analisis accelarated learning pada … · memperlihatkan aplikasi model artificial neural networks...

Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015

154

ANALISIS ACCELARATED LEARNING PADA

BACKPROPAGATION DALAM PERAMALAN

INDEKS HARGA SAHAM GABUNGAN

Oleh : Armansyah Barus

Magister (S2) Teknik Informatika Universitas Sumatera Utara

Jl. Universitas No. 24A Kampus USU

[email protected]

ABSTRAK

Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam

menentukan kapan harus menjual dan membeli suatu indeks saham. Banyak teori

metematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat

tetapi system peramalan yang sering digunakan masih statis. Untuk kasus yang

nilainya dinamis, sangatlah sulit dalam pengembangan model matematisnya.

Sesuai dengan perkembangan teknologi komputer, penerapan metode Artificial

Neural Network menjadi lebih mudah dalam memodelkan system dinamis.

Resilient Backpropagation adalah salah satu model Artificial Neural Network

(ANN) yang telah diimplementasikan untuk peramalan indeks saham. Risilient

Backpropagation mempunyai kemampuan untuk melakukan pembelajaran dan

meramalkan data keluaran pada waktu mendatang berdasarkan hasil

pembelajaran yang telah dilakukan. Pada penelitian ini, metode ANN akan

diterapkan untuk meramalkan harga Open, High, Low dan Close dalam indeks

saham Bursa Efek Indonesia. Dengan data berupa harga saham harian, jaringan

syaraf tiruan yang dirancang akan menghasilkan bobot-bobot yang digunakan

untuk meramal harga saham di hari berikutnya. Dalam penelitian ini, dapat

disimpulkan jaringan yang menggunakan variabel input harga opening, high, low

dan close dan variabel output open, high, low dan close dengan menggunakan

dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node

hidden layer2 150 menghasilkan keakuratan peramalan yang paling baik.

Penelitian ini masih dalam tahap awal, dimana masih banyak faktor yang dapat

dikembangkan atau diteliti lebih lanjut.

Kata Kunci : Resilient Backpropagation, Peramalan, Saham.

mailto:[email protected]


155

ABSTRACT

Forecasting stock is much needed equity investor in deciding when to

sell and buy a stock index. Metematis many theories that have been used toget the

right results but forecasting system that is ofte nusedisstatic. Forcases whose

value is dynamic, it is difficult in the development of mathematical models. In

accordance with the development of computer technology, the application of

Artificial Neural Network method becomes easier to model the dynamic system.

Resilient Back propagation is one model of Artificial Neural Network (ANN),

which has been implemented for forecastings to ckindex. Risilient Back

propagation learning has the ability toout put data and predict the future based

on the learning outcomes that have been done. In this study, ANN method will be

applied to forecast price of the Open, High, Low and Close in the Indonesia

Stock Exchanges to ckindex. With the data in the form of daily stock prices,

artificial neural networks are designed to give the weights that are used to

predict the stock price in the next day. In this study, we can conclude that the net

work uses the input variable opening price, high, low and close and output

variables open, high, low and closeusing the two (2) hidden layer with the

number of nodesand the number 100 hidden layer1 layer215 0hidden nodes

produce the best forecasting accuracy. This researchis stillin its early stages,

where there are many factors that can be developedor research edfurther.

Keywords: Resilient Back propagation, Forecasting, Stock.

PENDAHULUAN

Peramalan adalah menduga

atau memperkirakan suatu keadaan

di masa yang akan datang

berdasarkan keadaan masa lalu dan

sekarang yang diperlukan untuk

menetapkan kapan suatu peristiwa

akan terjadi, sehingga tindakan yang

tepat dapat dilakukan (Makridakis,

1999).

Penelitian ini

memperlihatkan aplikasi model

Artificial Neural Networks (ANN)

atau Jaringan Syaraf Tiruan (JST)

dalam bidang ilmu keuangan,

khususnya untuk aplikasi Financial

Forecasting. Artificial Neural

Networks (ANN) merupakan sebuah

model peramalan yang relative baru

untuk aplikasi Financial Forecasting.

