BAB 2 LANDASAN TEORI. Menurut Sofjan Assauri (1984) Peramalan adalah kegiatan untuk

Transkripsi

1 7 BAB 2 LANDASAN TEORI 2.1 Pengertian peramalan Menurut Sofjan Assauri (1984) Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Setiap kebijakan atau pengambilan keputusan seseorang tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan keberhasilan orang tersebut di masa yang akan datang. Oleh karena itu perlu dilihat dan dikaji situasi dan kondisi pada saat kebijakan tersebut dilaksanakan. Usaha melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan. 2.2 Kegunaan dan manfaat Peramalan Kegunaan peramalan dapat dilihat pada saat pengambilan keputusan. Setiap orang selalu dihadapkan pada masalah pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan, berorientasi ke depan. Apabila kurang tepat ramalan yang disusun atau yang kita buat, maka makin kurang baiklah keputusan yang kita ambil. Oleh karena itu masalah pengambilan keputusan merupakan masalah yang selalu kita hadapi. Peranan peramalan cukup penting, baik dalam penelitian, perencanaan maupun dalam pengambilan keputusan. Baik tidaknya hasil suatu penelitian dalam ekonomi atau dunia usaha, sangat ditentukan oleh ketepatan ramalan yang dibuat. Demikian

2 8 pula, baik tidaknya keputusan dan rencana yang disusun juga sangat ditentukan oleh ketepatan ramalan yang dibuat. Oleh karena itu, ketepatan dari ramalan tersebut merupakan hal yang sangat penting. Walaupun demikian perlu disadari bahwa suatu peramalan adalah tetap ramalan, di mana selalu ada unsur kesalahannya dan belum pernah mencapai efisiensi 100 % tepat. Sehingga yang penting diperhatikan adalah usaha untuk memperkecil kemungkinan kesalahannya tersebut. Akhirnya, baik tidaknya suatu ramalan yang disusun sangat tergantung pada pihak-pihak yang melakukannya, langkah-langkah peramalan yang dilakukannya, dan metode yang dipergunakan. 2.3 Metode-metode Peramalan Oleh karena kemampuan untuk memperkirakan kegiatan-kegiatan atau pengambilan keputusan ini sangat ditentukan oleh tepat tidaknya peramalan yang dilakukan atas dasar keadaan kondisi pada beberapa masa yang lalu, maka terdapat usaha memperkembangkan teknik dan metode peramalan. Metode peramalan sangat berguna, karena akan membantu dalam mengadakan pendekatan analisis terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis, serta memberikan ketepatan hasil ramalan yang dibuat atau yang disusun menjadi lebih tinggi. Menurut Sofjan Assauri (1984), peramalan secara umum dibedakan atas peramalan kuantitatif dan kualitatif, pada dasarnya metode peramalan kwantitatif ini dapat dibedakan atas:

3 9 a. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu, atau Time Series. Contohnya: metode Smoothing, metode Box Jenkins, metode proyeksi trend dengan regresi. b. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, yang bukan waktu, yang disebut metode korelasi atau sebab akibat. Contohnyua: metode regresi dan korelasi, metode ekonometri, metode input-output. Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan dengan keadaan informasi atau data yang dipunyai sekarang. Apabila dari data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu tahun ke depan sebaiknya digunakan metode varian musim. Sedangkan apabila dari data yang lalu diketahui adanya pola hubungan antara variabel-variabel yang saling mempengaruhi, maka sebaiknya dipergunakan metode sebab-akibat (causal) atau korelasi ( cross section ). Dalam tulisan digunakan metode peramalan Neural Network sebagai metodenya 2.4 Neural Network Jaringan syaraf merupakan salah satu representasi buatan yang meniru otak manusia, yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini

4 10 diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran Jaringan Syaraf Manusia Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia. Gambar 2.1 Sel Syaraf Manusia Sumber: Artificial Intelligence, halaman 207 Gambar di atas menunjukkan susunan syaraf pada manusia. Setiap sel syaraf (neuron) akan memiliki suatu inti sel (nukleus), inti sel ini bertugas untuk melakukan pemrosesan informasi, informasi datang diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi

5 11 neuron lain di mana antar dendrit kedua sel tersebut dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron ini berupa rangsangan atau sinyal yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Jika memenuhi batasan tertentu, yang dikenal dengan nama nilai ambang (Threshold) maka informasi ini akan diterima oleh neuron lain. Struktur hubungan antar neuron tersebut terjadi secara dinamis. Hal inilah dalam otak manusia yang disebut memiliki kemampuan untuk belajar dengan melakukan adaptasi. Jumlah neuron dalam otak manusia dewasa mencapai buah dengan masingmasing neuron saling berhubungan di mana jumlah hubungan tersebut mencapai 10 4 buah per neuron. Jadi jumlah koneksi untuk setiap neuron adalah buah. Neuron-neuron tersebut dapat bekerja secara parerel (parallel processing) dengan kecepatan yang luar biasa. Karena otak manusia yang begitu kompleks tetapi dapat memproses dengan cepat ditambah lagi otak mempunyai kemampuan belajar, para ahli mulai mengaplikasikan cara kerja otak ini ke dalam mesin komputer. Diharapkan komputer dapat bekerja dengan cepat dan memiliki kemampuan belajar juga. Mengenai kemampuan belajar komputer, hal ini dinamakan Artificial Intelligence atau kecerdasan buatan Jaringan Syaraf Buatan (Artificial Neural Network)

