Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE EXTREME
LEARNING MACHINE
SKRIPSI
MUHAMMAD SAFIQ UBAY
PROGRAM STUDI S-1 MATEMATIKA
DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA 2012
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ii
PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN
SYARAF TIRUAN METODE EXTREME LEARNING MACHINE
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Bidang Matematika
Pada Fakultas Sains dan Teknologi Universitas Airlangga
Disetujui Oleh :
Pembimbing I
Auli Damayanti, S.Si., M.Si. NIP . 19751107 200312 2 004
Pembimbing II
Dr. Herry Suprajitno, M.Si NIP. 19680404 199403 1 020
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
iii
LEMBAR PENGESAHAN NASKAH SKRIPSI
Judul : Peramalan Harga Saham Dengan Menggunakan Jaringan
Syaraf Tiruan Metode Extreme Learning Machine
Penyusun : Muhammad Safiq Ubay
Nomor Induk : 080810502 Tanggal Ujian : 27 Juli 2012
Disetujui Oleh :
Pembimbing I
Auli Damayanti, S.Si., M.Si. NIP . 19751107 200312 2 004
Pembimbing II
Dr. Herry Suprajitno, M.Si NIP. 19680404 199403 1 020
Mengetahui :
Ketua Program Studi S-1 Matematika Departemen Matematika
Fakultas Sains dan Teknologi Universitas Airlangga
Dr. Miswanto, M.Si
NIP. 19680204 199303 1 002
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
iv
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seijin penulis dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik
Universitas Airlangga.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
v
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh.
Alhamdulillahirabbilalamin, rasa syukur kehadirat Allah SWT, yang telah
melimpahkan rahmat dan hidayah-Nya kepada seluruh umat. Terima kasih ya Rabb,
yang selalu membimbing dan memberi petunjuk sehingga penulis dapat
menyelesaikan skripsi dengan judul “Peramalan Harga Saham Dengan
Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine”.
Dalam penyusunan skripsi, penulis memperoleh banyak bantuan dan
dukungan dari berbagai pihak, sehingga penulis menyampaikan ucapan terima
kasih yang sebesar-besarnya kepada :
1. Kedua orang tuaku tercinta, Asrori dan Umi Kulsum, dua kakak, Firman dan
Kholis serta adik tercinta Yeni yang telah banyak memberikan dukungan dalam
penyusunan skripsi serta selama menjadi mahasiswa.
2. Dr. Miswanto, M.Si selaku Kepala Departemen dan Kaprodi Matematika
Fakultas Sains dan Teknologi Universitas Airlangga.
3. Auli Damayanti, S.Si., M.Si. selaku dosen pembimbing I yang telah memberikan
banyak arahan, masukan, perhatian, tenaga, pikiran, rasa sabar yang begitu besar
dan pengetahuan yang tidak ternilai harganya.
4. Dr. Herry Suprajitno, S.Si., M.Si. selaku dosen pembimbing II yang telah
memberikan banyak masukan, baik dari segi penulisan maupun isi dari skripsi.
5. Inna Kuswandari, Dra, M.Si. selaku dosen wali selama menjadi mahasiswa
Fakultas Sains dan Teknologi Universitas Airlangga yang telah banyak
memberikan arahan dan saran demi kesuksesan menjadi mahasiswa.
6. I Putu selaku “Master Suhu” Java Programing yang telah banyak membantu
selama pengkodean program.
7. Teman-teman seperjuangan, Abi, Harun, Rijal, Zuda, Anas, Adis, Andri, Bimbim,
Varian, Pakde Yani, dan segenap “Math Touring Club”, kalian telah memberikan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
vi
pengalaman hebat selama kuliah serta rekan-rekan Matematika Universitas
Airlangga angkatan 2008 atas dukungan dan kebersamaanya selama ini.
8. Sahabat-sahabat KKN ke-45 Kelurahan Rungkut Menanggal, Tanjung, Dinda,
Pipit, Inka, Yoel, Nindhi, Jack, Disti, Redita, Mbak Mila, Milda, Mbak Mei,
Michele dan Imam terima kasih atas inspirasi yang kalian berikan selama KKN.
9. Rekan-rekan pengurus dan penghuni Asrama Bhinneka Tunggal Ika yang telah
memberi banyak pelajaran berharga dan telah memberi banyak pengalaman
terutama dalam pengembangan softskill.
10. Teman-teman Himpunan Mahasiswa Islam (HMI) Cabang Surabaya dan
komisariat kampus C Airlangga yang telah banyak memberikan cara pandang
yang baru sebagai mahasiswa dan telah banyak memberi inspirasi kepada penulis.
Go Ahead kawan-kawan.
11. Serta rekan-rekan lain yang tidak dapat disebutkan satu persatu, terima kasih atas
segala bantuan dalam penyelesaian skripsi ini.
Penulis menyadari bahwa skripsi ini masih banyak terdapat kekurangan. Oleh
karena itu, penulis mengharapkan kritik dan saran yang membangun agar skripsi ini
dapat lebih baik lagi.
Surabaya, Juli 2012
Penyusun
Muhammad Safiq Ubay
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
vii
Muhammad Safiq Ubay, 2012. Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini di bawah bimbingan Auli Damayanti, S.Si, M.Si, dan Herry Suprajitno, S.Si, M.Si. Departemen Matematika. Fakultas Sains dan Teknologi. Universitas Airlangga.
ABSTRAK
Peramalan harga saham merupakan salah satu cara mengurangi resiko kepemilikan saham dengan melakukan prediksi harga pada hari berikutnya dengan memanfaatkan data harga saham pada hari sebelumnya. Pada penulisan skripsi ini peramalan saham bertujuan untuk mendapatkan prediksi harga saham secara teknis dari sebuah perusahaan dengan menggunakan jaringan syaraf tiruan metode extreme learning machine. Extreme Learning Machine adalah sebuah metode pembelajaran baru dalam jaringan syaraf tiruan dengan model single layer feedforward neural networks. Dalam memprediksi harga saham, data akan dilatih dan dicari bobot yang paling optimum. Selanjutnya, dengan melakukan proses pengujian data terlatih akan diketahui seberapa baik pola yang dikenali oleh jaringan sehingga nilai error yang didapatkan mencapai nilai minimum. Dengan uji validasi akan diperoleh nilai dari peramalan harga saham hari berikutnya dengan menggunakan bobot optimal dari proses pelatihan. Berdasarkan implementasi yang dilakukan pada data harga saham PT. Semen Gresik didapatkan arsitektur jaringan yang maksimum yakni jumlah masukan sebanyak 5, jumlah lapisan tersembunyi sebanyak 5, dan jumlah total iterasi sebanyak 45000. Peramalan yang disimulasikan pada data harga saham PT. Semen Gresik yang menggunakan data mulai tanggal 2 Januari 2008 hingga 31 Mei 2012 menghasilkan nilai peramalan sebesar Rp.10906,00 pada tanggal 1 Juni 2012. Pada data sebenarnya, harga saham PT. Semen Gresik pada tanggal 1 Juni 2012 sebesar Rp.10900,00. Selisih nilai yang didapatkan sebesar Rp.6,00 atau 0,05 %. Dengan selisih sebesar 0,05%, dapat disimpulkan bahwa peramalan yang dilakukan mampu mendekati nilai sebenarnya sehingga peramalan ini dapat dijadikan pendukung pengambilan keputusan dalam berinvestasi. Kata kunci : Extreme Learning Machine, Jaringan Syaraf Tiruan, Single Layer
Feedforward Neural Networks, Arsitektur Jaringan, Uji Validasi.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
viii
Muhammad Safiq Ubay, 2012. Stock Price Prediction Using Artifial Neural
Network With Extreme Learning Machine Method. This Undergraduate Paper is supervised by Auli Damayanti, S.Si, M.Si. and Herry Suprajitno, S.Si, M.Si. Mathematics Department, Faculty of Science and Technology, Airlangga University.
ABSTRACT
Stock prices forecasting is one of the way to reduce risk of stock ownership by making price prediction next day based on previous day. The purpose of stock price forecasting in this final project is to get stock prediction technically from a company using artificial neural network with extreme learning machine method. Extreme Learning Machine is a new learning method in Artificial Neural Network model with single-layer feedforward neural networks. In predicting stock prices, data will be trained and will be sought the most optimum weight. Then, using testing data training process, data will test how good the patterns are recognized by the network until the value of error minimal. With the validation test, data will be obtained the value of forecasting stock prices the next day using optimal weights of the training process. Based on implementation of the data performed on the stock price of PT. Semen Gresik obtain maximum network architecture is 5 unit for the number of inputs, number of hidden layers is 5 unit, and the total number of iterations 45000. The result of stock price forecasting on PT. Semen Gresik using data starting on January 2, 2008 until May 31, 2012 at Rp.10906,00 at June 1, 2012. On actual data, the stock price of PT. Semen Gresik on June 1, 2012 at Rp.10900,00. Difference between real value with estimate value is Rp.6,00 or 0,05%. With a margin 0.05%, it can be concluded that forecasting can approach to the real value so this forecasting can be used as decision support for investment. Key words : Extreme Learning Machine, Artificial Neural Network , Single Layer
Feedforward Neural Networks, Network Architecture, Validation Test.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ix
DAFTAR ISI
Halaman
LEMBAR JUDUL ………………………………………....…… …. i
LEMBAR PERNYATAAN ....…………………………….……….. ii
LEMBAR PENGESAHAN ……………………………………........ iii
LEMBAR PEDOMAN PENGGUNAAN SKRIPSI …….……….. .. iv
KATA PENGANTAR ...................................................................... . v
ABSTRAK ....................................................................................…. vii
ABSTRACT ....................................................................................... viii
DAFTAR ISI ...................................................................................... ix
DAFTAR TABEL ….………….………………………………….... xii
DAFTAR GAMBAR ………….…………………………………..... xiii
DAFTAR LAMPIRAN .………....…………………………………... xv
BAB I. PENDAHULUAN
1.1. Latar Belakang …………………………………………. 1
1.2. Rumusan Masalah ……………………………………... 4
1.3. Tujuan ………………………………………………...... 4
1.4. Manfaat ……………………………………………...…. 4
BAB II. TINJAUAN PUSTAKA
2.1. Saham ….........................…………………................. 5
2.2. Peramalan (forecasting) ………………………..……..... 7
2.3. Jaringan Syaraf Tiruan …………………….......…......... 8
2.3.1 Model Jaringan Syaraf Tiruan …………..…..… 10
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
x
2.3.2 Arsitektur Jaringan ………………….….............. 11
2.3.4 Pelatihan Jaringan ………………….....…........... 13
2.3.3 Fungsi Aktivasi ................................................ 15
2.4. Extreme Learning Machine (ELM)................................ 18
2.4.1 Arsitektur ELM ……………………..………….. 19
2.4.2 Algoritma Pelatihan ELM ……………………... 21
2.4.3 Normalisasi data……………………………….. 24
2.4.4 Denormalisasi data…………………………….. 24
2.4.5 Moore Penrose Generalized Inverse…...……… 25
2.5. Pemrograman Java …………………………….………. 26
BAB III. METODE PENELITIAN …………………………………….. 27
BAB IV. PEMBAHASAN
4.1. Data ......................................................................... 34
4.2. Arsitektur Jaringan .................................................... 37
4.3. Prosedur Jaringan Syaraf Tiruan ELM untuk peramalan
harga saham …………………………………………….. 38
4.3.1. Prosedur normalisasi data ….…………………… 39
4.3.2. Prosedur denormalisasi data .…………………… 40
4.3.3. Prosedur inisialisasi bias dan bobot .…………… 41
4.3.4. Prosedur feedforward ………………………….. 42
4.3.5. Prosedur Perubahan (update) bias dan bobot …. 43
4.3.6. Prosedur menghitung Mean Square Error ……. 44
4.4. Implementasi pada program Java ……………………... 44
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
xi
4.4.1. Implementasi Pada Program Java Untuk
Training Data …………………………………. 44
4.4.2. Implementasi Program Java Untuk Testing
Data Training …………………………………. 50
4.4.3. Implementasi Pada Program Java Untuk
Uji Validasi …………………………………... 52
BAB V. KESIMPULAN DAN SARAN
5.1 Kesimpulan ………………………………………….. 57
5.2 Saran ………………………………………………… 58
DAFTAR PUSTAKA ………………………………………………. 59
LAMPIRAN
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
xii
DAFTAR TABEL
No. Judul Halaman
3.1. Tabel rancangan data yang akan menjadi input ……………… 28
4.1. Kutipan data harga saham PT.Semen Gresik………………….. 34
4.2. Kutipan data harga saham ternormalisasi …………………….. 35
4.3. Pola input data training ………..………………..……………. 36
4.4. Pola input data validasi, ……………………………………… 37
4.5. Arsitektur ELM yang paling optimal ……………………….… 47
4.6. Arsitektur dari training ELM dengan MSE terkecil ……….…. 48
4.7. Bobot awal dari input ke hidden ……………………………… 49
4.8. Bobot awal dari hidden ke output ………………………….…. 49
4.9. Bobot akhir dari input ke hidden …………………………….. 50
4.10. Bobot akhir dari hidden ke output ………………….………… 50
4.11. Hasil peramalan harga saham pada 5 buah perusahaan .……... 56
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
xiii
DAFTAR GAMBAR
No. Judul Halaman
2.1 Susunan Syaraf manusia ……………………………………. 9
2.2 Model Jaringan Syaraf Tiruan………………………….….… 11
2.3 Jaringan Layar Tunggal (single layer network) ………….…. 12
2.4 Jaringan Lapisan Jamak (multi layer network) …………..…. 13
2.5 Fungsi aktivasi linear ………………………………….….… 16
2.6 Fungsi aktivasi step biner …………………………….…….. 16
2.7 Fungsi aktivasi sigmoid biner ………………………………. 17
2.8 Fungsi aktivasi sigmoid bipolar ……………………………. 18
2.9 Jaringan syaraf ELM dengan satu hidden layer ..................... 20
3.1 Prosedur pelatihan pada ELM ……………………………… 30
3.2 Proses melakukan testing pada data training ………………. 31
3.3 Proses validasi data ………………………………………… 32
3.4 Proses kerja keseluruhan …………………………………… 33
4.1. Arsitektur jaringan dengan n unit hidden …………………... 38
4.2. Prosedur training data pada jaringan syaraf ELM …………. 39
4.3. Prosedur testing data training data pada
jaringan syaraf ELM ………………………………….….… 39
4.4. Prosedur uji validasi data pada
jaringan syaraf ELM ……………………………….…….… 39
4.5. Prosedur normalisasi data ……………………………..…… 40
4.6. Prosedur denormalisasi data …………………………..…… 41
4.7. Prosedur proses feedforward ……………………………...... 43
4.8. Prosedur update bias dan bobot …………………………. 44
4.9. Prosedur menghitung nilai mean square error ………….. 44
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
xiv
4.10. Prosedur inisialisasi bias dan bobot ………………………… 42
4.11. Form awal ……………………………………………….. 45
4.12. Form data keseluruhan …………………………………... 46
4.13. Form input parameter ………………………………….… 47
4.14. Grafik perubahan MSE ……………………………….…. 51
4.15. Grafik testing data training …………………………….... 52
4.16. Hasil uji validasi ternormalisasi ……………………….... 53
4.17. Hasil uji validasi setelah denormalisasi ………………….. 54
4.18. Grafik hasil uji validasi …………………………………... 55
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
xv
DAFTAR LAMPIRAN
No. Judul Lampiran
1. Data pembukaan (open) PT. Semen Gresik
2. Source Code Program
3. Pola input data training
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Di Indonesia, saham telah lama menjadi salah satu alat investasi yang
banyak diminati kalangan masyarakat yang memiliki kelebihan dana. Saham
mampu menghasilkan keuntungan yang lebih tinggi dibandingkan instrumen
investasi lain seperti tabungan atau deposito bila dikelola dengan optimal. Harga
saham yang berubah-ubah setiap waktu dan dipengaruhi oleh banyak faktor
menjadikan saham sebagai intrumen investasi yang beresiko tinggi. Untuk itu,
memperkirakan harga saham merupakan hal yang penting bagi investor. Dengan
memperkirakan harga saham, seorang investor mampu mengurangi resiko
kerugian atas saham yang dimilikinya.