Financial Forecasting disini

menunjukkan pada peramalan atau

prediksi harga saham di pasar modal,

atau yang sering disebut stock

forecasting.

JST memiliki beberapa

metode yang dapat digunakan seperti

Hopfield, Perceptron, Adaline dan

Backpropagation. Diantara metode-

metode tersebut, Backpropagation

merupakan metode yang paling

sering digunakan karena metode ini

menurunkan gradien untuk

meminimalkan penjumlahan error

kuadrat dari output jaringan

(Puspitaningrum, 2006).


157

Data yang digunakan dalam

penelitian ini adalah indeks pasar

yang meliputi IHSG dan LQ 45. Data

telah diperoleh dalam format runtun

waktu (times series) mulai dari bulan

Januari tahun 2012 sampai bulan

Desember 2012.

Rancangan sistem terdiri dari

preprocessing data yaitu tahap

normalisasi data kedalam range [0-

1]. Setelah arsitektur jaringan

ditentukan maka dilakukan proses

training, dimana sistem akan dilatih

sehingga dapat mengenali pola

pasangan data input dan data target.

Testing dilakukan untuk mengetahui

apakah sistem mampu memberikan

hasil yang benar terhadap pasangan

data input dan target yang belum

pernah dilatih kedalam sistem.

Gambar 3.1 adalah rancangan umum

dari sistem yang akan dibangun pada

penelitian ini, yaitu:

Gambar 3.1 analisis system

Variabel data masukan

merupakan sekumpulan data serial

atau berkala dari transaksi pada suatu

jangka waktu. Di dalam sistem

peramalan jaringan syaraf tiruan ini,

data masukan yang digunakan yaitu :

a. Harga Pembuka

Harga saham pembuka yang

diperoleh pada satu hari

transaksi saham di bursa efek.

Diinisialisasikan dengan

variabel X1.

b. Harga Tertinggi

Harga saham tertinggi yang




variabel X2.

c. Harga Terendah

Harga saham terendah yang




variabel X3.

d. Harga Penutup

Harga penutupan saham yang

menjadi penutupan transaksi

saham pada hari itu.


variabel X4.

Output berhubungan langsung

dengan fungsi aktivasi, sehingga

target output dari pasangan data

pelatihan harus memiliki rentang

nilai yang sama dengan output fungsi

aktivasi yakni antara -1 sampai 1.

Output yang dihasilkan akan

digunakan untuk memprediksi harga

Open, high, Low dan close sesuai

dengan nilai input yang dimasukkan

oleh pengguna.

Training

Testing

Postprocess

ing Selesai

Mulai

Preprocessi

ng

Arsitektur

JST

156


158

Sebelum melakukan

perhitungan Output, yang harus

dilakukan terlebih dahulu adalah

melakukan training untuk

mendapatkan pola pembelajaran

pergerakan harga sesuai dengan data-

data yang tersimpan dalam database.

Epoch yang semakin besar akan

memakan waktu yang semakin lama,

namun pola yang dihasilkan dari

proses training akan lebih baik

dibanding Epoch yang kecil namun

tidak memakan waktu yang lama.

Data yang digunakan dalam

penelitian ini adalah database indeks

pasar yang meliputi IHSG dan LQ

45. Data telah diperoleh dalam

format runtun waktu (times series)

mulai dari bulan Januari tahun 2012

sampai bulan Desember 2012. Data

kemudian disusun dan dipilih

variabel faktor-faktor yang

mempengaruhi harga saham dengan

record data yang memiliki informasi

paling lengkap. Berdasarkan data

tersebut, kemudian digunakan

sebanyak 260 kasus untuk masing-

masing kategori. Data tersebut

kemudian akan di bagi menjadi 2

bagian, yaitu data pelatihan

(training), data pengujian (testing).

