4.4.13. Hitung MSE dari Hasil Testing
Pada tahap ini dimasukkan data coding untuk menghitung MSE dari hasil testing yaitu :
z = v:,261:290; coding menentukan variabel yang dijadikan perbandingan yaitu hari ke-261 sampai 290 ini adalah data hasil peramalan
yv = v:,260:270; coding menentukan variabel yang dijadikan perbandingan yaitu hari ke 260 sampai 270 dari hasil peramalan
dan coding dibawah ini untuk menampilkan nilai MSE ke window result MSE = msee;
fprintf‘MSE_train = 12.8f\n’, MSE;
4.4.14. Running Program
Dalam tahapan terakhir ini setelah dimasukkan semua coding yang ada maka proses yang selanjutnya dilakukan adalah running program dan kemudian akan muncul hasil
yang ingin dicapai pada window result.
4.5. Pengolahan Data dengan Pemrograman MATLAB
Data yang akan diproses dengan pemrograman MATLAB adalah data harga saham selama tahun 2012.
Universita Sumatera Utara
Pada penelitian ini dilakukan proses penentuan jumlah hidden layer yang menghasilkan nilai MSE terkecil. Percobaan dilakukan dengan jumlah hidden layer
1,2,3,4 dan 5. Proses ini dilakukan untuk mengetahui perbedaan hasil dari nilai error yang dicapai dari setiap perbedaan hidden layer dan kemudian akan diambil jumlah
hidden layer yang memiliki nilai error terkecil.
4.5.1. Peramalan Data Harga Pembuka Open dengan Resilient Backpropagation
Neural Network dengan Jumlah Hidden Layer Sebanyak 2 Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB
seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran.
Gambar 4.1. Windows Neural Network Training Nntraintool Kemudian dengan membuka kembali window MATLAB dan melihat window
bangian result maka akan muncul hasil pelatihan sebagai berikut :
Universita Sumatera Utara
Hasil_akhir = Columns 259 through 264
1.4800 1.4900 1.4887 1.4922 1.4909 1.4845 Columns 265 through 270
1.4899 1.4790 1.4767 1.4761 1.4790 1.4823 Columns 271 through 276
1.4853 1.4900 1.4906 1.4888 1.4864 1.4783 Columns 277 through 282
1.4795 1.4797 1.4849 1.4858 1.4859 1.4782 Columns 283 through 288
1.4765 1.4791 1.4796 1.4849 1.4949 1.4930 Columns 289 through 290
1.4970 1.5014 MSE_train = 0.00096812
4.5.2. Peramalan Data Harga Tertinggi High dengan Resilient Backpropagation
Neural Network dengan Jumlah Hidden Layer Sebanyak 2 Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB
seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran.
Gambar 4.2. Windows Neural Network Training Nntraintool
Universita Sumatera Utara
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut :
Hasil_akhir = Columns 259 through 264
1.4900 1.4900 1.4979 1.4963 1.4957 1.5000 Columns 265 through 270
1.5016 1.5044 1.5053 1.5055 1.5059 1.5018 Columns 271 through 276
1.5036 1.5010 1.5000 1.5016 1.5035 1.5053 Columns 277 through 282
1.5058 1.5057 1.5056 1.5048 1.5046 1.5053 Columns 283 through 288
1.5058 1.5057 1.5056 1.5048 1.4930 1.4873 Columns 289 through 290
1.4747 1.4525 MSE_train = 0.009829
4.5.3.
Peramalan Data Harga Terendah Low dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2
Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat
dilampiran.
Gambar 4.3. Windows Neural Network Training Nntraintool
Universita Sumatera Utara
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut :
Hasil_akhir = Columns 259 through 264
1.4800 1.4900 1.5133 1.5312 1.5414 1.5449 Columns 265 through 270
1.5465 1.5463 1.5462 1.5462 1.5461 1.5465 Columns 271 through 276
1.5471 1.5474 1.5489 1.5481 1.5478 1.5468 Columns 277 through 282
1.5466 1.5464 1.5464 1.5471 1.5469 1.5465 Columns 283 through 288
1.5464 1.5462 1.5462 1.5466 1.5471 1.5498 Columns 289 through 290
1.5509 1.5559
MSE_train = 0.00099998
4.5.4. Peramalan Data Harga Penutup Close dengan Resilient Backpropagation
Neural Network dengan Jumlah Hidden Layer Sebanyak 2 Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB
seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran.
Gambar 4.4. Windows Neural Network Training Nntraintool
Universita Sumatera Utara
Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut :
Hasil_akhir = Columns 259 through 264
1.4800 1.4900 1.4812 1.4831 1.4820 1.4767 Columns 265 through 270
1.4815 1.4716 1.4699 1.4696 1.4725 1.4755 Columns 271 through 276
1.4780 1.4816 1.4819 1.4805 1.4786 1.4711 Columns 277 through 282
1.4727 1.4730 1.4777 1.4783 1.4783 1.4711 Columns 283 through 288
1.4698 1.4725 1.4729 1.4777 1.4846 1.4833 Columns 289 through 290
1.4852 1.4841 MSE_train = 0.0009827
4.6. Hasil Peramalan Indeks Harga Saham Gabungan
