d. Estimasi parameter model GARCH. e. Uji kelayakan model.
f. Peramalan.
2. Peramalan kembali data hasil peramalan model GARCH dengan menggunakan model Backpropagation
a. Menetapkan tujuan sistem. b. Menentukan fungsi aktivasi.
c. Transformasi data. d. Pembagian data.
e. Perancangan arsitektur jaringan yang optimum. f. Penentuan koefisien laju pemahaman dan momentum.
g. Pemilihan arsitektur jaringan yang optimum sehingga siap digunakan dalam peramalan.
3.6 Analisis Data IHSG dengan Model Backpropagation
Pada tahap ini dilakukan peramalan data IHSG dengan model Backpropagation kemudian dihitung MAPE dari hasil peramalan model.
Dalam melakukan analisis data dengan model Backpropagation peneliti menggunakan software Matlab 7.0 sebagai alat bantu perhitungan. Adapun
langkah-langkah yang dilakukan dalam peramalan data IHSG dengan model Backpropagation adalah sebagai berikut:
1. Menetapkan tujuan sistem. 2. Menentukan fungsi aktivasi.
3. Transformasi data. 4. Pembagian data.
5. Perancangan arsitektur jaringan yang optimum. 6. Penentuan koefisien laju pemahaman dan momentum.
7. Pemilihan arsitektur jaringan yang optimum sehingga siap digunakan dalam peramalan.
3.7 Membandingkan Hasil Peramalan
Pada tahap ini setelah dilakukan peramalan dengan Neuro-GARCH kemudian hasil peramalan yang diperoleh dibandingkan dengan hasil peramalan dengan
jaringan saraf tiruan model Backpropagation dilihat dari nilai MAPE. Keakuratan peramalan dapat dilihat berdasarkan MAPE yang diperoleh dari masing-masing
metode. Jika MAPE lebih kecil berarti metode tersebut lebih akurat.
3.8 Membuat Kesimpulan.
Pada tahap ini dibuat kesimpulan hasil analisis data sekaligus memberikan saran yang berkaitan dengan pengembangan penelitian di masa yang akan datang.
BAB 4
HASIL DAN PEMBAHASAN
4.1 Analisis Data dengan Menggunakan Model Neuro-GARCH
Analisis data dengan menggunakan model Neuro-GARCH dilakukan dengan membentuk model GARCH dan melakukan peramalan dengan model yang
dihasilkan. Setelah mendapatkan hasil dari peramalan dengan model GARCH, maka akan diterapkan model Backpropagation terhadap hasil tersebut.
4.1.1 Peramalan dengan Menggunakan Model GARCH
4.1.1.1 Identifikasi Kestasioneran Data
Langkah awal yang dilakukan terhadap data pada peramalan menggunakan model GARCH adalah dengan melihat kestasioneran data. Hal ini diperlukan karena
untuk membentuk model GARCH data yang digunakan harus data yang stasioner. Kestasioneran data dapat dilihat dari grafik korelogram yang menunjukkan nilai
AC dan PAC. Nilai AC pada dua lag pertama adalah sebagai berikut:
dengan kesalahan standar:
Nilai AC dan PAC sampai lag ke-36 dapat dilihat pada korelogram yang dihasilkan program Eviews 8 adalah sebagai berikut:
Gambar 4.1. Korelogram data IHSG
Terlihat pada Gambar 4.1. bahwa grafik dari AC turun secara terus menerus namun tidak mendekati 0, sedangkan pada PAC pada lag pertama masih
melewati batas interval. Terlihat bahwa nilai AC masih jauh dari nilai kesalahan standar, sehingga diindikasikan bahwa data tidak stasioner. Hal ini diperkuat
dengan hasil pengujian Unit Root Test yang menunjukkan bahwa nilai lebih besar daripada
pada semua derajat kepercayaan Lampiran 3. Dari hasil uji unit akar Lampiran 3.a diperoleh nilai uji unit akar atau
nilai ADF adalah sebesar -1,758284, sedangkan nilai kritis lebih kecil dari nilai tersebut. Hasil ini memperkuat kesimpulan bahwa data tidak stasioner. Karena
data belum stasioner maka dilakukan pembedaan atau differencing untuk mendapatkan data yang stasioner. Proses pembedaan data asli adalah:
Selengkapnya hasil pembedaan data IHSG dapat dilihat pada lampiran 2.