6 12 Dimulai sejak 50 tahun yang lalu para ahli mulai mengembangkan Artificial Intelligence atau kecerdasan buatan. Di mana sebuah mesin selain dituntut untuk cepat melakukan perhitungan yang banyak sekaligus juga sebuah mesin dapat berpikir, menalar, dan mengambil tindakan seperti layaknya makhluk hidup. Dengan mengadopsi cara kerja otak manusia, maka lahirlah apa yang dinamakan dengan jaringan syaraf buatan. Definisi Artificial Neural Network menurut berbagai sumber: Menurut DARPA Neural Network Study (1988, AFCEA International Press, halaman 60):... a neural network is a system composed of many simple processing elements operating in parallel whose function is determined by network structure, connection strengths, and the processing performed at computing elements or nodes. Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY: Macmillan, halaman 2: A neural network is a massively parallel distributed processor that has a natural propensity for storing experiential knowledge and making it available for use. It resembles the brain in two respects: 1. Knowledge is acquired by the network through a learning process. 2. Interneuron connection strengths known as synaptic weights are used to store the knowledge.

7 13 Menurut Nigrin, A. (1993), Neural Networks for Pattern Recognition, Cambridge, MA: The MIT Press, halaman 11: A neural network is a circuit composed of a very large number of simple processing elements that are neurally based. Each element operates only on local information. Furthermore each element operates asynchronously; thus there is no overall system clock. Menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, halaman xv: Artificial neural systems, or neural networks, are physical cellular systems which can acquire, store, and utilize experiential knowledge. Menyimpulkan dari semuanya, Artificial Neural Network atau Neural Computing adalah model arsitektur komputer yang bekerja berdasarkan hubungan antar system neuron dalam otak manusia yang mampu bekerja secara pararel dan mempunyai kemampuan mengenali pola atau bentuk dan mempelajarinya melalui penalaran Komponen Jaringan Syaraf Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki kemiripan komponen. Seperti halnya otak manusia, jaringan syaraf buatan juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf,

8 14 hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut Gambar 2.2 Model Jaringan Syaraf Manusia Sumber: Gambar 2.3 Struktur Neuron Jaringan Syaraf Sumber: Artificial Intelligence, halaman 210 Jika kita membandingkan gambar 2.2 dengan gambar 2.3, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (disebut dengan input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (Threshold) tertentu melalui fungsi

9 15 aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya, demikian seterusnya. Pada jaringan syaraf buatan, neuron-neuron akan dikumpulkan dalam lapisanlapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron dalam satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan dari lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan-lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, informasi tersebut bisa dirambatkan secara maju (input ke output) atau dirambatkan secara mundur (output ke input) pada jaringan. Contoh gambar jaringan syaraf dengan 3 lapisan. Gambar 2.4 Model Multilayer dengan 1 Hidden Layer Sumber:

10 16 Gambar di atas bukanlah struktur umum jaringan syaraf. Beberapa jaringan syaraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan syaraf di mana neuron-neuronnya disusun dalam bentuk matriks Model Multilayer Artificial Neural Network Seperti telah dikemukakan sebelumnya bahwa neuron-neuron dikelompokkan dalam lapisan-lapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Hal terpenting dalam menentukan keadaan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuronneuron dalam suatu lapisan (misalkan lapisan tersembunyi) masing-masing akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan output), maka setiap dari neuron pada lapisan tersebut (misalkan lapisan tersembunyi) masing-masing juga harus dihubungkan dengan setiap neuron masingmasing pada lapisan lainnya (misalkan lapisan output). Menurut Sri Kusumadewi dalam Artificial Intelligence halaman 212, ada beberapa arsitektur jaringan syaraf buatan, antara lain: A. Jaringan dengan Lapisan Tunggal (Single Layer Net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobotbobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi (gambar 2.5). Pada contoh gambar 2.5 tersebut, lapisan input

11 17 memiliki 3 neuron yaitu X 1, X 2, X 3 sedangkan pada lapisan output memilki 2 neuron yaitu Y 1, Y 2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output. Gambar 2.5 Model Single Layer Sumber: Artificial Intelligence, halaman 212 B. Jaringan dengan Banyak Lapisan (Multilayer Net) Jaringan dengan banyak lapisan memiliki 1 atau lebih jaringan yang terletak diantara input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi), seperti terlihat pada gambar 2.6. Umumnya, ada lapisan bobot-bobot yang terletak anatara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan

12 18 dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada bayak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Gambar 2.6 Model Multilayer dengan 1 Hidden Layer Sumber: Artificial Intelligence, halaman Fungsi Aktivasi Fungsi aktivasi adalah suatu fungsi yang mengolah input (x) dalam neuron jaringan syaraf buatan dan menghasilkan suatu output (y) di mana nilai output ini

13 19 akan menjadi nilai input bagi neuron lain yang akan menjadi tujuan perambatan informasi. Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: A. Fungsi Tangga Biner (Binary Step Function) Fungsi tangga biner ini sering digunakan pada jaringan lapis tunggal (single layer network) digunakan untuk mengubah input bersih (net input) yang merupakan variable kontiniu menjadi output bernilai biner (0 atau 1) Fungsi tangga biner dirumuskan sebagai : y = 0 jika x 0 1 jika x > 0 Gambar 2.7 Fungsi Aktivasi: Tangga Biner (Binary Step Function) B. Fungsi Tangga Biner (dengan Threshold) Fungsi tangga biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (Threshold) atau fungsi Heaviside.

