analisis accelarated learning pada … · memperlihatkan aplikasi model artificial neural networks...
TRANSCRIPT
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
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.
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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).
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
diperoleh pada satu hari
transaksi saham di bursa efek.
Diinisialisasikan dengan
variabel X2.
c. Harga Terendah
Harga saham terendah yang
diperoleh pada satu hari
transaksi saham di bursa efek.
Diinisialisasikan dengan
variabel X3.
d. Harga Penutup
Harga penutupan saham yang
menjadi penutupan transaksi
saham pada hari itu.
Diinisialisasikan dengan
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Columns 283 through 288
1.4765 1.4791 1.4796 1.4849
1.4949 1.4930
Columns 289 through 290
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.
Kemudian dengan membuka
kembali window MATLAB dan
melihat window bangian result maka
akan muncul hasil pelatihan sebagai
berikut :
Hasil_akhir =
Columns 259 through 264
1.4900 1.4900 1.4979 1.4963
1.4957 1.5000
Columns 265 through 270
1.5016 1.5044 1.5053 1.5055
1.5059 1.5018
Columns 271 through 276
1.5036 1.5010 1.5000 1.5016
1.5035 1.5053
Columns 277 through 282
1.5058 1.5057 1.5056 1.5048
1.5046 1.5053
Columns 283 through 288
1.5058 1.5057 1.5056 1.5048
1.4930 1.4873
Columns 289 through 290
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
Kemudian dengan membuka
kembali window MATLAB dan
melihat window bangian result maka
akan muncul hasil pelatihan sebagai
berikut :
Hasil_akhir =
Columns 259 through 264
1.4800 1.4900 1.5133 1.5312
1.5414 1.5449
Columns 265 through 270
1.5465 1.5463 1.5462 1.5462
1.5461 1.5465
Columns 271 through 276
1.5471 1.5474 1.5489 1.5481
1.5478 1.5468
Columns 277 through 282
1.5466 1.5464 1.5464 1.5471
1.5469 1.5465
Columns 283 through 288
1.5464 1.5462 1.5462 1.5466
1.5471 1.5498
Columns 289 through 290
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
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
Jurnal Ilmiah Research Sains Vol.1 No.3 Oktober 2015
&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