BAB 4 IMPLEMENTASI DAN ANALISIS HASIL
Pada bab ini berisikan tentang implementasi dari algoritma yang sudah digunakan serta analisa terhadap hasil prediksi keluaran sistem.
4.1 Implementasi Sistem
Gambar 4.1 Tampilan Sistem
4.2 Pengujian
Pada saat melakukan implementasi sistem dilakukan pula beberapa kali pengujian untuk mendapatkan hasil yang paling optimal dimulai dari menguji dan
merubah jaringan, delay data, hingga jumlah data train. Semua ini dilakukan untuk mengetahui kombinasi yang terbaik dari sistem yang dibangun.
4.2.1 Optimalisasi Jaringan
Pada proses optimalisasi jaringan ini akan digunakan data pelatihan sebanyak 900 data dengan delay 50 data dan total epoch
1000 kali. Berikut hasil dari proses optimalisasi jaringan yang dilakukan :
Hidden Layer = 1 ; Fungsi Transfer = Logsig Metode Train = traingdm ; Learning Rate = 0,1
Tabel 4.1 Tabel Pengujian 1 Neuron
Kombinasi Jumlah Neuron
Rataan Akurasi 1
50 85,4
2
100 83,8
Hidden Layer = 2 Fungsi Transfer Hidden Layer 1 = Tansig
Fungsi Transfer Hidden Layer 2 = Logsig Metode Train = traingd ; Learning Rate = 0,1
Tabel 4.2 Tabel Pengujian 2 Neuron
Kombinasi Neuron Hidden
Layer 1 Neuron Hidden
Layer 2 Rataan
Akurasi 3
50 50
85,9
4
100 100
84,3
Hidden Layer = 2 Neuron Hidden Layer 1 = 50 ; Fungsi Transfer = Logsig
Neuron Hidden Layer 2 = 50 ; Fungsi Transfer = Logsig Metode Train = traingd
Tabel 4.3 Tabel Pengujian Learning Rate
Kombinasi Learning Rate
Rataan Akurasi 5
0,1 86,3
6
0,5 76,8
7
0,05 86,3
8 0,01
87, 4
Hidden Layer = 2 Fungsi Transfer Hidden Layer 1 = Logsig
Fungsi Transfer Hidden Layer 2 = Logsig Metode Train = traincgf
Tabel 4.4 Tabel Pengujian Jumlah Neuron dan Learning Rate
Kombinasi Neuron
Hidden Layer 1
Neuron Hidden
Layer 2 Learning
Rate Rataan
Akurasi 9
50 50
0,05 91,8
10
100 100
0,01 94,4
11 200
200 0,01
X
Hidden Layer = 2 Neuron Hidden Layer 1 = 100 ; Fungsi Transfer = Logsig
Neuron Hidden Layer 2 = 100 ; Fungsi Transfer = Logsig Learning Rate = 0,01
Tabel 4.5 Tabel Pengujian Metode Train
Kombinasi Metode Train
Rataan Akurasi 12
trainscg 86,9
13 traincgb
X
14
traingdm X
15
trainoss X
16 traincgp
X
Sehingga dari proses pengujian yang dilakukan didapatkan hasil dalam bentuk grafik sebagai berikut :
Gambar 4.2 Grafik Akurasi Pengujian Jaringan
4.2.2 Optimalisasi Delay pada Data
Pada proses ini akan dilakukan pengujian terhadap beberapa delay untuk menemukan delay yang paling optimal untuk system yang akan
digunakan. Hasil yang didapat adalah sebagai berikut :
20 40
60 80
100
Kom b
in a
si 1
Kom b
in a
si 2
Kom b
in a
si 3
Kom b
in a
si 4
Kom b
in a
si 5
Kom b
in a
si 6
Kom b
in a
si 7
Kom b
in a
si 8
Kom b
in a
si 9
Kom b
in a
si 10
Kom b
in a
si 11
Kom b
in a
si 12
Kom b
in a
si 13
Kom b
in a
si 14
Kom b
in a
si 15
K om
b ina
si 16
Akurasi
akurasi
Hidden Layer = 2 Neuron Hidden Layer 1 = 100 ; Fungsi Transfer = Logsig
Neuron Hidden Layer 2 = 100 ; Fungsi Transfer 2 = Logsig Metode Training = traingd ; Epoch = 1000 ; Learning Rate = 0,01
Tabel 4.6 Tabel Pengujian Jumlah Delay
Kombinasi Delay
Rataan Akurasi 1
10 86,2
2
20 75,9
3
30 79,9
4 40
74,7
5 50
93,4
6 60
79,1
7
100 89,8
Dari proses pengujian untuk delay yang dilakukan didapatkan hasil dalam bentuk grafik sebagai berikut :
Gambar 4.3 Grafik Akurasi Pengujian Delay
20 40
60 80
100
Delay 10 Delay 20 Delay 30 Delay 40 Delay 50 Delay 60 Delay
100
Akurasi
Akurasi
4.2.3 Optimalisasi Penggunaan Data Training
Pada proses ini dilakukan pengujian terhadap beberapa penggunaan data pelatihan atau training untuk menemukan jumlah data
pelatihan atau training yang paling optimal untuk sistem yang akan digunakan. Hasil yang didapat adalah sebagai berikut :
Hidden Layer = 2 Neuron Hidden Layer 1 = 100 ; Fungsi Transfer = Logsig
Neuron Hidden Layer 2 = 100 ; Fungsi Transfer 2 = Logsig Metode Training = traingd
Learning Rate = 0,01 ; Epoch = 1000 Delay = 50
Tabel 4.7 Tabel Pengujian Jumlah Data Train
Kombinasi Jumlah Data Train
Rataan Akurasi 1
900 93,4
2 600
94,3
3
500 98,3
4
400 92,9
Dari proses pengujian untuk menentukan jumlah data pelatihan
atau training yang dilakukan didapatkan hasil dalam bentuk grafik sebagai
berikut :
Gambar 4.4 Grafik Pengujian Jumlah Data Train
4.2.4 Pengujian Terhadap Sistem
Dalam proses pengujian ini dilakukan pengujian terhadap sistem yang bertujuan untuk mengetahui kapabilitas sistem yang dibangun
terhadap beragam data. Pada pengujian ini diambil 500 data untuk proses pelatihan dan 50 data untuk pengujian. Dalam proses ini akan dilakukan 11
kali pengujian dengan data tes yang berbeda-beda. Hasil dari pengujian sistem adalah sebagai berikut :
90 92
94 96
98 100
Data Train 900 Data Train 600
Data Train 500 Data Train 400
Akurasi
Akurasi
Tabel 4.8 Tabel Pengujian Sistem
Percobaan Data Pengujian
Rataan Akurasi 1
1 hingga 50 98,3
2
51 hingga 100 95,4
3
101 hingga 150 97,3
4 151 hingga 200
97,9
5 201 hingga 250
96,6
6 251 hingga 300
97,1
7 301 hingga 350
96,9
8
351 hingga 400 96,7
9 401 hingga 450
97,2
10 451 hingga 500
95,7
11 501 hingga 550
98,5
4.2.5 Pengujian Menggunakan Data Pelatihan Lampau
Dalam proses pengujian ini dilakukan pengujian terhadap sistem dengan menggunakan data pelatihan dan data pengujian yang tidak berurut
serta data pelatihan yang akan digunakan berselisih 1 tahun dengan data pengujian yang digunakan. Tujuan dari pengujian ini adalah untuk
mengetahui kemampuan sistem untuk melakukan prediksi dengan menggunakan data pelatihan yang tidak update. Pada pengujian ini diambil
500 data dari awal tahun 2011 untuk proses pelatihan dan 50 data untuk pengujian dari tahun 2014. Hasil dari pengujian ini adalah sebagai berikut :
Tabel 4.9 Tabel Pengujian Menggunakan Data Pelatihan Lampau Percobaan
Akurasi 1
83,2 2
84,9 3
79,7 4
88,4 5
81,6
Rataan Akurasi = 83,6
4.2.6 Pengujian Menggunakan Fungsi Keanggotaan Liner
Dalam proses pengujian ini dilakukan pengujian dengan menggunakan fungsi keanggotaan linear. Tujuan dari pengujian ini adalah
untuk membandingkan hasil yang didapat sistem dengan proses fuzzyfikasi menggunakan fungsi keanggotaan linear dan fungsi
keanggotaan kurva-S. Sehingga akan didapat kesimpulan mengenai rumus fuzzyfikasi yang paling sesuai untuk data yang digunakan. Hasil dari
pengujian ini dan perbandingan dengan hasil menggunakan fungsi keanggotaan kurva-S adalah sebagai berikut :
Tabel 4.10 Tabel Perbandingan Pengujian Menggunakan Fungsi Keanggotaan Linear dan Fungsi Keanggotaan Kurva-S
Percobaan Akurasi
Linear Akurasi
Kurva-S 1
94,6 98,1
2 97,2
97,3 3
92,4 99,2
4 89,3
99,4 5
91,7 98,7
Rataan Akurasi 93
98,5
4.3 Analisis Hasil
Setelah semua pengujian selesai dilakukan, didapat kombinasi dan spesifikasi terbaik untuk jaringan yang dibangun yaitu :
Hidden Layer = 2 ; Output = 1 Neuron Hidden Layer 1 = 100 ; Neuron Hidden Layer 2 = 100
Fungsi Transfer Hidden Layer 1 = Logsig Fungsi Transfer Hidden Layer 2 = Logsig
Fungsi Transfer Output = Purelin Metode Training = traincgf
Data Train = 500 ; Delay = 50 Epoch = 1000 ; Learning Rate = 0,01
Gambar 4.5 Gambar Tampilan Arsitektur Jaringan dan Pelatihan Optimal
Hasil yang didapat dari pengujian sangat baik dengan akurasi rata-rata mencapai 98. Hasil ini didapat dengan jumlah data pelatihan yang tidak banyak
yaitu hanya 500 data saja. Hal ini dikarenakan data saham pada rentang 500 hari adalah yang paling optimal. Sehingga data saham tidak terlalu lama yang dapat
mengakibatkan perbedaan margin yang terlalu besar antara data tertinggi dan terendah yang akan berdampak pada buruknya hasil fuzzyfikasi. Dan juga data
saham tidak terlalu pendek sehingga Jaringan Syaraf Tiruan masih dapat membaca pola dengan baik.
Gambar 4.6 Gambar Tampilan Salah Satu Hasil Pengujian Data IHSG
Untuk data pengujian didapat hasil optimal dengan 50 delay, sehingga data pengujian juga menjadi 50 saja. Hal ini disebabkan oleh pergerakan saham yang
cenderung lebih fluktuatif apabila lebih dari 50 data. Bisa dikatakan 50 data adalah sekitar 2 bulan pergerakan saham. Sehingga melalui 2 bulan saja sistem
sudah dapat membaca pola dan menyesuaikan dengan data pelatihan. Apabila data yang digunakan kurang dari 50 data atau kurang dari 2 bulan pergerakan saham
terbukti sistem belum bisa membaca secara maksimal, sedangkan apabila lebih dari 50 data atau 2 bulan maka pola pergerakan saham sudah cenderung berubah
lebih fluktuatif yang mengakibatkan sistem juga mengalami penurunan kemampuan untuk membaca pola yang ada.
Saat melakukan pengujian terhadap sistem terdapat hal yang menarik. Ketika data pengujian ada pada awal dan akhir seluruh data maka sistem bekerja
dengan sangat baik dengan memperoleh akurasi yang tinggi. Sedangkan apabila data pengujian ada tepat sebelum data awal dan data akhir didapat akurasi yang
paling rendah di antara pengujian lainnya. Hal ini bisa jadi disebabkan karena data pelatihan yang terpotong di awal dan akhir data sehingga tidak terbaca dan tidak
membentuk pola dengan baik. Sebaliknya ketika pengujian ada di awal dan akhir rangkaian data maka sistem dapat membaca dengan baik, karena pergerakan data
saham yang cenderung bergerak kontinu sehingga ketika data pelatihan sama sekali tidak mengalami perpotongan maka hasil akan menjadi optimal. Hal ini
dipertegas dengan pengujian yang dilakukan menggunakan data pelatihan lampau. Hasil dari pengujian dengan data pelatihan lampau menunjukkan kelemahan
sistem yang tidak bisa mendapatkan akurasi yang baik ketika data yang digunakan
untuk pelatihan adalah data yang sudah terlalu lampau dikarenakan pergerakan saham sudah tidak sama lagi dengan keadaan terbaru.
Terakhir ketika dilakukan pengujian dengan menggunakan proses fuzzyfikasi yang berbeda yaitu dengan fungsi keanggotaan linear didapat hasil
yang cukup baik namun tetap tidak lebih baik dibandingkan dengan fungsi keanggotaan kurva-S. Hal ini dikarenakan pergerakan saham yang dinamis dan
sangat berbeda dengan ciri kurva linear yang bergerak cenderung stabil dibandingkan dengan kurva-S.
BAB 5 PENUTUP
5.1 Kesimpulan
Berdasarkan hasil análisis, pengujian, dan implementasi sistem didapatkan kesimpulan sebagai berikut :
a. Sistem Prediksi Harga Saham Menggunakan Algoritma Fuzzy Neural
Network ini dapat memprediksi harga saham dengan cukup akurat dengan persentase akurasi mencapai 98.
b. Kombinasi Backpropagation Jaringan Syaraf Tiruan dengan Logika
Kabur menggunakan fungsi keanggotaan kurva-S dapat menghasilkan hasil yang memuaskan.
c. Arsitektur optimal untuk sistem yang didapat adalah dengan spesifikasi
jaringan 2 layer tersembunyi masing-masing memiliki 100 neuron dengan fungsi transfer masing-masing adalah logsig. Metode training
yang digunakan adalah traincgf dengan jumlah epoch 1000 dan learning rate 0,01. Jumlah data pelatihan yang digunakan adalah 500 data dengan
delay 50 data. d.
Kekurangan sistem ini adalah selisih harga saham hasil prediksi dengan harga real masih cukup besar apabila dilihat secara nilai real. Hal ini
dikarenakan harga saham yang sudah cukup tinggi sehingga selisih 1 saja bisa menghasilkan selisih harga di atas 50 poin.
e. Sistem ini lebih bekerja baik digunakan untuk memprediksi pergerakan
saham yaitu naik atau turun dibanding dengan memprediksi harga real yang akan terjadi.
Kategori