Algoritma Pelatihan LANDASAN TEORI

22  adalah konstanta 0 ≤  ≤ 1 yang menyatakan parameter momentum maka bobot baru dihitung berdasarkan persamaan :   1 1       t w t w z t w t w kj kj j k kj kj   2.17 dan   1 1       t v t v x t v t v jij jij i j jij ji   2.18 Algoritma gradient descent dengan adaptive learning rate, dasarnya sama dengan algoritma gradient descent standard dengan beberapa perubahan. Pertama- tama dihitung terlebih dahulu nilai output jaringan dan error pelatihan. Pada setiap epoch, bobot-bobot baru dihitung dengan menggunakan learning rate yang ada. Kemudian dihitung kembali output jaringan dan error pelatihan. Jika perbandingan antara error pelatihan yang baru dengan error pelatihan lama melebihi maksimum kenaikan kinerja max_perf_inc, maka bobot-bobot baru tersebut akan diabaikan, sekaligus nilai learning rate akan dikurangi dengan cara mengalikannya dengan lr_dec. Sebaliknya, apabila perbandingan antara error pelatihan baru dengan error pelatihan lama kurang dari maksimum kenaikan kinerja, maka nilai bobot-bobot akan dipertahankan, sekaligus nilai learning rate akan dinaikkan dengan cara mengalikannya dengan lr_inc. Dengan cara ini, apabila learning rate terlalu tinggi dan mengarah ke ketidakstabilan, maka learning rate akan diturunkan. Sebaliknya jika learning rate terlalu kecil untuk menuju konvergensi, maka learning rate akan dinaikkan. Dengan demikian, maka algoritma pembelajaran akan tetap terjaga pada kondisi stabil. 23 Algoritma gradient descent with momentum and adaptive learning traingdx merupakan penggabungan antara algoritma gradient descent with adaptive learning traingda dan algoritma gradient descent with momentum traingdm. Algoritma ini merupakan algoritma default yang digunakan oleh scilab karena memiliki performa kecepatan pelatihan yang tinggi. Simulasi dilakukan baik pada periode training maupun periode testing. Salah satu cara yang dapat digunakan untuk melakukan evaluasi terhadap jaringan syaraf yang digunakan adalah dengan menggunakan analisis regresi terhadap respon jaringan dan target yang diharapkan. Analisis ini akan dilakukan dengan fungsi postreg yang terdapat pada SCILAB. Perambatan galat mundur Backpropagation merupakan sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan training set. 24

BAB III METODE PENELITIAN

3.1 Waktu Penelitian

Penelitian ini dilakukan pada Bulan April 2011 sampai dengan Bulan November 2011, terhadap salah satu indeks saham Bursa Efek Indonesia yaitu Indeks Bisnis-27. Pemilihan indeks ini sebagai objek penelitian dikarenakan indeks ini masih baru dan pengambilan data yang diambil pada tahun pertamanya antara 2009-2010 mempunyai kinerja yang baik dan perkembangannya berada pada tren positif selama setahun terakhir.

3.2 Metode Pengumpulan Data

Dalam penelitian ini data yang digunakan merupakan data kuantitatif indeks saham bisnis-27. Sedangkan untuk jenis data yang digunakan dalam penelitian ini yaitu jenis data skunder. Data sekunder yang digunakan yaitu data indeks harga saham bisnis-27, data yang digunakan berupa data indeks saham periode harian dari bulan Februari 2009 sampai dengan bulan Desember 2010. Data dicatat sesuai dengan banyaknya hari kerja yaitu satu minggu terdiri dari lima hari kerja dan hari libur tidak dicatat, dengan jumlah observasi T= 471. Data diperoleh secara literatur dari salah satu situs yang membahas tentang saham di Indonesia [2]. 25

3.3 Metode Pengolahan Data

Metode pengolahan data yang dilakukan dalam penelitian ini yaitu menggunakan metode Jaringan Syaraf Tiruan dengan menggunakan scilab. Pemilihan metode ini karena data yang digunakan merupakan suatu data runtun waktu harian yang terjadi secara bersamaan mengikuti pergerakan data deret waktu yang lainnya. Sedangkan pada JST tersebut digunakan pelatihan jaringan syaraf backpropagation momentum dengan adaptive learning. Adapun langkah-langkah pengolahan data dalam jaringan syaraf tiruan backpropagation adalah sebagai berikut: 1. Definisikan pola masukan dan targetnya Dalam penelitian ini, pola masukkan bisa kita definisikan sebagai data x hari dan targetnya adalah data hari berikutnya. Maka beberapa contoh pola masukannya diilustrasikan pada tabel 3.1. Tabel 3.1. Indeks harga saham Bisnis-27 Januari2009 x-1 x Target 121.910 120.096 120.841 120.096 120.841 121.790 120.841 121.790 118.963 .... .... .... Adapun penjelasan pada tabel 3.1 yaitu pada baris pertama, x-1 dan x adalah data tanggal 27 dan 28 Januari 2009 sedangkan targetnya adalah data tanggal 29 januari 2009. Pada baris ke dua, x-1 dan x adalah data tanggal 28 dan 29