PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE EXTREME LEARNING MACHINE SKRIPSI

Transkripsi

1 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

2 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 Dr. Herry Suprajitno, M.Si NIP ii

3 LEMBAR PENGESAHAN NASKAH SKRIPSI Judul : Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine Penyusun : Muhammad Safiq Ubay Nomor Induk : Tanggal Ujian : 27 Juli 2012 Disetujui Oleh : Pembimbing I Pembimbing II Auli Damayanti, S.Si., M.Si. NIP Dr. Herry Suprajitno, M.Si NIP Mengetahui : Ketua Program Studi S-1 Matematika Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga Dr. Miswanto, M.Si NIP iii

4 PEDOMAN PENGGUNAAN 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

5 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. 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

6 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

7 Muhammad Safiq Ubay, 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 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 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

8 Muhammad Safiq Ubay, 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 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, 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

9 DAFTAR ISI Halaman LEMBAR JUDUL.... LEMBAR PERNYATAAN LEMBAR PENGESAHAN... LEMBAR PEDOMAN PENGGUNAAN SKRIPSI..... KATA PENGANTAR... ABSTRAK.... ABSTRACT... DAFTAR ISI... DAFTAR TABEL..... DAFTAR GAMBAR.... DAFTAR LAMPIRAN i ii iii iv v vii viii ix xii xiii xv BAB I. PENDAHULUAN 1.1. Latar Belakang Rumusan Masalah Tujuan Manfaat BAB II. TINJAUAN PUSTAKA 2.1. Saham Peramalan (forecasting) Jaringan Syaraf Tiruan Model Jaringan Syaraf Tiruan ix

10 x Arsitektur Jaringan Pelatihan Jaringan Fungsi Aktivasi Extreme Learning Machine (ELM) Arsitektur ELM Algoritma Pelatihan ELM Normalisasi data Denormalisasi data Moore Penrose Generalized Inverse Pemrograman Java.. 26 BAB III. METODE PENELITIAN.. 27 BAB IV. PEMBAHASAN 4.1. Data Arsitektur Jaringan Prosedur Jaringan Syaraf Tiruan ELM untuk peramalan harga saham Prosedur normalisasi data Prosedur denormalisasi data Prosedur inisialisasi bias dan bobot Prosedur feedforward Prosedur Perubahan (update) bias dan bobot Prosedur menghitung Mean Square Error Implementasi pada program Java... 44

11 xi Implementasi Pada Program Java Untuk Training Data Implementasi Program Java Untuk Testing Data Training Implementasi Pada Program Java Untuk Uji Validasi BAB V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran 58 DAFTAR PUSTAKA. 59 LAMPIRAN

12 DAFTAR TABEL No. Judul Halaman 3.1. Tabel rancangan data yang akan menjadi input Kutipan data harga saham PT.Semen Gresik Kutipan data harga saham ternormalisasi Pola input data training Pola input data validasi, Arsitektur ELM yang paling optimal Arsitektur dari training ELM dengan MSE terkecil Bobot awal dari input ke hidden Bobot awal dari hidden ke output Bobot akhir dari input ke hidden Bobot akhir dari hidden ke output Hasil peramalan harga saham pada 5 buah perusahaan xii

13 DAFTAR GAMBAR No. Judul Halaman 2.1 Susunan Syaraf manusia Model Jaringan Syaraf Tiruan Jaringan Layar Tunggal (single layer network) Jaringan Lapisan Jamak (multi layer network) Fungsi aktivasi linear Fungsi aktivasi step biner Fungsi aktivasi sigmoid biner Fungsi aktivasi sigmoid bipolar Jaringan syaraf ELM dengan satu hidden layer Prosedur pelatihan pada ELM Proses melakukan testing pada data training Proses validasi data Proses kerja keseluruhan Arsitektur jaringan dengan n unit hidden Prosedur training data pada jaringan syaraf ELM Prosedur testing data training data pada jaringan syaraf ELM Prosedur uji validasi data pada jaringan syaraf ELM Prosedur normalisasi data Prosedur denormalisasi data Prosedur proses feedforward Prosedur update bias dan bobot Prosedur menghitung nilai mean square error.. 44 xiii

14 4.10. Prosedur inisialisasi bias dan bobot Form awal Form data keseluruhan Form input parameter Grafik perubahan MSE Grafik testing data training Hasil uji validasi ternormalisasi Hasil uji validasi setelah denormalisasi Grafik hasil uji validasi xiv

15 DAFTAR LAMPIRAN No. Judul Lampiran 1. Data pembukaan (open) PT. Semen Gresik 2. Source Code Program 3. Pola input data training xv

16 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

17 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 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

18 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

19 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 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.

20 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.

21 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

22 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.