Analisis perubahan harga saham dapat dilakukan dengan dua cara, yakni
analisis fundamental dan teknis (Manurung, 2008). Analisis fundamental
merupakan analisis yang melakukan penilaian terhadap kinerja perusahaan,
kondisi perekonomian nasional, sosial politik dan keamanan negara. Sedangkan
analisis teknis merupakan analisis pergerakan harga saham berdasarkan dari
pergerakan harga saham di masa lalu menggunakan suatu metode matematika
tertentu (Syamsir, 2004). Dari segi keilmuan, analisis teknis dipilih karena
sifatnya yang baku, logis, serta menggunakan aturan-aturan yang tersusun secara
sistematis yang menggunakan perhitungan matematika. Seiring perkembangan
ilmu pengetahuan, para peneliti terutama bidang Artificial Intellegence berusaha
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
2
untuk mencari dan mengembangkan metode untuk memprediksi pergerakan harga
saham menggunakan analisis teknis.
Dari sekian banyak metode Artificial Intellegence yang digunakan untuk
memprediksi, metode yang banyak digunakan oleh peneliti adalah jaringan syaraf
tiruan karena sifatnya yang bebas estimator serta mampu menghasilkan output
yang mampu mendekati nilai sebenarnya (Agustina, 2010). Jaringan Syaraf
Tiruan (JST) atau yang dikenal dengan Artificial Neural Network (ANN) adalah
sistem pemroses informasi yang dibentuk sebagai generalisasi model matematika
dari jaringan syaraf biologis pada manusia. JST terdiri atas elemen pemroses
bernama neuron yang dihubungkan dengan elemen pemroses lain oleh suatu
aturan dan bobot. JST pertama kali diperkenalkan oleh McCulloch dan Pitts pada
tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa
neuron sederhana menjadi sebuah sistem akan meningkatkan kemampuan
komputasinya. JST mengalami perkembangan yang pesat sejak tahun 1990an
setelah ditemukannya metode-metode yang mampu diaplikasikan untuk
menyelesaikan berbagai masalah di dunia nyata.
Dalam JST, obyek pengamatan dikenali dengan melakukan suatu pelatihan
yang terstruktur dan terus menerus sampai sistem jaringan tersebut mampu
mengenali obyek tersebut. Seiring perkembangan zaman, aplikasi JST banyak
dimanfaatkan di bidang ekonomi terutama yang berhubungan dengan peramalan
data. JST dapat digunakan untuk meramalkan apa yang terjadi dimasa yang akan
datang berdasarkan pola yang ada di masa lampau (Siang, 2005). Untuk masalah
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
3
peramalan, pola pelatihan tersebut dapat digunakan untuk meramalkan obyek
pengamatan berikutnya.
Beberapa penelitian tentang peramalan harga saham telah dilakukan
seperti : Model integrasi jaringan syaraf tiruan dan sistem pakar untuk
pengambilan keputusan investasi saham (Zuhdi et al, 2004). Penggunaan jaringan
syaraf tiruan metode backpropagation untuk memprediksi harga saham
(Lesmana, 2007). Pemilihan analisis teknis dalam berinvestasi saham
menggunakan Probabilistic Neural Network (Tristiyanto, 2007). Peramalan harga
saham perusahaan menggunakan Artificial Neural Network dan Akaike
Information Criterion (Eliyani, 2007). Peramalan harga saham dengan algoritma
backpropagation (Setiawan, 2008).
Banyak metode dalam JST yang telah dikemukakan untuk peramalan.
Tetapi, metode-metode yang telah ada sebelumnya membutuhkan waktu
komputasi yang relatif lebih lama sehingga dikhawatirkan metode JST akan
semakin ditinggalkan karena diperlukan waktu yang lama dalam pengambilan
keputusan. Mengatasi masalah tersebut, Huang (2004) menemukan sebuah
metode pembelajaran baru dalam JST bernama Extreme Learning Machine
(ELM). Extreme Learning Machine merupakan JST feedforward dengan single
hidden layer atau biasa disebut dengan Single Hidden Layer Feedforward Neural
Networks (SLFNs). Extreme Learning Machine memiliki kelebihan dari metode
yang sudah ada seperti Backpropagation (BP) dan Support Vector Machine
(SVM) terutama dalam hal konsumsi waktu dan performa (Huang et al, 2006).
Sehingga diharapkan dengan metode ini output yang dihasilkan mampu
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
4
mendekati kenyataan dan penyelesaian yang optimal serta waktu komputasi yang
relatif singkat sehingga pada akhirnya akan membantu investor dalam melakukan
keputusan menjual atau membeli saham yang diperdagangkan di bursa efek.
Dalam penulisan ini, akan diaplikasikan suatu metode sederhana untuk
meramalkan harga saham menggunakan jaringan syaraf tiruan metode ELM.
Dalam mengaplikasikannya, penulis akan membuat sebuah aplikasi berbasis
desktop dengan bahasa pemrograman Java untuk mensimulasikan metode yang
telah diterapkan pada harga saham sesungguhnya.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalahnya adalah sebagai
berikut :
1. Bagaimana cara meramalkan harga saham menggunakan metode Extreme
Learning Machine (ELM) ?
2. Bagaimana cara menerapkan algoritma JST metode ELM menggunakan
bahasa pemrograman Java ?
1.3. Tujuan
1. Meramalkan harga saham menggunakan Algoritma JST dengan metode
ELM.
2. Membuat program peramalan harga saham menggunakan algoritma JST
metode ELM dengan bahasa pemrograman Java.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
5
1.4. Manfaat
1. Memberi masukan bagi para peneliti baik di lingkungan Universitas
Airlangga maupun universitas lain yang ingin meramalkan data
menggunakan metode peramalan yang ada pada matematika terapan.
2. Menjadi masukan sebagai bahan pertimbangan dan perbandingan untuk
mengembangkan metode peramalan dengan menggunakan algoritma lainnya
sehingga mendukung perkembangan ilmu pengetahuan dan teknologi.
3. Hasil penulisan ini tentunya akan berguna dalam bidang ekonomi terutama
bagi para pelaku perdagangan di pasar modal yang membutuhkan perkiraan
harga saham dalam penentuan kebijakan keuangannya.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
5
BAB II
TINJAUAN PUSTAKA
Dalam penulisan ini, diperlukan definisi maupun informasi yang
diperlukan guna memperdalam materi dan mempermudah dalam pembuatan
penulisan, diantaranya sebagai berikut :
2.1. Saham
Menurut Husnan (2002), Saham merupakan secarik kertas yang
menunjukkan hak pemodal (yaitu pihak yang memiliki kertas tersebut) untuk
memperoleh bagian dari prospek atau kekayaan organisasi yang menerbitkan
sekuritas tersebut dan berbagai kondisi yang memungkinkan pemodal tersebut
menjalankan haknya.
Sedangkan menurut Situmorang (2010), saham adalah surat berharga
(efek) yang berbentuk sertifikat guna menunjukkan bukti kepemillikan suatu
perusahaan. Semakin banyak saham yang dimiliki oleh seseorang di suatu
perusahaan, berarti jumlah uang yang diberikan ke perusahaan itu juga semakin
besar, demikian juga penguasaan orang tersebut dalam perusahaan itu semakin
tinggi.
Motivasi dan harapan setiap investor adalah mendapatkan keuntungan
dari transaksi investasi yang mereka lakukan. Investasi saham memiliki potensi
keuntungan dalam dua hal, yaitu pembagian dividen dan kenaikan harga saham
(capital gain). Dividen merupakan keuntungan perusahaan yang dibagikan kepada
semua pemegang saham dan biasanya dilakukan satu tahun sekali. Bentuk dari
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
6
dividen itu sendiri, bisa berupa uang tunai ataupun bentuk penambahan saham.
Sedangkan capital gain, didapat berdasarkan selisih harga jual saham dengan
harga beli. Dimana keuntungan didapat bila harga jual saham lebih tinggi dari
harga beli saham. (Iman, 2008)
Menurut Purnomo (2010), ada beberapa risiko yang dihadapi pemodal dengan
kepemilikan sahamnya, antara lain seperti :
1. Tidak mendapat dividen.
Perusahaan akan membagikan dividen jika operasinya menghasilkan
keuntungan. Oleh karena itu, perusahaan tidak dapat membagikan dividen jika
mengalami kerugian. Dengan demikian, potensi ditentukan oleh kinerja
perusahaan tersebut.
2. Capital loss
Dalam aktivitas perdagangan saham, investor tidak selalu mendapatkan
capital gain atau keuntungan atas saham yang dijualnya. Ada kalanya investor
harus menjual saham dengan harga jual lebih rendah dari harga beli saham.
Terkadang untuk menghindari potensi kerugian yang semakin besar seiring terus
menurunnya harga saham seorang investor rela menjual sahamnya dengan harga
rendah. Istilah ini dikenal dengan istilah penghentian kerugian (cut loss).
3. Perusahaan bangkrut atau dilikuidasi
Resiko likuidasi terjadi ketika perusahaan yang sahamnya dimiliki
pemodal dinyatakan bangkrut oleh pengadilan atau perusahaan tersebut
dibubarkan. Dalam hal ini, pemilik saham mendapat prioritas terakhir setelah
seluruh kewajiban perusahaan dilunasi dari hasil penjualan kekayaan perusahaan.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
7
2.2. Peramalan (forecasting)
Peramalan (forecasting) didefinisikan sebagai alat atau teknik untuk
memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan
data atau informasi masa lalu maupun data atau informasi saat ini. Peramalan
terdiri atas suatu kerangka kerja atau teknik kuantitatif yang baku dan kaidah-
kaidah yang dapat dijelaskan secara matematis. Peramalan merupakan bagian vital
bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen
yang sangat signifikan karena peramalan dapat menjadi dasar bagi perencanaan
jangka panjang perusahaan. Hal tersebut terjadi karena kinerja di masa lalu dapat
terus berulang setidaknya dalam masa mendatang yang relatif dekat. Dilihat dari
manfaatnya, peramalan sangat berguna untuk melihat gambaran-gambaran tentang
masa depan sehingga kita dapat mengantisipasinya dengan baik apa yang akan
terjadi.
Dilihat dari cara memperolehnya, peramalan dapat menggunakan cara
kualitatif dan cara kuantitatif. Pada dasarnya, teknik kualitatif lebih menitik
beratkan intuisi atau pendapat para pakar sehingga cara ini sering disebut teknik
intuisi (judgemental technique). Sedangkan metode peramalan secara kuantitatif
mendasarkan ramalannya pada metode-metode matematik. Dalam prakteknya,
teknik kualitatif dan teknik kuantitatif sering digunakan secara beriringan dan
dapat saling menunjang.
(Nachrowi et al, 2004)
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
8
Secara umum, menurut Nachrowi et al (2004) langkah untuk melakukan
peramalan secara kuantitatif antara lain :
1. Definisikan tujuan peramalan.
2. Pembuatan grafik atau plot data.
3. Memilih model peramalan yang tepat.
4. Lakukan peramalan
5. Hitung kesalahan ramalan (forecast error).
6. Lakukan verifikasi peramalan.
2.3. Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan adalah upaya untuk memodelkan pemrosesan
informasi berdasarkan kemampuan sistem syaraf biologis yang ada pada manusia.
Jadi, dapat disimpulkan bahwa jaringan syaraf tiruan merupakan jaringan syaraf
biologis dipandang dari sudut pandang pengolahan informasi. Hal ini akan
memungkinkan kita untuk merancang model yang kemudian dapat disimulasikan
dan dianalisis. (Rojas, 1997)
Menurut Kusumadewi (2003), jaringan syaraf tiruan merupakan salah
satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan
proses pembelajaran pada otak manusia. Istilah buatan disini digunakan karena
jaringan syaraf ini diimplementasikan dengan menggunakan program komputer
yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
9
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
10
untuk belajar dengan melakukan adaptasi.
(Kusumadewi, 2003)
2.3.1 Model Jaringan Syaraf Tiruan
Menurut Siang (2005), JST dibentuk sebagai generalisasi model matematika
dari jaringan syaraf biologi dengan asumsi sebagai berikut :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-
penghubung.
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima.
Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
Gambar 2.2 adalah model sederhana dari JST, terlihat bahwa JST terbentuk
dari Processing Element yang saling terhubung pada jaringan. Masing-masing
Processing Element menerima input berupa net yang langsung diolah sehingga
menghasilkan nilai output (Y). Processing Element berisi dua elemen yaitu :
1. net, yaitu jumlahan dari nilai input (X1, X2, …, Xn) dikalikan dengan
bobotnya (W1, W2, …,Wn). Dalam hal ini bobot dikalikan dengan input
karena diharapkan bobot mampu memperkuat input yang masuk. Persamaan
2.1 merupakan perumusan dari net yaitu :
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
11
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
12
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
13
2. Jaringan Layar Jamak (multi layer network)
Jaringan dengan lapisan jamak merupakan perluasan dari jaringan dengan
satu lapisan, dimana terdapat satu atau beberapa lapisan lain diantara lapisan input
dan lapisan output yang disebut dengan lapisan tersembunyi atau hidden layer.
Sama seperti pada unit input dan output, unit-unit dalam satu lapisan tidak saling
berhubungan. Jaringan ini mampu menyelesaikan permasalahan yang lebih
kompleks dibandingkan jaringan dengan satu lapisan, meskipun terkadang proses
pelatihan lebih kompleks dan lama.
Gambar 2.4 Jaringan Lapisan Jamak (multi layer network)
Gambar 2.4 adalah gambaran dari jaringan multi layer network dengan n
buah unit input (x1,x2, …, xn), sebuah layar tersembunyi yang terdiri dari p buah
unit (z1, …, zp) dan m buah unit output (Y1,Y2, …, Ym)
2.3.4 Pelatihan Jaringan Syaraf Tiruan
Berdasarkan pada Kusumadewi (2003), pelatihan pada JST dimaksudkan
untuk mencari bobot-bobot yang terdapat dalam tiap layer, ada dua jenis pelatihan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
14
yaitu pelatihan dengan pengawasan (supervised) dan pelatihan tanpa pengawasan
(unsupervised).
1. Pelatihan Dengan Pengawasan (supervised)
Pada pelatihan dengan pengawasan, terdapat sejumlah pasangan data
(masukan dan target keluaran) yang dipakai untuk melatih jaringan hingga
diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai "guru"
untuk melatih jaringan hingga diperoleh bentuk yang terbaik. "Guru" akan
memberikan informasi yang jelas tentang bagaimana sistem harus mengubah
dirinya untuk meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu
input diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan
keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang
diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot
sesuai dengan kesalahan tersebut.
Ada beberapa metode dalam proses belajar terawasi, diantaranya Delta
Rule, Backpropagation atau Generalized Delta Rule, Radial Basic Function
(RBF) dan Counterpropagation.
2. Pelatihan Tanpa Pengawasan (Unsupervised)
Pada pelatihan tanpa pengawasan (unsupervised learning) tidak ada "guru"
yang akan mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot
jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi
menurut ukuran parameter tersebut. Karena jaringan tidak mendapatkan target,
maka JST mengatur bobot interkoneksinya sendiri. Belajar tanpa pengawasan
kadang-kadang diacu sebagai self - organizing learning, yakni belajar
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
15
mengklasifikasikan tanpa dilatih. Pada proses belajar tanpa pengawasan, JST akan
mengklasifikasi-kan contoh pola-pola masukan yang tersedia ke dalam kelompok
yang berbeda-beda.
Model yang menggunakan pelatihan ini adalah model jaringan kompetitif.
Metode yang dipakai dalam proses belajar tak terawasi ini antara lain Kohonen
Self Organizing Map dan Learning Vector Quantization (LVQ).
