0.66492891
0.657345972
826
0.676303318
0.676303318
0.672511848
0.66492891
0.657345972
0.649763033
827
0.676303318
0.672511848
0.66492891
0.657345972
0.649763033
0.642180095
828
0.672511848
0.66492891
0.657345972
0.649763033
0.642180095
0.642180095
829
0.66492891
0.657345972
0.649763033
0.642180095
0.642180095
0.638388626
830
0.657345972
0.649763033
0.642180095
0.642180095
0.638388626
0.649763033
831
0.649763033
0.642180095
0.642180095
0.638388626
0.649763033
0.653554502
832
0.642180095
0.642180095
0.638388626
0.649763033
0.653554502
0.672511848
833
0.642180095
0.638388626
0.649763033
0.653554502
0.672511848
0.672511848
834
0.638388626
0.649763033
0.653554502
0.672511848
0.672511848
0.680094787
835
0.649763033
0.653554502
0.672511848
0.672511848
0.680094787
0.680094787
836
0.653554502
0.672511848
0.672511848
0.680094787
0.680094787
0.676303318
837
0.672511848
0.672511848
0.680094787
0.680094787
0.676303318
0.668720379
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-21
838
0.672511848
0.680094787
0.680094787
0.676303318
0.668720379
0.668720379
839
0.680094787
0.680094787
0.676303318
0.668720379
0.668720379
0.661137441
840
0.680094787
0.676303318
0.668720379
0.668720379
0.661137441
0.680094787
841
0.676303318
0.668720379
0.668720379
0.661137441
0.680094787
0.680094787
842
0.668720379
0.668720379
0.661137441
0.680094787
0.680094787
0.695260664
843
0.668720379
0.661137441
0.680094787
0.680094787
0.695260664
0.695260664
844
0.661137441
0.680094787
0.680094787
0.695260664
0.695260664
0.680094787
845
0.680094787
0.680094787
0.695260664
0.695260664
0.680094787
0.687677725
846
0.680094787
0.695260664
0.695260664
0.680094787
0.687677725
0.691469194
847
0.695260664
0.695260664
0.680094787
0.687677725
0.691469194
0.691469194
848
0.695260664
0.680094787
0.687677725
0.691469194
0.691469194
0.683886256
849
0.680094787
0.687677725
0.691469194
0.691469194
0.683886256
0.687677725
850
0.687677725
0.691469194
0.691469194
0.683886256
0.687677725
0.695260664
851
0.691469194
0.691469194
0.683886256
0.687677725
0.695260664
0.695260664
852
0.691469194
0.683886256
0.687677725
0.695260664
0.695260664
0.702843602
853
0.683886256
0.687677725
0.695260664
0.695260664
0.702843602
0.683886256
854
0.687677725
0.695260664
0.695260664
0.702843602
0.683886256
0.691469194
855
0.695260664
0.695260664
0.702843602
0.683886256
0.691469194
0.687677725
856
0.695260664
0.702843602
0.683886256
0.691469194
0.687677725
0.695260664
857
0.702843602
0.683886256
0.691469194
0.687677725
0.695260664
0.695260664
858
0.683886256
0.691469194
0.687677725
0.695260664
0.695260664
0.687677725
859
0.691469194
0.687677725
0.695260664
0.695260664
0.687677725
0.695260664
860
0.687677725
0.695260664
0.695260664
0.687677725
0.695260664
0.687677725
861
0.695260664
0.695260664
0.687677725
0.695260664
0.687677725
0.676303318
862
0.695260664
0.687677725
0.695260664
0.687677725
0.676303318
0.653554502
863
0.687677725
0.695260664
0.687677725
0.676303318
0.653554502
0.657345972
864
0.695260664
0.687677725
0.676303318
0.653554502
0.657345972
0.653554502
865
0.687677725
0.676303318
0.653554502
0.657345972
0.653554502
0.642180095
866
0.676303318