23 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)

24 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 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.

25 9

26 10 untuk belajar dengan melakukan adaptasi. (Kusumadewi, 2003) 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 penghubungpenghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. Gambar 2.2 adalah model sederhana dari JST, terlihat bahwa JST terbentuk dari Processing Element yang saling terhubung pada jaringan. Masing-masing Processing Element menerima input berupa net yang langsung diolah sehingga menghasilkan nilai output (Y). Processing Element berisi dua elemen yaitu : 1. net, yaitu jumlahan dari nilai input (X 1, X 2,, X n ) dikalikan dengan bobotnya (W 1, W 2,,W n ). Dalam hal ini bobot dikalikan dengan input karena diharapkan bobot mampu memperkuat input yang masuk. Persamaan 2.1 merupakan perumusan dari net yaitu :

27 11

28 12

29 13 2. Jaringan Layar Jamak (multi layer network) Jaringan dengan lapisan jamak merupakan perluasan dari jaringan dengan satu lapisan, dimana terdapat satu atau beberapa lapisan lain diantara lapisan input dan lapisan output yang disebut dengan lapisan tersembunyi atau hidden layer. Sama seperti pada unit input dan output, unit-unit dalam satu lapisan tidak saling berhubungan. Jaringan ini mampu menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan satu lapisan, meskipun terkadang proses pelatihan lebih kompleks dan lama. Gambar 2.4 Jaringan Lapisan Jamak (multi layer network) Gambar 2.4 adalah gambaran dari jaringan multi layer network dengan n buah unit input (x 1,x 2,, x n ), sebuah layar tersembunyi yang terdiri dari p buah unit (z 1,, z p ) dan m buah unit output (Y 1,Y 2,, Y m ) 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

30 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 self - organizing learning, yakni belajar

31 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) 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

32 16 y x -1 b. Fungsi Step Biner Gambar 2.5 fungsi aktivasi linear (Kusumadewi, 2003) ( ) { (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)

33 17 c. Fungsi Sigmoid Biner ( ) ( ) Fungsi sigmoid biner berbentuk kurva S dan merupakan fungsi yang paling umum digunakan dalam JST. Hal ini dikarenakan fungsi sigmoid biner mampu menghasilkan keluaran yang lebih cepat. Fungsi sigmoid biner mempunyai persamaan yang ditulis pada persamaan 2.4.Fungsi tersebut digunakan jika output yang diinginkan (target) terletak antara 0 dan 1. Pada Gambar 2.7 berikut adalah bentuk dari fungsi sigmoid biner 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.

34 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

35 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 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

36 20

37 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) Algoritma Metode ELM Pada intinya, pelatihan dengan metode ELM terdiri atas tiga langkah, yaitu inisialisasi bobot input dan bias, penghitungan output dari hidden layer, dan penghitungan bobot akhir. Pada saat inisialisasi bobot input dan bias, bobot setiap unit input (X i ) yakni a dan bias yakni b diperoleh dari hasil randomisasi. Setiap unit hidden kemudian akan dihitung jumlah keluaran yang dihasilkan ( ( )). Kemudian, bobot akhir (β) akan dihitung dan setelah itu di aktivasi dengan menggunakan sebuah fungsi aktivasi. Saat proses pelatihan, setiap unit output membandingkan aktivasinya dengan nilai target untuk menentukan besarnya error. Berdasarkan error tersebut, jika error masih melebihi dari yang diharapkan, maka proses akan diulangi dari penginisialisasi bobot input dan bias sampai menemukan bobot yang optimal. Selengkapnya, notasi-notasi yang akan digunakan pada algoritma pelatihan dan pengujian yaitu sebagai berikut : X i adalah vektor data input ( )

38 22 T adalah vektor target ( ) G L adalah unit hidden ke-l. sinyal input pada G L dilambangkan dengan ( ). B 0L adalah bias untuk hidden ke-l. a il adalah bobot antara input ke-i dan unit hidden ke-l. Y j adalah unit output ke-j. sinyal input ke Y j dilambangkan dengan F L (x). Sinyal aktivasi untuk untuk Y j dilambangkan dengan O j. β 0j adalah bias untuk unit output ke-j. β Lj 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) Prosedur Pelatihan Langkah-langkah pelatihan ELM sebagai berikut : Langkah 1. Langkah 2. Inisialisasi bobot (sebaiknya diatur pada bilangan acak yang kecil). 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).

39 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) 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.

40 Normalisasi data. Agar data dapat dilatih dengan metode pembelajaran ELM, maka data harus di normalisasikan dulu dalam interval yang lebih kecil, baik interval [0,1] atau interval [-1,1]. Jika x adalah input setelah dinormalisasi, x p adalah nilai data asli yang belum dinormalisasi, min (x p ) adalah nilai minimum pada data set, dan max(x p ) adalah nilai maksimum pada data set. Maka transformasi pada persamaan 2.12 digunakan untuk mengubah data menjadi interval [0,1] adalah : ( ( )) ( ( ) ( )) ( ) (Siang, 2005) Namun, jika menginginkan interval [-1,1] maka transformasi pada persamaan 2.13 yang digunakan untuk mengubah data menjadi interval [-1,1] : ( ( )) ( ( ) ( )) ( ) (Agustina, 2010) 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] :

41 25 ( )( { { ) { ( ) Sedangkan menurut Agustina (2010), transformasi yang digunakan dalam denormalisasi data dalam interval [-1,1] adalah : ( ) ( { { ) { ( ) dengan x adalah nilai data setelah denormalisasi, x p adalah data output sebelum denormalisasi, min (x p ) adalah data minimum pada data set sebelum normalisasi, dan max (x p ) adalah data maksimun pada data set sebelum normalisasi 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 (2.16)

42 26 dengan A H = (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) 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 :

43 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 )

44 BAB III METODE PENELITIAN berikut: Langkah-langkah yang digunakan dalam penulisan ini adalah sebagai 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

45 29 2. 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 Jumlah neuron yang digunakan sebanyak 5 unit, dengan asumsi bahwa jumlah tersebut dapat mewakili data selama 1 minggu dengan asumsi bahwa hari sabtu dan minggu tidak ada perdagangan saham, diharapkan dengan jumlah neuron input tersebut, jaringan memiliki arsitektur yang tidak terlalu rumit sehingga mampu melakukan pembelajaran dengan baik. Sedangkan target output yang digunakan adalah data pada hari ke- 6. Misalkan n adalah jumlah data yang digunakan, maka rancangan data dapat dijelaskan pada tabel 3.1 sebagai berikut: Tabel 3.1 Tabel rancangan data yang akan menjadi input Pola ke Data input (X 1, X 2,., X 5 ) X 1 X 2 X 3 X 4 X 5 Data Data Data Data Data hari hari hari hari hari 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 hari hari hari hari hari ke-3 ke-4 ke-5 ke-6 ke-7 Target Data hari ke-6 Data hari ke-7 Data hari ke-8.

46 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 b. Mendesain arsitektur jaringan yang terdiri dari input layer, hidden layer, dan output layer Arsitektur jaringan yang digunakan terdiri dari sebuah input layer, sebuah hidden layer, dan sebuah output layer. Rancangan jumlah unit pada tiap layer adalah sebagai berikut: a. Pada Input layer jumlah neuron yang digunakan sebanyak 5 unit. b. Pada hidden layer jumlah neuron yang digunakan di cari terlebih dahulu. Fungsi aktivasi yang biasa digunakan dalam peramalan adalah fungsi sigmoid biner dan sigmoid bipolar. Sedangkan untuk jumlah hidden neuron, terdapat beberapa pendekatan yang dapat digunakan untuk mencari jumlah neuron pada hidden layer, diantaranya adalah : 1. h= (m.n), (Widrow dan Stearns, 1985) 2. h=n, (Tang dan Fishwick, 1993) dengan h = jumlah neuron pada lapisan hidden, n = jumlah neuron pada lapisan input dan m = jumlah neuron pada lapisan output.

47 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

48 32 Start Input data training Inisialisasi bias dan bobot acak Proses feedforward MSE <10-5 atau epoch = epoch max Tidak 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

49 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 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

50 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 Input parameter (sama dengan parameter pada proses training) Proses feedforward Hasil peramalan pada data 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. Melakukan denormalisasi data

51 35 Proses denormalisasi data menggunakan persamaan 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

52 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 Data Data harga saham yang digunakan pada 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 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 Harga Saham (PT. Semen Gresik) 1 2 Januari Januari Januari Mei

53 37 Sebelum diolah, data harga saham pada tabel 4.1 dinormalisasi menggunakan persamaan 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 Januari Januari Mei 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 Sedangkan 20% dari total data menjadi data validasi yakni sebanyak 215 periode mulai tanggal 19 Juli 2011 hingga tanggal 31 Mei 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.

54 38 Tabel 4.3. Pola input data training, n adalah jumlah data training Pola ke- Data input (X 1, X 2,., X 5 ) Target X 1 X 2 X 3 X 4 X 5 X 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.

55 39 Tabel 4.4. Pola input data validasi, m adalah jumlah data validasi Pola ke- Data input (X 1, X 2,., X 5 ) X 1 X 2 X 3 X 4 X Setelah rancangan data disusun, maka langkah selanjutnya adalah menyusun arsitektur jaringan. Arsitektur jaringan akan dijelaskan pada sub bab 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