Studi Literatur Analisis dan perancangan Implementasi Pengujian Dokumentasi Jaringan Syaraf Tiruan

Equity Ratio DER, Return Of Investment ROI, Return Of Equity ROE, Profit Margin PM. 5. Parameter kemampuan investor adalah harga perlembar saham, profit yang diharapkan, resiko yang ingin diambil, dan jangka investasi. 6. Menggunakan bahasa pemrograman Matlab.

1.4 Tujuan Penelitian

Tujuan dari penelitian adalah membuat sistem untuk membantu investor dalam memilih perusahaan tempat berinvestasi.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah diharapkan dapat menghasilkan sistem yang mampu memprediksi pergerakan nilai saham perusahaan, sehingga dihasilkan perusahaan-perusahaan yang memiliki jaminan tinggi untuk dijadikan tempat berinvestasi. Dan juga dapat mendukung investor dalam pemilihan perusahaan tempat berinvestasi sesuai dengan kemampuan investor. Juga diharapkan dapat menjadi bahan acuan untuk pengembangan lebih lanjut.

1.6 Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut:

a. Studi Literatur

Melakukan studi kepustakaan melalui penelitian berupa buku mengenai ilmu investasi saha, jaringan syaraf tiruan, dan sistem pedukung keputusan, jurnal dan artikel-artikel yang relevan. b. Metode Penelitian Metode ini dilaksanakan dengan melakukan penelitian terhadap obyek yang nantinya akan diteliti mengenai penerapan metode yang dipakai dalam menentukan perusahaan yang tepat untuk berinvestasi.

c. Analisis dan perancangan

Metode ini dilaksanakan dengan melakukan analisis terhadap permasalahan yang ada dan batasan masalah yang dimiliki dan menggunakan flowchart Universitas Sumatera Utara sebagai gambaran sistem sehingga dapat diperoleh rancangan yang terstruktur dan jelas.

d. Implementasi

Metode ini dilaksanakan dengan mengimplementasikan rancangan sistem yang telah dibuat pada impelementasi sistem menggunakan bahasa pemrograman Matlab.

e. Pengujian

Metode ini dilaksanakan dengan melakukan pengujian terhadap sistem dengan melakukan proses penetuan perusahaan yang tepat untuk tempat berinvestasi dan kemudian pengujian hasil identifikasinya yang telah di implementasikan.

f. Dokumentasi

Metode ini dilaksanakan dengan membuat dokumentasi dalam bentuk laporan tugas akhir.

1.7 Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai berikut: BAB 1: PENDAHULUAN Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi “Implementasi Algoritma Learning Vector Quantization dan Weighted Product Dalam Memilih Perusahaan Tempat Berinvestasi. ”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, flowchart penelitian dan sistematika penulisan. BAB 2: TINJAUAN PUSTAKA Bab ini berisi dasar teori-teori yang digunakan dalam analisis, perancangan dan implementasi skripsi. BAB 3: ANALISIS DAN PERANCANGAN SISTEM Bab ini berisi analisis terhadap fokus permasalahan penelitian dan perancangan terhadap sistem kombinasi antara metode LVQ dan WP dalam memilih perusahaan tempat berinvestasi. Universitas Sumatera Utara BAB 4: IMPLEMENTASI DAN PENGUJIAN SISTEM Bab ini berisi teknik implementasi dari perancangan yang telah dibuat dan pengujian terhadap implementasi. Pengujian dilakukan untuk membuktikan perangkat lunak dapat berjalan sesuai dengan spesifikasi yang telah ditentukan di tahapan analisis. BAB 5: KESIMPULAN DAN SARAN Bab ini akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat untuk pengembangan selanjutnya. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI

2.1 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan bekerja terinspirasi oleh sistem jaringan syaraf biologis manusia. Jaringan tersebut terdiri atas beberapa elemen yang bekerja secara pararel. Fungsi jaringan sangat tergantung pada hubungan antar elemen-elemen. Jaringan dapat dilatih untuk menampilkan fungsi tertentu dengan memasukkan nilai bobot pada setiap koneksi diantara elemen-elemen. Biasanya jaringan syaraf diatur atau dilatih agar input yang diberikan menghasilkan output yang sesuai target. Jaringan syaraf akan terus diatur atau dilatih sampai output sesuai dengan target. Beberapa algoritma Jaringan Saraf Tiruan antara lain : a. Algoritma Kohonen b. Algoritma Fractal c. Algoritma Learning Vektor Quantization d. Algoritma Cyclic e. Algoritma Alternating Projection f. Algoritma Hammimg g. Algoritma Feedforwad Banyak Lapis. Siahaan, 2011 JST dapat menyimpan pengetahuan pola kejadian di masa lampau melalui proses pelatihan yang kemudian pengetahuan tersebut digunakan untuk memprakirakan kejadian yang akan terjadi dimasa akan datang. Tiga hal yang sangat menentukan keandalan sebuah JST adalah pola rangkaian neuron-neuron dalam jaringan yang disebut dengan arsitektur jaringan, algoritma untuk menentukan bobot penghubung yang disebut dengan algoritma pelatihan, dan persamaan fungsi untuk mengolah masukan yang akan diterima oleh neuron yang disebut dengan fungsi aktivasi Yeni, 2011. Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis : 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan neuron- neuron. Universitas Sumatera Utara 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan jumlah sinyal input berbobot. Tujuannya adalah untuk menentukan sinyal output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinier. JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron yang menjadi arsitekturnya. b. Metode penentuan bobot dalam koneksi disebut sebagai proses latihan, pembelajaran, atau Algoritma . c. Fungsi aktivasi. Siang, 2005 2.1.1 Arsitektur Jaringan Syaraf Tiruan Seperti otak manusia, jaringan syaraf juga terdiri dari neuron-neuron yang saling berhubungan. Neuron-neuron tersebut mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain disebut dengan bobot. Informasi disebut dengan input akan diproses oleh suatu fungsi yang akan menjumlahkan semua bobot yang datang. Hasil penjumlahan bobot ini kemudian akan dibandingkan dengan ambang threshold tertentu melalui fungsi aktivasi setiap neuron. Jika nilai bobot lebih besar dari nilai threshold, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya. X1 X2 XN F Ʃ b a y w1 w2 w3 Gambar 2.1 Model Neuron Jaringan Syaraf Tiruan Keterangan gambar 2.1: X1, X2, …, XN = Input Universitas Sumatera Utara W1, W2, …, WN = Bobot ∑ = NeuronNode b = Bias F = Fungsi Aktifasi y = Output a = W1X1 + W2X2+…+WNXN + Bias Lapisan- lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu : 1. Lapisan input Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran suatu masalah. 2. Lapisan tersembunyi Node- node didalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak dapat diamati secara langsung. 3. Lapisan output Keluaran atau output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu permasalahan. Beberapa arsitektur jaringan yang sering digunakan dalam jaringan syraf tiruan antara lain : a. Jaringan Lapis Tunggal Single Layer Network X1 Xi Xn Y1 Yj Ym W11 Wj1 W1i Wji Wmi W1n Wjn Wmn Wm1 Gambar 2.2 Jaringan Lapis Tunggal Pada jaringan lapis tunggal, setiap input neuron dihubungkan langsung dengan sekumpulan outputnya. Pada gambar 2.2 diatas, konstanta X merupakan neuron input sedangkan konstanta Y merupakan neuron output. W adalah bobot hubungan antara input dengan output. Universitas Sumatera Utara b. Jaringan Lapis Jamak Multi Layer Network X1 Xi Xn Y1 Y1j Ym Z1 Zp V11 Vp1 W1i Wpi V1n Vpn W11 Wj1 Wm1 W1p Wmp Wjp Gambar 2.3 Jaringan Lapis Jamak Pada jaringan lapis jamak, selain neuron input dan output, ada unit-unit lain biasa disebut lapis tersembunyi. Dapat terdapat beberapa lapis tersembunyi pada satu arsitektur jaringan. Namun, unit-unit dalam satu lapis tidak saling berhubungan. Pada gambar 2.3 , konstanta X merupakan neuron input, konstanta Y merupakan neuron output, dan konstanta Z merupakan lapis tersembunyi. c. Jaringan Reccurent Jaringan ini mirip dengan jaringan lapis tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input sering disebut feedback loop Siang, 2005. 2.1.2 Fungsi Aktivasi Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: a. Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf yang nilai output-nya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai: ………………… 1 Universitas Sumatera Utara dengan : [ ] …………2 b. Fungsi sigmoid bipolar Fungsi bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai: Sinuhaji, 2009 …………………3 dengan [ ][ ] ………..4 2.1.3 Proses Pembelajaran Jaringan Syaraf Terdapat dua tipe pembelajaran dalam Jaringan Syaraf Tiruan, yaitu : a. Pembelajaran terawasi supervised learning Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Terdapat berbagai tipe pembelajaran terawasi beberapa diantaranya Hebb Rule, Perceptron, Delta Rule, Backpropagation, Heteroassociative Memory, Bidirectional Associative Memory BAM, Learning Vektor Quantization LVQ. b. Pembelajaran tak terawasi unsupervised learning Pembelajaran tak terawasi tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dengan suatu area Universitas Sumatera Utara tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan klasifikasi pola.Contoh metode pembelajaran tak terawasi adalah jaringan kohonen kohonen network Yeni, 2011 .

2.2 Learning Vektor Quantization LVQ