Sebanyak 50% data digunakan untuk

proses training dan 50% data

digunakan untuk proses testing.

Data yang telah dianalisis

kemudian dinormalisasi sehingga

dapat dikenali oleh fungsi aktifasi

yang akan digunakan. Pada

penelitian ini, data di normalisasi

kedalam range [0-1] berdasarkan

rumus :

X’=

𝟎.𝟖(𝒙−𝒎𝒊𝒏)

𝒎𝒂𝒙−𝒎𝒊𝒏 + 0.1(Siang,

2004)

Dengan:

x’ = x yang telah

dinormalisasi

x = x sebelum dinormalisasi

min = nilai minimum dari seluruh

data

max = nilai maksimum dari

seluruh data

Arsitektur jaringan saraf tiruan

terdiri dari lapisan input (input

layer), lapisan tersembunyi (hidden

layer) dan lapisan output (output

layer). Berikut adalah rincian

arsitektur jaringan saraf tiruan yang

digunakan:

1. Lapisan masukan (input

layer) terdiri 4 neuron dan

ditambah sebuah bias.

2. Lapisan tersembunyi (hidden

layer) terdiri dari n lapis.

Banyaknya jumlah neuron

pada hidden layer yang akan

digunakan ditentukan

berdasarkan percobaan yang

dilakukan beberapa kali

untuk mendapat arsitektur

terbaik, Setiap masing-

masing hidden layer akan

ditambah dengan sebuah bias.

3. Lapisan keluaran (output

layer) yang digunakan

sebanyak satu lapis dengan 1

neuron.

Fungsi aktivasi yang akan

digunakan dari input layer menuju

hidden layer pertama adalah fungsi

aktivasi sigmoid, begitu juga dari

hidden layer pertama menuju hidden

layer kedua menggunakan fungsi

aktivasi sigmoid sedangkan pada

157


159

output layer akan digunakan fungsi

aktivasi linier dengan nilai minimal

error yaitu 0.01 dengan nilai

learning rate yang berada pada

range 0.1 sampai dengan 0.9.

Rancangan arsitektur secara umum

dapat dilihat pada gambar 3.2.

Keterangan :

X = input neuron pada input layer

Z = hidden neuron pada hidden layer

Y = output neuron pada output layer

V11,..Vn = bobot dari input layer ke

hidden layer pertama

W11,..Wn = bobot dari hidden layer

pertama ke hidden layer kedua

1 = bias dari input layer ke hidden

layer

Proses training pada JST

memerlukan data input dan data

target. Training meliputi proses

iteratif dari data input yang

dimasukkan ke dalam jaringan

sehingga jaringan dapat belajar dan

menyesuaikan data yang dilatih

dengan data target yang diinginkan.

Training dilakukan untuk mencari

nilai bobot yang menghubungkan

semua neuron sehingga

meminimalkan error yang dihasilkan

oleh output jaringan.

Proses training JST

menggunakan sebanyak 50% jumlah

data yang terdiri dari input data dan

output target, kemudian data training

dinormalisasi sebelum diproses

kedalam jaringan. Pada proses ini

akan dilakukan pelatihan dengan

arsitektur JST dari jumlah hidden

neuron yang berbeda-beda. Setiap

arsitektur yang diuji tersebut akan

menghasilkan bobot pelatihan yang

nantinya akan digunakan sebagai

bobot awal pada proses testing.

Kemudian inisialisasi bobot dan bias

untuk menghitung nilai output dari

setiap neuron yang akan

dikalikan dengan fungsi aktivasi dan

learning rate.

Setelah nilai output jaringan

pada lapisan output diperoleh, hitung

nilai error dari jaringan, kemudian

nilai error dibandingkan dengan nilai

error target yang telah ditetapkan.