Setelah dilakukan pembedaan, data diuji kembali dengan uji unit akar dan korelogram. Korelogram setelah dilakukan pembedaan adalah sebagai berikut:
Gambar 4.2. Korelogram data IHSG setelah pembedaan
Dengan perhitungan secara manual nilai AC pada dua lag pertama sebagai berikut:
dengan kesalahan standar
Korelogram hasil pembedaan data IHSG pada Gambar 4.2. menunjukkan perbedaan dibandingkan dengan sebelum pembedaan. AC sudah
tidak ada yang melewati garis putus-putus sebagai batas interval begitu pula PAC. Nilai AC dan PAC sudah dekat dan bahkan lebih kecil dari kesalahan standarnya.
Untuk pengujian unit akar Lampiran 3.b juga sudah menunjukkan hasil yang sama karena sudah memberikan nilai ADF yang lebih kecil dibandingkan nilai
kritisnya, sehingga dapat disimpulkan bahwa data sudah stasioner dan dapat dilanjutkan ke langkah selanjutnya.
4.1.1.2 Membentuk Persamaan Autoregresi Sebagai Model Awal
Persamaan autoregresi yang diperoleh untuk data Indeks Harga Saham Gabungan adalah model yang paling baik secara statistik. Diperoleh bahwa model terbaik
adalah model ARIMA 0,1,1 berbentuk .
4.1.1.3 Pengujian Heteroskedastisitas atau Efek ARCH pada Residual
Setelah memperoleh model terbaik maka langkah selanjutnya adalah melihat apakah terdapat efek ARCH atau heteroskedastisitas pada residual model tersebut.
Dengan menggunakan uji ARCH-LM yang terdapat pada program Eviews 8 Lampiran 3.c diketahui bahwa nilai F sebesar 9,284775
sebesar 5,991 sehingga mengindikasikan adanya heteroskedastisitas pada residual. Hal ini
sejalan dengan probabilitasnya yang berada jauh di bawah derajat kepercayaan 0,05. Hipotesis nol bahwa pada residual terdapat efek ARCH diterima. Dengan
demikian model GARCH dapat langsung digunakan tanpa menghilangkan heteroskedastisitas pada model.
4.1.1.4 Estimasi Parameter Model GARCH
Setelah diketahui bahwa model GARCH dapat diterapkan, maka langkah selanjutnya adalah mengestimasi parameter model dengan menggunakan
Maximum Likelihood Method yang terdapat pada Eviews 8. Dari beberapa orde model GARCH akan diseleksi untuk dilihat model mana yang paling baik dilihat
dari nilai AIC dan SIC terkecil yang terdapat pada tabel berikut:
Tabel 4.1 Tabel Nilai AIC dan SIC Variabel
GARCH 1,1 GARCH 1,2
GARCH 2,2 AIC
10,81556 10,82558
10,82897 SIC
10,67220 10,89015
10,90646
Hasil pada tabel menunjukkan bahwa nilai AIC dan SIC dari model GARCH untuk beberapa orde tidak terlalu berbeda. Tetapi di antara ketiga model
tersebut model GARCH 1,1 memiliki nilai AIC dan SIC yang paling kecil. Disimpulkan bahwa GARCH 1,1 adalah model terbaik sehingga akan digunakan
dalam peramalan IHSG pada penelitian ini. Dengan menggunakan Maximum Likelihood Method yang telah tersedia pada program Eviews 8 Lampiran 3.d
estimasi parameter model GARCH 1,1 dari model pendahuluan ARIMA 0,1,1 sebagai berikut:
4.1.1.5 Uji Kelayakan Model
Setelah memperoleh parameter persamaan GARCH 1,1 akan dilakukan pengujian kelayakan model tersebut untuk melihat efek ARCH, normalitas pada