2.3.3 Fungsi Aktivasi
Fungsi aktivasi adalah aturan yang memetakan penjumlahan input elemen
pemroses terhadap outputnya. Fungsi ini adalah fungsi umum yang akan
digunakan untuk menentukan keluaran suatu neuron. Selain itu, fungsi ini
bertujuan untuk memodifikasi output kedalam rentang nilai tertentu.
(Siang, 2005).
Berikut fungsi-fungsi aktivasi yang biasanya digunakan dalam sistem
Jaringan Syaraf :
a. Fungsi Identitas
( ) (2.2)
Fungsi identitas ini merupakan fungsi aktivasi untuk semua unit input.
Persamaan 2.2 adalah persamaan yang ada pada fungsi identitas. Bentuk fungsi
identitas terdapat pada Gambar 2.5
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
16
Gambar 2.5 fungsi aktivasi linear
(Kusumadewi, 2003) b. Fungsi Step Biner
( ) {
(2.3)
Fungsi step biner sering dipakai pada jaringan single layer. Persamaan 2.3
adalah persamaan yang dipakai dalam fungsi step biner Bentuk fungsi step biner
terdapat pada Gambar 2.6.
Gambar 2.6 fungsi aktivasi step biner
(Kusumadewi, 2003)
1
θ
-1
0
1 -1
1
0
y
x
y
x
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
17
c. Fungsi Sigmoid Biner
( )
( )
Fungsi sigmoid biner berbentuk kurva S dan merupakan fungsi yang paling
umum digunakan dalam JST. Hal ini dikarenakan fungsi sigmoid biner mampu
menghasilkan keluaran yang lebih cepat. Fungsi sigmoid biner mempunyai
persamaan yang ditulis pada persamaan 2.4.Fungsi tersebut digunakan jika output
yang diinginkan (target) terletak antara 0 dan 1. Pada Gambar 2.7 berikut adalah
bentuk dari fungsi sigmoid biner
Gambar 2.7 fungsi aktivasi sigmoid biner
(Kusumadewi, 2003)
d. Fungsi Sigmoid Bipolar
( )
( )
Fungsi sigmoid bipolar adalah fungsi sigmoid biner yang mempunyai nilai
antara -1 dan 1. Persamaan fungsi sigmoid bipolar dituliskan pada persamaan 2.5
dan bentuk dari fungsi sigmoid bipolar digambarkan pada Gambar 2.8.
0
1
y
x
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
18
Gambar 2.8 fungsi aktivasi sigmoid bipolar
Fungsi sigmoid bipolar berhubungan erat dengan fungsi tangen hiperbolik.
Fungsi tangen hiperbolik juga dapat digunakan sebagai fungsi aktivasi jika output
yang diinginkan dari jaringan terletak dalam interval -1 dan 1. Persamaan 2.6
menunjukkan bentuk persamaan dari fungsi tangen hiperbolik.
( )
( )
(Kusumadewi, 2003)
2.4 Extreme Learning Machine (ELM)
Metode pelatihan ELM adalah salah satu metode pelatihan yang baru di
JST dan termasuk metode pelatihan terawasi. ELM ditemukan oleh Huang pada
tahun 2004 saat menjadi asisten profesor bidang computational enginering di
Nanyang Technological University, Singapore. Huang (2004), berpendapat
bahwa metode-metode JST yang telah ada sebelumnya memiliki kelemahan-
kelemahan terutama dalam hal laju pembelajaran (learning speed). Huang (2004)
menambahkan bahwa alasan utama mengapa JST mempunyai learning speed
1
-1
y
x
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
19
yang rendah adalah karena semua parameter pada jaringan ditentukan secara
iteratif dengan menggunakan suatu metode pembelajaran. Parameter yang
dimaksud adalah bobot input dan bias yang menghubungkan antara layer satu
dengan layer yang lain.
Pada metode ELM, bobot input dan bias mula-mula ditentukan secara
random. Setelah itu, untuk mencari bobot akhir dapat dilakukan perhitungan
secara analitis yaitu dengan menggunakan Moore-Penrose Generalized Invers.
Matriks yang digunakan dalam perhitungan bobot akhir adalah matriks yang
beranggotakan jumlahan atau keluaran dari masing-masing input ke layer
tersembunyi. Sehingga menurut Huang (2004), ELM memiliki learning speed
yang cepat dan mampu menghasilkan good generalization performance. Untuk
mempelajari bagaimana ELM bekerja, maka akan dijelaskan terlebih dahulu
arsitektur dari ELM, algoritma pelatihan dan algoritma pengujian pada ELM.
2.4.1 Arsitektur ELM
Jaringan Syaraf ELM merupakan jaringan syaraf yang menggunakan
arsitektur multi layer. Sebagai contoh, pada Gambar 2.4 digambarkan jaringan
dengan sebuah hidden layer. Dalam jaringan ini, selain terdapat unit-unit input,
unit-unit tersembunyi (hidden) dan output juga terdapat bias yang diberikan pada
unit-unit tersembunyi dan output
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
20
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
21
berukuran n x L. Persamaan 2.9 menjelaskan tentang matriks H yang dibentuk dari
n buah input dan L jumlah hidden
[ ( ) ( )
( ) ( )
] (2.9)
(Huang, 2006)
2.4.2 Algoritma Metode ELM
Pada intinya, pelatihan dengan metode ELM terdiri atas tiga langkah, yaitu
inisialisasi bobot input dan bias, penghitungan output dari hidden layer, dan
penghitungan bobot akhir. Pada saat inisialisasi bobot input dan bias, bobot setiap
unit input (Xi) yakni a dan bias yakni b diperoleh dari hasil randomisasi. Setiap
unit hidden kemudian akan dihitung jumlah keluaran yang dihasilkan
( ( )). Kemudian, bobot akhir (β) akan dihitung dan setelah itu di aktivasi
dengan menggunakan sebuah fungsi aktivasi. Saat proses pelatihan, setiap unit
output membandingkan aktivasinya dengan nilai target untuk menentukan
besarnya error. Berdasarkan error tersebut, jika error masih melebihi dari yang
diharapkan, maka proses akan diulangi dari penginisialisasi bobot input dan bias
sampai menemukan bobot yang optimal.
Selengkapnya, notasi-notasi yang akan digunakan pada algoritma pelatihan
dan pengujian yaitu sebagai berikut :
Xi adalah vektor data input
( )
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
22
T adalah vektor target
( )
GL adalah unit hidden ke-L. sinyal input pada GL dilambangkan dengan
( ).
B0L adalah bias untuk hidden ke-L.
aiL adalah bobot antara input ke-i dan unit hidden ke-L.
Yj adalah unit output ke-j. sinyal input ke Yj dilambangkan dengan FL(x).
Sinyal aktivasi untuk untuk Yj dilambangkan dengan Oj.
β0j adalah bias untuk unit output ke-j.
βLj adalah bobot antara unit hidden ke-L dan unit output ke-j.
H adalah matriks yang tersusun dari output masing-masing hidden layer.
H+ adalah matriks Moore-Penrose Generalized Invers dari matriks H.
(Huang, 2006)
2.4.2.1 Prosedur Pelatihan
Langkah-langkah pelatihan ELM sebagai berikut :
Langkah 1. Inisialisasi bobot (sebaiknya diatur pada bilangan acak yang kecil).
Langkah 2. Jika error belum terpenuhi, maka lakukan langkah 3 sampai
langkah 6.
Langkah 3. Setiap unit input ( ) menerima sinyal input dan
menyebarkan sinyal tersebut pada seluruh unit lapisan di atasnya
(unit hidden).
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
23
Langkah 4. Setiap output dari hidden layer akan dihitung dan dilambangkan
dengan ( ).
Langkah 5. Bobot akhir dari hidden layer ke output layer (β) dihitung dengan
menggunakan persamaan 2.10
(2.10)
Langkah 6. Memeriksa stop condition.
Untuk memeriksa stopping condition terdapat dua cara, yaitu :
i. Membatasi iterasi (epoch) yang diinginkan.
ii. Membatasi error.
Error dihitung dengan Cara menghitung Mean Square
Error (MSE). MSE adalah metode untuk menghitung error dari
perbedaan nilai peramalan dan nilai sebenarnya. MSE akan
dituliskan dalam persamaan 2.11.
∑ ( )
(2.11)
2.4.2.2 Prosedur Pengujian
Setelah pelatihan, JST dengan metode ELM akan mendapatkan bobot
yang optimal. Setelah itu, maka akan dilakukan proses pengujian dengan langkah-
langkah sebagai berikut :
Langkah 1. Inisialisasi bobot (dari algoritma pelatihan) atur fungsi aktivasi yang
digunakan.
Langkah 2. Untuk setiap unit input ( ), hitung keluaran jaringan (Y).
Langkah 3. Ubah keluaran jaringan dengan menggunakan fungsi aktivasi.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
24
2.4.3 Normalisasi data.
Agar data dapat dilatih dengan metode pembelajaran ELM, maka data
harus di normalisasikan dulu dalam interval yang lebih kecil, baik interval [0,1]
atau interval [-1,1]. Jika x adalah input setelah dinormalisasi, xp adalah nilai data
asli yang belum dinormalisasi, min (xp) adalah nilai minimum pada data set, dan
max(xp) adalah nilai maksimum pada data set.
Maka transformasi pada persamaan 2.12 digunakan untuk mengubah data
menjadi interval [0,1] adalah :
( ( ))
( ( ) ( )) ( )
(Siang, 2005)
Namun, jika menginginkan interval [-1,1] maka transformasi pada persamaan 2.13
yang digunakan untuk mengubah data menjadi interval [-1,1] :
( ( ))
( ( ) ( )) ( )
(Agustina, 2010)
2.4.4 Denormalisasi data.
Denormalisasi data penting dilakukan agar data hasil peramalan dengan
jaringan syaraf ELM dapat dilihat secara mudah dalam nilai yang sama dengan
asalnya. Menurut Siang (2005), denormalisasi dimaksudkan agar data hasil
peramalan dengan jaringan syaraf dapat dilihat secara mudah dalam nilai yang
sama dengan asalnya. Persamaan 2.14 menunjukkan rumus yang digunakan untuk
denormalisasi data di dalam interval [0,1]. Sedangkan persamaan 2.15
menunjukkan denormalisasi data di dalam interval [-1,1] :
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
25
( )( { } { })
{ } ( )
Sedangkan menurut Agustina (2010), transformasi yang digunakan dalam
denormalisasi data dalam interval [-1,1] adalah :
( ) ( { } { }) { } ( )
dengan x adalah nilai data setelah denormalisasi, xp adalah data output sebelum
denormalisasi, min (xp) adalah data minimum pada data set sebelum normalisasi,
dan max (xp) adalah data maksimun pada data set sebelum normalisasi.
2.4.5 Moore-Penrose Generalized Invers
Dalam menghitung bobot akhir jaringan menggunakan persamaan 2.10,
metode ELM menggunakan sebuah metode yang bernama Moore-Penrose
Generalized Invers untuk menghasilkan bobot akhir. Moore-Penrose Generalized
Invers adalah salah satu jenis matriks invers. Moore-Penrose Generalized Invers
atau invers Moore - Penrose merupakan perluasan dari konsep invers matriks.
Jika invers matriks yang umum adalah invers dari suatu matriks bujur sangkar dan
non singular (determinannya tidak nol), maka invers Moore - Penrose ada untuk
setiap matriks baik matriks bujur sangkar yang singular maupun yang tidak bujur
sangkar. Sebuah matriks X dikatakan sebagai invers moore-penrose jika dan
hanya jika matriks X memenuhi keempat sifat sebagai berikut :
1. AXA=A
2. XAX=X
3. (AX)H=AX
4. (XA)H=XA (2.16)
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
26
dengan AH = (A)T yaitu conjugate transpose dari matriks A. Jika memenuhi
keempat sifat pada persamaan 2.16, maka X disebut invers moore-Penrose dari A
dan dinotasikan dengan A+ (Huang, 2004).
2.5. Pemrograman Java
Java merupakan bahasa pemrograman yang didasari oleh OOP (Oriented
Object Programing) yaitu merupakan teknik membuat suatu program berdasarkan
objek. Java memiliki JVM (Java Virtual Machine) yaitu lingkungan tempat
eksekusi program java berlangsung dimana setiap objek saling berinteraksi satu
dengan yang lainnya. Virtual machine inilah yang menyebabkan java mempunyai
kemampuan penanganan memori yang lebih baik, keamanan yang lebih tinggi
serta portabilitas yang besar. Namun demikian java tidak terikat oleh lisensi
karena java bersifat open-source sehingga java merupaka bahasa pemrograman
portable yang bisa digunakan secara muti-platform (Sistem Operasi) dan multi-
arsitektur dimana arsitektur java terbagi menjadi tiga bagian yaitu:
1. Java 2 Enterprise Edition ( J2EE ) untuk aplikasi berbasis web, aplikasi
sistem tersebar dengan beraneka ragam klien dengan kompleksitas yang
tinggi.
2. Java 2 Standard Edition ( J2SE ) untuk aplikasi standar berbasis dekstop.
3. Java 2 Mobile Edition (J2ME) untuk aplikasi mobile seperti handphone.
Hal yang paling penting dalam pemrograman java adalah memahami
karakter dari pola pemrograman berbasis objek yang mencakup konsep utama
pada Object Oriented Programing ( OOP ) yaitu :
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
27
1. Class
Dalam java, kelas didefinisikan menggunakan kata kunci class .
2. Method
Terdapat dua buah method (metode) yaitu fungsi dan prosedur. Fungsi
merupakan metode yang memiliki nilai balik yang menggunakan kata
kunci tipe_data <spasi> nama_fungsi() . Sebaliknya prosedur merupakan
metode yang tidak memiliki nilai balik yang menggunakan kata kunci
void <spasi> nama_fungsi().
3. Inheritance ( pewarisan )
Pewarisan adalah membentuk subkelas baru ( kelas anak ) dari kelas
utama atau kelas induk sebelumnya yang menggunakan kata kunci class
<spasi> nama_kelas_anak <spasi> extends <spasi> nama_kelas_induk.
4. Polimorfisme
Polimorfisme adalah pembentukan kelas baru yang bersifat abstrak karena
adanya keragaman fungsi dari objek – objek yang identik. Oleh karena itu
polimorfisme membentuk kelas abstrak yang menggunakan kata kunci
abstract.
5. Interface
Interface hampir menyerupai kelas abstrak, akan tetapi interface
merupakan kelas abstrak sepenuhnya yang bertujuan untuk menerapkan
pewarisan jamak. Interface menggunakan kata kunci interface.
(Wahana, 2010 )
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
28
BAB III
METODE PENELITIAN
Langkah-langkah yang digunakan dalam penulisan ini adalah sebagai
berikut:
1. Studi pustaka yang berkaitan dengan saham, peramalan (forecasting),
jaringan syaraf tiruan metode Extreme Learning Machine dan bahasa
pemrograman.
2. Prosedur untuk menerapkan Algoritma Extreme Learning Machine dalam
menyelesaikan peramalan harga saham adalah sebagai berikut :
a. Membuat rancangan data yang akan digunakan sebagai input
dalam jaringan syaraf extreme learning machine.
Dalam membuat rancangan data, ada dua hal yang akan
dilakukan yaitu membagi data menjadi data training dan data testing,
dan melakukan normalisasi pada data.
1. Pembagian data menjadi data training dan testing.
Data dibagi menjadi dua yaitu data training dan testing.
Menurut Agustina (2010), data dibagi menjadi data training dan
testing dengan komposisi sebagai berikut :
i. Data training sebanyak 80% dari total data.
ii. Data testing 20% dari total data.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
29
2. Normalisasi data
Data akan dinormalisasikan ke interval yang lebih kecil,
yaitu pada interval [0,1]. Sehingga untuk dapat digunakan sebagai
input pada jaringan, terlebih dahulu dilakukan normalisasi data
dengan mengubah data tersebut menjadi bilangan desimal dalam
interval [0,1]. Transformasi linier yang digunakan untuk
normalisasi data ke interval [-1,1] adalah pada persamaan 2.12.