0.653554502
0.657345972
0.653554502
0.642180095
0.61943128
867
0.653554502
0.657345972
0.653554502
0.642180095
0.61943128
0.611848341
868
0.657345972
0.653554502
0.642180095
0.61943128
0.611848341
0.604265403
869
0.653554502
0.642180095
0.61943128
0.611848341
0.604265403
0.61563981
870
0.642180095
0.61943128
0.611848341
0.604265403
0.61563981
0.596682464
871
0.61943128
0.611848341
0.604265403
0.61563981
0.596682464
0.611848341
872
0.611848341
0.604265403
0.61563981
0.596682464
0.611848341
0.61943128
873
0.604265403
0.61563981
0.596682464
0.611848341
0.61943128
0.61943128
874
0.61563981
0.596682464
0.611848341
0.61943128
0.61943128
0.61943128
875
0.596682464
0.611848341
0.61943128
0.61943128
0.61943128
0.61943128
876
0.611848341
0.61943128
0.61943128
0.61943128
0.61943128
0.611848341
877
0.61943128
0.61943128
0.61943128
0.61943128
0.611848341
0.630805687
878
0.61943128
0.61943128
0.61943128
0.611848341
0.630805687
0.649763033
879
0.61943128
0.61943128
0.611848341
0.630805687
0.649763033
0.645971564
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-22
880
0.61943128
0.611848341
0.630805687
0.649763033
0.645971564
0.634597156
881
0.611848341
0.630805687
0.649763033
0.645971564
0.634597156
0.634597156
882
0.630805687
0.649763033
0.645971564
0.634597156
0.634597156
0.61563981
883
0.649763033
0.645971564
0.634597156
0.634597156
0.61563981
0.642180095
884
0.645971564
0.634597156
0.634597156
0.61563981
0.642180095
0.657345972
885
0.634597156
0.634597156
0.61563981
0.642180095
0.657345972
0.649763033
886
0.634597156
0.61563981
0.642180095
0.657345972
0.649763033
0.630805687
887
0.61563981
0.642180095
0.657345972
0.649763033
0.630805687
0.61943128
888
0.642180095
0.657345972
0.649763033
0.630805687
0.61943128
0.61943128
889
0.657345972
0.649763033
0.630805687
0.61943128
0.61943128
0.608056872
890
0.649763033
0.630805687
0.61943128
0.61943128
0.608056872
0.600473934
891
0.630805687
0.61943128
0.61943128
0.608056872
0.600473934
0.604265403
892
0.61943128
0.61943128
0.608056872
0.600473934
0.604265403
0.573933649
893
0.61943128
0.608056872
0.600473934
0.604265403
0.573933649
0.581516588
894
0.608056872
0.600473934
0.604265403
0.573933649
0.581516588
0.554976303
895
0.600473934
0.604265403
0.573933649
0.581516588
0.554976303
0.513270142
896
0.604265403
0.573933649
0.581516588
0.554976303
0.513270142
0.551184834
897
0.573933649
0.581516588
0.554976303
0.513270142
0.551184834
0.551184834
898
0.581516588
0.554976303
0.513270142
0.551184834
0.551184834
0.558767773
899
0.554976303
0.513270142
0.551184834
0.551184834
0.558767773
0.57014218
900
0.513270142
0.551184834
0.551184834
0.558767773
0.57014218
0.592890995
901
0.551184834
0.551184834
0.558767773
0.57014218
0.592890995
0.566350711
902
0.551184834
0.558767773
0.57014218
0.592890995
0.566350711
0.551184834
903
0.558767773
0.57014218
0.592890995
0.566350711
0.551184834
0.543601896
904
0.57014218
0.592890995
0.566350711
0.551184834
0.543601896
0.551184834
905
0.592890995
0.566350711
0.551184834
0.543601896
0.551184834
0.566350711
906
0.566350711
0.551184834
0.543601896
0.551184834
0.566350711
0.543601896
907
0.551184834
0.543601896