residual, dan signifikasi parameter yang sudah diestimasi. Untuk melihat apakah residual berdistribusi normal atau tidak digunakan histogram-normality test
Lampiran 3.e. Kenormalan residual diketahui dengan menghitung nilai statistik Jarque Bera. Perhitungan nilai Jarque Bera diperlihatkan di bawah ini:
Hasil pengujian memperlihatkan bahwa nilai Jarque Bera sebesar 5,991 dan probabilitas Jarque Bera adalah 0,145217 Lampiran 3.f
lebih besar dari derajat kepercayaan 0,05, sehingga H ditolak dan residual
berdistribusi normal. Uji efek ARCH memberikan hasil yang menerima H yaitu
tidak terdapat efek ARCH pada residual model. Hal ini terlihat dari nilai F sebesar 2,0333282
sebesar 5,991 nilai probabilitasnya yang lebih besar derajat kepercayaan 0,05 Lampran 3.f. Begitu pula pada probabilitas parameter model
semua probabilitasnya sudah menunjukkan bahwa koefisien signifikan. Dari hasil pengujian sudah memenuhi kelayakan model sehingga model sudah dapat
digunakan dalam peramalan.
4.1.1.6 Peramalan
Model GARCH 1,1 yang diperoleh akan digunakan untuk meramalkan nilai Sebagaimana telah disebutkan, pada penelitian ini dilakukan peramalan pada
Indeks Harga Saham Gabungan saja tanpa meramalkan nilai varians. Hal ini disebabkan peneliti hanya ingin melihat nilai IHSG beberapa periode ke depan
tanpa menghitung value at risk yang dihitung menggunakan nilai varians. Dengan persamaan ARIMA 0,1,1:
diperoleh nilai dan
sebanyak 283 data. Nilai dan
akan menjadi input dan nilai akan menjadi target pada model Backpropagation. Nilai yang
dihasilkan masih berupa nilai karena pada analisis data awal dilakukan
pembedaan untuk mendapatkan hasil yang stasioner. Pada tahap akhir akan dilakukan transformasi untuk mendapatkan nilai IHSG yang asli.
4.1.2 Peramalan Data dengan Menggunakan Model Backpropagation
Perancangan model peramalan IHSG dengan metode jaringan saraf tiruan model Backpropagation terdiri dari langkah-langkah sebagai berikut:
1. Menetapkan tujuan sistem
Model jaringan yang dibangun menggunakan hasil peramalan yang telah diperoleh dari model GARCH dengan software Matlab 7.0.
2. Menentukan fungsi aktivasi Fungsi tansig, sigmoid biner log sigmoid, dan purelin masing-masing
digunakan sebagai fungsi aktivasi pada lapisan tersembunyi pertama, lapisan tersembunyi pertama dan keluaran.
3. Transformasi Data Data ditransformasi linear pada selang [0,1.0,9]. Oleh karena itu keluaran
yang dihasilkan jaringan akan berada pada nilai 0 sampai 1. Untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses
detransformasi linear.
4. Pembagian Data Data hasil peramalan dengan model GARCH dibagi menjadi 70 data
pelatihan dan 30 data pengujian. Terdapat 283 data harian dari Januari 2103-Februari 2014, sehingga data pelatihan 70 dari 283 = 198,1 hari,
digenapkan menjadi 198 hari 198 data dan 30 sisanya = 84,9 hari digenapkan menjadi 85 hari 85 data adalah data pengujian Lampiran 4
dan Lampiran 5.
5. Perancangan arsitektur jaringan yang optimum Peramalan IHSG ditentukan oleh nilai
dan hasil peramalan
model GARCH dengan dan
menjadi input dan menjadi target.