14 20 Nilai Threshold (θ) di sini menjadi garis pemisah antara daerah dengan respon aktivasi positif dan daerah dengan respon aktivasi negatif. Fungsi tangga biner (dengan nilai ambang θ) dirumuskan sebagai berikut: y = 0 jika x < θ 1 jika x θ Gambar 2.8 Fungsi Aktivasi: Tangga Biner (Threshold) C. Fungsi Bipolar (Symmetric Hard Limit) Fungsi bipolar hampir sama dengan fungsi tangga biner, hanya saja output yang dihasilkan berbeda, yaitu berupa nilai 1, 0, -1 (Gambar 2.9) Fungsi Symmetric Hard Limit dirumuskan sebagai 1 jika x > 0 y = 0 jika x = 0-1 jika x < 0

15 21 Gambar 2.9 Fungsi Aktivasi: Bipolar (Symmetric Hard Limit) D. Fungsi Bipolar (dengan Threshold) Fungsi bipolar dengan Threshold hampir sama dengan fungsi tangga biner dengan Threshold, hanya saja output yang dihasilkan berupa 1,0,-1 (gambar 2.10) Fungsi bipolar (dengan nilai ambang θ) y = 1 jika x > θ 0 jika x = θ -1 jika x < θ

16 22 Gambar 2.10 Fungsi Aktivasi: Bipolar (Threshold) E. Fungsi Linier (Identitas) Fungsi linear memiliki nilai output sama dengan nilai inputnya (gambar 2.10) y = x Gambar 2.11 Fungsi Aktivasi: Linier (Identitas)

17 23 F. Fungsi Saturating Linear Fungsi ini akan bernilai 0 jika inputnya kurang dari -½ dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak anatara -½ dan ½ maka outputnya akan bernilai sama dengan nilai input ditambah ½ (gambar 2.12) 1 jika x > 0.5 y = x jika -0.5 x jika x < -0.5 Gambar 2.12 Fungsi Aktivasi: Saturating Linear G. Fungsi Symmetric Saturating Linear Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya (gambar 2.13) Fungsi Symmetric Saturating Linear dirumuskan sebagai 1 jika x > 1 y = x jika -1 x 1-1 jika x < -1

18 24 Gambar 2.13 Fungsi Aktivasi: Symetric Saturating Linear H. Fungsi Sigmoid Biner Fungsi ini mencakup seluruh fungsi yang berbentuk kurva S. Sebagai contoh yang sering digunakan adalah fungsi logistik. Fungsi ini memiliki kelebihan dalam pembelajaran sebuah neuron khususnya yang menggunakan algoritma atau model Backpropagation. Kelebihan dalam pembelajaran ini karena hubungan yang sederhana antara nilai fungsi pada suatu titik dengan nilai turunannya, sehingga mengurangi biaya komputasi selama pembelajaran dalam bentuk waktu (time) yang lebih efisien. (gambar 2.14) Fungsi Sigmoid Biner dirumuskan sebagai : y = f(x) = e σx Fungsi ini memiliki turunan pertama: f (x) = σ f(x) [1 f(x)]

19 25 Di mana σ merupakan parameter kecuraman yang diketahui nilainya. Umumnya nilai σ dipilih sama dengan 1. Gambar 2.14 Fungsi Aktivasi: Sigmoid Biner I. Fungsi Sigmoid Bipolar Fungsi Sigmoid Bipolar hampir sama dengan Fungsi Sigmoid Biner, hanya saja output dari fungsi ini memiliki range antara -1 sampai 1 (gambar 2.15) y = f(x) = 1 - e -x 1 + e x Dengan turunan pertama f (x) = σ / 2 [ 1 + f(x) ][ 1 - f(x) ]

20 26 Fungsi ini sangat dekat dengan fungsi Hyperbolic Tangent. Keduanya memiliki range antara -1 sampai 1. untuk fungsi Hyperbolic Tangent, dirumuskan sebagai: y = f(x) = atau y = f(x) = e x - e -x e x + e -x 1- e -2x 1+ e -2x Dengan : f (x) = [ 1 + f(x) ][ 1 - f(x) ] Gambar 2.15 Fungsi Aktivasi: Sigmoid Bipolar

