Proses Training Data Uji Coba Sistem

Setelah proses Training data selesai, akan muncul Message Box yang memberi tahu bahwa proses telah selesai dan secara otomatis data-data hasil Training akan disimpan di database. Kemudian hasil dari data-data mata uang yang telah melewati proses Training akan muncul di List Box yang telah disediakan. Kolom List Box sebelah kiri adalah data Training kurs jual, kemudian yang sebelah kanan adalah kurs beli. Hasil dari Training data ditampilkan pada Gambar 5.3. Gambar 5.3. Hasil Proses Training Data. Pada form Training data ini data-data mata uang melewati 3 proses, antara lain proses normalisasi data, proses Feedforward, kemudian proses Training Quickpropagation itu sendiri. Data untuk uji coba pada sistem, menggunakan data-data mata uang USD Dollar pada tanggal 1 Desember 2009 hingga 31 Januari 2010 yaitu : Tabel 5.1. Kurs Transaksi BI Mata Uang USD Bulan Desember 2009. Tabel 5.2. Tabel Kurs Transaksi BI Mata Uang USD Bulan Januari 2010. Untuk menguji kebenarannya pada proses-proses di Training, berikut perhitungan manual dari proses Training. Di proses normalisasi, sesuai dengan teori Jaringan Syaraf tiruan, pelatihan akan lebih cepat jika nilai inputannya berada pada nilai range fungsi aktifasinya. Karena fungsi aktifasi yang digunakan adalah fungsi sigmoid bipolar, maka nilai input layer akan dikonversikan antara range [1,-1] dengan rumus normalisasi merunut pada Tabel Rumus 2.11. Berikut adalah hasil perhitungan manual menggunakan rumus normalisasi diatas : Tabel 5.3. Tabel Hasil Perhitungan Manual Proses Normalisasi. Tanggal Kurs Jual Kurs Beli Normalisasi Kurs Jual Normalisasi Kurs Beli 1 Des 2009 9532 9438 0,528150134048257 0,522546419098143 2 Des 2009 9463 9369 0,683646112600536 0,676392572944297 3 Des 2009 9492 9398 0,635388739946381 0,628647214854111 4 Des 2009 9483 9389 0,737265415549598 0,729442970822281 7 Des 2009 9502 9408 0,699731903485255 0,692307692307692 8 Des 2009 9495 9401 0,81769436997319 0,809018567639257 9 Des 2009 9517 9423 0,630026809651475 0,623342175066313 10 Des 2009 9482 9388 0,667560321715818 0,660477453580902 11 Des 2009 9489 9395 0,764075067024129 0,755968169761273 14 Des 2009 9507 9413 0,828418230563003 0,819628647214854 15 Des 2009 9519 9425 0,871313672922252 0,862068965517241 16 Des 2009 9527 9433 0,898123324396783 0,888594164456233 17 Des 2009 9532 9438 0,967828418230563 0,957559681697613 21 Des 2009 9545 9451 1 1 22 Des 2009 9553 9457 1 1 23 Des 2009 9553 9457 0,656836461126005 0,649867374005305 28 Des 2009 9487 9393 0,683646112600536 0,676392572944297 29 Des 2009 9492 9398 0,619302949061662 0,612732095490716 Lanjutan Dari Tabel 5.3. Tanggal Kurs Jual Kurs Beli Normalisasi Kurs Jual Normalisasi Kurs Beli 30 Des 2009 9480 9386 0,442359249329759 0,437665782493369 4 Jan 2010 9377 9283 0,0670241286863271 0,0663129973474801 5 Jan 2010 9355 9261 -0,0509383378016086 -0,0503978779840849 6 Jan 2010 9355 9261 -0,0509383378016086 -0,0503978779840849 7 Jan 2010 9274 9182 -0,474530831099196 -0,480106100795756 8 Jan 2010 9286 9194 -0,410187667560322 -0,416445623342175 11 Jan 2010 9176 9084 -1 -1 12 Jan 2010 9231 9139 -0,705093833780161 -0,708222811671088 13 Jan 2010 9226 9134 -0,731903485254692 -0,73474801061008 14 Jan 2010 9196 9104 -0,892761394101877 -0,893899204244032 15 Jan 2010 9251 9159 -0,597855227882037 -0,602122015915119 18 Jan 2010 9276 9184 -0,463806970509383 -0,469496021220159 19 Jan 2010 9271 9179 -0,490616621983914 -0,496021220159151 20 Jan 2010 9321 9229 -0,222520107238606 -0,230769230769231 21 Jan 2010 9336 9272 0,00804289544235925 -0,151193633952255 22 Jan 2010 9435 9341 0,378016085790885 0,374005305039788 25 Jan 2010 9387 9293 0,120643431635389 0,119363395225464 26 Jan 2010 9362 9268 -0,0134048257372654 -0,013262599469496 27 Jan 2010 9427 9333 0,335120643431635 0,3315649867374 28 Jan 2010 9455 9361 0,485254691689008 0,480106100795756 29 Jan 2010 9412 9318 0,254691689008043 0,251989389920424 Setelah proses normalisasi, selanjutnya adalah Feedforward. Yaitu untuk proses perhitungan dengan runut maju ke depan, sesuai dengan input layer, hidden layer, dan output layer. Proses perhitungan Feedforward menggunakan rumus berikut ini : sigma[j] = sigma[j] + NN.Xin[i] NN.wInHidd[i,j] NN.Yin[j] = sigma[j] + NN.bhidd[j] ………………………..5.1 NN.Yout[j] = f NN.yin[j] sigmaout[j] = sigmaout[j] + NN.yOut[i] NN.wHiddOut[i,j] NN.Zin[j] = sigmaout[j] + NN.bout[j] ........................5.2 NN.Zout[j] = f NN.zin[j] Dimana : I : 0,1,..,jumlah data-1 J : 0,1,... jumlah data set -1 NN.Xin : data input layer NN.wInHidd : data input layer dan hidden layer dengan fungsi aktivasi NN.bhidd : data hidden layer NN.wHiddOut : data hidden layer dan output layer dengan fungsi aktivasi NN.bout : data output layer Berikut adalah hasil perhitungan manual menggunakan rumus Feedforward diatas Tabel 5.4. Tabel Hasil Perhitungan Manual Proses Feedforward. Tanggal Kurs Jual Kurs Beli Feedforward Kurs Jual Feedforward Kurs Beli 1 Des 2009 9532 9438 -0,99213379884931 -0,985082553517819 2 Des 2009 9463 9369 -0,975036535169244 -0,977322157085522 3 Des 2009 9492 9398 -0,900531956974115 -0,95776178231265 4 Des 2009 9483 9389 -0,668193574560121 -0,923425812365304 7 Des 2009 9502 9408 -0,0299859025616423 -0,838444369726379 8 Des 2009 9495 9401 0,5614059087792 -0,708061888135724 9 Des 2009 9517 9423 0,880392662111545 -0,484239812087766 10 Des 2009 9482 9388 0,968933686988123 -0,215832308839691 11 Des 2009 9489 9395 0,992955324544503 0,170231208606105 Lanjutan Dari Tabel 5.4. Tanggal Kurs Jual Kurs Beli Feedforward Kurs Jual Feedforward Kurs Beli 14 Des 2009 9507 9413 0,998623253231292 0,578376139212509 15 Des 2009 9519 9425 0,99975493999389 0,837878073080719 16 Des 2009 9527 9433 0,999961042781913 0,950823093192817 17 Des 2009 9532 9438 0,999994162180771 0,987607449821467 21 Des 2009 9545 9451 0,999999184104177 0,997243312861998 22 Des 2009 9553 9457 0,999999844374801 0,999123778600029 23 Des 2009 9553 9457 0,999999971101072 0,999652446074172 28 Des 2009 9487 9393 0,99999999193394 0,99979693493609 29 Des 2009 9492 9398 0,999999997383965 0,999866785921761 30 Des 2009 9480 9386 0,999999998591737 0,999894280823443 4 Jan 2010 9377 9283 -0,0332260654643755 -0,0328767031467185 5 Jan 2010 9355 9261 0,0238725529017288 0,0236642015118159 6 Jan 2010 9355 9261 0,0107432541809263 0,0113362786687045 7 Jan 2010 9274 9182 0,109631426913429 0,116552047232688 8 Jan 2010 9286 9194 -0,267871113459157 -0,13822479448189 11 Jan 2010 9176 9084 -0,625981749540572 -0,425011729751359 12 Jan 2010 9231 9139 -0,916993513394141 -0,743211336034395 13 Jan 2010 9226 9134 -0,982253936329717 -0,885268754756645 14 Jan 2010 9196 9104 -0,995249696200864 -0,943933971312332 15 Jan 2010 9251 9159 -0,99877199011721 -0,970558399827434 18 Jan 2010 9276 9184 -0,99958584702793 -0,979731418386399 19 Jan 2010 9271 9179 -0,999791358639938 -0,982114157846417 20 Jan 2010 9321 9229 -0,999871200533147 -0,986648850221132 21 Jan 2010 9336 9272 -0,999849580179463 -0,987619167194122 22 Jan 2010 9435 9341 -0,999828981318649 -0,992194686274036 25 Jan 2010 9387 9293 -0,999753767634254 -0,989900539151187 26 Jan 2010 9362 9268 -0,999611708851974 -0,988362720618825 27 Jan 2010 9427 9333 -0,999377915927371 -0,990556206408063 28 Jan 2010 9455 9361 -0,998878550244343 -0,99053544986815 Perhitungan selanjutnya adalah dengan proses Quickpropagation. Disini merupakan proses terakhir pada form training dan yang akan tampil pada List Box yang ada pada tampilan sistem. Perhitungan proses Quickpropagation ini menggunakan rumus berikut : deltaout[i] = NN.target[i] - NN.zout[i] f aksen NN.zin[i] ………………………….…..5.3 NN.Dwhiddout[i,j] =NN.Dwhiddout[i,j] MGF + Laju deltaout[j] NN.yout[i] NN.Dwhiddout_t - NN.Dwhiddout[i,j] ………………………………………………………………………………………………….5.4 NN.dbOut[j] = NN.dbOut[j] MGF + Laju deltaout[j] …………………….5.5 NN.dbout_t-NN.dbout[j] Deltahidden[i] = deltahidden[i] + deltaout[j] NN.whiddout[i,j] f aksen NN.yout[i] …....5.6 NN.DWindd[i,j] = NN.DWindd[i,j] MGF + Laju deltahidden[j] NN.Xin[i] ....5.7 NN.DWindd_t - NN.DWindd[i,j] NN.dbhidd[j] = NN.dbhidd[j] MGF + Laju deltahidden[j] ………………...5.8 NN.dbhidd_t - NN.dbhidd[j] Dimana : NN.target : indeks nilai yang dihitung MGF : inputan MGF konstanta Laju : inputan laju pelatihan konstanta NN.dbOut : data output yang dihitung NN.dbhidd : data hidden yang dihitung Berikut adalah hasil perhitungan manual menggunakan rumus Quickpropagation diatas : Tabel 5.5. Tabel Hasil Perhitungan Manual Proses Quickpropagation. Tanggal Kurs Jual Kurs Beli Quickpropagation Kurs Jual Quickpropagation Kurs Beli 1 Des 2009 9532 9438 17,1721369711345 17,3268771850135 2 Des 2009 9463 9369 14,1547075036155 14,2504354522678 3 Des 2009 9492 9398 15,1112669264769 15,1303120885865 4 Des 2009 9483 9389 13,8254246076954 13,6803024300116 7 Des 2009 9502 9408 14,0557510962977 14,3699144933998 8 Des 2009 9495 9401 12,1730889284286 12,9861129779578 9 Des 2009 9517 9423 14,7804025921243 15,4610754270244 10 Des 2009 9482 9388 14,3856956146895 14,7531433044161 11 Des 2009 9489 9395 13,2367975256679 13,168218916352 14 Des 2009 9507 9413 12,6477968894116 12,3374440204089 15 Des 2009 9519 9425 12,3152455842885 12,1312885513223 16 Des 2009 9527 9433 12,1711049436067 12,1408592738753 17 Des 2009 9532 9438 11,7491673371972 11,7848820967334 21 Des 2009 9545 9451 11,572893834149 11,5674048686856 22 Des 2009 9553 9457 11,3030149674986 11,2957843158011 23 Des 2009 9553 9457 14,5474841823768 14,6522782127332 28 Des 2009 9487 9393 14,0939543290971 14,1936592928521 29 Des 2009 9492 9398 14,9912966397408 15,1075579021905 30 Des 2009 9480 9386 19,3174594094834 19,4981093013886 4 Jan 2010 9377 9283 119,54331877481 120,821377672652 5 Jan 2010 9355 9261 -157,280209713347 -158,962050764612 6 Jan 2010 9355 9261 -157,690391321442 -159,379145401748 7 Jan 2010 9274 9182 -18,7867068364255 -18,620382783368 8 Jan 2010 9286 9194 -21,4006254695084 -21,2390133969972 11 Jan 2010 9176 9084 -11,0293104536582 -11,0643469905756 12 Jan 2010 9231 9139 -13,762692165745 -13,5368390036418 Lanjutan Dari Tabel 5.5. Tanggal Kurs Jual Kurs Beli Quickpropagation Kurs Jual Quickpropagation Kurs Beli 13 Jan 2010 9226 9134 -13,6452090481364 -13,4548029182872 14 Jan 2010 9196 9104 -11,9112563561129 -11,8129382056986 15 Jan 2010 9251 9159 -15,410089991493 -15,2777809905953 18 Jan 2010 9276 9184 -18,9263631814602 -18,6989785717939 19 Jan 2010 9271 9179 -17,8478918785653 -17,6573740004789 20 Jan 2010 9321 9229 -36,5653281216456 -35,402541430884 21 Jan 2010 9336 9272 994,986781686691 -53,0150691679886 22 Jan 2010 9435 9341 22,3117854938712 22,5416384348999 25 Jan 2010 9387 9293 66,6372535365053 67,3643111453403 26 Jan 2010 9362 9268 -596,572943350294 -602,953250478717 27 Jan 2010 9427 9333 25,1888167467041 25,4482362709412 28 Jan 2010 9455 9361 18,0409600821312 18,2177052493888 29 Jan 2010 9412 9318 32,5417989504742 32,8862957801567

5.1.2. Proses Testing Data

Setelah data telah melewati proses Training maka data hasil perhitungan proses tersebut akan disimpan di dalam database, kemudian proses selanjutnya adalah proses Testing. Di proses perhitungan ini, data-data pada hasil perhitungan proses sebelumnya yang disimpan di dalam database akan dipanggil dan kemudian diproses sehingga didapatkan prediksi mata uang seperti yang akan diinputkan oleh user. User akan menentukan valas serta range tanggal yang akan diprediksi yang tentunya harus sesuai dengan data-data di form Training. Untuk uji coba kali ini akan diprediksi nilai mata uang USD Dollar dari tanggal 1 Februari 2010 hingga 29 Maret 2010 dengan menggunakan data Training 1 Desember 2009 sampai 31 Januari 2010. Proses pemilihan dapat dilihat pada Gambar 5.4. berikut ini. Gambar 5.4. Gambar Pemilihan Data Training Pada Form Prediksi. Gambar 5.5. Gambar Pemilihan Tanggal Prediksi Pada Form Prediksi.