Arsitektur jaringan dibentuk dari 2 input, lapisan tersembunyi pertama dengan 10 neuron, lapisan tersembunyi kedua dengan 5 neuron dan 1
keluaran.
6. Penentuan koefisien laju pemahaman dan momentum Dari percobaan trial and error koefisien laju pemahaman dan momentum
masing-masing bernilai 0,1 dan 0,2 karena menghasilkan MSE terkecil.
7. Pemilihan arsitektur jaringan yang optimum siap digunakan pada peramalan
Pengolahan data Indeks Harga Saham Gabungan dengan metode backpropagation jaringan saraf tiruan dengan software Matlab 7.0 dapat
diperlihatkan sebagai berikut:
1. Masukan data input dan target: Data=[…];
P=Data:,1:4; T=Data:,5;
2. Preprocessing: [pn,meanp,stdp,tn,meant,stdt]=prestdP,T;
3. Membangun jaringan Kemudian dibangun jaringan saraf dengan metode pembelajaran
gradient descent dengan momentum traingdm: net=newffminmaxpn,[10 5 1],{tansig,logsig,purelin},traingdm;
4. Set bobot awal secara acak Inisialisasi bobot awal dilakukan dengan bilangan acak dan dilakukan
sampai menghasilkan MSE paling kecil MSE ≥ 0. Dalam penelitian
ini bobot yang sudah didapatkan sehingga menghasilkan MSE terkecil mendekati 0 adalah sebagai berikut:
Bobot awal lapisan input ke lapisan tersembunyi pertama: net.IW{1,1}=[…];
Bobot bias awal lapisan input ke lapisan tersembunyi pertama: net.b{1,1}=[…];
Bobot awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua: net.LW{2,1}=[…];
Bobot bias awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua:
net.b{2,1}=[…];
Bobot awal tersembunyi kedua lapisan output: net.LW{3,2}=[…];
Bobot bias awal tersembunyi kedua ke lapisan output: net.b{3,1}=[…];
5. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu parameter parameter yang digunakan sebagai berikut:
net.trainParam.epochs = 5000; net.trainParam.goal = 0.05;
net.trainParam.lr =0.1; net.trainParam.show = 200;
net.trainParam.mc = 0.2;
6. Kemudian dilakukan proses: net=trainnet,pn,tn;pause
7. Proses Pelatihan:
Gambar 4.3. Hasil pelatihan sampai 5000 epoch iterasi
Pada Gambar 4.3. terlihat bahwa performance jaringan telah goal berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai
goalnya dimana 0,00498846 0,05 dan berhenti pada epoh ke-259.
8. Untuk melihat bobot akhir: BobotAkhir_Input = net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1,1} BobotAkhir_Lapisan1=net.LW{2,1}
BoobotAkhir_Bias_Lapisan1=net.b{2,1} BobotAkhir_Lapisan2=net.LW{3,2}
BobotAkhir_Bias_Lapisan2=net.b{3,1}
9. Melakukan simulasi dan pengujian dilakukan terhadap data-data yang ikut dilatih:
an=simnet,pn;
a=poststdan,meant,stdt; H = [1:sizeP,2 T a T-a];
sprintf2d 9.2f 7.2f 5.2f\n,H
10. Evaluasi output jaringan data pelatihan dengan target Output jaringan dan target dianalisis dengan regresi linier menggunakan
postreg: [m1,a1,r1]=postrega,T
Menghasilkan: Gradient garis terbaik m1:
m1 = 0,8799
Konstanta: a1 = 0,1768
Persamaan garis untuk kecocokan terbaik : 0,8799T + 0,1768 Koefisien korelasi:
r1 = 0,9777
Koefisien korelasi bernilai 0,9777 mendekati 1, menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target Gambar 4.4.