Jika error jaringan yang dihasilkan

tidak lebih kecil atau sama dengan

nilai error yang telah ditetapkan,

maka akan dilakukan proses

158


160

backprop dengan memodifikasi

bobot jaringan dan bias pada iterasi

tertentu hingga didapatkan nilai

error minimum mendekati error

target yang telah ditetapkan

sebelumnya. Ketika kondisi error

lebih kecil daripada error target

maka bobot tersebut akan disimpan

sebagai bobot terpilih dalam proses

training. Berikut adalah flowchart

training Resilient Backpropagation:

Perhitungan error digunakan untuk

menguji keakurasian jaringan.

Tujuannya yaitu memperoleh nilai

error seminimal mungkin dengan

cara mengganti nilai bobot yang

terhubung pada semua neuron secara

iteratif. Pada penelitian ini,

perhitungan error yang digunakan

adalah Mean Square Error (MSE)

yang merupakan rata-rata kuadrat

dari selisih antara output jaringan

dengan output target. Rumus dari

MSE sebagai berikut:

Keterangan:

𝑡𝑘 = nilai output target

𝑦𝑘 = nilai output jaringan

N = jumlah output dari neuron

Proses testing JST menggunakan

sebanyak 50% dari jumlah data yang

telah dipilih untuk masing-masing

kategori. Pada tahap ini jaringan

akan di testing dengan data baru

yang belum pernah dilatih kedalam

jaringan untuk mengetahui

kemampuan jaringan melakukan

generalisasi kasus yang dihadapi dan

kemudian menarik kecenderungan

terhadap output tertentu.

Proses testing hanya akan

menerapkan tahap propagasi maju.

Secara umum proses testing JST

dapat dilihat pada gambar 3.4:

Adapun tahapannya adalah sebagai

berikut:

1. Masukkan nilai input dari

data testing.

2. Lakukan perhitungan neuron-

neuron pada hidden layer

dengan rumus:

Zinj = Voj + X11𝑖=1 i.Vij

3. Hitung hasil output dari

masing-masing hidden layer

dengan menerapkan kembali

fungsi aktivasi.

Zj = f (Zinj)

= 1

1+𝑒-z_inj

Sinyal tersebut kemudian

akan diteruskan kesemua

159


155

neuron pada lapisan

berikutnya yaitu output layer.

4. Setiap neuron pada output

layer (Yk, k=1,..,5)

menjumlahkan sinyal-sinyal

output beserta bobotnya:

Yink = W0k + 𝑍5𝑖=1 j.Wjk

5. Menerapkan kembali fungsi

aktivasi untuk menghitung

sinyal output

𝑌𝑘=𝑓(𝑌_𝑖𝑛𝑘)

= 1

1+𝑒-y_ink

Setelah proses testing selesai,

maka kemampuan

generalisasi jaringan dapat

diukur dari berapa banyak

pola yang dikenali. Hal

tersebut dihitung

menggunakan rumus berikut:

𝑔𝑒𝑛𝑒𝑟𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎 𝑕𝑑𝑎𝑡𝑎𝑦𝑎𝑛𝑔𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖

𝑗𝑢𝑚𝑙𝑎 𝑕𝑑𝑎𝑡𝑎𝑡𝑒𝑠𝑡𝑖𝑛𝑔 x 100

%

Hasil proses testing berupa

matriks yang bentuknya sesuai

dengan

output targetnya. Output jaringan

kemudian akan ditentukan pada

suatu pola tertentu. Jika hasil

keluaran jaringan lebih besar atau

sama dengan 0,5 maka jaringan

dianggap meniliki hasil keluaran 1

dan jika jaringan memiliki keluaran

kurang dari 0,5 maka akan dianggap

memiliki hasil keluaran 0. Data yang

dikatakan dikenali adalah apabila

data hasil normalisasi yang

digunakan sebagai nilai input dapat

menghasilkan nilai output jaringan

yang sama dengan nilai target yang

diinginkan.

