Gambar 3.1 Grafik Harga Saham Jakarta Islamic Index JII Hani, 2014
Data akan dikelompokkan menjadi data pelatihan dan data pengujian. Data pelatihan yang digunakan adalah data harian harga saham JII dari tanggal 1 Januari 2004 s.d. 31
Desember 2010. Sedangkan untuk data testing yang digunakan adalah data saham JII tanggal 1 Januari 2011 s.d. 31 Desember 2012.
3.3 Analisis Sistem dengan Metode SECoS
Aplikasi prediksi harga saham syariah yang dibangun bertujuan untuk membuktikan keakuratan hasil prediksi harga saham tersebut. Data yang digunakan untuk
memprediksi harga tersebut menggunakan data time series yang lalu. Adapun bagan dari aplikasi ini akan ditampilkan pada Gambar 3.2.
100 200
300 400
500 600
700
2000000000000 4000000000000
6000000000000 8000000000000
10000000000000 12000000000000
14000000000000 16000000000000
18000000000000 20000000000000
2 1
2004 17
07 2004
27 12
2004 8
6 2005
18 11
2005 30
04 2006
10 10
2006 22
03 2007
1 9
2007 11
2 2008
23 07
2008 2
1 2009
14 06
2009 24
11 2009
6 5
2010 16
10 2010
28 03
2011 7
9 2011
17 02
2012 29
07 2012
H a
rga V
o lu
m e
Grafik Data Saham Jakarta Islamic Index Priode 2004 - 2012
Volume Open
High Low
Close
Universitas Sumatera Utara
Gambar 3.2 Arsitektur dari SECoS
Tahapan pada prediksi saham syariah ini dibagi menjadi 3 tahap yaitu tahap normalisasi, training, dan testing.
3.3.1 Tahap Normalisasi Data
Tahapan normalisasi data adalah tahap untuk membuat data yang akan diolah berada pada range tertentu, agar pada pemrosesan data angka yang akan diolah tidak terlalu
besar. Proses normalisasi dimulai dengan mencari nilai maksimum dan minimum untuk setiap data yang akan dinormalisasi. Kemudian memasukkan data yang
dibutuhkan kedalam persamaan 3.1 untuk mendapatkan nilai dari normalisasi data. Normalisasi data yang telah diambil pada range dari 0,1 sd 0,9 berdasarkan
persamaan 3.1. Adapun rumus untuk melakukan normalisasi data pada range 0,1 sampai 0,9 adalah sebagai berikut Hani, 2014:
� = 0,8
� − � � − �
+ 0,1 3.1
dimana: y = nilai normalisasi
x = nilai data saham a = nilai minimum dari data saham
b = nilai maximum dari data saham.
Universitas Sumatera Utara
Flowchart dari normalisasi data dapat dilihat pada gambar 3.3.
START
Min_d = minimumdata
Max_d = maximumdata
i=0
i total_data Normalisasi_datai = 0.8
datai – min_d max_d – min_d + 0.1
TRUE
i++
SELESAI FALSE
Gambar 3.3 Flowchart Normalisasi Data
3.3.2 Tahap Training Data
Tahapan dari proses training atau pelatihan adalah tahapan melatih data saham syariah dahulu agar memperoleh bobot yang akan digunakan untuk proses memprediksi harga
saham syariah di masa yang akan datang. Tahapan pelatihan adalah sebagai berikut :
1. Memasukkan data saham JII yang akan diprediksi. 2. Menginputkan interval hari untuk kebutuhan prediksi interval antara tanggal
acuan dengan tanggal target prediksi. 3. Menginputkan rentang tanggal data pelatihan data untuk pelatihan dimulai dari
tanggal ini. 4. Generate vector pelatihan. Vector ini merupakan kumpulan pasangan input dan
output yang akan diproses didalam jaringan SECoS. Flowchart dari generate vector dapat dilihat pada gambar 3.4.
Universitas Sumatera Utara
START
Tanggal_awal
Tanggal_akhir
Interval_hari Cari pasangan hari
berdasarkan interval antara
tanggal_awal sd tanggal_akhir
Simpan pasangan tersebut kedalam
vector
FINISH
Gambar 3.4 Flowchart Generate Vector Pelatihan
5. Menginputkan data parameter pelatihan sensitivity threshold, error threshold, learning rate 1, dan learning rate 2.
6. Ambil seluruh data yang digenerate dari rentang tanggal sesuai tanggal yang dipilih dari dalam database sebagai data training.
7. Membuat layer pertama dan node-node nya r
1
dan menginialisasikan bobot input W
i,1
sesuai input vector I dan bobot output W
1,p
sesuai output vector O
d
. 8. Untuk setiap data training, hitung nilai aktivasi untuk dari setiap node yang ada
dengan menggunakan persamaan 2.1. 9. Cari node pada evolving layer yang memiliki nilai aktivasi lebih besar dari
parameter sensitivity threshold. Jika terdapat node yang memiliki nilai aktivasi lebih besar dari parameter sensitivity threshold, maka lakukan propagasi data ke
output layer. Jika tidak ada, maka buat node baru, update nilai bobotnya W
i,j
dan W
j,p
, dan kembali ke langkah 7. 10. Hitung nilai error dari output layer. Jika nilai error lebih besar dari parameter
error threshold, maka buat node baru dan kembali ke langkah 7. Jika nilai error lebih kecil dari parameter error threshold, maka lakukan perubahan nilai bobot
winning hidden nodeW
i,j
dan W
j,p
dengan menggunakan persamaan 2.3 dan 2.4.
