BAB 4 PEMBAHASAN DAN HASIL PENELITIAN
Pada bab ini akan dilakukan implementasi dan pengujian sistem. Sistem dibuat dengan menggunakan Matlab R2008b. Pengujian sistem untuk memrepresentasikan review
akhir dari analisis dan implementasi.
4.1. Lingkungan Implementasi
Lingkungan implementasi yang akan dijelaskan merupakan lingkungan perangkat keras hardware dan perangkat lunak software yang digunakan dalam penulisan
skripsi ini. Spesifikasi perangkat keras hardware yang digunakan adalah sebagai berikut:
1. Prosesor IntelR core TM i3 CPU M380 2.53GHz 4CPUs, ~2.5GHz. 2. RAM 2048 MB.
3. Hard disk 500 GB. 4. Keyboard.
5. Mouse. Spesifikasi perangkat lunak software yang digunakan adalah sebagai berikut:
1. Operating System Windows 7 Ultimate 64-bit 6.1, Build 7600. 2. Software Matlab R2008b.
Universita Sumatera Utara
4.2. Pengumpulan dan Pengolahan Data
Data yang digunakan yaitu daftar harga saham yang dimulai dari Januari 2012 sd Desember 2012.
Tabel 4.1. Daftar Harga Saham
Date Open
High Low
Close 122012
610 610
600 610
132012 610
620 600
610 142012
620 630
610 620
152012 630
630 620
630 162012
620 630
610 620
192012 630
630 610
630 1102012
630 630
620 630
1112012 620
640 620
620 1122012
610 620
600 610
Sumber : www.idx.co.id
4.3. Pencarian Arsitektur Jaringan Terbaik
Untuk mencari arsitektur jaringan terbaik dengan menggunakan metode Resilient Backpropagation, maka penulis melakukan serangkaian percobaan dengan
memodifikasi jumlah hidden layer dan hidden neuron untuk masing-masing layer
beserta parameter-parameter yang digunakan. Adapun langkah-langkah yang
dilakukan oleh penulis adalah sebagai berikut:
1. Dilakukan serangkaian percobaan untuk variasi jumlah hidden layer dan
jumlah hidden neuron untuk mencari arsitektur jaringan terbaik. Dari seluruh variasi jumlah neuron pada hidden layer yang dicoba akan dipilih satu variasi
yang memberikan nilai MSE pelatihan paling minimum.
Universita Sumatera Utara
2. Setelah arsitektur jaringan terbaik diperoleh, kemudian dilakukan beberapa
kali percobaan untuk mencari bobot terbaik pelatihan yang menghasilkan nilai MSE paling minimum sesuai dengan iterasi yang telah ditetapkan.
3. Nilai bobot terbaik disimpan untuk diuji kembali dengan menggunakan nilai
learning rate antara 0.1 sampai dengan 0.9. 4.
Menampilkan hasil prediksi menggunakan data testing yang pernah dilatih kedalam jaringan.
4.3.1. Variasi Jumlah Neuron dan Hidden Layer
Percobaan yang dilakukan yaitu dengan menggunakan beberapa jumlah hidden layer dengan beberapa variasi jumlah neuron. Nilai learning rate yang digunakan adalah 0.2
dan epoch maksimal adalah 10000 dengan error maksimal 0.001. Hasil percobaan dapat dilihat pada tabel 4.1 berikut ini:
Tabel 4.2 Percobaan Beberapa Variasi Neuron dan Hidden Layer
Jumlah Neuron Learning Rate
MSE Epoch
Hidden Layer 1 Hidden Layer 2 22
22 0.2
0.00105 10.000 0.5
0.00105 10.000 25
35 0.2
0.00101 10.000 0.5
0.00105 10.000 50
35 0.2
0.00106 10.000 0.5
0.00100 10.000 50
50 0.2
0.00104 10.000 0.5
0.00103 10.000 75
75 0.2
0.00109 10.000
Universita Sumatera Utara
0.5 0.00111 10.000
100 75
0.2 0.00107 10.000
0.5 0.00103 10.000
100 100
0.2 0.00109 10.000
0.5 0.00105 10.000
100 125
0.2 0.00105 10.000
0.5 0.00109 10.000
100 150
0.2 0.00100 10.000
0.5 0.00100 10.000
Berdasarkan hasil percobaan yang telah dilakukan, maka didapatkan arsitektur terbaik dengan menggunakan jumlah neuron pada hidden layer pertama sebanyak 100 neuron
dan pada hidden layer kedua sebanyak 150 neuron.
4.3.2. Pengolahan Data dengan Menggunakan Resilient Backpropagation
Peramalan dilakukan dengan menggunakan metode jaringan Syaraf Tiruan JST dengan menggunakan software MATLAB Matrix Laboratory. Peramalan dilakukan
untuk bulan Januari 2013 dengan menggunakan data dari bulan Januari 2012 sampai dengan Desember 2012.
Peramalan akan menggunakan salah satu metode dalam JST yaitu algoritma Resilient Backpropagation dengan bantuan program yang menunjang yaitu MATLAB
dimana spesifiknya menggunakan toolbox Artificial Neural Network. Uji coba peramalan ini akan menggunakan metode traingdx. Traingdx adalah fungsi penurunan
gradient dengan momentum dan Adaptive Learning Rate. Fungsi ini akan memperbaiki bobot – bobot berdasarkan gradient descent dengan Learning rate yang
Universita Sumatera Utara
bersifat Adaptive seperti traingdx dan juga dengan menggunakan momentum seperti traingdm.
4.4. Algoritma dalam MATLAB