Jumlah neuron yang digunakan sebanyak 5 unit, dengan
asumsi bahwa jumlah tersebut dapat mewakili data selama 1
minggu dengan asumsi bahwa hari sabtu dan minggu tidak ada
perdagangan saham, diharapkan dengan jumlah neuron input
tersebut, jaringan memiliki arsitektur yang tidak terlalu rumit
sehingga mampu melakukan pembelajaran dengan baik.
Sedangkan target output yang digunakan adalah data pada hari ke-
6. Misalkan n adalah jumlah data yang digunakan, maka rancangan
data dapat dijelaskan pada tabel 3.1 sebagai berikut:
Tabel 3.1 Tabel rancangan data yang akan menjadi input
Pola
ke-
Data input (X1, X2, …., X5) Target
X1 X2 X3 X4 X5
1.
Data
hari
ke-1
Data
hari
ke-2
Data
hari
ke-3
Data
hari
ke-4
Data
hari
ke-5
Data hari
ke-6
2.
Data
hari
ke-2
Data
hari
ke-3
Data
hari
ke-4
Data
hari
ke-5
Data
hari
ke-6
Data hari
ke-7
3.
Data
hari
ke-3
Data
hari
ke-4
Data
hari
ke-5
Data
hari
ke-6
Data
hari
ke-7
Data hari
ke-8
.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
30
b. Mendesain arsitektur jaringan yang terdiri dari input layer,
hidden layer, dan output layer
Arsitektur jaringan yang digunakan terdiri dari sebuah input
layer, sebuah hidden layer, dan sebuah output layer. Rancangan
jumlah unit pada tiap layer adalah sebagai berikut:
a. Pada Input layer jumlah neuron yang digunakan sebanyak 5 unit.
b. Pada hidden layer jumlah neuron yang digunakan di cari terlebih
dahulu.
Fungsi aktivasi yang biasa digunakan dalam peramalan
adalah fungsi sigmoid biner dan sigmoid bipolar. Sedangkan untuk
jumlah hidden neuron, terdapat beberapa pendekatan yang dapat
digunakan untuk mencari jumlah neuron pada hidden layer,
diantaranya adalah :
1. h=√(m.n), (Widrow dan Stearns, 1985)
2. h=n, (Tang dan Fishwick, 1993)
dengan h = jumlah neuron pada lapisan hidden, n = jumlah neuron
pada lapisan input dan m = jumlah neuron pada lapisan output.
.
.
.
.
.
.
n-5
.
.
.
.
.
Data
hari
ke n-5
.
.
.
.
.
Data
hari
ke n-4
.
.
.
.
.
Data
hari
ke n-3
.
.
.
.
.
Data
hari
ke n-2
.
.
.
.
.
Data
hari
ke n-1
.
.
.
.
.
Data hari ke
n
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
31
Jumlah neuron pada hidden layer akan di cari berdasarkan
pendekatan tersebut, yaitu menggunakan cara trial and error dari
jumlah layer dengan neuron terkecil terlebih dahulu ( √ ),
kemudian dilakukan training jaringan untuk mencapai nilai MSE
minimum. Trial and error dilakukan hingga jumlah neuron pada
hidden layer telah mencapai jumlah yang sama dengan neuron pada
input layer ( ) atau lebih. Hal ini dikarenakan angka random
yang digunakan pada bobot kadang menghasilkan output dengan
error yang kecil dan kadang mengeluarkan output dengan error yang
besar. Struktur jaringan yang menghasilkan nilai MSE terkecil, akan
digunakan sebagai arsitektur jaringan akhir.
c. Pada output layer jumlah neuron yang digunakan sebanyak 1 unit.
Jumlah neuron yang digunakan pada output layer hanya 1 unit
karena proses peramalan hanya menghasilkan satu nilai riil saja.
c. Melakukan pelatihan (training) untuk memperoleh bobot dan bias
yang optimal.
Prosedur dalam melakukan training data dijelaskan pada gambar 3.1
berikut
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
32
Ya
Tidak
Inisialisasi bias dan bobot acak
Start
MSE <10-5 atau epoch = epoch max
Input data training
Proses feedforward
End
Bias dan Bobot Akhir
Gambar 3.1 Prosedur pelatihan pada ELM.
d. Implementasi program pada data harga saham sebenarnya.
Pada peramalan menggunakan JST metode ELM, data yang akan
digunakan adalah data pembukaan harga saham sebenarnya pada enam
perusahaan di masing-masing bidang usaha. Pemilihan perusahaan ini
didasarkan pada kepopuleran perusahaan tersebut pada Bursa Efek
Indonesia (BEI) dikarenakan sahamnya yang banyak diminati oleh para
investor baik dari dalam negeri maupun luar negeri ditunjukkan dengan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
33
Start
Input data training
Input bias dan bobot dari proses training
End
Input bobot jaringan
Melakukan Peramalan Data Training
banyaknya volume penjualan saham (lot). Selain itu, pemilihan
perusahaan ini juga didasarkan atas bidang usaha yang ditekuni oleh
perusahaan tersebut seperti perusahaan BUMN, bidang industri, jasa
keuangan, makanan, telekomunikasi dsb. Keenam perusahaan tersebut
adalah PT. Semen Gresik, PT. Bank Mandiri, PT. Astra Internasional,
PT. Perusahaan Gas Negara, PT. Indofood dan PT. Telkom.
e. Melakukan testing data training dengan menggunakan nilai-nilai
bobot yang sudah diperoleh dari hasil training data.
Prosedur melakukan testing data training digambarkan dalam
Gambar 3.2 sebagai berikut :
Gambar 3.2 Proses melakukan testing pada data training
Pada testing data training, jaringan syaraf ELM diaplikasikan
pada data training dengan hanya menggunakan proses feedforward dari
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
34
Start
Input data validasi
Input bias dan bobot dari proses training
Input parameter (sama dengan parameter pada proses training)
Proses feedforward
End
Hasil peramalan pada data validasi
algoritma training. Bias dan bobot yang digunakan adalah bias dan
bobot akhir dari training.
f. Melakukan uji validasi data dengan menggunakan nilai-nilai bobot
yang sudah diperoleh dari hasil training data.
Gambar 3.3 menjelaskan alur bagaimana melakukan uji validasi data.
Gambar 3.3 Proses validasi data
Pada uji validasi data, jaringan syaraf ELM diaplikasikan pada
data validasi dengan hanya menggunakan proses feedforward dari
algoritma training. Bias dan bobot yang digunakan adalah bias dan
bobot akhir dari training.
g. Melakukan denormalisasi data
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
35
Selesai
Membagi data menjadi 2 bagian ( training & validasi )
Membuat Arsitektur Jaringan Awal
Melakukan Training data
Melakukan Testing data Training
Melakukan Uji Validasi
Studi Pustaka
Membuat Rancangan Data Input
Mulai
Proses denormalisasi data menggunakan persamaan 2.15.
h. Membuat program untuk menyelesaikan peramalan harga saham
dengan JST metode ELM dengan menggunakan bahasa
pemrograman Java.
i. Mengimplementasikan program yang telah dibuat pada data
saham.
Secara umum, cara kerja secara keseluruhan dapat dijelaskan pada
Gambar 3.3 sebagai berikut :
Gambar 3.4 proses kerja keseluruhan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
36
BAB IV
PEMBAHASAN
Pada bagian ini akan dijelaskan pengolahan data, prosedur Jaringan Syaraf Tiruan
Extreme Learning Machine dalam peramalan harga saham dan implementasinya
menggunakan bahasa pemrograman Java untuk meramalkan harga saham.
4.1. Data
Data harga saham yang digunakan pada Skripsi ini adalah harga
pembukaan saham yang terjadi dalam seminggu sebanyak 5 hari. Data perusahaan
yang digunakan sebagai simulasi peramalan adalah data saham PT. Semen Gresik.
Data saham diambil dari internet pada periode 2 Januari 2008 sampai dengan 31
Mei 2012. Data lengkap tentang harga saham dapat dilihat pada lampiran 1.
Kutipan data tersebut dapat dilihat pada Tabel 4.1. (sumber : yahoo finance)
Tabel 4.1. Kutipan data harga saham PT.Semen Gresik
No. Tanggal Harga Saham (PT. Semen Gresik)
1 2 Januari 2008 5600
2 3 Januari 2008 5600
3 4 Januari 2008 5650
. . .
. . .
. . .
1072 31 Mei 2012 11000
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
37
Sebelum diolah, data harga saham pada tabel 4.1 dinormalisasi menggunakan
persamaan 2.12. Kutipan harga saham yang telah ternormalisasi dapat diihat pada
Tabel 4.2.
Tabel 4.2. Kutipan data harga saham yang ternormalisasi No. Tanggal Harga Saham
(PT. Semen Gresik) 1 2 Januari 2008 0.369194313
2 3 Januari 2008 0.369194313
3 4 Januari 2008 0.372985782
. . .
. . .
. . .
1072 31 Mei 2012 0.778673
Data saham dari masing-masing perusahaan tersebut kemudian dibagi menjadi
dua yaitu 80% dari total data menjadi data training yakni berjumlah 857 periode
mulai tanggal 2 Januari 2008 hingga tanggal 18 Juli 2011. Sedangkan 20% dari
total data menjadi data validasi yakni sebanyak 215 periode mulai tanggal 19 Juli
2011 hingga tanggal 31 Mei 2012. Dengan membuat pola data training sesuai
dengan Tabel 3.1 maka dapat disusun pola input data training yang selanjutnya
akan diproses menggunakan Jaringan Syaraf ELM. Pola input data training dapat
dilihat pada tabel 4.3. Sedangkan untuk uji validasi pola input datanya mirip
dengan input data training, hanya data yang dimasukkan adalah data validasi.
Untuk pola data validasi dapat dilihat pada Tabel 4.4.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
38
Tabel 4.3. Pola input data training,
n adalah jumlah data training
Sedangkan pada Tabel 4.4 akan digambarkan rancangan pola data untuk uji
validasi. Data yang digunakan adalah 20% dari total data yakni 215 data. Pola
data uji validasi digambarkan pada Tabel 4.4.
Pola
ke-
Data input (X1, X2, …., X5) Target
X1 X2 X3 X4 X5 X6
1. 0.3691 0.3691 0.3729 0.3729 0.3729 0.3691
2. 0.3691 0.3729 0.3729 0.3729 0.3691 0.3691
3. 0.3729 0.3729 0.3729 0.3691 0.3691 0.3691
. . . . . .
. . . . . . .
852. 0.6914 0.6914 0.6838 0.6876 0.6952 0.6952
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
39
Tabel 4.4. Pola input data validasi, m adalah jumlah data validasi
Setelah rancangan data disusun, maka langkah selanjutnya adalah menyusun
arsitektur jaringan. Arsitektur jaringan akan dijelaskan pada sub bab 4.2.
4.2. Arsitektur Jaringan
Arsitektur jaringan adalah susunan jaringan yang terdiri dari jumlah unit
input, jumlah unit hidden dan jumlah unit output. Dalam penelitian ini terdapat
tiga model arsitektur jaringan. Tiga model dipilih berdasarkan metode trial and
error. Selain itu berdasarkan literatur yang didapatkan, pemilihan arsitektur
jaringan terutama jumlah hidden minimal sama dengan jumlah input agar
diperoleh akurasi yang lebih tinggi. Model pertama terdiri dari 5 unit input, 5 unit
Pola ke- Data input (X1, X2, …., X5)
X1 X2 X3 X4 X5
1. 0.7028 0.6838 0.6914 0.6876 0.6952
2. 0.6838 0.6914 0.6876 0.6952 0.6952
3. 0.6914 0.6876 0.6952 0.6952 0.6876
. . . . . .
. . . . . .
210. 0.8014 0.7445 0.7635 0.7672 0.7786
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
41
validasi data digunakan untuk menguji hasil dari training data, perbedaannya
terletak pada penggunaan data. Testing data training menggunakan data training
sedangkan uji validasi data menggunakan data validasi. Prosedur jaringan syaraf
ELM untuk peramalan harga saham pada tahap training data, testing data training,
dan uji validasi data berturut-turut dapat dilihat pada Gambar 4.2, 4.3, dan 4.4.
Misalkan epoch adalah satuan dari keseluruhan iterasi pada pola training
data, jum_pola adalah banyaknya pola dalam data training, f_aktiv adalah fungsi
aktivasi yang digunakan, f_norm adalah fungsi yang digunakan untuk normalisasi
data dan mse adalah mean square error, maka prosedur dari training data, testing
data training dan uji validasi dijelaskan pada Gambar 4.2, Gambar 4.3, dan
Gambar 4.4 sebagai berikut :
Gambar 4.2. Prosedur training data pada jaringan syaraf ELM
Prosedur training data Mulai input parameter (f_aktiv, f_norm, epoch maks, mse maks); normalisasi data ( ); inisialisasi bias dan bobot ( ); epoch = 1; Untuk i=1 sampai dengan epoch maks Untuk j=1 sampai dengan jum_pola Proses feedforward ( ); update bias dan bobot ( ); Selesai Hitung mse ( ); Jika mse < mse maksimum, maka Berhenti; epoch = epoch + 1; Selesai Selesai Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
42
Gambar 4.3. Prosedur testing data training data pada jaringan syaraf ELM
Gambar 4.4. Prosedur uji validasi data pada jaringan syaraf ELM
Langkah pertama dalam melakukan peramalan menggunakan Jaringan Syaraf
ELM adalah menormalisasikan data ke dalam interval 0 hingga 1 atau -1 hingga 1
agar nantinya dapat diproses menggunakan Jaringan Syaraf ELM. Untuk prosedur
normalisasi data dijelaskan dalam sub bab 4.3.1.
4.3.1. Prosedur Normalisasi Data
Normalisasi data digunakan untuk mengubah data ke dalam interval antara
0 hingga 1 menggunakan persamaan 2.12 atau ke dalam interval -1 hingga 1
menggunakan aturan persamaan 2.13. prosedur normalisasi data dapat dilihat pada
Gambar 4.5.
Misalkan norm adalah output yang dikehendaki yakni bernilai 0 untuk
interval 0 hingga 1 dan bernilai 1 untuk interval -1 hingga 1, normalisasi ke-n
adalah hasil normalisasi data ke – n, min adalah nilai minimum pada data, max
Prosedur testing data training
input parameter (f_aktiv, f_norm); inisialisasi bias dan bobot dari training data ( ); proses feedforward ( );
Prosedur Uji Validasi
input parameter (f_aktiv, f_norm); inisialisasi bias dan bobot dari training data ( ); proses feedforward ( ); denormalisasi data ( );
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
43
adalah nilai maksimum pada data, maka prosedur normalisasi ditunjukkan pada
Gambar 4.5.
Gambar 4.5 : Prosedur normalisasi data
Setelah data ternormalisasi, maka langkah berikutnya adalah melakukan proses
inisialisasi bias dan bobot menggunakan angka random. Inisialisasi diperlukan
untuk membangkitkan nilai awal bias dan bobot. Angka random hanya dilakukan
sebanyak satu kali dan selanjutnya akan digunakan prosedur update bobot dan
bias. Untuk bahasan inisialisasi bias dan bobot akan dijelaskan dalam sub bab
4.3.2.
4.3.2. Prosedur Inisialisasi Bias dan Bobot
Prosedur ini digunakan untuk menentukan nilai dari bobot awal Vij dan
Wjk. Vij adalah bobot antara lapisan input ke-i dan lapisan hidden ke-j, sedangkan
Wjk adalah bobot antara unit hidden ke-j dan lapisan output ke-k. inisialisasi bias
dan bobot tersebut ditentukan dengan menggunakan fungsi bil_random,
bil_random adalah fungsi untuk memperoleh bilangan acak antara -1 hingga 1.
Jumlah hidden dimisalkan dengan jml_hidden, jumlah input dimisalkan dengan
jml_input dan jumlah output dengan jml_output. Prosedur inisialisasi bias dan
bobot dapat dilihat pada gambar 4.6.