0.551184834
0.566350711
0.543601896
0.551184834
908
0.543601896
0.551184834
0.566350711
0.543601896
0.551184834
0.547393365
909
0.551184834
0.566350711
0.543601896
0.551184834
0.547393365
0.581516588
910
0.566350711
0.543601896
0.551184834
0.547393365
0.581516588
0.596682464
911
0.543601896
0.551184834
0.547393365
0.581516588
0.596682464
0.627014218
912
0.551184834
0.547393365
0.581516588
0.596682464
0.627014218
0.604265403
913
0.547393365
0.581516588
0.596682464
0.627014218
0.604265403
0.600473934
914
0.581516588
0.596682464
0.627014218
0.604265403
0.600473934
0.627014218
915
0.596682464
0.627014218
0.604265403
0.600473934
0.627014218
0.600473934
916
0.627014218
0.604265403
0.600473934
0.627014218
0.600473934
0.61943128
917
0.604265403
0.600473934
0.627014218
0.600473934
0.61943128
0.649763033
918
0.600473934
0.627014218
0.600473934
0.61943128
0.649763033
0.634597156
919
0.627014218
0.600473934
0.61943128
0.649763033
0.634597156
0.645971564
920
0.600473934
0.61943128
0.649763033
0.634597156
0.645971564
0.653554502
921
0.61943128
0.649763033
0.634597156
0.645971564
0.653554502
0.66492891
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-23
922
0.649763033
0.634597156
0.645971564
0.653554502
0.66492891
0.66492891
923
0.634597156
0.645971564
0.653554502
0.66492891
0.66492891
0.611848341
924
0.645971564
0.653554502
0.66492891
0.66492891
0.611848341
0.630805687
925
0.653554502
0.66492891
0.66492891
0.611848341
0.630805687
0.627014218
926
0.66492891
0.66492891
0.611848341
0.630805687
0.627014218
0.649763033
927
0.66492891
0.611848341
0.630805687
0.627014218
0.649763033
0.66492891
928
0.611848341
0.630805687
0.627014218
0.649763033
0.66492891
0.66492891
929
0.630805687
0.627014218
0.649763033
0.66492891
0.66492891
0.645971564
930
0.627014218
0.649763033
0.66492891
0.66492891
0.645971564
0.638388626
931
0.649763033
0.66492891
0.66492891
0.645971564
0.638388626
0.649763033
932
0.66492891
0.66492891
0.645971564
0.638388626
0.649763033
0.66492891
933
0.66492891
0.645971564
0.638388626
0.649763033
0.66492891
0.657345972
934
0.645971564
0.638388626
0.649763033
0.66492891
0.657345972
0.661137441
935
0.638388626
0.649763033
0.66492891
0.657345972
0.661137441
0.649763033
936
0.649763033
0.66492891
0.657345972
0.661137441
0.649763033
0.627014218
937
0.66492891
0.657345972
0.661137441
0.649763033
0.627014218
0.627014218
938
0.657345972
0.661137441
0.649763033
0.627014218
0.627014218
0.630805687
939
0.661137441
0.649763033
0.627014218
0.627014218
0.630805687
0.604265403
940
0.649763033
0.627014218
0.627014218
0.630805687
0.604265403
0.61943128
941
0.627014218
0.627014218
0.630805687
0.604265403
0.61943128
0.623222749
942
0.627014218
0.630805687
0.604265403
0.61943128
0.623222749
0.61563981
943
0.630805687
0.604265403
0.61943128
0.623222749
0.61563981
0.627014218
944
0.604265403
0.61943128
0.623222749
0.61563981
0.627014218
0.661137441
945
0.61943128
0.623222749
0.61563981
0.627014218
0.661137441
0.657345972
946
0.623222749
0.61563981
0.627014218
0.661137441
0.657345972
0.661137441
947
0.61563981
0.627014218
0.661137441
0.657345972
0.661137441
0.676303318
948
0.627014218
0.661137441