21 Proses Pembelajaran Di dalam otak manusia, informasi yang dirambatkan dari satu neuron ke neuron yang lainnya berbentuk rangsangan listrik melalui dendrit. Jika rangsangan tersebut diterima oleh suatu neuron, maka neuron tersebut akan membangkitkan suatu keluaran atau output ke semua neuron yang berhubungan dengannya sampai informasi tersebut sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlalu halus atau lemah, maka output yang dibangkitkan oleh neuron tersebut tidak akan direspon oleh neuron yang terhubung dengannya. Tentu saja sangatlah sulit untuk memahami bagaimana otak manusia bisa belajar. Tetapi secara sederhana, selama proses pembelajaran terjadi perubahan yang cukup berarti pada bobot-bobot yang menghubungkan antar neuron. Apabila ada rangsangan yang sama dengan rangsangan yang telah diterima oleh neuron, maka neuron akan memberikan reaksi dengan cepat. Namun apabila kelak ada rangsangan yang berbeda dengan apa yang telah diterima oleh neuron, maka neuron akan segera beradaptasi untuk memberikan rekasi yang sesuai. Pada jaringan syaraf buatan akan dicoba untuk mensimulasikan kemampuan otak manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron-neuron dan dendrit. Tidak seperti model biologis, jaringan syaraf buatan memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron, dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan nama bobot). Perubahan yang terjadi selama proses pembelajaran dalam jaringan syaraf buatan adalah perubahan nilai bobot. Nilai bobot akan bertambah jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya

22 28 jika informasi tidak disampaikan oleh suatu neuron ke neuron lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. apabila nilai ini telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan. Sri Kusumadewi dalam Artificial Intelligence halaman 221, menurut bukunya pembelajaran dalam jaringan syaraf buatan dibagi menjadi 2, yaitu Pembelajran Terawasi dan Pembelajaran Tak Terawasi. A. Pembelajaran Terawasi (Supervised Learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Contoh: andaikan kita memiliki jaringan syaraf yang akan digunakan untuk mengenali pasangan pola, misalkan pada operasi AND Input Target Tabel 2.1 Tabel AND Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang lapisan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola output target,

23 29 maka di sini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Berikut adalah contoh-contoh algoritma pembelajaran terawasi. 1. Hebb Rule Hebb Rule adalah metode pembelajaran yang paling sederhana. Pada metode ini pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung. Dan keduanya pada kondisi hidup (on) pada saat yang sama, maka bobot antara keduanya dinaikkan. Apabila data direpresentasikan secara bipolar, maka perbaikkan bobotnya adalah: w i (baru) = w i (lama) + x i * y Dengan w i : bobot data input ke-i x i : input data ke-i y : output data Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih. Sedangkan vektor yang hendak digunakan untuk tersting adalah vektor x. Algoritma 0. Inisialisasi semua bobot w ij = 0; dengan i = 1, 2, 3,..., n dan j = 1, 2, 3..., m

24 30 1. Untuk setiap pasangan input-input (s-t), lakukan langkah-langkah sebagai berikut a. Set input dengan nilai sama dengan vektor input: x i = s i ; (i = 1, 2, 3..., n) b. Set output dengan nilai sama dengan vektor output: y j = t j ; (j = 1, 2, 3,..., m) c. Perbaiki bobot w ij (baru ) = w ij (lama) + x i * y j (i =1, 2, 3..., n dan j = 1, 2, 3,..., m) Dengan catatan bias selalu Perceptron Perceptron juga termasuk salah satu bentuk jaringan syaraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linier. Pada dasarnya, perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (Threshold). Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parametrer bebasnya melalui proses pembelajaran. Nilai Threshold (θ) pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif (gambar 2.16)

25 31 Gambar 2.16 Pembatasan Linier dengan Perceptron Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan w 1 x 1 + w 2 x 2 + b > θ Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan: w 1 x 1 + w 2 x 2 + b < -θ Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih Algoritma: 0. Insialisasi semua bobot dan bias (untuk sederhananya set semua bobot dan bobot bias sama dengan nol)

26 32 Set learning rate : α (0< α <1) (untuk sederhanannya set semua dengan 1) 1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah sebagai berikut: i. Untuk setiap pasangan pembelajaran s-t, kerjakan: a. Set input dengan nilai sama dengan vektor input: x i = s i b. Hitung respon untuk unit output : y_in = b+ x i w i 1, jika y_in > θ y = 0, jika θ y_in θ -1, jika y_in < θ c. Perbaiki bobot dan bias jika terjadi error: jika y t maka: w i (baru) = w i (lama ) + α * t * x i b (baru) = b (lama) + α * t jika tidak, maka : w i (baru) = w i (lama ) b (baru) = b (lama) ii. Tes kondisi berhenti: jika tidak terjadi perubahan bobot pada i maka kondisi berhenti true, namun jika masih terjadi perubahan maka kondisi berhenti false. Algoritma di atas bisa digunakan baik untuk input biner maupun bipolar, dengan θ tertentu, dan bias yang dapat diatur. Pada algoritma tersebut bobot-

27 33 bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif (x i 0) dan bobot-bobot yang tidak menghasilkan nilai y yang benar. 3. Delta rule Pada Delta Rule akan mengubah bobot yang menghubungkan antara jaringan input ke unit ouput (y_in) dengan nilai target (t). Hal ini dilakukan untuk meminimalkan error selama pelatihan pola. Delta rule untuk memperbaiki bobot ke i (untuk setiap pola) adalah: Δw i = α (t y_in) * x i ; Dengan x : vektor input y_in : input jaringan ke unit output y y_in = x i * w i t : target (output) Nilai w baru diperoleh dari nilai w lama ditambah Δw, w i = w i + Δw i 4. Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma Backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (foward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron

28 34 diaktifkan dengan menggunakan fungsi aktivasi Sigmoid Biner atau fungsi aktivasi Sigmoid Bipolar. Arsitektur jaringan Backporpagation seperti terlihat pada gambar 2.17 Gambar 2.17 Arsitektur Jaringan Backpropagation Laurene Fausett dalam Fundamental for Neural Network halaman 301 mengatakan bahwa proses pembelajaran dengan menggunakan fungsi aktivasi Sigmoid Bipolar dapat memberikan hasil yang lebih cepat dari pada proses pembelajaran menggunakan fungsi aktivasi Sigmoid Biner. Contoh kasus dalam pembelajaran kasus XOR membutuhkan iterasi (epoch) sampai 3000 kali jika menggunakan fungsi aktivasi Sigmoid Biner, sedangkan dengan fungsi aktivasi Sigmoid Bipolar hanya memerlukan 387 kali iterasi (epoch). Algoritma Backpropagation Insialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)

29 35 Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai false Untuk tiap-tiap pasangan yang akan dilakukan pembelajaran, kerjakan: Feedfoward: A. Tiap-tiap unit input (X i, i = 1,2,3,...,n) menerima sinyal x i, dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi) B. Tiap-tiap unit tersembunyi (Z i, i = 1,2,3,...p) menjumlahkan sinyalsinyal input berbobot: z_in j = v0 j + x i v ij Gunakan fungsi aktivasi untuk menghitung sinyal outputnya z j = f(z_in j ) Dan kirimkan sinal tersebut ke semua unit di lapisan atasnya (unitunit output) C. Tiap-tiap unit output (Y k = 1,2,3,...m) menjumlahkan sinyal-sinyal input terbobot. Y_in k = w0 k + z i w jk Gunakan fungsi aktivasi untuk menghitung sinyal outputnya y k = f(y_in k ) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unitunit Output) Backpropagation

30 36 D. Tiap-tiap unit output (Y k, k = 1,2,3,...m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya: δ k = (t k -y k ) f (y_in k ) Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memeperbaiki nilai w jk ). Δw jk = α δ k z j Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w 0k ). Δw 0k = α δ k Kirimkan δ k ini ke unit-unit yang ada di lapisan bawahnya. E. Tiap-tiap unit tersembuni (Z j, j = 1,2,3,...p) menjumlahkan delta inputnya (dari unit-unit yang berada di lapisan atasnya). Δ_in j = δ k w jk Kalikan nilai ini dengan turunan dari fungsi aktivasinya untk menghitung informasi error: δ j = δ_in j f (z_in j ) Kemudian hitung koreksi bobot (yang nantinya akan digunakan unuk memperbaiki nilai v ij ) Δv jk = α δ j x i Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0 j ): v0 j =α δ j

31 37 F. Tiap-tiap unit output (Y k, k = 1, 2, 3,..., m) memperbaiki bias dan bobotnya (j = 0, 1, 2, 3..., p): w jk (baru) = w jk (lama) + Δw jk Tiap-tiap unit tersembunyi (Z j, j = 1, 2, 3,..., p) memperbaiki bias dan bobotnya (i = 0, 1, 2, 3,..., n) v ij (baru) = v ij (lama) + Δv ij Tes kondisi berhenti B. Pembelajaran Tak Terawasi (Unsupervied Learning) Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola. Contoh dari pembelajaran tak terawasai adalah Jaringan Kohonen. Rumelhart, Hinton dan Williams (1986) adalah orang-orang yang memberi kontribusi terhadap pengembangan algoritma Backpropagation pada pembelajaran terawasi. Lalu oleh Jacobs (1988) algoritma Backpropagation dikembangkan lagi menjadi algoritma Delta-Bar-Delta.

32 Algoritma Delta-Bar-Delta Delta-Bar-Delta adalah perkembangan dari Backpropagation. Perbedaan algoritma ini, Delta-Bar-Delta memiliki nilai α (learning rate) pada masing-masing bobotnya. Dan nilai α (learning rate) ini berubah terus pada saat training. Jika nilai bobot memiliki kecenderungan yang sama (menaik atau menurun) selama beberapa tahap, maka nilai α (learning rate) akan meningkat. Sebaliknya jika nilai bobot cenderung berbeda (ada yang menaik lalu menurun) maka nilai α (learning rate) akan menurun. Untuk meng-update matriks bobot Delta-Bar-Delta berbeda dengan Backprogagation, yaitu dengan menggunakan rumus: w jk (t+1) = w jk (t) + α jk (t+1). Δ k. Z j Untuk menentukan nilai α (learning rate)menaik atau menurun, maka dibutuhkan dulu menghitung delta pada setiap output unit dan hidden unit. Untuk output unit : Δ jk = - δ k. Z j Untuk hidden unit : Δ ij = - δ j. X i Lalu menghitung nilai kombinasi dari nilai sebelumnya dan nilai saat ini, disebut delta bar. Untuk output unit : Δ jk (t) = ( 1 β ) Δ jk (t) + β. Δ jk ( t 1 ) Untuk hidden unit :

33 39 Δ ij (t) = ( 1 β ) Δ ij (t) + β. Δ ij ( t 1 ) Nilai β ditentukan sendiri oleh user (0 < β <1) Nilai α (learning rate) ditentukan sebagai berikut: α jk (t) + κ untuk Δ jk (t 1).Δ jk (t) > 0 α jk (t+1) (1 γ).α jk (t) untuk Δ jk (t 1).Δ jk (t) < 0 α jk (t) untuk lainnya Perbandingan algoritma Backpropagation dengan Delta-Bar-Delta (Sumber : Fausett, L (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice-Hall, New Jersey) Simulasi ini dilakukan oleh Jacobs (1988), menggunakan 25 buah simulasi XOR problem (dengan insialisasi matriks bobot yang berbeda). Menggunakan 2 buah input unit, 2 buah hidden unit, dan 1 buah input unit. XOR problem memiliki input berupa angka biner, lalu output memiliki rentang nilai dari 0.1 sampai 0.9. Simulasi dikatakan berhasil jika total kuadrat error kurang dari 0.04, dengan rata-rata iterasi lebih dari 50 kali. Dan parameter yang digunakan adalah sebagai berikut: α κ Γ Β Backpropagation 0.1 Delta-Bar-Delta Tabel 2.2 Perbandingan Backpropagation dengan Delta-Bar-Delta

34 40 Hasil dari simulasi dapat dilihat di bawah berikut Simulasi Sukses Rata-rata iterasi Backpropagation ,859.8 Delta-Bar-Delta Tabel 2.3 Perbandingan Hasil Backpropagation dengan Delta-Bar-Delta Walaupun tingkat keberhasilan Delta-Bar-Delta tidak seperti Backpropgataion (hanya 22 dari 25) tetapi ketika proses selesai (sukses) akan terjadi sangat cepat sekali Aplikasi Artificial Neural Network Inisialisasi bobot Penentuan nilai bobot awal dalam algoritma pembelajaran mempengaruhi kecil atau besarnya error yang juga menentukan jumlah iterasi yang harus dilakukan. Selain dengan cara random dalam inisialisasi bobot awal terdapat juga inisialisasi bobot Nguyen-Widrow. Laurene Fauset dalam bukunya (Fundamentals of Neural Network, halaman 297) mengatakan bahwa inisialisasi Nguyen-Widrow terbukti mempercepat proses pembelajaran (iterasi). Inisialisi bobot Nguyen-Widrow dari input layer ke hidden layer, memperhatikan jumlah input node dan hidden node dalam menentukan nilai bobot awalnya dengan pendekatan transformasi Fourirer. Sedangkan untuk bobot dari hidden layer ke input layer dilakukan dengan random dengan nilai dari -0.5 sampai 0.5

35 41 β = 0.7 (p) 1/n Dengan n : Jumlah input unit p : Jumlah hidden unit β : Faktor skala Algoritma Nguyen-Widrow 1. Untuk setiap hidden unit ( j =1,2,3,..., p) 2. Inisialisasi bobot v ij (old) = random dari -0.5 sampai 0.5 hitung v j (old) = v 1j (old) 2 + v 2j (old) v nj (old) 2 3. Inisialisai ulang bobot v ij = β * v ij (old) / v j (old) 4. Untuk bobot bias v 0j = random dari β sampai β Menentukan Jumlah Pasang Pola Hubungan antara jumlah pasang pola (p) dengan jumlah bobot (w) dan keakuratan yang diharapkan (e) digambarkan dengan: p = w e Contohnya, dengan e = 0.1, jaringan dengan jumlah bobot 80 akan memerlukan 800 pasangan pola pembelajaran untuk mendapatkan hasil 90 % dari testing secara tepat.

36 Keunggulan Artificial Neural Network Artificial neural network mempunyai keunggulan dalam peramalan, sebab metode ini dapat memproses data yang besar dan dapat mengetahui suatu bentuk trend dan bentuk pola nilai yang tidak dapat dilihat pada grafik biasa atau dengan metode statistik lain. Artificial Neural Networks juga dapat menemukan bentukbentuk kompleks atau non linier pada data yang fluktuatif dan dapat mempelajari bentuk data tersebut. Inilah kelebihan utama metode peramalan menggunakan Artificial Neural Network dibandingkan metode peramalan regresi. Sebab Artificial Neural Network dapat memepelajari bentuk data sedangkan regresi harus menganalisis dulu data tersebut untuk dicocokkan dengan pola regresi mana yang harus dipakai untuk peramalan. Juga dalam metode peramalan yang lain jika situasi, kondisi dan lingkungan berubah maka metodepun berubah juga mengikuti lingkungan. Padahal sifat utama dalam nilai mata uang adalah selalu berubah sesuai dengan situasi dan kondisi. Dengan Artificial Neural Network perubahan lingkungan tidak menjadi penghalang sebab Artificial Neural Network dapat di-trainning ulang setiap saat jika terdapat data baru. Dengan beginilah metode peramalan menggunakan Artificial Neural Network dapat dikatakan selalu up to date Penerapan Artificial Neural Network Dikarenakan Artificial Neural Network adalah metode yang terbaik dalam mengenal suatu pola atau trend dalam suatu data, maka Artificial Neural Network cocok dipakai dalam peramalan atau pendugaan. Salah satu di antaranya adalah:

37 43 peramalan mata uang atau saham, peramalan proses produksi, peramalan keinginan konsumen, manajemen resiko dan sebagainya. Contoh-contoh lain yang lebih spesifik dalam penggunaan Artificial Neural Network: pengenalan suara, diagnosa penyakit hepatitis, interpretasi bahasa kanji mandarin, analisis tekstur, pengenalan objek tiga dimensi, pengenalan pola tulisan tangan dan pengenalan wajah. Gambar 2.18 Contoh Grafik Nilai Mata Uang GBP terhadap USD Sumber: Teori Perancangan Software Rekayasa piranti lunak menurut Fritz Bauer (Pressman, 1992, halaman 23) adalah penetapan dan pemakaian prinsip-prinsip rekayasa dalam rangka mendapatkan piranti lunak yang ekonomis yaitu terpecaya dan bekerja efisien pada mesin (komputer). Menurut Pressman (1992, halaman 24) rekayasa piranti lunak mencakup 3 elemen yang mampu mengontrol proses pengembangan piranti lunak, yaitu: 1) Metode-metode (Methods)

38 44 Menyediakan cara-cara teknis untuk membangun piranti lunak. 2) Alat-alat Bantu (Tools) Mengadakan dukungan otomatis atau semi otomaatis untuk metode-metode sepeerti CASE (Computeer Aided Software Engineering) yang mengkombinasikan software, hardware dan software engineering database. 3) Prosedur- prosedur (Procedure) Merupakan pengembangan metode dan alat bantu. Dalam perancangan software ini, digunakan metode Siklus Hidup Pengembangan Sistem. Metode siklus hidup pengembangan sistem atau sering disebut dengan System Development Life Cycle (SDLC) merupakan suatu tahapan tahapan metode untuk merancang sebuah program aplikasi perangkat lunak. Nama lain dari metode SDLC yaitu metode waterfall. Metode ini disebut waterfall karena model dari langkah langkah yang dilakukan mirip dengan air terjun (bertingkat). Jadi proses yang harus dilakukan secara bertingkat untuk menghasilkan suatu program aplikasi yang baik. Perancangan aplikasi perangkat lunak dengan metode SDLC dilakukan dalam 6 tahap. Tahapan tahapan yang harus dilakukan terdiri dari perencanaan (system engineering), analisis disain, pengkodean (coding), pengujian (testing), dan pemeliharaan (maintenance). Berikut ini akan dijelaskan setiap tahapan dalam SDLC tersebut yaitu : 1) Perencanaan (System Engineering)

39 45 Perencanaan adalah suatu kegiatan untuk menentukan program aplikasi yang akan dirancang, tempat program aplikasi akan dirancang dan dijalankan, dan siapa yang akan merancang program aplikasi tersebut. 2) Analisis (Analysis) Analisis adalah suatu kegiatan untuk menentukan tentang topic dari permasalahan yang sedang dihadapi dan bagaimana cara pemecahan atau solusi masalah tersebut. 3) Desain (Design) Desain adalah suatu kegiatan untuk menentukan konsep dasar rancangan dari suatu program yang akan dibuat sehingga diharapkan dengan disain yang baik, maka para pengguna akan merasa nyaman dalam menggunakan program aplikasi yang dirancang tersebut. 4) Pengkodean (Coding) Pengkodean adalah suatu kegiatan yang berguna untuk mengimplementasikan konsep dasar dari tahapan sebelumnya (desain) ke dalam bahasa pemrograman, 5) Pengujian (Testing) Pengujian adalah suatu kegiatan untuk mencari kelemahan dan kesalahan yang terjadi pada program aplikasi dan kemudian memperbaiki kesalahan atau kelemahan tersebut. Ada beberapa metode pengujian untuk menguji fungsi fungsi dari suatu program aplikasi. Metode tersebut adalah : Metode Pengujian White-Box

40 46 Metode ini menerapkan pengujian terhadap struktur logika program dan detail procedural. Pengujian dilakukan terhadap setiap baris kode program untuk meyakinkan bahwa semua operasi internal bekerja sesuai dengan spesifikasi dan semua komponen internal telah dicoba. Metode Pengujian Black-Box Metode ini merupakan pengujian interface dari perangkat lunak oleh pemakai untuk mengetahui spesifikasi dari suatu fungsi dalam program aplikasi. Pengujian dilakukan dengan memberi input pada program aplikasi, kemudian diproses, dan hasil keluarannya dibandingkan apakah telah sesuai dengan kebutuhan fungsional yang diinginkan pemakai. Metode pengujian Gray-Box Metode ini merupakan gabungan dari metode pengujian White-Box dan metode pengujian Black-Box yaitu memvalidasi interface perangkat lunak dan pemilihan beberapa logika internal. 6) Pemeliharaan (Maintenance) Pemeliharaan adalah suatu kegiatan yang berguna untuk memastikan bahwa program aplikasi akan berjalan dengan baik sehingga diperlukan pemeliharaan secara berkala.

41 47 System Engineering Analysis Design Coding Testing Maintenance Gambar 2.19 Gambar Alur Perancangan SDLC State Transition Diagram (STD) State Transition Diagram atau diagram transisi merupakan suatu alat perancangan yang menggambarkan sistem untuk mempengaruhi keadaan yang dinamis (Pressman 1992, halaman ). Keadaan di sini dapat difokuskan dan dihubungkan dalam berbagai cara untuk merepresentasikan sifat yang sekuensial dan concurrent (bersamaan). Transisi di antara dua keadaan umumnya disebabkan oleh suatu kondisi. Simbol-simbol yang digunakan dalam STD : a. Modul Berupa simbol lingkaran yang mewakilli modul yang dipanggil apabila terjadi suatu tindakan.

42 48 Gambar 2.20 Notasi Modul b. State (tampilan kondisi) Merupakan layar yang ditampilkan menurut keadaan atau atribut, untuk memenuhi suatu tindakan pada waktu tertentu yang mewakili suatu bentuk keberadaan atau kondisi tertentu, disimbolkan dengan gambar kotak. Gambar 2.21 Gambar Notasi Tampilan c. State Transition (tindakan) Menggunakan simbol anak panah disertai keterangan tindakan yang dilakukan. Gambar 2.22 Gambar Notasi Tindakan d. Kondisi dan Aksi Kondisi bersifat mengubah state dan aksi adalah aksi yang dilakukan sistem ketika state berubah. Kondisi dan aksi digambarkan dengan anak panah yang menghubungkan dua keadaan yang berkatian seperti pada gambar berikut ini :

43 49 State 1 Kondisi Aksi State 2 Gambar 2.23 Gambar Notasi Kondisi Aksi Spesifikasi Proses Spesifikasi proses adalah penjelasan dari proses-proses yang terjadi di dalam sistem, spesifikasi proses menjadi pedoman bagi pembuat program dalam membuat kode program maupun dokumentasi. Menurut Pressman (1992, halaman ) ada banyak cara untuk membuat suatu proses antara lain dengan : Tabel keputusan (Decision Tables) Bahasa terstruktur (Pseudocode) dengan : a. Bahasa Inggris terstruktur (Strucured English) b. Bahasa Indonesia terstruktur Bagan alur (Flowchart) Diagram Nassi-Shneiderman (Diagram N-S) Bentuk narasi atau cerita (dalam bahasa Inggris atau Indonesia) 2.6 Teori Interaksi Manusia dan Komputer Suatu software dibuat sedemikian rupa sehingga manusia yang memakainya (user) merasa nyaman. Hal-hal yang perlu diperhatikan adalah kombinasi warna,

44 50 letak dan kalimat juga menu-menu pada software tersebut. Juga tampilan gambargambar yang berhubungan dapat menjadi nilai tambah bagi suatu porgram aplikasi. Suatu software yang baik tentunya harus user friendly, yang dimaksud dengan user friendly berdasarkan Shneiderman (Designing the User Interface, 1998, halaman 15) adalah: 1. Waktu belajar tidak lama 2. Kecepatan penyajian informasi tepat 3. Tingkat kesalahan user rendah 4. Penghafalan sesudah melampaui jangka waktu 5. Kepuasan pribadi Juga menurut Shneiderman (Designing the User Interface, 1998, halaman 74-75) terdapat 8 hal penting yang harus diperhatikan dalam merancang software dilihat dari segi user: 1. Konsistensi 2. User dapat menggunakan shortcut 3. Dapat memberi umpan balik yang membantu 4. Merancang dialog yang memberikan penutup 5. Mempunyai pencegahan kesalahan 6. Memungkinkan undo atau redo 7. Berusaha supaya user memegang kendali 8. Mengurangi beban ingatan jangka pendek.

45 Penelitian Relevan Apilkasi Artificial Neural Network dalam peramalan sudah pernah dilakukan oleh suatu perusahaan bernama Alyuda ( Setelah mencoba mencari informasi software yang dikembangkan perusahaan ini melalui alamat web di atas, terdapatlah 6 buah aplikasi software yang berdasarkan Artificial Neural Network, tetapi hanya satu yang relevan dengan karya tulisan ini yaitu mengenai peramalan, software ini bernama Alyuda Neural Signal XL. Software Alyuda Neural Signal XL adalah software peramalan mengenai saham menggunakan metode Neural Network dan hanya bekerja di dalam worksheet Microsoft Excel. Software dirancang sangat user friendly bagi pemakainya dan dijual seharga 399 US$. Pemakai tidak perlu mengetahui rumus-rumus ekonomi dan matematika yang rumit untuk meramal, hanya tinggal memilih menu-menu yang ada. Kegunaan software ini adalah untuk mengambil keputusan di masa yang akan datang dalam perdagangan saham. Karena berbicara soal saham maka pilihan keputusannya adalah: buy, sell, stop trading dan sebagainya. Keunggulan lain dalam software ini adalah pemakai dapat mengambil data langsung dari internet dan setelah di-trainning, dalam tampilan akan muncul keputusan-keputusan yang harus diambil oleh pemakai. Juga dalam software ini terdapat juga grafik lengkap untuk saham yang dimaksud. Manfaat software ini ditujukan bagi para investor yang bermain di saham. Kelemahan pada aplikasi Alyuda Neural Signal XL, dalam mengunakan software ini harus juga memiliki software tambahan sebagai tempat input dan output yaitu

46 52 Microsoft Excel. Tentunya akan menjadi kesulitan bagi para user yang tidak memiliki software Microsoft Excel tersebut. Dalam skripsi ini, penulis berusaha untuk merancang software yang relevan dengan software Alyuda tetapi tidak terhubung dengan Microsoft Excel, dan menggunakan menu menu dalam bahasa Indonesia dengan harapan software dalam skripsi ini bermanfaat bagi user yang kurang dapat berbahasa Inggris. Gambar 2.24 Screenshot Software Alyuda Neural Signal XL Sumber: