0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
748 tayangan9 halaman
Teks tersebut membahas tentang peramalan harga saham dengan menggunakan jaringan saraf tiruan berbasis algoritma genetika. Penelitian ini menggunakan data saham harian PT Telekomunikasi Indonesia untuk melatih model, dimana hasilnya menghasilkan tingkat akurasi rata-rata 87% dengan kombinasi parameter tertentu pada jaringan saraf dan algoritma genetika.
Deskripsi Asli:
Algoritma Genetika, Jaringan Syaraf Tiruan, Backpropagation, Saham
Judul Asli
Peramalan Time Series Saham Menggunakan Backpropagation Neutral Network berbasis algoritma genetika
Teks tersebut membahas tentang peramalan harga saham dengan menggunakan jaringan saraf tiruan berbasis algoritma genetika. Penelitian ini menggunakan data saham harian PT Telekomunikasi Indonesia untuk melatih model, dimana hasilnya menghasilkan tingkat akurasi rata-rata 87% dengan kombinasi parameter tertentu pada jaringan saraf dan algoritma genetika.
Teks tersebut membahas tentang peramalan harga saham dengan menggunakan jaringan saraf tiruan berbasis algoritma genetika. Penelitian ini menggunakan data saham harian PT Telekomunikasi Indonesia untuk melatih model, dimana hasilnya menghasilkan tingkat akurasi rata-rata 87% dengan kombinasi parameter tertentu pada jaringan saraf dan algoritma genetika.
1) Mahasiswa Ilmu Komputer/Teknik Informamatika PTIIK Universitas Brawijaya. faisalhuda@mugi.or.id 2) Dosen Ilmu Komputer/Teknik Informamatika PTIIK Universitas Brawijaya acridok@ub.ac.id 3) Dosen Ilmu Komputer/Teknik Informamatika PTIIK Universitas Brawijaya d3w1_c4ndr4@yahoo.com
ABSTRACT Stock is an important aspect in the stock market as proof of ownership of individuals and institutions that are traded and it prices tend to have complicated patterns. Therefore we need a forecasting system that can help identify the pattern. One method that can be used to overcome this problem by using artificial neural networks with genetic algorithm based backpropagation training. Architecture applied in this study is 4-4-1 with a length of chromosome 25. Weights and biases in the neural network obtained randomly and converted to chromosomes at the time of training with a genetic algorithm. In this research, trend data series used is the daily stock PT Telekomunikasi Indonesia, the results of this study showed a combination of learning rate, momentum, crossover opportunities, chance mutation, population size, and the number of consecutive generations is learning rate 0.004, momentum 0.7, crossover probabilities 0.7, mutation probabilities 0.1, a population of 100, and in 1000 the number of generations that produces an average accuracy rate of 87% Keyword: Genetic Algorithm, Neural Network, Backpropagation, Stock
ABSTRAK Saham merupakan aspek penting pada pasar modal sebagai bukti kepemilikan individu maupun institusi yang sering diperdagangkan dan mempunyai pola harga yang cenderung rumit. Oleh karena itu diperlukan sistem peramalan yang dapat membantu mengenali pola tersebut. Salah satu metode yang dapat digunakan untuk mengatasi masalah ini dengan menggunakan jaringan syaraf tiruan dengan pelatihan backpropagation berbasis algoritma genetika. Arsitektur yang diterapkan pada penelitian ini adalah 4-4-1 dengan panjang kromosom 25. Bobot dan bias pada jaringan syaraf tiruan didapatkan secara acak dan diubah menjadi kromosom pada waktu pelatihan dengan algoritma genetika. Pada penelitian ini data trend series yang digunakan adalah data saham harian PT Telekomunikasi Indonesia, hasil dari penelitian ini diperoleh kombinasi learning rate, momentum, peluang crossover, peluang mutasi, jumlah populasi, dan jumlah generasi berturut-turut adalah learning rate 0.004, momentum 0.7, peluang crossover 0.7, peluang mutasi 0.1, jumlah populasi 100, dan jumlah generasi 1000 yang menghasilkan tingkat akurasi rata-rata 87%. Kata kunci:Algoritma Genetika, Jaringan Syaraf Tiruan, Backpropagation, Saham.