Gambar 4.4. Hubungan antara target dengan output jaringan untuk data pelatihan
Untuk melihat perbandingan antara target dengan output jaringan: pause
plot[1:sizeP,2],T,bo,[1:sizeP,2],a,r; titleHasil Pengujian Dengan Data Pelatihan: Targeto, Output;
xlabelData Ke-;ylabelTargetOutput;pause
Selanjutnya perbandingan anatara target dengan output jaringan pada Gambar 4.5. Pada gambar tersebut, output jaringan dan target o
sebagian besar sudah berdekatan hampir semuanya menempati posisi yang sama. Hasil terbaik terjadi apabila posisi target o dan output
betul-betul berada pada posisi yang sama.
Gambar 4.5. Perbandingan antara target dengan output jaringan untuk data pelatihan
Selanjutnya pengujian akan dilakukan terhadap data-data yang tidak ikut dilatih data pengujian sebanyak 85 data, Lampiran 5. Misalnya
data cek disimpan pada matriks Q untuk input data dan
, serta matriks TQ untuk target yakni data
.
11. Input baru Q akan di tes, dengan target PQ: Cek=[…];
Q=Cek:,1:4; TQ=Cek:,5;
12. Normalisasi input baru Sebelumnya dilakukan normalisasi terlebih dahulu dengan trastd, hasil
simulasi didenormalisasi dengan poststd: Qn = trastd Q,meanp,stdp;
bn = sim net,Qn; b = poststd bn,meant,stdt;
L=[1:sizeQ,2 TQ b TQ-b]; sprintf2d 11.2f 9.2f 7.2f\n,L
menghasilkan output ramalan selama dua bulan ke depan periode Januari sampai Februari 2014 yang masih berbentuk
yang kemudian untuk menghasilkan data asli harus ditransformasi dengan menggunakan rumus:
Dari data pengujian ini telah diperoleh peramalan nilai output data selama dua bulan kedepan Lampiran 6. Untuk melihat error yang terjadi antara
data aktual dan hasil peramalan dilakukan perhitungan MAPE Lampiran 9 sedangkan hubungan antara target dengan output jaringan untuk data pengujian
dapat dilihat pada Gambar 4.6. berikut ini:
Gambar 4.6. Hubungan antara target dengan output jaringan untuk data pengujian
Pada Gambar 4.6. terlihat bahwa hasil pengujian yang dilakukan berdasarkan semua input data dan bentuk jaringan pada proses pelatihan. Untuk
melihat perbandingan antara target dengan output jaringan dapat dilihat pada Gambar 4.7. berikut ini:
Gambar 4.7. Perbandingan antara target dengan output jaringan untuk data pengujian
Gambar 4.7. memperlihatkan bahwa output o dan target mirip dalam penyebaran datanya. Hampir semua output dan target benar-benar berada pada
posisi yang sama, hanya beberapa yang tidak. Dengan demikian peramalannya bisa digunakan.
4.2 Analisis Data dengan Menggunakan Model Backpropagation
Perancangan model peramalan IHSG dengan metode jaringan saraf tiruan model Backpropagation terdiri dari langkah-langkah sebagai berikut:
1. Menetapkan tujuan sistem Model jaringan yang dibangun digunakan untuk meramalkan IHSG bulan
Januari-Februari 2014 berdasarkan data bulan Januari-Desember 2013 dengan software Matlab 7.0.
2. Menentukan fungsi aktivasi Fungsi tansig, sigmoid biner log sigmoid, dan purelin masing-masing
digunakan sebagai fungsi aktivasi pada lapisan tersembunyi pertama, lapisan tersembunyi pertama dan keluaran.
3. Transformasi Data Data ditransformasi linear pada selang [0,1.0,9]. Oleh karena itu keluaran
yang dihasilkan jaringan akan berada pada nilai 0 sampai 1. Untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses
detransformasi linear.
