Pengambilan Data Pemodelan Data

25

3.2. Pengambilan dan Pemodelan Data

Data adalah bagian yang penting dalam penelitian ini. Tanpa data, maka penelitian tidak dapat dilakukan.

3.2.1. Pengambilan Data

Dalam analisis Teknikal saham, data historical adalah data yang akan menentukan peramalan tren saham di masa depan. Untuk itu, data historical ini harus dimiliki. Diagram alir pengambilan data digambarkan dalam gambar 3.2. Gambar 3.2 Diagram Alir Pengambilan Data Masuk ke halaman www.finance.yahoo.com Mulai Selesai Menyimpan data ke dalam basis data menggunakan program converter spread sheet ke SQL Server Pilih investing-market stats Pilih saham world-asiapasific Untuk menggunakan saham indonesia pilih saham Jakarta Composite Untuk melihat data saham pilih historical prices Pilih perusahaan yang akan dianalisis dan simpan berupa spread sheet 26 Data historical akan diproses dalam sistem peramalan JST dan menghasilkan data hasil peramalan. Data historical saham tersebut diambil dari 20 Perusahaan Perseroan Terbatas Terbuka di Bursa Efek Indonesia, yang akan diambil dari www.finance.yahoo.com dari tahun 2003-2011. Berikut adalah daftar perusahaan tersebut. - Bank Danamon Indonesia - Bank Mandiri - Indofood Sukses Makmur - Siantar Top - Gudang Garam - Bentoel Internasional Investama - Sentul City - Lippo Cikarang - Astra International - Gajah Tunggal - Mustika Ratu - Mandom Indonesia - Kimia Farma Persero - Darya-Varia Laboratoria - Indocement Tunggal Prakarsa - Holcim Indonesia - Aneka Tambang Persero - Resource Alam Indonesia - Astra Agro Lestari - Tunas Baru Lampung Perusahaan-perusahaan di atas diambil dari beberapa sektor saham sehingga memungkinkan variasi penelitian yang dipengaruhi dari faktor-faktor khas di tiap perusahaan. Data tiap perusahaan akan dibagi menjadi data pembelajaran dari JST dan data uji. www.finance.yahoo.com menyediakan data berupa file spread sheet, sehingga bisa dikonversi ke dalam bentuk basis data SQL.

3.2.2. Pemodelan Data

Penelitian ini menggunakan 4 variabel data masukan yaitu data harga pembukaan, tertinggi, terendah dan penutupan saham pada hari tersebut. Sedangkan untuk keluaran hanya menggunakan 1 variabel yaitu harga penutupan pada hari berikutnya. Pola jaringan tersebut akan dilatih dalam sekian banyak datahari. Tabel 3.1 akan menggambarkan gambaran dari pola pelatihan JST selama 20 hari. 27 Tabel 3.1 Gambaran Pola Pelatihan JST Indeks Nilai Data Masukan Nilai Data Keluaran Hari Tanggal Saham Harga Harga Harga Harga Harga Penutupan Pembukaan Tertinggi Terendah Penutupan Hari Berikutnya H-20 07 Oktober 2011 6150 6300 5950 6000 6250 H-19 10 Oktober 2011 6000 6250 5950 6250 6450 H-1 03 Nopember 2011 6950 7000 6800 6900 7200 H 04 Nopember 2011 7100 7250 7050 7200 Prediksi Tabel 3.1 menjelaskan bahwa pola latih sebanyak 20 hari h-20 sampai h-1. Data saham penutupan yang akan di prediksi adalah pada tanggal 7 Nopember 2011 tanggal 5 dan 6 Nopember adalah hari libur. JST akan melakukan pelatihan hingga target terpenuhi dan mendapatkan bobot yang terakhir. Dengan bobot yang terakhir tersebut, dapat diprediksi nilai harga saham penutupan pada tanggal 7 Nopember 2011. Data masukan untuk mendapatkan hasil prediksi tersebut merupakan data uji pada tanggal 04 Nopember 2011. Setelah ditentukan pola pembelajaran, maka arsitektur dari JST dapat dirancang dalam suatu arsitektur pemodelan data. Gambar 3.3 di bawah ini adalah arsitektur dari kedua algoritma. lapisan lapisan lapisan masukan tersembuyi keluaran harga pembukaan harga tertinggi harga penutupan harga terendah hari berikutnya harga penutupan Gambar 3.3 Arsitektur Pemodelan Jaringan Propagasi Mundur x 1 x 2 x 3 x 4 z 1 z 2 z 3 y 1 1 28 Keterangan gambar 3.3 adalah sebagai berikut : - x i menjelaskan neuron pada lapisan masukan - z j menjelaskan neuron pada lapisan tersembunyi - y menjelaskan neuron pada lapisan keluaran - v ij menjelaskan bobot antara lapisan masukan dan tersembunyi - v0 j menjelaskan bobot bias pada lapisan tersembunyi - w j menjelaskan bobot antara lapisan tersembunyi dan keluaran - w0 menjelaskan bobot bias pada lapisan keluaran - nilai 1 berarti bobot bias dikalikan dengan nilai awal 1 bobot lain dikalikan nilai dari neuron masukannya Gambar 3.3 menjelaskan bahwa pola sebanyak n data akan dipakai sebagai data pelatihan. 1 iterasi berarti pelatihan sudah dilakukan pada n data. Pelatihan pola tersebut akan terus berulang sampai iterasi mencapai iterasi maksimum yang ditentukan. Pelatihan juga akan berhenti saat MSE mencapai target error yang ditentukan. Gambar 3.4 akan menjelaskan arsitektur pemodelan data jaringan Fungsi Basis Radial. lapisan lapisan lapisan masukan tersembuyi keluaran harga pembukaan harga tertinggi harga penutupan harga terendah hari berikutnya harga penutupan Gambar 3.4 Pemodelan Data Fungsi Basis Radial Keterangan gambar 3.4 adalah sebagai berikut : - x i menjelaskan neuron pada lapisan masukan - h j menjelaskan neuron pada lapisan tersembunyi - y menjelaskan neuron pada lapisan keluaran - w j menjelaskan bobot antara lapisan tersembunyi dan keluaran Pemodelan data pada algoritma Fungsi Basis Radial memiliki perbedaan dengan x 1 x 2 x 3 x 4 h 1 h 2 h 3 y 29 Sistem Peramalan Tren Investasi Saham dipanggil simpan query pemodelan data algoritma Propagasi Mundur. Perbedaan itu terletak pada bagian antara lapisan masukan dan lapisan tersembunyi, di mana pemodelan pada algoritma Fungsi Basis Radial tidak memiliki bobot antara lapisan masukan dan tersembunyi. Hal ini dikarenakan algoritma ini melakukan pengelompokan clustering data terlebih dahulu. Fungsi pengelompokan tersebut adalah untuk membagi data berdasarkan kedekatan data ke cluster- cluster tertentu yang direpresentasikan ke dalam neuron pada lapisan tersembunyi. Setelah data dikelompokan, pelatihan jaringan dilakukan sampai iterasi mencapai target yang ditentukan. Selain perbedaan di atas, jaringan Fungsi Basis Radial juga tidak menggunakan bobot bias dalam pelatihan jaringan.

3.3. Perancangan Perangkat Lunak Peramalan JST