I. PENDAHULUAN Membuat prediksi data Times Series untuk pasar modal merupakan proses yang cukup rumit. Banyak faktor yang mempengaruhi para inverstor dalam membuat keputusan trading diantaranya seperti kondisi politik dan ekonomi pada suatu negara yang akan mempengaruhi index harga saham untuk waktu selanjutnya. Ada beberapa teori pasar modal modern seperti Dow Theory menyebutkan bahwa pasar modal memiliki kebiasaan untuk cenderung sulit untuk dikenali, dilihat dan dikategorikan dan ini berlaku untuk semua pasar keuangan [8]. Karena pola yang cenderung rumit tersebut maka sulit untuk dilakukan perhitungan manual menggunakan alat perhitungan biasa dan juga untuk melakukan peramalan pergerakan pola tersebut. Salah satu cabang ilmu yang digunakan untuk mengatasi kerumitan dan juga untuk memprediksi pola tersebut adalah jaringan saraf tiruan(JST). Kemampuan JST untuk mengenali pola yang sulit merupakan inti dari proses prediksi data Time Series. Penelitian-penelitian untuk memprediksi data Time Series telah dikembangkan sejak tahun 1980-an, diantaranya penelitian T. Matsumoto pada tahun 2001 menggunakan Hirarchical Bayesian Approach untuk memprediksi trend saham, penelitian H. Leung dkk pada tahun 2006 menggunakan Neural Network dan penelitian Y. Yildirim dkk pada tahun 2006 menggunakan Neuro Fuzzy untuk memprediksi harga saham. Komputasi pada JST sangat terikat dengan struktur jaringan, yakni jumlah neuron dan koneksi-koneksi
2 yang ada. Agar JST dapat menyelesaikan suatu permasalahan yang diinginkan, maka jumlah neuron dan bobot jaringan harus ditentukan dengan baik(konvergen). Proses ini dikenal sebagai training(pelatihan). JST mempunyai kelemahan pada penentuan bobot yaitu terjebak dalam local minima dan biasanya dibutuhkan waktu yang lama untuk mencapai keadaan konvergen, oleh sebab itu dibutuhkan suatu solusi untuk mengatasinya. Salah satu solusi tersebut yaitu dengan menggunakan algoritma genetika. Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme seleksi dan genetika alami. Konsep dasar algoritma genetika adalah teori evolusi yang dikemukakan oleh Charles Darwin, Algoritma genetika dimulai dengan membentuk sejumlah alternatif solusi yang disebut sebagai populasi. Setiap solusi pada algoritma genetika diwakili oleh satu individu atau satu kromosom. II. TINJAUAN PUSTAKA 2.1 Saham Saham bisa diartikan sebagai surat berharga sebagai bukti penyertaan atau kepemilikan individu maupun institusi dalam suatu perusahan atau lembaga. Dari berbagai jenis saham yang diperdagangkan bisa dibagi menjadi dua yaitu saham biasa (common stock) dan saham preferen (preferred stock). 2.2 Konsep Intraday Konsep Intraday merupakan suatu konsep menentukan harga saham dalam satuan waktu harian. Pada konsep ini harga saham dibagi menjadi empat jenis yang semua terjadi pada satu hari yaitu Open Price ,Close Price , High Price dan Low Price . 2.3 Week Daily Trading Week Daily Trading adalah jumlah hari dalam seminggu yang digunakan untuk transaksi bursa saham. Week Daily Trading yang dianut oleh pasar dunia dibagi menjadi dua jenis yaitu 7 days a week daily trading dan 5 days a week daily trading. Indonesia menganut konsep 5 days a week daily trading . 2.4 Konsep Data Time Series Data Time Series merupakan jenis data yang terdiri dari satu objek tetapi meliputi beberapa periode waktu misalnya harian, mingguan, bulanan, tahunan dan lain - lain. Data Time Series dianggap sangat berguna untuk memprediksi kejadian di masa depan. Karena diyakini pola yang ada pada masa lalu akan terulang kembali di masa datang. 2.5 Peramalan Data Time Series Ada dua macam jenis analisa yang digunakan untuk teknik peramalan yaitu analisis kualitatif dan analisa kuantitatif. Analisa kualitatif adalah teknik peramalan berdasarkan pendapat suatu pihak, dan datanya tidak bisa direpresentasikan secara tegas menjadi suatu nilai. Analisa kuantitatif merupakan teknik peramalan yang berdasarkan data pada masa lalu(data histories) dan dapat dibuat dalam bentuk angka yag biasa disebut sebagai data Time Series (Jumingan, 2009). 