PEMBAHASAN DAN HASIL

PENELITIAN

Pada bab ini akan dilakukan

implementasi dan pengujian sistem.

Sistem dibuat dengan menggunakan

Matlab R2008b. Pengujian sistem

untuk memrepresentasikan review

akhir dari analisis dan implementasi.

Lingkungan implementasi yang

akan dijelaskan merupakan

lingkungan perangkat keras

(hardware) dan perangkat lunak

(software) yang digunakan dalam

penulisan skripsi ini.

Spesifikasi perangkat keras

(hardware) yang digunakan

adalah sebagai berikut:

1. Prosesor Intel(R) core (TM) i3

CPU M380 @ 2.53GHz

(4CPUs), ~2.5GHz.

2. RAM 2048 MB.

3. Hard disk 500 GB.

4. Keyboard.

5. Mouse.

Spesifikasi perangkat lunak

(software) yang digunakan adalah

sebagai berikut:

1. Operating System Windows 7

Ultimate 64-bit (6.1, Build 7600).

2. Software Matlab R2008b.

160


Untuk mencari arsitektur jaringan

terbaik dengan menggunakan metode

Resilient Backpropagation, maka

penulis melakukan serangkaian

percobaan dengan memodifikasi

jumlah hidden layer dan hidden

neuron untuk masing-masing

layerbeserta parameter-parameter

yang digunakan. Adapun langkah-

langkah yang dilakukan oleh penulis

adalah sebagai berikut:

1. Dilakukan serangkaian

percobaan untuk variasi

jumlah hidden layer dan

jumlah hidden neuron untuk

mencari arsitektur jaringan

terbaik. Dari seluruh variasi

jumlah neuron pada hidden

layer yang dicoba akan

dipilih satu variasi yang

memberikan nilai MSE

pelatihan paling minimum.

2. Setelah arsitektur jaringan

terbaik diperoleh, kemudian

dilakukan beberapa kali

percobaan untuk mencari

bobot terbaik pelatihan yang

menghasilkan nilai MSE

paling minimum sesuai

dengan iterasi yang telah

ditetapkan.

3. Nilai bobot terbaik disimpan

untuk diuji kembali dengan

menggunakan nilai learning

rate antara 0.1 sampai dengan

0.9.

4. Menampilkan hasil prediksi

menggunakan data testing

yang pernah dilatih kedalam

jaringan.

Peramalan Data Harga Pembuka

(Open) dengan Resilient

Backpropagation Neural Network

dengan Jumlah Hidden Layer

Sebanyak 2

Proses awal ini dimulai dengan

memasukkan coding ke dalam

software MATLAB seperti yang

sudah dijelaskan sebelumnya dan

tampilan coding tersebut dapat

dilihat dilampiran.

Kemudian dengan membuka

kembali window MATLAB dan

melihat window bangian result maka

akan muncul hasil pelatihan sebagai

berikut :

Hasil_akhir =

Columns 259 through 2641.4800

161


1.4900 1.4887 1.4922 1.4909

1.4845

Columns 265 through 270

1.4899 1.4790 1.4767 1.4761

1.4790 1.4823

Columns 271 through 2761.4853

1.4900 1.4906 1.4888 1.4864

1.4783Columns 277 through 282

1.4795 1.4797 1.4849 1.4858

1.4859 1.4782


1.4765 1.4791 1.4796 1.4849

1.4949 1.4930


1.4970 1.5014

MSE_train = 0.00096812

Peramalan Data Harga

Tertinggi (High) dengan

Resilient Backpropagation

Neural Network dengan

Jumlah Hidden Layer

Sebanyak 2

seperti yang sudah dijelaskan

sebelumnya dan tampilan coding

tersebut dapat dilihat dilampiran.