Prosedur normalisasi data
Jika norm = 0, maka Untuk n = 1 sampai dengan jumlah data normalisasi[n] = (0.8*(data [n] – min)/(max-min))+0.1; Selesai Jika norm = 1, maka Untuk n = 1 sampai dengan jumlah data normalisasi[n] = (2*(data [n] – min)/(max-min))+1; Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
44
Gambar 4.6. Prosedur inisialisasi bias dan bobot
Setelah proses inisialiasi bobot dan bias telah selesai dilakukan, maka selanjutnya
akan digunakan prosedur feedforward untuk menghitung output jaringan. Untuk
prosedur feedforward akan dijelaskan pada sub bab 4.3.3.
4.3.3. Prosedur feedforward
Proses feedforward digunakan untuk menghitung nilai dari lapisan
keluaran (output). Setiap unit input X_inputni akan menerima sinyal input dan
menyebarkan sinyal tersebut pada tiap unit hidden. Gn merupakan fungsi
penjumlahan untuk menyebarkan sinyal input pada tiap unit hidden, kemudian
digunakan fungsi aktivasi sigmoid biner untuk memperoleh nilai Hnj. Setiap unit
hidden Hnj menyebarkan sinyal yang diterima pada tiap unit output dengan
menggunakan fungsi penjumlahan Y_netk , kemudian dengan menggunakan
fungsi aktivasi sigmoid biner yang dimisalkan sigmoid_biner (Y_net) diperoleh
nilai unit output Yk. prosedur feedforward dapat dilihat pada Gambar 4.7.
Prosedur fungsi bil_random
x = random(0,1); bilangan = 2*x – 1; bil_random = bilangan; Untuk i = 0 sampai dengan jml_input Untuk j = 1 sampai dengan jml_hidden V[i][j]= bil_random; Selesai Untuk i = 0 sampai dengan jml_hidden Untuk j = 1 sampai dengan jml_output W[i][j] = bil_random; Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
45
Gambar 4.7. Prosedur proses feedforward
Dari proses feedforward yang telah dilakukan maka dalam setiap iterasi dalam
sebuah pola dilakukan proses update bobot dan bias. Hal ini dilakukan untuk
memperbaiki kesalahan (error) yang terjadi selama proses feedforward. Untuk
prosedur update bobot dan bias dijelaskan pada sub bab 4.3.4.
4.3.4. Prosedur Perubahan (update) Bias dan Bobot
Proses perubahan (update) bobot dilakukan ketika selisih nilai hasil
keluaran jaringan dan target tidak sesuai. Perubahan bobot yang dimisalkan
delta_Wjk adalah perubahan bobot dari hidden ke-j hingga output ke-k ,Yk yang
merupakan hasil output dari proses feedforward dibandingkan dengan nilai target
ke-k yang dimisalkan dengan Tk. Proses update ini memanfaatkan fungsi
pseudoinverse dari bobot akhir yang pertama dikalikan dengan target ke-k
Prosedur feedforward Untuk n = 1 sampai dengan jml_data Untuk j = 1 sampai dengan jml_hidden sum = 0; Untuk i = 1 sampai dengan jml_input sum = sum + X_input [n][i]*V[i][j]; G [n][j] = V[0][j] + sum; H [n][j] = sigmoid_biner (G [n][j]); Selesai Selesai Untuk k = 1 sampai dengan jml_output sum = 0; Untuk j = 1 sampai dengan jml_hidden sum = sum + H [n][j]*W[j][k]; Y_net [n][k] = W[0][k] + sum; Y[n][k] = sigmoid_biner (Y_net [n][k]) Selesai Selesai Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
46
dimisalkan pinv(Wjk)*Tk terus diulang hingga semua pola telah tercapai. Prosedur
update bias dan bobot akhir dapat dilihat pada Gambar 4.8.
Gambar 4.8 : Prosedur update bias dan bobot
Setelah proses update bias dan bobot dilakukan maka langkah selanjutnya akan
dilakukan proses menghitung MSE. Hal ini dilakukan untuk mengukur performa
dari jaringan, yakni seberapa baik kemampuan jaringan mengenali pola. Untuk
prosedur menghitung MSE dijelaskan dalam sub bab 4.3.5.
4.3.5. Prosedur Menghitung Mean Square Error
Untuk menghitung nilai mean square error (MSE) digunakan persamaan
2.11. Prosedur untuk menghitung nilai MSE dapat dilihat pada gambar 4.9. Tij
adalah nilai target pada baris ke-i kolom ke-j dan Yij adalah nilai output (hasil
peramalan) pada baris ke-i kolom ke-j.
Gambar 4.9. Prosedur menghitung nilai mean square error (MSE)
Prosedur update bias dan bobot Untuk n = 1 sampai dengan jumlah pola Untuk k = 1 sampai dengan jml_output Untuk j = 0 sampai dengan jml_hidden delta_W[j][k] = pinv(W[j][k])*Tk; W[j][k] = delta_W[j][k]; Selesai Selesai Selesai
Prosedur hitung mean square error (MSE) MSE = 0; Untuk j = 1 sampai dengan jml_output Untuk i = 1 sampai dengan jumlah pola MSE = MSE + (Tij - Yij)2/jml_pola; Selesai Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
47
Setelah proses menghitung MSE, proses update bobot serta bias dilakukan maka
selanjutnya untuk mengembalikan data kedalam bentuk aslinya diperlukan proses
denormalisasi. Untuk prosedur denormalisasi dijelaskan pada sub bab 4.3.6.
4.3.6. Prosedur Denormalisasi Data
Denormalisasi data digunakan untuk mengembalikan data yang telah
dinormalisasi ke bentuk data yang sebenarnya menggunakan persamaan 2.14 jika
normalisasi yang telah dilakukan dalam interval 0 hingga 1 dan menggunakan
persamaan 2.15 jika normalisasi yang telah dilakukan dalam interval -1 hingga 1.
Prosedur denormalisasi data ditunjukkan pada Gambar 4.10.
Gambar 4.10. Prosedur denormalisasi data
Setelah semua prosedur diatas disusun, maka langkah berikutnya adalah
mengkodekan semua prosedur ke dalam bahasa pemrograman Java. Untuk source
code program dapat dilihat pada Lampiran 2.
4.4. Implementasi Pada Program Java
Setelah semua prosedur diatas dikodekan ke dalam bahasa pemrograman Java
seperti pada Lampiran 2, selanjutnya akan disimulasikan prediksi peramalan harga
saham. Dalam simulasi ini digunakan data dari saham PT.Semen Gresik.
Prosedur Denormalisasi Data
Jika norm = 0, maka Untuk n = 1 sampai dengan jumlah data
denormalisasi[n] =( (normalisasi[n] – 0.1)*(max – in))/0.8)+min; Selesai Jika norm = 1, maka Untuk n = 1 sampai dengan jumlah data
denormalisasi[n] =( 0.5*(normalisasi[n] +1)*(max – min))+min; Selesai
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
48
4.4.1. Implementasi Pada Program Java Untuk Training Data
Sebelum masuk tahap training terlebih dahulu memilih data yang akan
diolah. Data yang akan diolah adalah data harga saham pada PT.Semen Gresik
mulai tanggal 2 Januari 2008 hingga 31 Mei 2012 yang berbentuk file microsoft
excel yang bereksistensi .xls. Data ini dipilih dengan alasan mampu mewakili
keenam data harga saham. Setelah itu inputkan jumlah data yang akan digunakan,
prosentase penggunaan data training, normalisasi yang akan digunakan, serta
fungsi aktivasi yang akan digunakan. Form tersebut digambarkan pada Gambar
4.11.
Gambar 4.11. Form awal
Setelah menginputkan jumlah data sebanyak 1072, prosentase data training
sebanyak 80%, menggunakan normalisasi 0 sampai 1 dan menggunakan fungsi
aktivasi sigmoid biner, maka akan muncul form yang memperlihatkan data secara
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
49
keseluruhan yang berjumlah 1072 dengan data training sebanyak 857 dan data
validasi sebanyak 215 seperti pada gambar 4.12.
Gambar 4.12. Form data keseluruhan
Setelah data telah dinormalisasikan ke dalam interval 0 hingga 1 maka
selanjutnya akan diminta untuk menentukan rancangan arsitektur jaringan.
Arsitektur jaringan adalah struktur jaringan syaraf tiruan yang meliputi jumlah
hidden layer, MSE, dan jumlah epoch maksimal seperti yang diperlihatkan pada
gambar 4.13.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
50
Gambar 4.13. Form input parameter
Setelah semua parameter yang diperlukan sebagai rancangan arsitektur
awal jaringan ditetapkan, proses training data dilakukan. Berdasarkan proses
training yang telah dilakukan pada data saham, maka diperoleh hasil dari MSE
paling optimal seperti pada Tabel 4.5.
Tabel 4.5. Arsitektur ELM yang paling optimal
No. Jumlah Hidden Epoch MSE
1 5 10000 0,000119190398453 2 5 20000 0,0001179845278199 3 5 45000 0,0001143899 4 6 40000 0,0001116119399420 5 6 50000 0,00016343030595385 6 7 60000 0,000115546629143
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
51
Dari Tabel 4.5 diketahui bahwa arsitektur yang paling optimal adalah arsitektur
dengan unit hidden sebanyak 5 dan epoch sebanyak 45000 epoch. Selanjutnya,
untuk menguji keakuratan dari performa ELM maka akan ditampilkan hasil
running program dari 5 buah perusahaan yakni PT. Bank Mandiri, PT.Astra
Internasional, PT.Perusahaan Gas Negara, PT.Indofood, dan PT.Telkom dengan
MSE terkecil pada Tabel 4.6.
Tabel 4.6. Arsitektur dari training ELM dengan MSE terkecil
No. Nama Perusahaan
Unit Input
Unit Hidden Epoch MSE
1 PT. Bank Mandiri 5 5 10000 0,000189777561
2 PT.Astra Internasional 5 5 10000 0,000097578152
3 PT.PGN 5 5 10000 0,000639913998 4 PT.Indofood 5 6 20000 0,000127591234 5 PT.Telkom 5 6 20000 0,000737256017
Selama proses training, proses inisialisasi bobot menggunakan angka random
dengan interval antara -1 sampai 1 dan menggunakan fungsi aktivasi sigmoid
biner. Hal ini dipilih karena selama pelatihan dapat menghasilkan bobot dan MSE
terkecil. Data training yang terdiri dari 6 perusahaan ternama dipilih untuk
menguji kestabilan dan performance dari jaringan syaraf ELM. Dari data tersebut
terlihat bahwa pemilihan arsitektur dan epoch yang berbeda akan berdampak
langsung terhadap nilai MSE. Pemilihan bobot awal inisialisasi juga berdampak
langsung kepada performance dari jaringan syaraf. Bobot awal dari peramalan
saham PT.Semen Gresik digambarkan dalam Tabel 4.7 dan Tabel 4.8. Dari Tabel
4.7 bobot bias dilambangkan dengan X0, bobot input yang lain dengan X,
sedangkan bobot dari hidden disimbolkan dengan G.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
52
Tabel 4.7. Bobot awal dari input ke hidden
G1 G2 G3 G4 G5
X0 -0.170372372 0.64893507 -0.6082431 -0.1986823 -0.819170
X1 -0.593190421 0.20401791 0.73999162 0.96749005 0.8683085
X2 0.7468956675 0.88656571 -0.2357196 0.67706047 0.7163388
X3 0.3137579199 0.89885037 -0.7281084 0.72580999 -0.058435
X4 0.3474644907 0.15685479 -0.4733648 -0.50054399 0.5828370
X5 0.7152594630 0.27166137 0.04705516 -0.94817082 -0.853578
Tabel 4.8. Bobot awal dari hidden ke output
G0 0.744413792
G1 0.69554733023
G2 -0.4229789126
G3 -0.1719031760
G4 0.5750470186
G5 -0.3467028522
Sedangkan untuk tabel bobot akhir dan bias optimal yang dihasilkan selama
proses training dapat dilihat pada Tabel 4.9 dan Tabel 4.10.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
53
Tabel 4.9. Bobot akhir dari input ke hidden
G1 G2 G3 G4 G5
X0 -5.27416 -0.20443444 -0.68119732 -2.545489568 -0.493053015
X1 0.494200 -0.131383074 0.104115919 1.2797202021 -0.460768433
X2 1.871857 0.0432711048 -0.78114461 0.5096790221 0.8933025802
X3 0.211761 -0.751032539 -1.90975728 -1.457649887 1.3161447385
X4 6.527356 -1.337804695 -5.04094170 -0.218146617 -5.286067868
X5 -2.61017 -0.822060994 1.54103864 1.585431303 -0.092512075
Tabel 4.10. Bobot akhir dari hidden ke output
G0 -0.027165668452828
G1 2.3864303887213065
G2 -0.724477085646728
G3 -3.905284302556329
G4 1.259611525911298
G5 -3.558324973629275
Setelah bobot optimal tercapai, selanjutnya akan dilakukan implementasi program
Java untuk testing data training.
4.4.2. Implementasi Program Java Untuk Testing Data Training
Pada proses ini diambil bobot dan bias yang diperoleh dari hasil training
dengan memilih MSE yang paling optimal. Dalam hal ini diambil dari data Tabel
4.5 yang memiliki MSE terkecil di setiap data harga saham. Untuk melihat grafik
MSE dapat dilihat pada Gambar 4.14.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
54
Gambar 4.14. Grafik perubahan MSE
Berdasarkan Gambar 4.14 diketahui bahwa selama proses training dilakukan,
MSE selalu mengalami penurunan. Hal ini mengindikasikan bahwa Jaringan
Syaraf ELM mampu mengenali pola dengan baik karena nilai errornya cenderung
menurun disetiap iterasinya. Selain grafik MSE, selanjutnya akan ditampilkan
grafik dari testing data training untuk menguji kembali seberapa baik bobot akhir
dalam jaringan mampu mengenali pola data yang digambarkan pada Gambar 4.15.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
55
Gambar 4.15. Grafik testing data training
Berdasarkan grafik pada gambar 4.15 dapat dilihat bahwa perbedaan antara target
dan hasil peramalannya relatif kecil. Hal ini menunjukkan bahwa jaringan syaraf
ELM mampu mengenali pola dengan baik. Selanjutnya akan dilakukan
implementasi program Java untuk uji validasi agar diperoleh nilai peramalan
saham pada tanggal 1 Juni 2012.
4.4.3. Implementasi Pada Program Java Untuk Uji Validasi
Setelah proses training dan testing dilakukan, langkah terakhir adalah
proses uji validasi. Uji validasi ini dilakukan untuk memperoleh hasil peramalan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
56
dari harga saham menggunakan jaringan syaraf ELM. Hasil uji validasi pada data
saham PT.Semen Gresik untuk nilai MSE training yang paling optimal dan masih
dalam keadaan ternormalisasi dapat dilihat pada Gambar 4.16.
Gambar 4.16. Grafik hasil uji validasi data
Berdasarkan Gambar 4.16 dapat dilihat bahwa nilai peramalan dalam keadaan
ternormalisasi sebesar 0,7596669577470279 dengan MSE sebesar 0,00307. Untuk
hasil uji validasi yang telah melalui proses denormalisasi dapat dilihat pada
Gambar 4.17.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
57
Gambar 4.17. Hasil uji validasi setelah denormalisasi
Setelah proses denormalisasi dilakukan, dapat diketahui nilai hasil peramalan
untuk tanggal 1 Juni 2012 yaitu Rp.10906,865123143074 seperti pada Gambar
4.17. Sedangkan pada data yang sebenarnya yakni tanggal 1 Juni 2012 harga
saham PT.Semen Gresik adalah sebesar Rp.10900, jadi terjadi selisih harga sekitar
Rp.6 atau 0,05% dari data yang sebenarnya. Hal ini menunjukkan bahwa performa
ELM untuk meramalkan data dapat dikatakan baik karena selisih yang terjadi
relatif kecil sehingga mendekati nilai sebenarnya. Untuk grafik dari uji validasi
dapat dilihat pada Gambar 4.18.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
58
Gambar 4.18. Grafik hasil uji validasi
Pada Gambar 4.18 dapat dilihat perbedaan antara harga aktual dengan harga hasil
peramalan cukup kecil. Hal ini dilihat dari pola data peramalan yang dapat
mengikuti pola pergerakan data saham sebenarnya. Perbedaan yang cukup jauh
terjadi pada data 7 bulan terakhir, yakni terjadi rentang yang cukup jauh antara
data peramalan dengan data sebenarnya. Untuk menguji kestabilan dari peramalan
menggunakan jaringan syaraf ELM, akan dilakukan peramalan terhadap 5 buah
perusahaan dan hasilnya dibandingkan dengan data yang sebenarnya pada tanggal
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
59
1 Juni 2012. Hasil dari peramalan harga saham 5 buah perusahaan dapat dilihat
padaTabel 4.11.
