34 Selanjutnya data tersebut dicari jaraknya terhadap titik pusat. Jarak tersebut menjadi acuan
pengelompokan data sesuai jarak minimum terhadap titik pusat. Kemudian jumlah dari tiap kelompok
cluster
dibagi jumlah anggota
cluster
nya. Hasil pembagian tersebut adalah nilai pusat yang baru. Langkah ini diulang sampai tidak ada perpindahan kelompok
cluster
lagi. Setelah nilai-nilai pusat
cluster
sudah ditentukan, maka lebar
cluster
dapat dihitung. Pada algoritma Fungsi Basis Radial, nilai lebar adalah jarak maksimum antara 2
cluster
yang dipilih.
Tahap selanjutnya adalah tahap pembelajaran. Tahap pembelajaran akan terus diulang sampai target
error
dan iteraksi maksimum dicapai. Jika sudah dicapai, maka tahap peramalan dapat dilakukan dengan menggunakan bobot terakhir dari hasil pembelajaran sebelumnya
yang sudah disimpan.
3.3.2. Normalisasi Data
Sebelum data
historical
diproses oleh perangkat lunak peramalan JST, perlu dilakukan normalisasi data. Normalisasi data tersebut dilakukan supaya JST dapat mengenali data yang
akan menjadi masukkan bobot-bobotnya dalam proses pelatihan. Normalisasi data memanipulasi data yang ada sedemikian rupa sehingga nilai-nilai dalam data
historical
adalah antara 0 dan 1. Normalisasi ini dilakukan dengan cara memadukan nilai minimum dan maksimum dalam data. Persamaan 12 di bawah ini adalah perumusan normalisasi [4,
h.15]
min max
min
X X
X X
X
nor m
12 Di mana :
X
norm
= adalah nilai ternormalisasi X = data sebenarnya
X
min
= adalah nilai minimum dalam data X
max
= adalah nilai miksimum dalam data Fungsi dari normalisasi ini adalah memodifikasi level variabel ke nilai yang wajar.
Jika tidak dinormalisasi, nilai variabel bisa terlalu besar pada proses pelatihan. Normalisasi juga berfungsi untuk mengurangi fluktuasi dan
noise
di dalam data. Setelah data diproses dalam perangkat lunak peramalan JST, maka hasil dari
peramalan perlu di
denormalisasi.
Tahap ini berarti pembalikan ke nilai yang semula telah dinormalisasi menjadi nilai sesungguhnya.
35
3.3.3.
Mean Square Error
MSE
MSE digunakan untuk menganalisis hasil peramalan adalah dengan membandingkan nilai hasil dari peramalan dan data sebenarnya yang sudah dinormalisasi. Rumus ini
berfungsi untuk menghitung rata-rata
error
jaringan pada saat pembelajaran. MSE juga berfungsi untuk melihat perubahan tingkat kesalahan dari jaringan pada setiap iterasi. MSE
dapat digunakan sebagai batasan untuk menghentikan pelatihan sesuai target kesalahan yang sudah ditetapkan sebelumnya. Rumus 13 adalah cara menghitung MSE [4, h.8]:
n per amalan
hasil nilai
aktual nilai
MSE
n i
2 1
_ _
_
13
3.4. Pelatihan, Percobaan dan Pengujian JST
Tahap dimana data saham diproses dalam perangkat lunak peramalan JST. Melalui data saham yang sudah tersimpan di basis data, perangkat lunak peramalan JST akan
memproses data dengan algoritma yang ada di dalamnya.
3.4.1. Pelatihan JST
Tahap ini adalah tahap pembelajaran jaringan untuk mendapatkan bobot teroptimal yang mempengaruhi presepsi jaringan atas informasi yang dibawa data masukan dan
keluaran. Sebelum melakukan peramalan, jaringan perlu dilatih terlebih dahulu hingga batasan tertentu. Setelah batasan tersebut dicapai, maka peramalan dapat dilakukan dengan
berdasarkan bobot terakhir yang sudah disimpan. Terdapat banyak data saham yang disimpan di dalam basis data sekitar dari data dari
tahun 2003 sampai 2011. Setiap data
historical
masing-masing perusahaan disimpan berdasarkan tanggal hari kerja. Artinya dari rentang waktu tersebut, dapat dipilih dan dibagi
perusahaan apa serta kapan waktu yang akan digunakan sebagai data pelatihan dan data pengujian.
Pada penelitian ini, dipilih 6 waktu banyaknya pelatihan yaitu 1 bulan kerja 20 hari, 2 bulan kerja 40 hari, 3 bulan kerja 60 hari, 6 bulan kerja 120 hari, 1 tahun kerja 240
hari dan 2 tahun kerja 480 hari. Dengan variasi data di atas, akan dilakukan penelitian hubungan antara banyaknya variasi pelatihan dengan lama pelatihan serta hasil peramalan
JST.