4. Pembagian Data Data IHSG periode Januari 2013-Februari 2014 dibagi menjadi 70 data
pelatihan dan 30 data pengujian. Terdapat 283 data harian dari Januari 2103-Pebruari 2014, sehingga data pelatihan 70 dari 283 = 198,1 hari,
digenapkan menjadi 198 hari 198 data dan 30 sisanya = 84,9 hari digenapkan menjadi 85 hari 85 data adalah data pengujian.
5. Perancangan arsitektur jaringan yang optimum Peramalan IHSG ditentukan oleh pergerakan 4 minggu sebelumnya setiap
bulan, yakni 1 minggu, 2 minggu, 3 minggu dan 4 minggu sebelumnya. Datanya diambil berdasarkan hari kerja yakni senin sampai jum’at dalam
setiap minggu, sehingga input sistem adalah pergerakan ke-t-15, t-10, t-5 dan t sedangkan target sistem adalah pergerakan ke- t+5. Dengan
demikian akan terdapat rentang data dari 16 hingga 138 terdapat 223 data. Dari data tersebut akan digunakan sebanyak 178 data untuk dilatih
Lampiran 7, sedangkan sisanya sebanyak 85 data akan digunakan sebagai data Lampiran 8. Arsitektur jaringan dibentuk dari 4 input,
lapisan tersembunyi pertama dengan 10 neuron, lapisan tersembunyi kedua dengan 5 neuron dan 1 keluaran.
6. Penentuan koefisien laju pemahaman dan momentum Dari percobaan trial and error koefisien laju pemahaman dan momentum
masing-masing bernilai 0,6 dan 0,8 karena menghasilkan MSE terkecil.
7. Pemilihan arsitektur jaringan yang optimum sehingga siap digunakan pada peramalan.
Pengolahan data Indeks Harga Saham Gabungan dengan metode backpropagation jaringan saraf tiruan dengan software Matlab 7.0 dapat
diperlihatkan sebagai berikut:
1. Masukan data input dan target: Data=[…];
P=Data:,1:4; T=Data:,5;
2. Preprocessing: [pn,meanp,stdp,tn,meant,stdt]=prestdP,T;
3. Membangun jaringan: Kemudian dibangun jaringan saraf dengan metode pembelajaran gradient
descent dengan momentum traingdm: net=newffminmaxpn,[10 5 1],{tansig,logsig,purelin},traingdm;
4. Set bobot awal secara acak: Inisialisasi bobot awal dilakukan dengan bilangan acak dan dilakukan
sampai menghasilkan MSE paling kecil MSE ≥ 0. Dalam penelitian ini
bobot yang sudah didapatkan sehingga menghasilkan MSE terkecil mendekati 0 adalah sebagai berikut:
Bobot awal lapisan input ke lapisan tersembunyi pertama: net.IW{1,1}=[…];
Bobot bias awal lapisan input ke lapisan tersembunyi pertama: net.b{1,1}=[…];
Bobot awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua: net.LW{2,1}=[…];
Bobot bias awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua: net.b{2,1}=[…];
Bobot awal tersembunyi kedua lapisan output: net.LW{3,2}=[…];
Bobot bias awal tersembunyi kedua ke lapisan output: net.b{3,1}=[…];
5. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu parameter parameter yang digunakan sebagai berikut:
net.trainParam.epochs = 5000; net.trainParam.goal = 0.05;
net.trainParam.lr =0.6; net.trainParam.show = 200;
net.trainParam.mc = 0.8;
6. Kemudian dilakukan proses: net=trainnet,pn,tn;pause
7. Proses Pelatihan:
Gambar 4.8. Hasil pelatihan sampai 5000 epoch iterasi
Pada Gambar 4.8 terlihat bahwa performance jaringan telah goal berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai goalnya dimana
0,0049935 0,05 dan berhenti pada epoh ke-3864.