Tabel 4.11. Hasil peramalan harga saham pada 5 buah perusahaan
Nama Perusahaan MSE Nilai Peramalan
Nilai Sebenarnya
Selisih (%)
PT.BANK MANDIRI 0,000189777561 6856 6750 1,5703703
PT.ASTRA INT. 0,0000975781520 65937 64000 3.0265625 PT.PERUSAHAAN GAS NEGARA
0,000569589511 3624 3650 0.712328767
PT.INDOFOOD 0,00012759123 4818 4700 2.510638298 PT.TELKOM 0,000737256017 7173 7850 8.624203822
Dari tabel 4.11 diatas dapat disimpulkan bahwa dalam melakukan peramalan data
harga saham, Jaringan Syaraf ELM memiliki kemampuan yang baik. Hal ini
ditunjukkan dari hasil peramalan yang mendekati harga saham sebenarnya.
Selanjutnya peramalan menggunakan Jaringan Syaraf ELM ini dapat digunakan
sebagai bahan pertimbangan seorang investor dalam melakukan keputusan
investasinya.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
60
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
1. Jaringan Syaraf Tiruan Metode Extreme Learning Machine (ELM) dapat
diterapkan untuk meramalkan harga saham. Proses yang digunakan
antara lain training data, testing data training, dan uji validasi data.
2. Program untuk menyelesaikan peramalan saham menggunakan Jaringan
Syaraf ELM dapat dibuat dengan bahasa pemrograman Java dengan
Netbeans IDE.
3. Berdasarkan analisis yang telah dilakukan, diperoleh arsitektur jaringan
yang optimal dengan inisialisasi bias dan bobot menggunakan angka
random antara -1 hingga 1, jumlah input sebanyak 5, jumlah hidden
sebanyak 5, jumlah output sebanyak 1, fungsi normalisasi yang
digunakan antara 0 hingga 1,epoch sebanyak 45000, dan fungsi aktivasi
sigmoid biner.
4. Berdasar implementasi yang telah dilakukan pada data saham PT.Semen
Gresik diperoleh hasil yakni MSE training sebesar 0,0001143899. Nilai
MSE ini relatif kecil sehingga bobot yang dihasilkan mampu mengenali
pola data dengan baik. Prediksi harga saham pada tanggal 1 Juni 2012
sebesar Rp.10906,00 . Data sebenarnya pada tanggal 1 Juni 2012 sebesar
Rp.10900,00. Sehingga terjadi selisih sebesar Rp.6,00 atau sebesar 0,05
%. Dengan selisih yang kecil ini dapat disimpulkan bahwa peramalan
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
61
yang dilakukan dapat dijadikan bahan pengambilan keputusan dalam
berinvestasi.
5.2 Saran
Untuk penelitian berikutnya, algoritma pelatihan Jaringan Syaraf tiruan
ELM dapat dihybrid dengan beberapa algoritma pelatihan lain dalam jaringan
syaraf tiruan seperti Backpropagation (BP), Radial Basis Function (RBF),
Lerning Vector Quantitation (LVQ), Support Vector Machine(SVM) dan
algoritma pelatihan lainnya untuk meningkatkan kemampuan jaringan dalam
mengenali pola data saham. Analisis teknis yang telah dilakukan ini akan
memiliki akurasi yang lebih tinggi jika digabungkan dengan analisis
fundamental.
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
62
DAFTAR PUSTAKA
1. Agustina, I, 2010, Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan, Skripsi, Institut Teknologi Sepuluh Nopember Surabaya
2. Eliyani, 2007, Peramalan harga saham perusahaan menggunakan Artificial Neural Network dan Akaike Information Criterion, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta
3. El-sebakhy, 2008, Extreme Learning Machine as a New Framework in
Predicting Material Properties: Methodology and Comparison, International Association for Computer Methods and Advances in Geomechanics (IACMAG), India
4. Huang, G. B., Zhu, Q. Y., Siew, C. K., 2006, Extreme learning machine: Theory and application, Neurocomputing, 70, 489-501
5. Iman, N. , 2008, Kiat-kiat membiakkan uang di masa sulit, Elex Media
Komputindo, Jakarta
6. Kusumadewi, S., 2003, Artificial intellegence (teknik dan aplikasi), Graha ilmu, Yogyakarta.
7. Lesmana, A., 2007, Penggunaan jaringan syaraf tiruan metode
backpropagation untuk memprediksi harga saham, Skripsi, Universitas Gunadarma Jakarta
8. Manurung, A. H., 2010, Wealht Management, Kompas Gramedia, Jakarta
9. Nachrowi, N. J. 2004, Teknik Pengambilan Keputusan, Grasindo,
Jakarta
10. Purnomo, R., S., dan Hariani, I. , 2010, Buku Pintar Hukum Bisnis Pasar Modal, Transmedia Pustaka, Jakarta
11. Rojas, R., 1997, Neural Network : A Systematic Introduction , Springer-
Verlag, Berlin
12. Setiawan, W., 2008, Peramalan harga saham dengan algoritma backpropagation, Konferensi Nasional Sistem dan Informatika, Bali
13. Siang, J.J, 2005, Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan Matlab, Penerbit Andi, Yogyakarta
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
63
14. Situmorang, P., dkk., 2010, Jurus-jurus Berinvstasi Saham, Trans Media Pustaka, Jakarta
15. Syamsir, H., 2004, Solusi Investasi Bursa Saham, Elex Media
Komputindo, Jakarta
16. Tang, Z. and P. A. Fishwick, 1993, Feed-forward Neural Networks as Models for Time Series Forecasting, ORSA Journal on Computing
17. Tristiyanto, 2007, Pemilihan analisis teknis dalam berinvestasi saham
menggunakan Probabilistic Neural Network, Prosiding Seminar Nasional Sains dan Teknologi
18. Wahana, komputer, 2010, Membangun GUI dengan JAVA Netbeans 6.5,
Penerbit Andi, Yogyakarta
19. Widrow, B and Stearns, S. D., 1985, Adaptive Signal Processing, New Jersey: Prentice-Hall, Inc
20. Zuhdi, A., Asih, A. M. S., Sutono, S. B., 2004, Model integrasi jaringan
syaraf tiruan dan sistem pakar untuk pengambilan keputusan investasi saham, Jurnal Mesin dan Industri, 1, 63-79
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-1
LAMPIRAN 1
DATA HARGA SAHAM PT.SEMEN GRESIK (TANGGAL 2 JANUARI 2008 – 31 MEI 2012)
Date Open 1/2/2008 5600 1/3/2008 5600 1/4/2008 5650 1/7/2008 5650 1/8/2008 5650 1/9/2008 5600
1/14/2008 5600 1/15/2008 5600 1/16/2008 5100 1/17/2008 5100 1/18/2008 4800 1/21/2008 4950 1/22/2008 4700 1/23/2008 4850 1/24/2008 4725 1/25/2008 5150 1/28/2008 5300 1/29/2008 5600 1/30/2008 5500 1/31/2008 5550 2/1/2008 5550 2/4/2008 5600 2/5/2008 5450 2/6/2008 5350
2/11/2008 5300 2/12/2008 5250 2/13/2008 5250 2/14/2008 5450 2/15/2008 5600 2/18/2008 5500 2/19/2008 5550 2/20/2008 5500 2/21/2008 5450 2/22/2008 5450 2/25/2008 5550 2/26/2008 5550 2/27/2008 5500
2/28/2008 5400 2/29/2008 5450 3/3/2008 5250 3/4/2008 5200 3/5/2008 5250 3/6/2008 5200
3/10/2008 4800 3/11/2008 4700 3/12/2008 4950 3/13/2008 4950 3/14/2008 4800 3/18/2008 4875 3/19/2008 4950 3/25/2008 4700 3/26/2008 4900 3/27/2008 5100 3/28/2008 5200 3/31/2008 5100 4/1/2008 5000 4/2/2008 5000 4/3/2008 4800 4/4/2008 4600 4/7/2008 4500 4/8/2008 4250 4/9/2008 4250
4/10/2008 4100 4/11/2008 4225 4/14/2008 4250 4/15/2008 4175 4/16/2008 4225 4/17/2008 4275 4/18/2008 4325 4/21/2008 4350 4/22/2008 4275 4/23/2008 4150 4/24/2008 4150 4/25/2008 4150 4/28/2008 4025
4/29/2008 4025 4/30/2008 4300
5/2/2008 4300 5/5/2008 4325 5/6/2008 4625 5/7/2008 4550 5/8/2008 4625 5/9/2008 4575
5/12/2008 4525 5/13/2008 4650 5/14/2008 4600 5/15/2008 4700 5/16/2008 4600 5/19/2008 4525 5/21/2008 4425 5/22/2008 4375 5/23/2008 4550 5/26/2008 4450 5/27/2008 4425 5/28/2008 4450 5/29/2008 4525 5/30/2008 4400
6/2/2008 4350 6/3/2008 4275 6/4/2008 4225 6/5/2008 4200 6/6/2008 4250
6/10/2008 4200 6/11/2008 4200 6/12/2008 4050 6/13/2008 4075 6/16/2008 4075 6/17/2008 4100 6/18/2008 4050 6/19/2008 4000 6/20/2008 4025 6/23/2008 4000 6/24/2008 4000
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-2
6/25/2008 4100 6/26/2008 4050 6/27/2008 3975 6/30/2008 4025 7/1/2008 4000 7/2/2008 4000 7/3/2008 4050 7/4/2008 4025 7/7/2008 3975 7/8/2008 3900 7/9/2008 4025
7/10/2008 4025 7/11/2008 4025 7/14/2008 3950 7/15/2008 3900 7/16/2008 3800 7/17/2008 3750 7/18/2008 3500 7/21/2008 3675 7/22/2008 3925 7/23/2008 4000 7/24/2008 4025 7/25/2008 3900 7/28/2008 3925 7/29/2008 3900 7/31/2008 4100 8/1/2008 4100 8/4/2008 4050 8/5/2008 3950 8/6/2008 4050 8/7/2008 3975 8/8/2008 4000
8/11/2008 4075 8/12/2008 4000 8/13/2008 3825 8/14/2008 3850 8/15/2008 3825 8/19/2008 3700 8/20/2008 3625 8/21/2008 3750 8/22/2008 3875 8/25/2008 3800
8/26/2008 3725 8/27/2008 3825 8/28/2008 3925 8/29/2008 4025 9/1/2008 4000 9/2/2008 4050 9/3/2008 4075 9/4/2008 4125 9/5/2008 3900 9/8/2008 4000 9/9/2008 3750
9/10/2008 3575 9/11/2008 3525 9/12/2008 3525 9/15/2008 3425 9/16/2008 3350 9/17/2008 3400 9/18/2008 3150 9/19/2008 3450 9/22/2008 3500 9/23/2008 3350 9/24/2008 3350 9/25/2008 3300 9/26/2008 3425 9/29/2008 3350 10/6/2008 3300 10/7/2008 2600 10/8/2008 2300
10/14/2008 2225 10/15/2008 2350 10/16/2008 2400 10/17/2008 2500 10/20/2008 2300 10/21/2008 2525 10/22/2008 2475 10/23/2008 2400 10/24/2008 2400 10/27/2008 2200 10/28/2008 2050 10/29/2008 2575 10/30/2008 2575 10/31/2008 2800
11/3/2008 3100 11/4/2008 3275 11/5/2008 3250 11/6/2008 3000 11/7/2008 3100
11/10/2008 3400 11/11/2008 3250 11/12/2008 3300 11/13/2008 3100 11/14/2008 3300 11/17/2008 3150 11/18/2008 3125 11/19/2008 3125 11/20/2008 3050 11/21/2008 2950 11/24/2008 3150 11/25/2008 3275 11/26/2008 3300 11/27/2008 3300 11/28/2008 3100 12/1/2008 3200 12/2/2008 3175 12/3/2008 3350 12/4/2008 3350 12/5/2008 3325 12/9/2008 3375
12/10/2008 3450 12/11/2008 3500 12/12/2008 3400 12/15/2008 3450 12/16/2008 3600 12/17/2008 3900 12/18/2008 4000 12/19/2008 3975 12/22/2008 4075 12/23/2008 4050 12/24/2008 4050 12/26/2008 4075 12/30/2008 4100
1/5/2009 4200 1/6/2009 4200 1/7/2009 4225
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-3
1/8/2009 4175 1/9/2009 4200
1/12/2009 4275 1/13/2009 4050 1/14/2009 3975 1/15/2009 3550 1/16/2009 3550 1/19/2009 3650 1/20/2009 3450 1/21/2009 3425 1/22/2009 3450 1/23/2009 3350 1/27/2009 3425 1/28/2009 3500 1/29/2009 3500 1/30/2009 3475 2/2/2009 3450 2/3/2009 3600 2/4/2009 3475 2/5/2009 3450 2/6/2009 3450 2/9/2009 3550
2/10/2009 3500 2/11/2009 3425 2/12/2009 3550 2/13/2009 3525 2/16/2009 3500 2/17/2009 3525 2/18/2009 3500 2/19/2009 3500 2/20/2009 3500 2/23/2009 3500 2/24/2009 3475 2/25/2009 3525 2/26/2009 3500 2/27/2009 3475 3/2/2009 3500 3/3/2009 3400 3/4/2009 3475 3/5/2009 3475 3/6/2009 3425
3/10/2009 3425
3/11/2009 3450 3/12/2009 3450 3/13/2009 3425 3/16/2009 3450 3/17/2009 3475 3/18/2009 3425 3/19/2009 3475 3/20/2009 3500 3/23/2009 3550 3/24/2009 3650 3/25/2009 3850 3/27/2009 3750 3/30/2009 3850 3/31/2009 3800 4/1/2009 3750 4/2/2009 3825 4/3/2009 3950 4/6/2009 3975 4/7/2009 3975 4/8/2009 3975
4/13/2009 3925 4/14/2009 4125 4/15/2009 4175 4/16/2009 4150 4/17/2009 4275 4/20/2009 4300 4/21/2009 4200 4/22/2009 4100 4/23/2009 4150 4/24/2009 4000 4/27/2009 3975 4/28/2009 3950 4/29/2009 3975 4/30/2009 4050 5/1/2009 4100 5/4/2009 4200 5/5/2009 4425 5/6/2009 4450 5/7/2009 4475 5/8/2009 4450
5/11/2009 4625 5/12/2009 4500
5/13/2009 4400 5/14/2009 4450 5/15/2009 4450 5/18/2009 4475 5/19/2009 4650 5/20/2009 4750 5/22/2009 4775 5/25/2009 4600 5/26/2009 4600 5/27/2009 4700 5/28/2009 4550 5/29/2009 4625
6/1/2009 4700 6/2/2009 4900 6/3/2009 5150 6/4/2009 5100 6/5/2009 5050 6/8/2009 5100 6/9/2009 5000
6/10/2009 5050 6/11/2009 5000 6/12/2009 4925 6/15/2009 4925 6/16/2009 4850 6/17/2009 4700 6/18/2009 4600 6/19/2009 4300 6/22/2009 4500 6/23/2009 4600 6/24/2009 4750 6/25/2009 5000 6/26/2009 5150 6/29/2009 5200 6/30/2009 5250
7/1/2009 4900 7/2/2009 5200 7/3/2009 5100 7/6/2009 5250 7/7/2009 5150 7/9/2009 5400
7/10/2009 5150 7/13/2009 5150
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-4
7/14/2009 5250 7/15/2009 5350 7/16/2009 5400 7/17/2009 5400 7/21/2009 5550 7/22/2009 5450 7/23/2009 5250 7/24/2009 5400 7/27/2009 5650 7/28/2009 5550 7/29/2009 5800 7/30/2009 5900 7/31/2009 5950 8/3/2009 6000 8/4/2009 6050 8/5/2009 6050 8/6/2009 5750 8/7/2009 6000
8/10/2009 6050 8/11/2009 5950 8/12/2009 5800 8/13/2009 5900 8/14/2009 5850 8/18/2009 5700 8/19/2009 5750 8/20/2009 5750 8/21/2009 5900 8/24/2009 5950 8/25/2009 5950 8/26/2009 5900 8/27/2009 5850 8/28/2009 5850 8/31/2009 5850 9/1/2009 5950 9/2/2009 5900 9/3/2009 5700 9/4/2009 5900 9/7/2009 5900 9/8/2009 5900 9/9/2009 5950
9/10/2009 6000 9/11/2009 6050
