BAB 3 METODOLOGI PENELITIAN
3.1. Pendahuluan
Karena adanya faktor ketidakpastian terhadap harga saham, pialang saham sering mengalami kesulitan dalam memperkirakan harga saham untuk periode berikutnya.
Data harga saham ini memiliki faktor ketidakpastian yang cukup tinggi. Data harga saham setiap waktu membentuk pola yang tidak linier, sehingga dapat digunakan
jaringan saraf tiruan untuk memprediksi harga saham untuk periode berikutnya. Jaringan saraf tiruan dapat belajar dari data yang telah ada kemudian menangkap pola
yang tidak linier dalam data tersebut. Jaringan dapat melakukan generalisasi terhadap data baru yang dimasukkan kedalamnya, kemudian memberikan output berdasarkan
proses pengalaman dan pembelajaran dari data yang pernah dilatihkan sebelumnya.
3.2. Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu times series mulai dari
bulan Januari tahun 2012 sampai bulan Desember 2012. Penggunaan indeks pasar didasarkan pada asumsi bahwa indeks pasar merupakan agregat dari harga emitem,
sehingga mencerminkan perilaku saham emitem.
Universita Sumatera Utara
3.3. Analisis
Sistem
Rancangan sistem terdiri dari preprocessing data yaitu tahap normalisasi data kedalam range [0-1]. Kemudian dilakukan pemilihan arsitektur yang tepat pada jaringan saraf
tiruan untuk mendapatkan hasil prediksi yang optimal. Setelah arsitektur jaringan ditentukan maka dilakukan proses training, dimana sistem akan dilatih sehingga dapat
mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan
data input dan target yang belum pernah dilatih kedalam sistem. Sedangkan pada tahap postprocessing dilakukan denormalisasi dari data yang telah dinormalisasi untuk
menjadi nilai output dari jaringan. Gambar 3.1 adalah rancangan umum dari sistem yang akan dibangun pada penelitian ini, yaitu:
Gambar 3.1. Analisis Sistem
Training
Testing
Postproces
Selesai Mulai
Preprocessi
Arsitektur
Universita Sumatera Utara
3.4. Pemilihan Variabel Input
Variabel data masukan merupakan sekumpulan data serial atau berkala dari transaksi pada suatu jangka waktu. Di dalam sistem peramalan jaringan syaraf tiruan ini, data
masukan yang digunakan yaitu : a.
Harga Pembuka Harga saham pembuka yang diperoleh pada satu hari transaksi saham di bursa
efek. Diinisialisasikan dengan variabel X1. b.
Harga Tertinggi Harga saham tertinggi yang diperoleh pada satu hari transaksi saham di bursa
efek. Diinisialisasikan dengan variabel X2. c.
Harga Terendah Harga saham terendah yang diperoleh pada satu hari transaksi saham di bursa
efek. Diinisialisasikan dengan variabel X3. d.
Harga Penutup Harga penutupan saham yang menjadi penutupan transaksi saham pada hari itu.
Diinisialisasikan dengan variabel X4.
3.5. Pemilihan Variabel
Output
Output berhubungan langsung dengan fungsi aktivasi, sehingga target output dari pasangan data pelatihan harus memiliki rentang nilai yang sama dengan output fungsi
aktivasi yakni antara -1 sampai 1. Output yang dihasilkan akan digunakan untuk memprediksi harga Open, high, Low dan close sesuai dengan nilai input yang
dimasukkan oleh pengguna.
Universita Sumatera Utara
Sebelum melakukan perhitungan Output, yang harus dilakukan terlebih dahulu adalah melakukan training untuk mendapatkan pola pembelajaran pergerakan harga
sesuai dengan data-data yang tersimpan dalam database. Epoch yang semakin besar akan memakan waktu yang semakin lama, namun pola yang dihasilkan dari proses
training akan lebih baik dibanding Epoch yang kecil namun tidak memakan waktu yang lama.
3.6. Normalisasi Data
Kategori