0.657345972
0.661137441
0.676303318
0.680094787
949
0.661137441
0.657345972
0.661137441
0.676303318
0.680094787
0.676303318
950
0.657345972
0.661137441
0.676303318
0.680094787
0.676303318
0.672511848
951
0.661137441
0.676303318
0.680094787
0.676303318
0.672511848
0.668720379
952
0.676303318
0.680094787
0.676303318
0.672511848
0.668720379
0.687677725
953
0.680094787
0.676303318
0.672511848
0.668720379
0.687677725
0.721800948
954
0.676303318
0.672511848
0.668720379
0.687677725
0.721800948
0.748341232
955
0.672511848
0.668720379
0.687677725
0.721800948
0.748341232
0.725592417
956
0.668720379
0.687677725
0.721800948
0.748341232
0.725592417
0.752132701
957
0.687677725
0.721800948
0.748341232
0.725592417
0.752132701
0.767298578
958
0.721800948
0.748341232
0.725592417
0.752132701
0.767298578
0.763507109
959
0.748341232
0.725592417
0.752132701
0.767298578
0.763507109
0.771090047
960
0.725592417
0.752132701
0.767298578
0.763507109
0.771090047
0.793838863
961
0.752132701
0.767298578
0.763507109
0.771090047
0.793838863
0.763507109
962
0.767298578
0.763507109
0.771090047
0.793838863
0.763507109
0.774881517
963
0.763507109
0.771090047
0.793838863
0.763507109
0.774881517
0.778672986
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-24
964
0.771090047
0.793838863
0.763507109
0.774881517
0.778672986
0.778672986
965
0.793838863
0.763507109
0.774881517
0.778672986
0.778672986
0.812796209
966
0.763507109
0.774881517
0.778672986
0.778672986
0.812796209
0.793838863
967
0.774881517
0.778672986
0.778672986
0.812796209
0.793838863
0.786255924
968
0.778672986
0.778672986
0.812796209
0.793838863
0.786255924
0.778672986
969
0.778672986
0.812796209
0.793838863
0.786255924
0.778672986
0.790047393
970
0.812796209
0.793838863
0.786255924
0.778672986
0.790047393
0.771090047
971
0.793838863
0.786255924
0.778672986
0.790047393
0.771090047
0.767298578
972
0.786255924
0.778672986
0.790047393
0.771090047
0.767298578
0.786255924
973
0.778672986
0.790047393
0.771090047
0.767298578
0.786255924
0.809004739
974
0.790047393
0.771090047
0.767298578
0.786255924
0.809004739
0.827962085
975
0.771090047
0.767298578
0.786255924
0.809004739
0.827962085
0.824170616
976
0.767298578
0.786255924
0.809004739
0.827962085
0.824170616
0.839336493
977
0.786255924
0.809004739
0.827962085
0.824170616
0.839336493
0.843127962
978
0.809004739
0.827962085
0.824170616
0.839336493
0.843127962
0.884834123
979
0.827962085
0.824170616
0.839336493
0.843127962
0.884834123
0.9
980
0.824170616
0.839336493
0.843127962
0.884834123
0.9
0.85450237
981
0.839336493
0.843127962
0.884834123
0.9
0.85450237
0.827962085
982
0.843127962
0.884834123
0.9
0.85450237
0.827962085
0.827962085
983
0.884834123
0.9
0.85450237
0.827962085
0.827962085
0.782464455
984
0.9
0.85450237
0.827962085
0.827962085
0.782464455
0.778672986
985
0.85450237
0.827962085
0.827962085
0.782464455
0.778672986
0.782464455
986
0.827962085
0.827962085
0.782464455
0.778672986
0.782464455
0.801421801
987
0.827962085
0.782464455
0.778672986
0.782464455
0.801421801
0.816587678
988
0.782464455
0.778672986
0.782464455
0.801421801
0.816587678
0.80521327
989
0.778672986
0.782464455
0.801421801