Data yang digunakan yaitu

daftar harga saham yang dimulai dari

Januari 2012 s/d Desember 2012.





berikut :

Hasil_akhir =


1.4900 1.4900 1.4979 1.4963

1.4957 1.5000


1.5016 1.5044 1.5053 1.5055

1.5059 1.5018


1.5036 1.5010 1.5000 1.5016

1.5035 1.5053


1.5058 1.5057 1.5056 1.5048

1.5046 1.5053


1.5058 1.5057 1.5056 1.5048

1.4930 1.4873


1.4747 1.4525

MSE_train = 0.009829

Peramalan Data Harga

Terendah (Low) dengan Resilient

Backpropagation Neural Network

dengan Jumlah Hidden Layer

Sebanyak 2

Proses awal ini dimulai dengan

memasukkan coding ke dalam

software MATLAB seperti yang

sudah dijelaskan sebelumnya dan

tampilan coding tersebut dapat

dilihat dilampiran.

162






berikut :

Hasil_akhir =


1.4800 1.4900 1.5133 1.5312

1.5414 1.5449


1.5465 1.5463 1.5462 1.5462

1.5461 1.5465


1.5471 1.5474 1.5489 1.5481

1.5478 1.5468


1.5466 1.5464 1.5464 1.5471

1.5469 1.5465


1.5464 1.5462 1.5462 1.5466

1.5471 1.5498


1.5509 1.5559

MSE_train = 0.00099998

SIMPULAN

Program peramalan dengan

algoritma jaringan syaraf tiruan ini

telah memberikan hasil yang cukup

memuaskan dalam peramalan indeks

harga saham. dapat diambil

kesimpulan sebagai berikut :

1. Jaringan syaraf tiruan mampu

digunakan untuk meramalkan

indeks harga saham yang cukup

akurat, dilihat dari hasil testing

atau estimasi yang tepat.

2. Faktor pemilihan input sangat

berpengaruh pada ketepatan hasil

peramalan indeks harga saham

tergantung pada arsitektur yang

digunakan. Input dalam proses

training yang digunakan dalam

peramalan ini yaitu Open, High,

Low dan Close.

3. Dengan melihat hasil peramalan,

dapat diambil kesimpulan bahwa

indeks harga saham gabungan

merupakan bidang yang rentang

nilai antara high dan low sehingga

dalam 1 hari dapat berbeda jauh

atau cenderung tidak stabil.

Sebagai pengembangan penelitian

lebih lanjut maka diharapkan dapat

dilakukan beberapa perbaikan yaitu:

1. Perlu diadakan penelitian lebih

lanjut mengenai metode untuk

peramalan nilai indeks harga

saham yang lebih akurat. Hal ini

perlu dilakukan karena adanya

faktor – faktor lainnya yang

mempengaruhi pergerakan nilai

indek saham seperti suku bunga,

stabilitas politik, fundamental

perusahaan dan lainnya.

163


2. Untuk meningkatkan keakuratan

peramalan, faktor input tidak

dilihat dari nilai Open, High, Low

dan Close saja tetapi ditambah

dengan nilai lain misalnya dengan

faktor Input suku bunga yang

berlaku agar proses pengenalan

pola dalam training dapat

mempelajari hubungannya dengan

pergerakan nilai indeks harga

saham.

3. Mencoba menambah data-data

historis yang telah ada menjadi

lebih lengkap lagi sehingga

meningkatkan keakuratan

peramalan. Semakin banyak data

historis yang ada untuk di training

maka semakin akurat peramalan

dengan menggunakan jaringan

syaraf tiruan.

4. Sebaiknya penelitian dilakukan

lebih dalam lagi untuk

membangun arsitektur jaringan

syaraf tiruan yang memberikan

hasil yang lebih optimal.

5. Untuk pengembangan selanjutnya

diperlukan desain antarmuka agar

sistem dapat lebih user friendl

DAFTAR PUSTAKA

Chatfield, C. and Faraway, J., Time

Series Forecasting with Neural

Networks: a Comparative Study

Using the Airline Data, Royal

Statistical Society, 47, Part 2, pp.

231-250, 1998.