2.6 Algoritma Genetika Algoritma genetika adalah cabang algoritma evolusi merupakan metode adaptive yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam suatu masalah optimasi. Di dalam algoritma genetika melibatkan beberapa operator , yaitu: 1. Operasi Evolusi yang melibatkan proses seleksi(selection) 2. Operasi genetika yang melibatkan operator pindah silang(crossover) dan mutasi(mutation). 2.6.1 Parameter Algoritma Genetika Beberapa definisi penting dalam algoritma genetika, yaitu : 1. Genotype (Gen) adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun karakter. 2. Allele adalah nilai dari gen. 3. Kromosom adalah gabungan gen-gen yang membentuk nilai tertentu. 4. Individu menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat 5. Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. 6. Generasi menyatakan satu-satuan siklus proses evolusi. 7. Nilai Fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan. Ciri-ciri permasalahan yang dapat dikerjakan dengan menggunakan algoritma genetika adalah (Basuki,2003): Mempunyai fungsi tujuan optimalisasi non linear dengan banyak kendala yang juga non linear. Mempunyai kemungkinan solusi yang jumlahnya tak berhingga. Membutuhkan solusi real-time dalam arti solusi bisa didapatkan dengan cepat 3 sehingga dapat diimplementasikan untuk permasalahan yang mempunyai perubahan yang cepat seperti optimasi pada pembebanan kanal pada komunikasi seluller. Mempunyai multi-objective dan multi- criteria, sehingga diperlukan solusi yang dapat secara bijak diterima oleh semua pihak. 2.6.2 Komponen-komponen Algoritma Genetika Terdapat 6 komponen dalam algoritma genetika (Kusuma Dewi 2005) 1. Penyandian / Representasi Kromosom Meliputi penyandian gen dan kromosom. Gen merupakan bagian dari kromosom, gen merupakan wakil dari satu variabel. Pada permasalahan penjadwalan praktikum representasi penyandian dapat dituliskan sebagai contoh.
[4 2 5 1 3 6]
2. Prosedur Inisialisasi Inisialisasi kromosom dilakukan secara acak, dan tetap harus memperhatikan domain solusi dan kendala permasalahan yang ada. 3. Fungsi Fitness Fungsi fitness adalah suatu fungsi yang digunakan oleh algoritma genetika untuk menentukan nilai kecocokan (fitness) suatu kromosom. 4. Seleksi Tujuan dari seleksi adalah memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Metode yang paling sering digunakan untuk seleksi ini adalah roulette wheels, karena metode ini yang dianggap paling sederhana. Langkah langkah seleksi menggunakan roulette wheels adalah sebagai berikut (Kusumadewi dan Purnomo, 2005) : 1. Hitung total fitness 2. Hitung relatif fitness tiap individu 3. Hitung fitness komulatif 4. Pilih individu yang akan menjadi kandidat untuk crossover 5. Operator Genetika 6. Pada algorita genetika, menggunakan dua macam operator, yaitu operator crossover dan operator mutasi. 7. Penentuan Parameter Nilai parameter ditentukan berdasarkan permasalahan yang akan dipecahkan. Parameter kontrol algoritma genetika yaitu : ukuran populasi, peluang crossover, dan peluang mutasi. 2.7 Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan syaraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan syaraf manusia. Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara kemampuan mengingat dan generalisasi. Yang dimaksud kemampuan mengingat adalah kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan JST untuk menghasilkan respons yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST itu dimasukkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati [7]. Menurut [8] JST ditentukan oleh 3 hal: 1. Pola hubungan antara neurons yang disebut arsitektur jaringan 2. Metode untuk menentukan bobot penghubung yang disebut dengan metode pembelajaran atau learning 3. Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neurons. 2.7.1 Model Neuron Dalam sel syaraf terdapat tiga bagian, yaitu: fungsi penjumlah(summing function), fungsi aktivasi(activation function), dan keluaran(output).
