berdistribusi normal. Uji efek ARCH memberikan hasil yang menerima H yaitu
tidak terdapat efek ARCH pada residual model. Hal ini terlihat dari nilai F sebesar 2,0333282
sebesar 5,991 nilai probabilitasnya yang lebih besar derajat kepercayaan 0,05 Lampran 3.f. Begitu pula pada probabilitas parameter model
semua probabilitasnya sudah menunjukkan bahwa koefisien signifikan. Dari hasil pengujian sudah memenuhi kelayakan model sehingga model sudah dapat
digunakan dalam peramalan.
4.1.1.6 Peramalan
Model GARCH 1,1 yang diperoleh akan digunakan untuk meramalkan nilai Sebagaimana telah disebutkan, pada penelitian ini dilakukan peramalan pada
Indeks Harga Saham Gabungan saja tanpa meramalkan nilai varians. Hal ini disebabkan peneliti hanya ingin melihat nilai IHSG beberapa periode ke depan
tanpa menghitung value at risk yang dihitung menggunakan nilai varians. Dengan persamaan ARIMA 0,1,1:
diperoleh nilai dan
sebanyak 283 data. Nilai dan
akan menjadi input dan nilai akan menjadi target pada model Backpropagation. Nilai yang
dihasilkan masih berupa nilai karena pada analisis data awal dilakukan
pembedaan untuk mendapatkan hasil yang stasioner. Pada tahap akhir akan dilakukan transformasi untuk mendapatkan nilai IHSG yang asli.
4.1.2 Peramalan Data dengan Menggunakan Model Backpropagation
Perancangan model peramalan IHSG dengan metode jaringan saraf tiruan model Backpropagation terdiri dari langkah-langkah sebagai berikut:
1. Menetapkan tujuan sistem
Model jaringan yang dibangun menggunakan hasil peramalan yang telah diperoleh dari model GARCH dengan software Matlab 7.0.
2. Menentukan fungsi aktivasi Fungsi tansig, sigmoid biner log sigmoid, dan purelin masing-masing
digunakan sebagai fungsi aktivasi pada lapisan tersembunyi pertama, lapisan tersembunyi pertama dan keluaran.
3. Transformasi Data Data ditransformasi linear pada selang [0,1.0,9]. Oleh karena itu keluaran
yang dihasilkan jaringan akan berada pada nilai 0 sampai 1. Untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses
detransformasi linear.
4. Pembagian Data Data hasil peramalan dengan model GARCH dibagi menjadi 70 data
pelatihan dan 30 data pengujian. Terdapat 283 data harian dari Januari 2103-Februari 2014, sehingga data pelatihan 70 dari 283 = 198,1 hari,
digenapkan menjadi 198 hari 198 data dan 30 sisanya = 84,9 hari digenapkan menjadi 85 hari 85 data adalah data pengujian Lampiran 4
dan Lampiran 5.
5. Perancangan arsitektur jaringan yang optimum Peramalan IHSG ditentukan oleh nilai
dan hasil peramalan
model GARCH dengan dan
menjadi input dan menjadi target.
Arsitektur jaringan dibentuk dari 2 input, lapisan tersembunyi pertama dengan 10 neuron, lapisan tersembunyi kedua dengan 5 neuron dan 1
keluaran.
6. Penentuan koefisien laju pemahaman dan momentum Dari percobaan trial and error koefisien laju pemahaman dan momentum
masing-masing bernilai 0,1 dan 0,2 karena menghasilkan MSE terkecil.
7. Pemilihan arsitektur jaringan yang optimum siap digunakan pada peramalan
Pengolahan data Indeks Harga Saham Gabungan dengan metode backpropagation jaringan saraf tiruan dengan software Matlab 7.0 dapat
diperlihatkan sebagai berikut:
1. Masukan data input dan target: Data=[…];
P=Data:,1:4; T=Data:,5;
2. Preprocessing: [pn,meanp,stdp,tn,meant,stdt]=prestdP,T;
3. Membangun jaringan Kemudian dibangun jaringan saraf dengan metode pembelajaran
gradient descent dengan momentum traingdm: net=newffminmaxpn,[10 5 1],{tansig,logsig,purelin},traingdm;
4. Set bobot awal secara acak Inisialisasi bobot awal dilakukan dengan bilangan acak dan dilakukan
sampai menghasilkan MSE paling kecil MSE ≥ 0. Dalam penelitian
ini bobot yang sudah didapatkan sehingga menghasilkan MSE terkecil mendekati 0 adalah sebagai berikut:
Bobot awal lapisan input ke lapisan tersembunyi pertama: net.IW{1,1}=[…];
Bobot bias awal lapisan input ke lapisan tersembunyi pertama: net.b{1,1}=[…];
Bobot awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua: net.LW{2,1}=[…];
Bobot bias awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua:
net.b{2,1}=[…];
Bobot awal tersembunyi kedua lapisan output: net.LW{3,2}=[…];
Bobot bias awal tersembunyi kedua ke lapisan output: net.b{3,1}=[…];
5. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu parameter parameter yang digunakan sebagai berikut:
net.trainParam.epochs = 5000; net.trainParam.goal = 0.05;
net.trainParam.lr =0.1; net.trainParam.show = 200;
net.trainParam.mc = 0.2;
6. Kemudian dilakukan proses: net=trainnet,pn,tn;pause
7. Proses Pelatihan:
Gambar 4.3. Hasil pelatihan sampai 5000 epoch iterasi
Pada Gambar 4.3. terlihat bahwa performance jaringan telah goal berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai
goalnya dimana 0,00498846 0,05 dan berhenti pada epoh ke-259.
8. Untuk melihat bobot akhir: BobotAkhir_Input = net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1,1} BobotAkhir_Lapisan1=net.LW{2,1}
BoobotAkhir_Bias_Lapisan1=net.b{2,1} BobotAkhir_Lapisan2=net.LW{3,2}
BobotAkhir_Bias_Lapisan2=net.b{3,1}
9. Melakukan simulasi dan pengujian dilakukan terhadap data-data yang ikut dilatih:
an=simnet,pn;
a=poststdan,meant,stdt; H = [1:sizeP,2 T a T-a];
sprintf2d 9.2f 7.2f 5.2f\n,H
10. Evaluasi output jaringan data pelatihan dengan target Output jaringan dan target dianalisis dengan regresi linier menggunakan
postreg: [m1,a1,r1]=postrega,T
Menghasilkan: Gradient garis terbaik m1:
m1 = 0,8799
Konstanta: a1 = 0,1768
Persamaan garis untuk kecocokan terbaik : 0,8799T + 0,1768 Koefisien korelasi:
r1 = 0,9777
Koefisien korelasi bernilai 0,9777 mendekati 1, menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target Gambar 4.4.
Gambar 4.4. Hubungan antara target dengan output jaringan untuk data pelatihan
Untuk melihat perbandingan antara target dengan output jaringan: pause
plot[1:sizeP,2],T,bo,[1:sizeP,2],a,r; titleHasil Pengujian Dengan Data Pelatihan: Targeto, Output;
xlabelData Ke-;ylabelTargetOutput;pause
Selanjutnya perbandingan anatara target dengan output jaringan pada Gambar 4.5. Pada gambar tersebut, output jaringan dan target o
sebagian besar sudah berdekatan hampir semuanya menempati posisi yang sama. Hasil terbaik terjadi apabila posisi target o dan output
betul-betul berada pada posisi yang sama.
Gambar 4.5. Perbandingan antara target dengan output jaringan untuk data pelatihan
Selanjutnya pengujian akan dilakukan terhadap data-data yang tidak ikut dilatih data pengujian sebanyak 85 data, Lampiran 5. Misalnya
data cek disimpan pada matriks Q untuk input data dan
, serta matriks TQ untuk target yakni data
.
11. Input baru Q akan di tes, dengan target PQ: Cek=[…];
Q=Cek:,1:4; TQ=Cek:,5;
12. Normalisasi input baru Sebelumnya dilakukan normalisasi terlebih dahulu dengan trastd, hasil
simulasi didenormalisasi dengan poststd: Qn = trastd Q,meanp,stdp;
bn = sim net,Qn; b = poststd bn,meant,stdt;
L=[1:sizeQ,2 TQ b TQ-b]; sprintf2d 11.2f 9.2f 7.2f\n,L
menghasilkan output ramalan selama dua bulan ke depan periode Januari sampai Februari 2014 yang masih berbentuk
yang kemudian untuk menghasilkan data asli harus ditransformasi dengan menggunakan rumus:
Dari data pengujian ini telah diperoleh peramalan nilai output data selama dua bulan kedepan Lampiran 6. Untuk melihat error yang terjadi antara
data aktual dan hasil peramalan dilakukan perhitungan MAPE Lampiran 9 sedangkan hubungan antara target dengan output jaringan untuk data pengujian
dapat dilihat pada Gambar 4.6. berikut ini:
Gambar 4.6. Hubungan antara target dengan output jaringan untuk data pengujian
Pada Gambar 4.6. terlihat bahwa hasil pengujian yang dilakukan berdasarkan semua input data dan bentuk jaringan pada proses pelatihan. Untuk
melihat perbandingan antara target dengan output jaringan dapat dilihat pada Gambar 4.7. berikut ini:
Gambar 4.7. Perbandingan antara target dengan output jaringan untuk data pengujian
Gambar 4.7. memperlihatkan bahwa output o dan target mirip dalam penyebaran datanya. Hampir semua output dan target benar-benar berada pada
posisi yang sama, hanya beberapa yang tidak. Dengan demikian peramalannya bisa digunakan.
4.2 Analisis Data dengan Menggunakan Model Backpropagation
Perancangan model peramalan IHSG dengan metode jaringan saraf tiruan model Backpropagation terdiri dari langkah-langkah sebagai berikut:
1. Menetapkan tujuan sistem Model jaringan yang dibangun digunakan untuk meramalkan IHSG bulan
Januari-Februari 2014 berdasarkan data bulan Januari-Desember 2013 dengan software Matlab 7.0.
