PERAMALAN TIME SERIES SAHAM MENGGUNAKAN BACKPROPAGATION

NEURAL NETWORK BERBASIS ALGORITMA GENETIKA

Oleh:
Fais Al Huda
1)
, Drs. Achmad Ridok,M.Kom
2)
, Candra Dewi, S.Kom,M.Sc
3)

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

PM
PC 0.1 0.2 0.3 0.4
0.1 0.1068 0.1217 0.0947 0.1060
0.3 0.0908 0.0869 0.0720 0.0735
0.5 0.075 0.0801 0.0788 0.0610
0.7 0.059 0.0618 0.0800 0.0630

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

Generasi
Populasi 10 100 1000
10 0.1222 0.1128 0.0928
20 0.1168 0.1085 0.0740
50 0.1097 0.0877 0.0830
100 0.0952 0.0791 0.0669

Gambar 4.2 Grafik pengujian kecepatan training

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

Momentum
Learning
Rate
0.1 0.3 0.5 0.7
0.001 0.03618 0.1145 0.03868 0.03718
0.002 0.03504 0.035552 0.03388 0.0399
0.003 0.03586 0.03192 0.03904 0.03616
0.004 0.03624 0.03636 0.03038 0.0289
0.005 0.03756 0.0327 0.03086 0.03222
0.006 0.03836 0.03726 0.03734 0.03812
0.007 0.04974 0.04956 0.05082 0.04922
0.008 0.06592 0.06606 0.06178 0.06486
0.009 0.11168 0.10628 0.1082 0.1138
Gambar 4.3 Grafik pengaruh learning rate dan
momentum terhadap
training error




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.