8. Untuk melihat bobot akhir: BobotAkhir_Input = net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1,1} BobotAkhir_Lapisan1=net.LW{2,1}
BoobotAkhir_Bias_Lapisan1=net.b{2,1} BobotAkhir_Lapisan2=net.LW{3,2}
BobotAkhir_Bias_Lapisan2=net.b{3,1}
9. Melakukan simulasi dan pengujian dilakukan terhadap data-data yang ikut dilatih:
an=simnet,pn; a=poststdan,meant,stdt;
H = [1:sizeP,2 T a T-a];
sprintf2d 9.2f 7.2f 5.2f\n,H
10. Evaluasi output jaringan data pelatihan dengan target Output jaringan dan target dianalisis dengan regresi linier menggunakan
postreg: [m1,a1,r1]=postrega,T
Menghasilkan: Gradient garis terbaik m1:
m1 = 0,9482 Konstanta:
a1 = 242,2379
Persamaan garis untuk kecocokan terbaik : 0.9482T + 242,2379 Koefisien korelasi:
r1 = 0,97454
Koefisien korelasi bernilai 0,97454 mendekati 1, menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target Gambar 4.9
Gambar 4.9. Hubungan antara target dengan output jaringan untuk data pelatihan
Untuk melihat perbandingan anatara target dengan output jaringan: pause
plot[1:sizeP,2],T,bo,[1:sizeP,2],a,r; titleHasil Pengujian Dengan Data Pelatihan: Targeto, Output;
xlabelData Ke-;ylabelTargetOutput;pause
Selanjutnya perbandingan antara target dengan output jaringan pada Gambar 4.10. Pada gambar tersebut, output jaringan o dan target
sebagian besar sudah berdekatan hampir semuanya menempati posisi yang sama. Hasil terbaik terjadi apabila posisi target o dan output
betul-betul berada pada posisi yang sama.
Gambar 4.10. Perbandingan antara target dengan output jaringa untuk data pelatihan
Selanjutnya pengujian akan dilakukan terhadap data-data yang tidak ikut dilatih Data pengujian sebanyak 85 data pada tabel. Misalnya
data cek disimpan pada matriks Q untuk input data t-15, t-10, t-5 dan t, serta matriks TQ untuk target yakni data t+5.
11. Input baru Q akan di tes, dengan target PQ: Cek=[…];
Q=Cek:,1:4; TQ=Cek:,5;
12. Normalisasi input baru Sebelumnya dilakukan normalisasi terlebih dahulu dengan trastd, hasil
simulasi didenormalisasi dengan poststd: Qn = trastd Q,meanp,stdp;
bn = sim net,Qn; b = poststd bn,meant,stdt;
L=[1:sizeQ,2 TQ b TQ-b]; sprintf2d 11.2f 9.2f 7.2f\n,L
dihasilkan output ramalan selama dua bulan ke depan periode Januari sampai Februari 2014 dan dihitung MAPE untuk melihat keakuratan
peramalan Lampiran 10.
Dari data pengujian ini telah diperoleh peramalan nilai output data selama dua bulan kedepan. Untuk melihat hubungan antara target dengan output
jaringan untuk data pengujian seperti terlihat pada Gambar 4.11 berikut ini:
Gambar 4.11. Hubungan antara target dengan ouput jaringan untuk data pengujian
Pada Gambar 4.11. terlihat bahwa hasil pengujian yang dilakukan berdasarkan semua input data dan bentuk jaringan pada proses pelatihan. Untuk
melihat perbandingan antara target dengan output jaringan dapat dilihat pada Gambar 4.12. berikut ini:
Gambar 4.12. Perbandingan antara target dengan output jaringan untuk data pengujian
Pada Gambar 4.12. memperlihatkan bahwa output dan target o hampir mirip dalam penyebaran datanya, namun keduanya tidak terlalu
berdekatan. Hanya beberapa output dan target yang benar-benar berada pada posisi yang sama, sementara yang lainnya tidak. Meskipun demikian
peramalannya tetap bisa digunakan.
4.3 Perbandingan Hasil Peramalan Model Neuro-GARCH dengan Model