Demuth, H., Beale, M. (2009).

Neural Network Toolbox, For

Use with MATLAB. USA: The

MathWorks.

Fajri, Nazar Iskandar., 2011. Prediksi

Suhu dengan Menggunakan

Algoritma-Algortima yang

Terdapat pada Artificial Neural

Network. Thesis. Bandung,

Indonesia: Institut Teknologi

Bandung.

Fausett, L. 1994. Fundamental of

Neural Network : Architecture,

Algorithm and Application. New

Jersey. Prentice-Hall.

Halim, Abdul. 2005. Analisis

Investasi. Jakarta : Salemba

Empat.

Kao, J.J & Huang, S.S. 2000,

Forecasts Using Neural Network

versus Box-Jenkins

Methodology for Ambient Air

Quality Monitoring Data,

Journal of the Air and Waste

Management Association, 50,

pp. 219-226, 2000.

Kusumadewi, Sri. 2003. Artificial

Intelligence (Teknik dan

Aplikasinya). Edisi I.

Yogyakarta :Graha Ilmu.

Kusumadewi, Sri. 2004. Membangun

Jaringan SyarafTiruan

(Menggunakan MATLAB

164


&Excel Link). Edisi I.

Yogyakarta : Penerbit Graha

Ilmu.

Leung, M.T., Chen, A.N., and

Daouk, H., Forecasting

Exchange Rates using General

Regression Neural Networks,

Computers & Operations

Research, 27, pp. 1093-1110,

2000.

Makridakis, 1999. Metodedan

Aplikasi Peramalan Edisi

Kedua. (diterjemahkan oleh :

Suminto, Hari). Binarupa

Aksara. Jakarta. Terjemahan dari

: Forecasting Methods and

Applications, Second Edition.

Manurung, A. (2002). Teknik

Peramalan Bisnis dan Ekonomi.

Jakarta : Rineka Cipta.

Cattolico, M.2000. A Computational

Intelligence Approach to

Financial Forecanting.

Neves, J, and Cortez, P. 1998.

Combining Genetic Algorithms,

Neural Networks and Data

Filtering for Time Series

Forecasting. Departamento de

Informatica Universidade do

Minho. Portugal.

Pandjaitan, L.W. 2002. Dasar-Dasar

Komputasi Cerdas. Andi Offset.

Yogyakarta.

Portugal, M.S., Neural Networks

Versus Time Series Methods: a

Forecasting Exercise, 14th

International Symposium on

Forecasting, Stockholm School

of Econometrics, Stockholm,

Sweden, pp. 12-15 of June,

1995.

Puspitaningrum, Diyah. 2006.

Pengantar Jaringan Saraf

Tiruan. Edisi I. Yogyakarta :

ANDI.

Rusdin. 2005. Pasar Modal.

Bandung : Alfabeta.

Santosa, Budi. 2007. DATA MINING

: Teknik Pemanfaatan Data

untuk Keperluan Bisnis. EdisiI.

Yogyakarta : Graha Ilmu.

Siang, J.J. 2005. Jaringan Syaraf

Tiruan dan Pemrogramannya

Menggunakan MATLAB. Andi

Offset. Yogyakarta.

Tandelilin, Eduardus, 2001, Analisis

Investasi dan Manajemen

Portofolio, edisi pertama, BPFE

Yogyakarta

Taswan dan Euis Soliha, 2002,

“Perspektif Analisis Pelaku

Investasi dan Spekulasi di Pasar

Modal”, Fokus Ekonomi, Vol.1

No.2 Agustus hal.157-166

Weigend, Andreas S., David E.

Rumelhart, dan Berdardo A.

Huberman (1991).

Generalization by Weight

Elimination with Application to

Forecasting, Neural Information

Processing System, San Mateo :

Morgan Kaufmann, vol.

3,pp.875-882.

165

analisis accelarated learning pada … · memperlihatkan aplikasi model artificial neural networks...

Documents