9/14/2009 6200 9/15/2009 6500 9/16/2009 6400 9/17/2009 6400 9/24/2009 6500 9/25/2009 6450 9/28/2009 6500 9/29/2009 6250 9/30/2009 6300 10/1/2009 6300 10/2/2009 6250 10/5/2009 6200 10/6/2009 6500 10/7/2009 6500 10/8/2009 6800 10/9/2009 6650
10/12/2009 6700 10/13/2009 6450 10/14/2009 6500 10/15/2009 6800 10/16/2009 6900 10/19/2009 7000 10/20/2009 7000 10/21/2009 7000 10/22/2009 6750 10/23/2009 6800 10/26/2009 6700 10/27/2009 6700 10/28/2009 6800 10/29/2009 6350 10/30/2009 6850
11/2/2009 6700 11/3/2009 6900 11/4/2009 6900 11/5/2009 7200 11/6/2009 7450 11/9/2009 7500
11/10/2009 7450 11/11/2009 7350 11/12/2009 7250 11/13/2009 7350 11/16/2009 7200
11/17/2009 7200 11/18/2009 7450 11/19/2009 7650 11/20/2009 7450 11/23/2009 7450 11/24/2009 7400 11/25/2009 7350 11/26/2009 7200 11/30/2009 7100 12/1/2009 7300 12/2/2009 7050 12/3/2009 7100 12/4/2009 7100 12/7/2009 7200 12/8/2009 7200 12/9/2009 7100
12/10/2009 7300 12/11/2009 7300 12/14/2009 7350 12/15/2009 7500 12/16/2009 7400 12/17/2009 7400 12/21/2009 7450 12/22/2009 7300 12/23/2009 7600 12/28/2009 7600 12/29/2009 7600 12/30/2009 7500
1/4/2010 7550 1/5/2010 7700 1/6/2010 7700 1/7/2010 7900 1/8/2010 7650
1/11/2010 7650 1/12/2010 7750 1/13/2010 7750 1/14/2010 7800 1/15/2010 7800 1/18/2010 7800 1/19/2010 7800 1/20/2010 7900 1/21/2010 8000
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-5
1/22/2010 7800 1/25/2010 8050 1/26/2010 7950 1/27/2010 7900 1/28/2010 7800 1/29/2010 7950 2/1/2010 7950 2/2/2010 7900 2/3/2010 8000 2/4/2010 7900 2/5/2010 7600 2/8/2010 7550 2/9/2010 7550
2/10/2010 7900 2/11/2010 7900 2/12/2010 7800 2/15/2010 7700 2/16/2010 7800 2/17/2010 7850 2/18/2010 7900 2/19/2010 7700 2/22/2010 7700 2/23/2010 7550 2/24/2010 7550 2/25/2010 7650 3/1/2010 7600 3/2/2010 7650 3/3/2010 7600 3/4/2010 7450 3/5/2010 7500 3/8/2010 7500 3/9/2010 7600
3/10/2010 7600 3/11/2010 7800 3/12/2010 7800 3/15/2010 7750 3/17/2010 7800 3/18/2010 7850 3/19/2010 7650 3/22/2010 7700 3/23/2010 7650 3/24/2010 7650
3/25/2010 7700 3/26/2010 7650 3/29/2010 7550 3/30/2010 7550 3/31/2010 7400 4/1/2010 7350 4/5/2010 7900 4/6/2010 8100 4/7/2010 8100 4/8/2010 8250 4/9/2010 8200
4/12/2010 8100 4/13/2010 8100 4/14/2010 8150 4/15/2010 8200 4/16/2010 8300 4/19/2010 8050 4/20/2010 7950 4/21/2010 8150 4/22/2010 8200 4/23/2010 8200 4/26/2010 8300 4/27/2010 8250 4/28/2010 8050 4/29/2010 8150 4/30/2010 8300 5/3/2010 8200 5/4/2010 8250 5/5/2010 8150 5/6/2010 7850 5/7/2010 7700
5/10/2010 7800 5/11/2010 8150 5/12/2010 8050 5/14/2010 8150 5/17/2010 8200 5/18/2010 8150 5/19/2010 8050 5/20/2010 8050 5/21/2010 7850 5/24/2010 7850 5/25/2010 7850
5/26/2010 7800 5/27/2010 8800 5/31/2010 8400
6/1/2010 8350 6/2/2010 8250 6/3/2010 8300 6/4/2010 8300 6/7/2010 8000 6/8/2010 8150 6/9/2010 8200
6/10/2010 8250 6/11/2010 8300 6/14/2010 8600 6/15/2010 8600 6/16/2010 8550 6/17/2010 8550 6/18/2010 8700 6/21/2010 9000 6/22/2010 8800 6/23/2010 8650 6/24/2010 8500 6/25/2010 8250 6/28/2010 8550 6/29/2010 8650 6/30/2010 8450
7/1/2010 8650 7/2/2010 8800 7/5/2010 8850 7/6/2010 9000 7/7/2010 9100 7/8/2010 9150 7/9/2010 9150
7/12/2010 9100 7/13/2010 9150 7/14/2010 9200 7/15/2010 9050 7/16/2010 9450 7/19/2010 9250 7/20/2010 9200 7/21/2010 9150 7/22/2010 9100 7/23/2010 9050
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-6
7/26/2010 9250 7/27/2010 9050 7/28/2010 9050 7/29/2010 9200 7/30/2010 9250 8/2/2010 9250 8/3/2010 9100 8/4/2010 8750 8/5/2010 8650 8/6/2010 8700 8/9/2010 8700
8/10/2010 8600 8/11/2010 8700 8/12/2010 8750 8/13/2010 8900 8/16/2010 8900 8/18/2010 8900 8/19/2010 8800 8/20/2010 8950 8/23/2010 8900 8/24/2010 8850 8/25/2010 8750 8/26/2010 8750 8/27/2010 8850 8/30/2010 8900 8/31/2010 8700 9/1/2010 8700 9/2/2010 8900 9/3/2010 8900 9/6/2010 9000 9/7/2010 9000
9/15/2010 8950 9/16/2010 9450 9/17/2010 9150 9/20/2010 9600 9/21/2010 9600 9/22/2010 9600 9/23/2010 9500 9/24/2010 9450 9/27/2010 9600 9/28/2010 9500 9/29/2010 9600
9/30/2010 9800 10/1/2010 9900 10/4/2010 9950 10/5/2010 10100 10/6/2010 9950 10/7/2010 9950 10/8/2010 10000
10/11/2010 9950 10/12/2010 9750 10/13/2010 9750 10/14/2010 9950 10/15/2010 10050 10/18/2010 10050 10/19/2010 9950 10/20/2010 9850 10/21/2010 9900 10/22/2010 9900 10/25/2010 9850 10/26/2010 9900 10/27/2010 9850 10/28/2010 9800 10/29/2010 9800
11/1/2010 9850 11/2/2010 9800 11/3/2010 9550 11/4/2010 9550 11/5/2010 9600 11/8/2010 9300 11/9/2010 9200
11/10/2010 9500 11/11/2010 9500 11/12/2010 9450 11/15/2010 9300 11/16/2010 9350 11/18/2010 9300 11/19/2010 9300 11/22/2010 9400 11/23/2010 9850 11/24/2010 9700 11/25/2010 9750 11/26/2010 9750 11/29/2010 9650
11/30/2010 9500 12/1/2010 9400 12/2/2010 9350 12/3/2010 9500 12/6/2010 9500 12/8/2010 9600 12/9/2010 9800
12/10/2010 9850 12/13/2010 9450 12/14/2010 9400 12/15/2010 9300 12/16/2010 9400 12/17/2010 9250 12/20/2010 9200 12/21/2010 9300 12/22/2010 9400 12/23/2010 9200 12/27/2010 9250 12/28/2010 9300 12/29/2010 9450 12/30/2010 9650
1/3/2011 9650 1/4/2011 9850 1/5/2011 9900 1/6/2011 9800 1/7/2011 9800
1/10/2011 9300 1/11/2011 8700 1/12/2011 8900 1/13/2011 8950 1/14/2011 9200 1/17/2011 9050 1/18/2011 8850 1/19/2011 8850 1/20/2011 8400 1/21/2011 7950 1/24/2011 7800 1/25/2011 7750 1/26/2011 8000 1/27/2011 8350 1/28/2011 7900 1/31/2011 7650
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-7
2/1/2011 7800 2/2/2011 8100 2/4/2011 8250 2/7/2011 8350 2/8/2011 8450 2/9/2011 8250
2/10/2011 8000 2/11/2011 8300 2/14/2011 8400 2/16/2011 8400 2/17/2011 8350 2/18/2011 8800 2/21/2011 8750 2/22/2011 8600 2/23/2011 8700 2/24/2011 8800 2/25/2011 8650 2/28/2011 8500 3/1/2011 8600 3/2/2011 8550 3/3/2011 8450 3/4/2011 8500 3/7/2011 8800 3/8/2011 8900 3/9/2011 8900
3/10/2011 8900 3/11/2011 8850 3/14/2011 8800 3/15/2011 8850 3/16/2011 8750 3/17/2011 8500 3/18/2011 8350 3/21/2011 8450 3/22/2011 8500 3/23/2011 8650 3/24/2011 9000 3/25/2011 9250 3/28/2011 9100 3/29/2011 9000 3/30/2011 8750 3/31/2011 9200 4/1/2011 9100
4/4/2011 9800 4/5/2011 9600 4/6/2011 9600 4/7/2011 9450 4/8/2011 9500
4/11/2011 9700 4/12/2011 9700 4/13/2011 9500 4/14/2011 9500 4/15/2011 9550 4/18/2011 9550 4/19/2011 9500 4/20/2011 9500 4/21/2011 9550 4/25/2011 9600 4/26/2011 9500 4/27/2011 9600 4/28/2011 9600 4/29/2011 9500 5/2/2011 9500 5/3/2011 9450 5/4/2011 9450 5/5/2011 9400 5/6/2011 9500 5/9/2011 9350
5/10/2011 9400 5/11/2011 9300 5/12/2011 9350 5/13/2011 9300 5/16/2011 9250 5/18/2011 9350 5/19/2011 9450 5/20/2011 9600 5/23/2011 9650 5/24/2011 9650 5/25/2011 9650 5/26/2011 9700 5/27/2011 9600 5/30/2011 9700 5/31/2011 9650 6/1/2011 9650 6/3/2011 9650
6/6/2011 9600 6/7/2011 9500 6/8/2011 9400 6/9/2011 9300
6/10/2011 9200 6/13/2011 9200 6/14/2011 9150 6/15/2011 9300 6/16/2011 9350 6/17/2011 9600 6/20/2011 9600 6/21/2011 9700 6/22/2011 9700 6/23/2011 9650 6/24/2011 9550 6/27/2011 9550 6/28/2011 9450 6/30/2011 9700
7/1/2011 9700 7/4/2011 9900 7/5/2011 9900 7/6/2011 9700 7/7/2011 9800 7/8/2011 9850
7/11/2011 9850 7/12/2011 9750 7/13/2011 9800 7/14/2011 9900 7/15/2011 9900 7/18/2011 10000 7/19/2011 9750 7/20/2011 9850 7/21/2011 9800 7/22/2011 9900 7/25/2011 9900 7/26/2011 9800 7/27/2011 9900 7/28/2011 9800 7/29/2011 9650
8/1/2011 9350 8/2/2011 9400 8/3/2011 9350
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-8
8/4/2011 9200 8/5/2011 8900 8/8/2011 8800 8/9/2011 8700
8/10/2011 8850 8/11/2011 8600 8/12/2011 8800 8/15/2011 8900 8/16/2011 8900 8/18/2011 8900 8/19/2011 8900 8/22/2011 8800 8/23/2011 9050 8/24/2011 9300 8/25/2011 9250 8/26/2011 9100 9/5/2011 9100 9/6/2011 8850 9/7/2011 9200 9/8/2011 9400 9/9/2011 9300
9/12/2011 9050 9/13/2011 8900 9/14/2011 8900 9/15/2011 8750 9/16/2011 8650 9/19/2011 8700 9/20/2011 8300 9/21/2011 8400 9/22/2011 8050 9/23/2011 7500 9/26/2011 8000 9/27/2011 8000 9/28/2011 8100 9/29/2011 8250 9/30/2011 8550 10/3/2011 8200 10/4/2011 8000 10/5/2011 7900 10/6/2011 8000 10/7/2011 8200
10/10/2011 7900
10/11/2011 8000 10/12/2011 7950 10/13/2011 8400 10/14/2011 8600 10/17/2011 9000 10/18/2011 8700 10/19/2011 8650 10/20/2011 9000 10/21/2011 8650 10/24/2011 8900 10/25/2011 9300 10/26/2011 9100 10/27/2011 9250 10/28/2011 9350 10/31/2011 9500
11/1/2011 9500 11/2/2011 8800 11/3/2011 9050 11/4/2011 9000 11/7/2011 9300 11/8/2011 9500 11/9/2011 9500
11/10/2011 9250 11/11/2011 9150 11/14/2011 9300 11/15/2011 9500 11/16/2011 9400 11/17/2011 9450 11/18/2011 9300 11/21/2011 9000 11/22/2011 9000 11/23/2011 9050 11/24/2011 8700 11/25/2011 8900 11/28/2011 8950 11/29/2011 8850 11/30/2011 9000
12/1/2011 9450 12/2/2011 9400 12/5/2011 9450 12/6/2011 9650 12/7/2011 9700
12/8/2011 9650 12/9/2011 9600
12/12/2011 9550 12/13/2011 9800 12/14/2011 10250 12/15/2011 10600 12/16/2011 10300 12/19/2011 10650 12/20/2011 10850 12/21/2011 10800 12/22/2011 10900 12/23/2011 11200 12/27/2011 10800 12/28/2011 10950 12/29/2011 11000 12/30/2011 11000
1/2/2012 11450 1/3/2012 11200 1/4/2012 11100 1/5/2012 11000 1/6/2012 11150 1/9/2012 10900
1/10/2012 10850 1/11/2012 11100 1/12/2012 11400 1/13/2012 11650 1/16/2012 11600 1/17/2012 11800 1/18/2012 11850 1/19/2012 12400 1/20/2012 12600 1/24/2012 12000 1/25/2012 11650 1/26/2012 11650 1/27/2012 11050 1/30/2012 11000 1/31/2012 11050
2/1/2012 11300 2/2/2012 11500 2/3/2012 11350 2/6/2012 11400 2/7/2012 11400
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 1-9
2/8/2012 11500 2/9/2012 11350
2/10/2012 11500 2/13/2012 11450 2/14/2012 11400 2/15/2012 11700 2/16/2012 11500 2/17/2012 11400 2/20/2012 11600 2/21/2012 11150 2/22/2012 11050 2/23/2012 11050 2/24/2012 11300 2/27/2012 10850 2/28/2012 10550 2/29/2012 11000 3/1/2012 11300 3/2/2012 11300 3/5/2012 11400 3/6/2012 11300 3/7/2012 11150 3/8/2012 11150 3/9/2012 11200
3/12/2012 11300 3/13/2012 11400 3/14/2012 11650
3/15/2012 12200 3/16/2012 12550 3/19/2012 12500 3/20/2012 12450 3/21/2012 12500 3/22/2012 12250 3/26/2012 12000 3/27/2012 12100 3/28/2012 12450 3/29/2012 12350 3/30/2012 12250 4/2/2012 12350 4/3/2012 12450 4/4/2012 12450 4/5/2012 12100 4/9/2012 12000
4/10/2012 11950 4/11/2012 12000 4/12/2012 12000 4/13/2012 12250 4/16/2012 12300 4/17/2012 12150 4/18/2012 12250 4/19/2012 12000 4/20/2012 11950 4/23/2012 11950
4/24/2012 11750 4/25/2012 11750 4/26/2012 11950 4/27/2012 12350 4/30/2012 12300
5/1/2012 12300 5/2/2012 12350 5/3/2012 12200 5/4/2012 12250 5/7/2012 12050 5/8/2012 12000 5/9/2012 11800
5/10/2012 11600 5/11/2012 11600 5/14/2012 11000 5/16/2012 10700 5/21/2012 10600 5/22/2012 11100 5/23/2012 10950 5/24/2012 11350 5/25/2012 11300 5/28/2012 10550 5/29/2012 10800 5/30/2012 10850 5/31/2012 11000
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-1
Lampiran 2 : Source Code Program
Source Code Kelas main.java
package skripsi;
public class Skripsi {
public static void main(String[] args) {
new elm().setVisible(true);
}
}
Source Code Kelas elm.java import java.io.File;
import java.io.IOException;
import java.util.logging.Level;
import java.util.logging.Logger;
import javax.swing.JFileChooser;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
public class elm extends javax.swing.JFrame {
// from excel
static String[] tanggal; // sit1
int [] data_excel; // sit1
static int[] data;
static int[] data_training;
static int[] data_validasi;
static int fungNorm, fungAktiv;
String dir;
public elm() {
initComponents();
fungNorm = 1;
fungAktiv = 2;
}
private void initComponents() {
jPanel1 = new javax.swing.JPanel();
jLabel1 = new javax.swing.JLabel();
jTextField1 = new javax.swing.JTextField();
jButton1 = new javax.swing.JButton();
jPanel2 = new javax.swing.JPanel();
jLabel2 = new javax.swing.JLabel();
jTextField2 = new javax.swing.JTextField();
jPanel3 = new javax.swing.JPanel();
jLabel3 = new javax.swing.JLabel();
jLabel4 = new javax.swing.JLabel();
jTextField3 = new javax.swing.JTextField();
jTextField4 = new javax.swing.JTextField();
jLabel5 = new javax.swing.JLabel();
jLabel6 = new javax.swing.JLabel();
jButton2 = new javax.swing.JButton();
jButton3 = new javax.swing.JButton();
jPanel4 = new javax.swing.JPanel();
jLabel7 = new javax.swing.JLabel();