0.816587678
0.80521327
0.809004739
990
0.782464455
0.801421801
0.816587678
0.80521327
0.809004739
0.809004739
991
0.801421801
0.816587678
0.80521327
0.809004739
0.809004739
0.816587678
992
0.816587678
0.80521327
0.809004739
0.809004739
0.816587678
0.80521327
993
0.80521327
0.809004739
0.809004739
0.816587678
0.80521327
0.816587678
994
0.809004739
0.809004739
0.816587678
0.80521327
0.816587678
0.812796209
995
0.809004739
0.816587678
0.80521327
0.816587678
0.812796209
0.809004739
996
0.816587678
0.80521327
0.816587678
0.812796209
0.809004739
0.831753555
997
0.80521327
0.816587678
0.812796209
0.809004739
0.831753555
0.816587678
998
0.816587678
0.812796209
0.809004739
0.831753555
0.816587678
0.809004739
999
0.812796209
0.809004739
0.831753555
0.816587678
0.809004739
0.824170616
100 0 100 1 100 2 100 3 100
0.809004739
0.831753555
0.816587678
0.809004739
0.824170616
0.790047393
0.831753555
0.816587678
0.809004739
0.824170616
0.790047393
0.782464455
0.816587678
0.809004739
0.824170616
0.790047393
0.782464455
0.782464455
0.809004739
0.824170616
0.790047393
0.782464455
0.782464455
0.801421801
0.824170616
0.790047393
0.782464455
0.782464455
0.801421801
0.767298578
Skripsi
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-25
4 100 5 100 6 100 7 100 8 100 9 101 0 101 1 101 2 101 3 101 4 101 5 101 6 101 7 101 8 101 9 102 0 102 1 102 2 102 3 102 4 102 5 102 6 102 7 102 8 102 9 103 0 103 1 103 2 103
Skripsi
0.790047393
0.782464455
0.782464455
0.801421801
0.767298578
0.744549763
0.782464455
0.782464455
0.801421801
0.767298578
0.744549763
0.778672986
0.782464455
0.801421801
0.767298578
0.744549763
0.778672986
0.801421801
0.801421801
0.767298578
0.744549763
0.778672986
0.801421801
0.801421801
0.767298578
0.744549763
0.778672986
0.801421801
0.801421801
0.809004739
0.744549763
0.778672986
0.801421801
0.801421801
0.809004739
0.801421801
0.778672986
0.801421801
0.801421801
0.809004739
0.801421801
0.790047393
0.801421801
0.801421801
0.809004739
0.801421801
0.790047393
0.790047393
0.801421801
0.809004739
0.801421801
0.790047393
0.790047393
0.793838863
0.809004739
0.801421801
0.790047393
0.790047393
0.793838863
0.801421801
0.801421801
0.790047393
0.790047393
0.793838863
0.801421801
0.809004739
0.790047393
0.790047393
0.793838863
0.801421801
0.809004739
0.827962085
0.790047393
0.793838863
0.801421801
0.809004739
0.827962085
0.869668246
0.793838863
0.801421801
0.809004739
0.827962085
0.869668246
0.896208531
0.801421801
0.809004739
0.827962085
0.869668246
0.896208531
0.892417062
0.809004739
0.827962085
0.869668246
0.896208531
0.892417062
0.888625592
0.827962085
0.869668246
0.896208531
0.892417062
0.888625592
0.892417062
0.869668246
0.896208531
0.892417062
0.888625592
0.892417062
0.873459716
0.896208531
0.892417062
0.888625592
0.892417062
0.873459716
0.85450237
0.892417062
0.888625592
0.892417062
0.873459716
0.85450237
0.862085308
0.888625592
0.892417062
0.873459716
0.85450237
0.862085308
0.888625592
0.892417062
0.873459716
0.85450237
0.862085308
0.888625592
0.881042654
0.873459716
0.85450237
0.862085308
0.888625592
0.881042654
0.873459716
0.85450237
0.862085308
0.888625592
0.881042654
0.873459716
