4. Pola Data Trend
Pola data trend terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang dalam data, seperti data penjualan pada perusahan dan produk bruto
nasional GNP. Grafik pola data trend dapat dilihat pada gambar 2.13
Gambar 2.12 Pola Data Trend
2.5 Teknik Prediksi Terdahulu
Penelitian mengenai prediksi harga saham telah banyak dilakukan dengan berbagai macam metode dan algoritma untuk mendapatkan hasil prediksi yang akurat.
Suprapto 2005 mengusulkan metode ARIMA auto regressive integrated moving average
untuk melakukan prediksi nilai kurs. Adapun langkah-langkah metode ARIMA yang dilakukan oleh Suprapto sebagai berikut :
1. Melakukan pemeriksaan kestasioneran data dengan menggunakan ADF
augmented dickey-fuller. 2.
Melakukan proses differencing pembedaan apabila data tidak stasioner. 3.
Melakukan penentuan nilai derajat autoregressive AR, tingkat proses differencing
, dan derajat moving average MA dalam ARIMA. 4.
Melakukan estimasi parameter metode ARIMA, lalu melakukan prediksi. 5.
Menghitung tingkat error dengan mengunakan MAD mean absolute deviation, MSE mean squared error, dan MPE mean percentage error.
Setiawan 2008 melakukan penelitian mengenai prediksi harga saham menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan
Algoritma Backpropagation . Langkah-langkah yang dilakukan oleh Setiawan dalam
penelitiannya adalah sebagai berikut :
Y
Data ke
Universitas Sumatera Utara
1. Inisialisasi nilai bobot dan bias yang dapat diatur dengan sembarang angka acak
antara -0.5 dan 0.5, dan inisialisasi learning rate, maksimal iterasi dan toleransi error.
2. Lakukan iterasi selama stopping condition masih belum terpenuhi. Untuk
menentukan stopping condition. Jika iterasi sudah melebihi maksimal iterasi maka pelatihan dihentikan. Jika menggunakan toleransi error dengan metode MAPE,
bila nilai MAPE kurang dari atau sama dengan toleransi error maka pelatihan dihentikan.
3. Setiap unit input menerima sinyal input dan menyebarkannya pada seluruh hidden
unit .
4. Setiap hidden unit akan menghitung sinyal-sinyal input dengan bobot dan nilai
bias . Hasil perhitunan tersebut kemudian akan diproses dengan menggunakan
fungsi aktivasi yang telah ditentukan sebelumnya sehingga diperoleh sinyal output dari hidden unit tersebut.
5. Setiap unit output akan menghitung sinyal-sinyal dari hidden unit dengan bobot
dan nilai bias. Kemudian dengan menggunakan fungsi aktivasi yang telah ditentukan diperoleh sinyal output dari unit output tersebut.
6. Hitung kesalahan antara target output dengan output hasil menggunakan metode
Mean Absolute Persentage Error. Jika masih belum memenuhi syarat, dilakukan
penghitungan faktor koreksi error δk. 7.
Setiap hidden unit akan menghitung bobot yang dikirimkan output unit. Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan faktor
koreksi error. 8.
Setiap unit output akan memperbaharui bobotnya dari setiap hidden unit. Demikian pula setiap hidden unit akan memperbaharui bobotnya dari setiap unit
input .
9. Memeriksa stopping condition.
Universitas Sumatera Utara
Pada tahun 2011 Anwary melakukan penelitian mengenai prediksi nilai kurs dengan menggunakan fuzzy time series. Adapun langkah-langkah dari fuzzy time
series Anwary, 2011 adalah:
1. Menentukan himpunan semesta universe of discourse dan membaginya ke dalam
interval yang panjangnya sama.
2. Mendefenisikan himpunan fuzzy pada himpunan semesta.
3. Melakukan fuzzifikasi pada data historis.
4. Memilih w orde yang paling sesuai dan menghitung operasi fuzzy.
5. Melakukan defuzzifikasi ouput yang diprediksi.
Pada tahun 2012 Yuliandar melakukan penelitian mengenai prediksi nilai kurs dengan menggunakan metode feed forward neural network dengan algortima
genetika, adapun langkah-langkah dari feed forward neural network dengan algortima genetika Yuliandar, 2012 adalah:
1. Menginisialisasi populasi sebagai ruang sousi yang berisi kromosom-kromosom.
2. Setiap kromosom merepresentasikan beberapa gen dimana ketika didekodekan
akan menghasilkan bobot atau parameter jaringan. 3.
Kromosom-kromosom tersebut akan dievaluasi dengan menggunakan fungsi objektif tertentu untuk mendapatkan nilai fitness.
4. Generasi baru diperoleh dengan menyeleksi kromosom menggunakan metode
seleksi tertentu serta menggunakan operator genetika. 5.
Setelah melalui beberapa generasi yang ditentukan, maka algoritma genetika akan konvergen ke kromosom terbaik dan diperoleh solusi berupa nilai bobot atau
parameter yang optimum.
Universitas Sumatera Utara
Adapun beberapa penelitian sebelumnya yang telah dilakukan untuk memprediksi harga saham berdasarkan data histori dapat dilihat pada tabel 2.1
Tabel 2.3 Penelitian Sebelumnya No
Peneliti Tahun
Teknik yang Digunakan
Kelemahan
1. Suprapto
2005 Autoregressive
Integrated Moving
Average ARIMA
Digunakan untuk data jangka pendek,
prosedur yang dilakukan berulang-
ulang untuk menghasilkan
prediksi yang terbaik, dan apabila ada data
baru maka parameter ARIMA harus
diestimasi ulang dan model dapat berubah
total.
2. Setiawan
2008 Multilayer
Feedforward Network
Teknik yang digunakan terbatas
pada jumlah iterasinya.
3. Anwary
2011 Fuzzy Time
Series Hubungan fuzzy tidak
dapat diselesaikan sehingga hubungan
fuzzy
tidak bisa mencakup semua
nilai dalam domain 4.
Yuliandar 2012
Feed Forward Neural Network
dengan Algoritma
Genetika na
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini secara garis besar membahas tentang analisis metode backpropagation pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang
akan dibangun.
3.1 Identifikasi Masalah