Gambar 2.3 Model Neuron 2.7.2 Arsitektur Jaringan JST memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur JST tersebut, antara lain [4]: 1. Jaringan layar tunggal (single layer network) Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output
4
Gambar 2.4 Arsitektur layer tunggal 2. Jaringan layar banyak (multi layer network) Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni layer input, layer output, dan juga layer tersembunyi.
Gambar 2.5 Arsitektur layer jamak 3. Jaringan dengan lapisan kompetitif(competitive layer network) Contoh algoritma yang menggunakan metode ini adalah LVQ.
Gambar 2.6. Algoritma Metode LVQ 2.7.3 Fungsi Aktivasi Fungsi ini diawali dengan fungsi penjumalan yang berguna untuk menjumlahkan masukan-masukan yang diterima berdasarkan bobot dari masukan tersebut. Masukan yang diterima dikalikan dengan bobotnya lalu hasil seluruh perkalian tersebut dijumlahkan. Fungsi penjumlahan dapat didefinisikan melalui persamaan 2.1. net = (2.1) net adalah hasil keluaran dari fungsi penjumlahan, w i menyatakan bobot koneksi masukan ke-i, dan x i
menyatakan masukan pada bobot tersebut. Sedangkan untuk fungsi aktivasi adalah fungsi yang menentukan keluaran sebuah neuron dari hasil penjumlahan yang didapat melalui Persamaan 2.1. Fungsi aktivasi ini dilambangkan dengan notasi . 2.8 Metode Backpropagation Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tetapi tidak sama) dengan pola yang dipakai selama pelatihan. 2.8.1 Pengukuran Error Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara keluaran aktual (current output) dan keluaran target (desired output). Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error) tiap iterasi [4]. 2.9 Penerapan Algoritma Genetika Pada JST Algoritma genetika dapat diterapkan pada JST untuk menggantikan metode pelatihan standard dalam pencarian bobot yang optimal pada JST. Hal yang perlu diperhatikan dalam penerapan algoritma genetika pada JST yaitu bagaimana melakukan pengkodean kromosom dari bobot-bobot yang ada pada JST ke dalam bentuk individu pada algoritma genetika. Solusi permasalahan tersebut yaitu dengan cara menggabungkan semua bobot menjadi suatu string yang mewakili suatu individu pada algoritma genetika. Representasi dari gen-gen pada individu bisa menggunakan real-number encoding (Noertjahyana, 2002) . Flowchart penerapan algoritma genetika pada jaringan syaraf tiruan dapat dilihat pada gambar 2.8 dan untuk skema Pengkodean Kromosom untuk pelatihan jaringan syaraf tiruan (sumber : Suyanto ,2005) dapat dilihat pada gambar 2.9. 5
Gambar 2.8 Flowchart penerapan algoritma genetika untuk melatih jaringan syaraf tiruan
Gambar 2.9 skema Pengkodean kromosom untuk pelatihan jaringan syaraf tiruan Langkah berikutnya adalah membuat fungsi evaluasi yang akan dijadikan sebagai nilai fitness. nilai fitness didapatkan dari invers dari mean-square deviation(delta) antara output target dengan output yang dihasilkan jaringan syaraf tiruan. Dimana delta dapat dihitung menggunakan persamaan 2.4 (Suyanto, 2005). delta = (2.20) 2.10 Normalisasi dan Denormalisasi Sebelum data diproses sebagai masukan sistem maka sebelumnya data juga perlu dilakukan normalisasi dengan menyesuaikan range output fungsi aktivasi. Misalkan menggunakan fungsi aktivasi sigmoid maka data masukan harus dirubah dengan range[0...1], namun karena merupakan fungsi kontinu maka nilai dan 0 dan 1 tidak pernah tercapai. Maka dari itu range dirubah menjadi [0.1...0.9], sehigga dapat dirumuskan pada persamaan 2.12[8] Nilai baru = ( x 0.8) + 0.1 (2.21) Sedangkan untuk mengembalikan data yang telah dinormalisasi ke nilai awal dapat dilakukan denormalisasi seperti pada persamaan 2.6 x = + (2.22) Keterangan x : input, a : nilai minimum dari data b : nilai maksimum dari data, x' : input yang telah dinormalisasi 0.8 : jarak dari skala 0.1-0.9 III. ANALISA DAN PERANCANAN SISTEM Analisisa dan perancangan sistem untuk peramalan harga saham menggunakan backpropagation neural network berbasis algoritma genetika. Penelitian dilakukan dengan tahapan- tahapan sebagai berikut: 1. Mempelajari literatur yang terkait dengan masalah saham, jaringan syaraf tiruan backpropagation dan algoritma genetika. 2. Mengumpulkan data-data saham dari bursa efek. 3. Menganalisa system dan melakukan perancangan sistem menggunakan jaringan syaraf tiruan menggunakan optimalisasi algoritma genetika. 4. Mengimplementasikan sistem 5. Melakukan uji coba sistem dengan memasukkan data yang berbeda dengan data training kedalam sistem. 6. Mengevaluasi hasil pengujian. Alur penelitian yang dilakukan dapat digambarkan dalam bentukdiagram alir yang ditunjukkan pada Gambar 3.1.
Gambar 3.1 Langkah-langkah Penelitian 3.1 Perancangan Sistem Secara keseluruhan sistem dibuat menggunakan backpropagation berbasis algoritma genetika untuk mencari bobot jaringan syaraf tiruan.Masukkan untuk sistem berupa harga saham yang terdiri dari empat parameter yaitu open price, high price, low price, dan trade volume.. Proses secara keseluruhan bisa dilihat pada gambar 3.2.
6
Gambar 3.2Diagram Alir Sistem
3.2 Pelatihan JST menggunakan Backpropagation Berbasis Algoritma Genetika Tahapan algoritma genetika digunakan untuk mencari nilai-nilai bobot yang optimal untuk digunakan pada jaringan syaraf tiruan backpropagation untuk melakukan peramalan saham. Langkah-langkah yang dilakukan algoritma genetika dalam mencari bobot optimal untuk backpropagation dapat dilihatpada gambar 3.3.Flowchart proses algoritma genetika ditujukan pada gambar 3.3.
Gambar 3.3 Flowchart Pelatihan JST menggunakan Backpropagation Berbasis Algoritma Genetika 3.3 Perhitungan Manual Perhitungan manual dimulai dengan menormalisasi data ,pembangkitan populasi awal yang dilakukan dengan pengubahan bobot dari pelatihan backpropagation menjadi kromosom dan dilakukan sebanyak jumlah populasi yang akan dibentuk, Perhitungan fitness yang dilakukan dengan menggunakan feedforward backpropagation, Seleksi parent dengan Roulette Weel, Proses Crossover,proses mutasi,dan pembentukan populasi baru. 3.3 Perancangan Uji Coba Uji coba untuk meramalkan harga saham dilakukan dengan memasukkan nilai-nilai parameter backpropagation neural network dan algoritma genetika yang berbeda terhadap data uji. Tujuan dari uji coba adalah untuk mengetahui pengaruh parameter yang digunakan pada proses pelatihan. Setelah proses pelatihan selesai dilakukan, maka bobot terbaik yang dihasilkan akan dievaluasi menggunakan sejumlah data uji, kemudian dihitung tingkat kesalahan peramalannya. Pengujian dilakukan dengan menggunakan satu hidden layer.Training Error maksimal ditentukan 1%. Proses pengujian pada backpropagation dilakukan dengan merubah-rubah kombinasi antara nilai momentum dengan learning rate yang diujikan yaitu 0,1 hingga 0.001. 7 4. Hasil dan Diskusi 4.1 Hasil Uji Hasil pengujian yang dilakukan terhadap data training dengan variasi nilai learning rate () antara 0.1 sampai dengan 0.0001. Tabel 4.1 Nilai error pada perbandingan peluang mutasi dan crossover
Gambar 4.1 Perbandingan pengaruh peluang crossover dan peluang mutasi
Untuk pengujian lainnya yaitu menguji lama waktu yang dibutuhkan sistem untuk melakukan proses training. Seperti yang ditunjukkan pada tabel 4.2, semakin kecil learning rate maka semakin banyak waktu yang dibutuhkan dalam training. Tetapi sebaliknya dengan nilai momentum, semakin besar nilai momentum membantu memperkecil waktu yang dibutuhkan untuk proses pelatihan, lebih jelasnya dapat dilihat pada gambar 4.2. Tabel 4.2Nilai error pada perbandingan jumlah populasi dan jumlah generasi
4.1.3 Pengujian Pengaruh Learning Rate dan Momentum Pengujian kali ini dilakukan dengan mencoba membandingkan nilai learning rate dan momentem karena kedua aspek parameter ini sangat berpengaruh pada pelatihan menggunakan backpropagation. Nilai learning rate yang akan diujikan mulai nilai 0.001 hingga 0.009 sedangkan untuk nilai momentum yang akan diujikan adalah 0.1, 0.3, 0.5, dan 0.7. Nilai rata-rata error terakhir yang akan dibandingkan dari hasil kombinasi masukan learning rate dan momentum. Uji coba ini menggunakan data0.csv dengan jumlah iterasi ditentukan sebanyak 1000 kali. Hasil dari pengujian ini dapat dilihat pada tabel 4.3. Tabel 4.3 Nilai error pada perbandingan learning rate dan momentum
8 4.1.4PengujianTerhadap Tingkat akurasi BPNN dan BPNN/GA Pengujian ini dilakukan untuk mengetahui berapa tingkat akurasi sistem dalam meramalkan trend series saham. Pengujian ini menggunakan parameter terbaik dari hasil pengujian sebelumnya. Kemudian dilakukan peramalan menggunakan BPNN dan BPNN berbasis algoritma genetika, hasil dari peramalan ini akan dibandingkan dengan data aktual atau data sebenarnya. Error yang dihasilkan akan digunakan sebagai penentu seberapa besar tingkat akurasi dari sistem yang telah dibuat. Data yang akan digunakan untuk pengujianini adalah data1.csv yang berupa data saham Telkom mulai bulan januari 2006 hingga bulan Maret 2006, data2.csv berupa data saham Telkom mulai bulan April 2006 hingga bulan Juni 2006, dan data3.csv berupa data saham Telkom bulan Juli 2006 hingga bulan September 2006.
Tabel 4.4 Perbandingan nilai learning rate terhadap tingkat akurasi BPNN dan BPNN berbasis algoritma genetika No. Data Tingkat AkurasiBPNN (%) Tingkat Akurasi BPNN/GA (%) 1 Data1.csv 65.0 85.0 2 Data2.csv 68.6 93.5 3 Data3.csv 88.3 82.8 Perbandingan nilai tingkat akurasidari penerapan sistem menggunakan BPNN dan BPNN berbasis algoritma genetika dapat dilihat pada gambar4.4
Gambar 5.4 Grafik perbandingan tingkat akurasi antar BPNN dan BPNN/GA
5. Kesimpulan dan Hasil dari penelitian yang dilakukan dapat disimpulkan bahwa metode ini dapat diterapkan dalam peramalan saham, yang menghasilkan tingkat akurasi rata-rata 87%. Semakin kecil error training yang dihasilkan maka tingkat akurasi yang dicapai akan semakin baik.
6. DAFTAR REFERENSI
1. Freeman, J. A., & Skapura, D. M. (1991). Neural networks : Algoritms, applications, and programming techniques. Addison- Wesley Publishing Compani, Inc. 2. Heaton, K. (2010). Introduction to Neural Networks for C#, Second Edition. St. Louis: Heaton Research, Inc. 3. Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. 4. Orr. G. (1999). CS-449: Neural Networks. Dipetik April 7, 2010, dari www.willamette.edu/_gorr/classes/cs449/. 5. Otair, M. A., & Salameh, W. A. (2005). Speeding Up BackPropagation Neural Networks. Proceedings of the 2005 Information Science and IT Education Joint Conference. Arizona. 6. Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi. 7. Siang, J. J. (2004). Jaringan Saraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi. 8. Murphy, J.J.(1986). Technical Analysis of The Financial Markets : A Comprehensive Guide to Trading Methods and Applications. Network : New York Institute of Finance. 9. Jumingan. (2009). Analisis Laporan Keuangan. Surakarta : Bumi Aksara. 10. Basuki, Ismu. (2006). Pengaruh Rasio- rasio Keuangan Terhadap Return Saham Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta. Jakarta :Program Pasca Sarjana Uneversitas Indonesia. 11. Kusumadewi, S. (2005). Pencarian Bobot Atribut pada Multiple Attribute Decision Making dengan Pendekatan Objektif Menggunakan Algoritma Genetika. Surabaya : STIKOM. 12. Kusumadewi, S., & Purnomo, H. (2005). Penyelesaian Masalah Optimasi Menggunakan Teknik-teknik Heuristik. Yogyakarta : Graha Ilmu. 13. Siang, JJ. (2005). Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab. Yogyakarta : Penerbit Andi. 14. Noertjahyana.(2002). Studi Analisis Rapid Application Development Sebagai Salah 9 Satu Alternatif Metode Pemrograman Perangkat Lunak. Jurnal Informatika. http://puslit.petra.ac.id/journals/informatics [6 April 2009]. 15. Suyanto. (2005). Algoritma Genetika Dalam Matlab. Yogyakarta : Andi Offset. 16. Cave,M. (2011). Prediction Theory for Control System.Prediction Theory for Control System. 17. Eiben,G. ,&Smithn. (2003). Introduction to Evolutionary Computing.Springer. 18. Fausset,L. (1994). Fundamentals of Neural Networks : Architecture, Algorithms, and Applications. Oxford : Addison-Wesley Publishing Company, Inc. 19. Fu,L. (1994). Neural Networks in Computer Intelligence.Singapore : McGraw-Hill, Inc. 20. Gen,M.,&Cheng,R. (2000).Genetic Algorithms and Engineering Optimization (1st ed). New York : John Wiley & Sons,Inc. 21. Haupt,R.L.,&Haupt,S.E . (2004). Practical Genetic Algorithms (2nd ed). New Jersey : John Wiley & Sons,Inc. 22. Hermawan,A. (2006). Jaringan Syaraf Tiruan : Teori dan Aplikasi. Yogyakarta : Andi Offset. 23. Kusumadewi,S.,& Hartati. (2006). Neuro Fuzzy . Jakarta:Graha Ilmu. 24. Makridakis,S.,Wheelwright,S.C.,&McGee, V.E.(1999). Forecasting 2nd Edition (Metode dan Aplikasi Peramalan). Jakarta : Penerbit Erlangga.
Analisis Dan Implementasi Data Mining Dengan Algoritma Apriori Dan Hash-Based Technique Pada Algoritma Genetika Untuk Mereduksi Jumlah Kemungkinan Solusi Dalam Proses Penjadwalan Kuliah