0.881042654
0.862085308
0.888625592
0.881042654
0.873459716
0.881042654
0.888625592
0.888625592
0.881042654
0.873459716
0.881042654
0.888625592
0.888625592
0.881042654
0.873459716
0.881042654
0.888625592
0.888625592
0.862085308
0.873459716
0.881042654
0.888625592
0.888625592
0.862085308
0.85450237
0.881042654
0.888625592
0.888625592
0.862085308
0.85450237
0.8507109
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-26
3 103 4 103 5 103 6 103 7 103 8 103 9 104 0 104 1 104 2 104 3 104 4 104 5 104 6 104 7 104 8 104 9 105 0 105 1 105 2 105 3 105 4 105 5 105 6 105 7 105 8 105 9 106 0 106 1 106
Skripsi
0.888625592
0.888625592
0.862085308
0.85450237
0.8507109
0.85450237
0.888625592
0.862085308
0.85450237
0.8507109
0.85450237
0.85450237
0.862085308
0.85450237
0.8507109
0.85450237
0.85450237
0.873459716
0.85450237
0.8507109
0.85450237
0.85450237
0.873459716
0.877251185
0.8507109
0.85450237
0.85450237
0.873459716
0.877251185
0.865876777
0.85450237
0.85450237
0.873459716
0.877251185
0.865876777
0.873459716
0.85450237
0.873459716
0.877251185
0.865876777
0.873459716
0.85450237
0.873459716
0.877251185
0.865876777
0.873459716
0.85450237
0.8507109
0.877251185
0.865876777
0.873459716
0.85450237
0.8507109
0.8507109
0.865876777
0.873459716
0.85450237
0.8507109
0.8507109
0.835545024
0.873459716
0.85450237
0.8507109
0.8507109
0.835545024
0.835545024
0.85450237
0.8507109
0.8507109
0.835545024
0.835545024
0.8507109
0.8507109
0.8507109
0.835545024
0.835545024
0.8507109
0.881042654
0.8507109
0.835545024
0.835545024
0.8507109
0.881042654
0.877251185
0.835545024
0.835545024
0.8507109
0.881042654
0.877251185
0.877251185
0.835545024
0.8507109
0.881042654
0.877251185
0.877251185
0.881042654
0.8507109
0.881042654
0.877251185
0.877251185
0.881042654
0.869668246
0.881042654
0.877251185
0.877251185
0.881042654
0.869668246
0.873459716
0.877251185
0.877251185
0.881042654
0.869668246
0.873459716
0.858293839
0.877251185
0.881042654
0.869668246
0.873459716
0.858293839
0.85450237
0.881042654
0.869668246
0.873459716
0.858293839
0.85450237
0.839336493
0.869668246
0.873459716
0.858293839
0.85450237
0.839336493
0.824170616
0.873459716
0.858293839
0.85450237
0.839336493
0.824170616
0.824170616
0.858293839
0.85450237
0.839336493
0.824170616
0.824170616
0.778672986
0.85450237
0.839336493
0.824170616
0.824170616
0.778672986
0.755924171
0.839336493
0.824170616
0.824170616
0.778672986
0.755924171
0.748341232
0.824170616
0.824170616
0.778672986
0.755924171
0.748341232
0.786255924
0.824170616
0.778672986
0.755924171
0.748341232
0.786255924
0.774881517
0.778672986
0.755924171
0.748341232
0.786255924
0.774881517
0.80521327
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-27
2 106 3 106 4 106 5 106 6 106 7
Skripsi
0.755924171
0.748341232
0.786255924
0.774881517
0.80521327
0.801421801
0.748341232
0.786255924
0.774881517
0.80521327
0.801421801
0.744549763
0.786255924
0.774881517
0.80521327
0.801421801
0.744549763
0.763507109
0.774881517
0.80521327
0.801421801
0.744549763
0.763507109
0.767298578
0.80521327
0.801421801
0.744549763
0.763507109
0.767298578
0.778672986
Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq