Sebelum melakukan perhitungan Output, yang harus dilakukan terlebih dahulu adalah melakukan training untuk mendapatkan pola pembelajaran pergerakan harga
sesuai dengan data-data yang tersimpan dalam database. Epoch yang semakin besar akan memakan waktu yang semakin lama, namun pola yang dihasilkan dari proses
training akan lebih baik dibanding Epoch yang kecil namun tidak memakan waktu yang lama.
3.6. Normalisasi Data
Data yang digunakan dalam penelitian ini adalah database indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu times series
mulai dari bulan Januari tahun 2012 sampai bulan Desember 2012. Data kemudian disusun dan dipilih variabel faktor-faktor yang mempengaruhi harga saham dengan
record data yang memiliki informasi paling lengkap. Berdasarkan data tersebut, kemudian digunakan sebanyak 260 kasus untuk masing-masing kategori. Data
tersebut kemudian akan di bagi menjadi 2 bagian, yaitu data pelatihan training, data pengujian testing. Sebanyak 50 data digunakan untuk proses training dan 50
data digunakan untuk proses testing. Data yang telah dianalisis kemudian dinormalisasi sehingga dapat dikenali
oleh fungsi aktifasi yang akan digunakan. Pada penelitian ini, data di normalisasi kedalam range [0-1] berdasarkan rumus :
X
’
= +
0.1 Siang, 2004
Dengan: x’
= x yang telah dinormalisasi
Universita Sumatera Utara
x = x sebelum dinormalisasi
min = nilai minimum dari seluruh data
max = nilai maksimum dari seluruh data
3.7. Arsitektur Jaringan Saraf Tiruan
Arsitektur jaringan saraf tiruan terdiri dari lapisan input input layer, lapisan tersembunyi hidden layer dan lapisan output output layer. Berikut adalah rincian
arsitektur jaringan saraf tiruan yang digunakan: 1.
Lapisan masukan input layer terdiri 4 neuron dan ditambah sebuah bias. 2.
Lapisan tersembunyi hidden layer terdiri dari n lapis. Banyaknya jumlah neuron pada hidden layer yang akan digunakan ditentukan berdasarkan
percobaan yang dilakukan beberapa kali untuk mendapat arsitektur terbaik, Setiap masing-masing hidden layer akan ditambah dengan sebuah bias.
3. Lapisan keluaran output layer yang digunakan sebanyak satu lapis dengan 1
neuron. Fungsi aktivasi yang akan digunakan dari input layer menuju hidden layer
pertama adalah fungsi aktivasi sigmoid, begitu juga dari hidden layer pertama menuju hidden layer kedua menggunakan fungsi aktivasi sigmoid sedangkan pada output
layer akan digunakan fungsi aktivasi linier dengan nilai minimal error yaitu 0.01 dengan nilai learning rate yang berada pada range 0.1 sampai dengan 0.9. Rancangan
arsitektur secara umum dapat dilihat pada gambar 3.2.
Universita Sumatera Utara
Gambar 3.2. Arsitektur JST
Keterangan :
X = input neuron pada input layer
Z = hidden neuron pada hidden layer
Y = output neuron pada output layer
V11,..Vn = bobot dari input layer ke hidden layer pertama
W11,..Wn = bobot dari hidden layer pertama ke hidden layer kedua
1 = bias dari input layer ke hidden layer
3.9. Training