Universitas Sumatera Utara
START
i=1
i=total vector data pelatihan
Ambil data acuan open, close, high,
low, volume
Jadikan data acuan sebagai
data pada input layer
YA Propagasi data
pada jaringan mulai dari input
layer hingga output layer
Apakah MAXaktivasi
Pada evolving layer
sensitivity threshold
YA Propagasi data
pada jaringan mulai dari evolving
layer hingga output layer
TIDAK
Apakah MINaktivasi
pada Output layer
Error threshold
Tambah node baru pada
Evolving layer
Tambah node baru pada
Output layer YA
Update koneksi pada node
pemenang di evolving layer
TIDAK
Dari semua node pemenang Pada masing-masing vector
pelatihan, ambil node dengan error terkecil
sebagai bobot yang dipilih TIDAK
Simpan bobot terpilih
FINISH Interval hari yang
akan diramal
Generate vector pelatihan
berdasarkan interval hari dan
range tanggal data pelatihan
Tanggal awal pelatihan
Tanggal akhir pelatihan
i++
Gambar 3.5 Flowchart Proses Training Data
Universitas Sumatera Utara
3.3.3 Tahap Testing Data
Tahapan dari proses testing atau pengujian adalah tahapan dimana bobot yang telah diperoleh dari proses pelatihan diuji untuk memprediksi harga saham syariah di masa
yang akan datang. Tahapan pelatihan adalah sebagai berikut :
1. Menginputkan interval hari untuk kebutuhan prediksi interval antara tanggal
acuan dengan tanggal target prediksi. 2.
Menginputkan rentang tanggal data pengujian data untuk pelatihan dimulai dari tanggal ini.
3. Generate vector pengujian. Vector ini merupakan kumpulan pasangan input dan
output yang akan diproses didalam jaringan SECoS. Flowchart dari generate vector dapat dilihat pada gambar 3.6.
START
Tanggal_awal
Tanggal_akhir
Interval_hari Cari pasangan hari
berdasarkan interval antara
tanggal_awal sd tanggal_akhir
Simpan pasangan tersebut kedalam
vector
FINISH
Gambar 3.6 Flowchart Generate Vector Pengujian
4. Ambil seluruh data yang digenerate dari rentang tanggal sesuai tanggal yang
dipilih dari dalam database sebagai data testing. 5.
Untuk setiap data testing, hitung nilai aktivasi untuk dari setiap node yang ada dengan menggunakan persamaan 2.1.
6. Cari node r
j
yang memiliki nilai aktivasi tertinggi dan lakukan propagasi data ke output layer melalui node tersebut.
Universitas Sumatera Utara
7.
Lakukan proses denormalisasi data. Denormalisasi data adalah proses dimana mengembalikan data pada nilai yang sebenarnya setelah data masukan yang
telah dinormalisasi diproses dan diperoleh hasil prediksi dengan menggunakan persamaan 3.2 berikut:
� = � − 0,1� − � + 0,8�
0,8 3.2
dimana:
y = nilai hasil prediksi x = nilai hasil denormalisasi
a = nilai minimum dari data saham b = nilai maximum dari data saham
Flowchart dari denormalisasi data dapat dilihat pada gambar 3.7.
START
Min_d = minimumdata
Max_d = maximumdata
i=0
i total_data Denormalisasi_datai =
datai – 0.1 Max_d – Min_d + 0.8 Min_d
0.8 TRUE
i++
SELESAI FALSE
Gambar 3.7 Flowchart Denormalisasi Data
Universitas Sumatera Utara
8. Hitung besar kesalahan prediksi dengan menggunakan MAPE Mean Absolute
Percentage Error. Persamaan yang digunakan adalah sebagai berikut:
���� = ∑ �
| �−�|
�
� �
× 100 3.3 dimana:
a = data sebenarnya
b = data prediksi
n = banyak data
START
i=1
i=total vector data pelatihan
Ambil data acuan open, close, high,
low, volume
Jadikan data acuan sebagai
data pada input layer
YA Propagasi data
pada jaringan mulai dari input
layer hingga output layer
TIDAK FINISH
Hitung error hasil propagasi
Tampilkan hasil propagasi dari
semua vector Interval hari yang
akan diramal
Generate vector pelatihan
berdasarkan interval hari dan
range tanggal data pelatihan
Tanggal awal pelatihan
Tanggal akhir pelatihan
Gambar 3.8 Flowchart proses testing
Universitas Sumatera Utara
3.4 Perancangan Aplikasi