jLabel8 = new javax.swing.JLabel();
jRadioButton1 = new javax.swing.JRadioButton();
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-2
jRadioButton2 = new javax.swing.JRadioButton();
jRadioButton3 = new javax.swing.JRadioButton();
jRadioButton4 = new javax.swing.JRadioButton();
jMenuBar1 = new javax.swing.JMenuBar();
jMenu1 = new javax.swing.JMenu();
jMenuItem1 = new javax.swing.JMenuItem();
jMenuItem3 = new javax.swing.JMenuItem();
setDefaultCloseOperation(javax.swing.WindowConstants.EXIT_ON_CLOSE);
setCursor(new java.awt.Cursor(java.awt.Cursor.DEFAULT_CURSOR));
jPanel1.setBorder(javax.swing.BorderFactory.createTitledBorder("Open
Data Training"));
jLabel1.setText("Nama File");
jTextField1.setEditable(false);
jButton1.setFont(new java.awt.Font("Tahoma", 1, 11));
jButton1.setText("Browse");
jButton1.addActionListener(new java.awt.event.ActionListener() {
public void actionPerformed(java.awt.event.ActionEvent evt) {
jButton1ActionPerformed(evt);
}
});
private void jButton3ActionPerformed(java.awt.event.ActionEvent evt) {
try {
setTabelFromExcel(dir);
} catch (IOException ex) {
Logger.getLogger(elm.class.getName()).log(Level.SEVERE, null,
ex);
} catch (BiffException ex) {
Logger.getLogger(elm.class.getName()).log(Level.SEVERE, null,
ex);
}
int jum_data = Integer.parseInt(jTextField2.getText());
data = new int[jum_data];
System.arraycopy(data_excel, 0, data, 0, jum_data);
int jum_training = (int) (((double)
Integer.parseInt(jTextField3.getText())/100)*jum_data);
data_training = new int[jum_training];
System.arraycopy(data, 0, data_training, 0, jum_training);
int jum_validasi = jum_data - jum_training;
data_validasi = new int[jum_validasi];
System.arraycopy(data, jum_training, data_validasi, 0,
jum_validasi);
new data().setVisible(true);
}
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) {
try{
JFileChooser fc=new JFileChooser();
int res=fc.showOpenDialog(this);
if(res==JFileChooser.APPROVE_OPTION){
File file=fc.getSelectedFile();
dir=file.getPath();
jTextField1.setText(dir);
}
}catch(Exception e){
System.out.println(e);
}
}
private void jRadioButton1ActionPerformed(java.awt.event.ActionEvent
evt) {
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-3
if(jRadioButton1.isSelected() == true){
jRadioButton2.setSelected(false);
fungNorm = 1;
}
else{
jRadioButton2.setSelected(true);
fungNorm = 2;
}
}
private void jRadioButton2ActionPerformed(java.awt.event.ActionEvent
evt) {
if(jRadioButton2.isSelected() == true){
jRadioButton1.setSelected(false);
fungNorm = 2;
}
else{
jRadioButton1.setSelected(true);
fungNorm = 1;
}
}
private void jRadioButton3ActionPerformed(java.awt.event.ActionEvent
evt) {
if(jRadioButton3.isSelected() == true){
jRadioButton4.setSelected(false);
fungAktiv = 1;
}
else{
jRadioButton4.setSelected(true);
fungAktiv = 2;
}
}
private void jRadioButton4ActionPerformed(java.awt.event.ActionEvent
evt) {
if(jRadioButton4.isSelected() == true){
jRadioButton3.setSelected(false);
fungAktiv = 2;
}
else{
jRadioButton3.setSelected(true);
fungAktiv = 1;
}
}
private void jTextField2ActionPerformed(java.awt.event.ActionEvent evt)
}
private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) {
System.exit(1);
}
private void jTextField3KeyPressed(java.awt.event.KeyEvent evt) {
}
private void jTextField3KeyReleased(java.awt.event.KeyEvent evt) {
int nilai;
String x = jTextField3.getText();
if("".equals(x)){
nilai = 0;
}else{
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-4
nilai = Integer.parseInt(jTextField3.getText());
}
jTextField4.setText(""+(100-nilai));
}
private javax.swing.JButton jButton1;
private javax.swing.JButton jButton2;
private javax.swing.JButton jButton3;
private javax.swing.JLabel jLabel1;
private javax.swing.JLabel jLabel2;
private javax.swing.JLabel jLabel3;
private javax.swing.JLabel jLabel4;
private javax.swing.JLabel jLabel5;
private javax.swing.JLabel jLabel6;
private javax.swing.JLabel jLabel7;
private javax.swing.JLabel jLabel8;
private javax.swing.JMenu jMenu1;
private javax.swing.JMenuBar jMenuBar1;
private javax.swing.JMenuItem jMenuItem1;
private javax.swing.JMenuItem jMenuItem3;
private javax.swing.JPanel jPanel1;
private javax.swing.JPanel jPanel2;
private javax.swing.JPanel jPanel3;
private javax.swing.JPanel jPanel4;
private javax.swing.JRadioButton jRadioButton1;
private javax.swing.JRadioButton jRadioButton2;
private javax.swing.JRadioButton jRadioButton3;
private javax.swing.JRadioButton jRadioButton4;
private javax.swing.JTextField jTextField1;
private javax.swing.JTextField jTextField2;
private javax.swing.JTextField jTextField3;
private javax.swing.JTextField jTextField4;
private void setTabelFromExcel(String dir) throws IOException,
BiffException {
Workbook wb = Workbook.getWorkbook(new File(dir)); //file yang akan
dibuka
Sheet sit1 = wb.getSheet(0);
int baris = sit1.getRows();
tanggal = new String[baris-1];
data_excel = new int[baris-1];
for(int i=1;i<baris;i++){
tanggal[i-1] = sit1.getCell(0, i).getContents();
data_excel[i-1] = Integer.parseInt(sit1.getCell(1,
i).getContents());
}
}
public static int[] getData(){
return data;
}
public static int[] getDataTraining(){
return data_training;
}
public static int[] getDataValidasi(){
return data_validasi;
}
public static String[] getTanggal(){
return tanggal;
}
public static int getFungNorm(){
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-5
return fungNorm;
}
public static int getFungAktiv(){
return fungAktiv;
}
}
Source Code Kelas data.java public class data extends javax.swing.JFrame {
static int[] data_all;
int[] data_train;
static int[] data_val;
static String[] tanggal;
double[] data_all_normal;
double[] data_train_normal;
static double[] data_val_normal;
int fungNorm;
static double[][] rancang;
//table
JTable tabDtAll, tabDtTrain, tabDtVal, tabDtAllNormal, tabDtTrainNormal,
tabDtValNormal;
public data() {
initComponents();
data_all = elm.getData();
//display(data_all);
data_train = elm.getDataTraining();
data_val = elm.getDataValidasi();
tanggal = elm.getTanggal();
fungNorm = elm.getFungNorm();
normalisasi();
setTable();
}
@SuppressWarnings("unchecked")
private void initComponents() {
jTabbedPane1 = new javax.swing.JTabbedPane();
jPanel1 = new javax.swing.JPanel();
jScrollPane3 = new javax.swing.JScrollPane();
jScrollPane2 = new javax.swing.JScrollPane();
jScrollPane1 = new javax.swing.JScrollPane();
jPanel3 = new javax.swing.JPanel();
jLabel1 = new javax.swing.JLabel();
jLabel2 = new javax.swing.JLabel();
jTextField1 = new javax.swing.JTextField();
jTextField2 = new javax.swing.JTextField();
jButton1 = new javax.swing.JButton();
jButton2 = new javax.swing.JButton();
jPanel2 = new javax.swing.JPanel();
setDefaultCloseOperation(javax.swing.WindowConstants.DISPOSE_ON_CLOSE);
setTitle("Data");
jTabbedPane1.addMouseListener(new java.awt.event.MouseAdapter() {
public void mouseClicked(java.awt.event.MouseEvent evt) {
jTabbedPane1MouseClicked(evt);
}
});
private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) {
setRancang(); new rancangan_data().setVisible(true); }
setRancang();
new rancangan_data().setVisible(true);
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-6
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt)
{
("Normalisasi".equals(jButton1.getText())) {
setTableNormalisasi(); jButton1.setText("Riil"); } else
{ setTableRiil(); jButton1.setText("Normalisasi");
} }
if ("Normalisasi".equals(jButton1.getText())) {
setTableNormalisasi();
jButton1.setText("Riil");
} else
{
setTableRiil();
jButton1.setText("Normalisasi");
}
private void jTabbedPane1MouseClicked(java.awt.event.MouseEvent evt)
}
// Variables declaration - do not modify
private javax.swing.JButton jButton1;
private javax.swing.JButton jButton2;
private javax.swing.JLabel jLabel1;
private javax.swing.JLabel jLabel2;
private javax.swing.JPanel jPanel1;
private javax.swing.JPanel jPanel2;
private javax.swing.JPanel jPanel3;
private javax.swing.JScrollPane jScrollPane1;
private javax.swing.JScrollPane jScrollPane2;
private javax.swing.JScrollPane jScrollPane3;
private javax.swing.JTabbedPane jTabbedPane1;
private javax.swing.JTextField jTextField1;
private javax.swing.JTextField jTextField2;
private void normalisasi(){
int[] maxmin = max_min(data_all);
int max = maxmin[0];
int min = maxmin[1];
int selisih = max - min;
// normalisasi
int baris = data_all.length;
data_all_normal = new double[baris];
int jum_train = data_train.length;
data_train_normal = new double[jum_train];
data_val_normal = new double[baris-jum_train];
if(fungNorm == 1){
for(int i=0;i<baris;i++){
data_all_normal[i] = ((double) 2*(data_all[i]-min)/selisih)-
1;
if(i < jum_train){
data_train_normal[i] = data_all_normal[i];
}else{
data_val_normal[i - jum_train] = data_all_normal[i];
}
}
}
else{
for(int i=0;i<baris;i++){
data_all_normal[i] = ((double) 0.8*(data_all[i]-
min)/selisih)+0.1;
if(i < jum_train){
data_train_normal[i] = data_all_normal[i];
}else{
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-7
data_val_normal[i - jum_train] = data_all_normal[i];
}
}
}
}
private void setTable(){
Object[][] dtAllTab = new Object[data_all.length][3], dtAllNormalTab
= new Object[data_all_normal.length][3];
Object[][] dtTrainTab = new Object[data_train.length][3],
dtTrainNormalTab = new Object[data_train_normal.length][3];
Object[][] dtValTab = new Object[data_val.length][3], dtValNormalTab
= new Object[data_val_normal.length][3];
int baris = data_all.length;
int jum_train = data_train.length;
jTextField1.setText(""+jum_train);
jTextField2.setText(""+(baris-jum_train));
String[] headerRiil = {"No","Tanggal","Data Riil"};
String[] headerNormal = {"No","Tanggal","Data Normalisasi"};
for(int i=0;i<baris;i++){
dtAllTab[i][0] = (i+1); dtAllNormalTab[i][0] = (i+1); // nomor
dtAllTab[i][1] = tanggal[i]; dtAllNormalTab[i][1] = tanggal[i];
// tanggal
dtAllTab[i][2] = data_all[i]; dtAllNormalTab[i][2] =
data_all_normal[i]; // data_all
if(i < jum_train){
dtTrainTab[i][0] = (i+1); dtTrainNormalTab[i][0] = (i+1); //
nomor
dtTrainTab[i][1] = tanggal[i]; dtTrainNormalTab[i][1] =
tanggal[i]; // tanggal
dtTrainTab[i][2] = data_train[i]; dtTrainNormalTab[i][2] =
data_train_normal[i]; // data_train
}else{
dtValTab[i-jum_train][0] = (i+1); dtValNormalTab[i-
jum_train][0] = (i+1); // nomor
dtValTab[i-jum_train][1] = tanggal[i]; dtValNormalTab[i-
jum_train][1] = tanggal[i]; // nomor
dtValTab[i-jum_train][2] = data_val[i-jum_train];
dtValNormalTab[i-jum_train][2] = data_val_normal[i-jum_train];
}
}
// riil
tabDtAll = new JTable(dtAllTab,headerRiil);
tabDtAll.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtAll.setEnabled(false);
tabDtTrain = new JTable(dtTrainTab,headerRiil);
tabDtTrain.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtTrain.setEnabled(false);
tabDtVal = new JTable(dtValTab,headerRiil);
tabDtVal.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtVal.setEnabled(false);
// normalisasi
tabDtAllNormal = new JTable(dtAllNormalTab,headerRiil);
tabDtAllNormal.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtAllNormal.setEnabled(false);
tabDtTrainNormal = new JTable(dtTrainNormalTab,headerRiil);
tabDtTrainNormal.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtTrainNormal.setEnabled(false);
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-8
tabDtValNormal = new JTable(dtValNormalTab,headerRiil);
tabDtValNormal.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabDtValNormal.setEnabled(false);
setTableRiil();
}
public static int[] max_min(int[] array){
int[] maxmin = new int[2];
int l = array.length;
int max = array[0];
int min = array[0];
for(int i=0;i<l;i++){
if(max < array[i]){
max = array[i];
}
if(min > array[i]){
min = array[i];
}
}
maxmin[0] = max;
maxmin[1] = min;
return maxmin;
}
private void display(int[] array){
int l=array.length;
for(int i=0;i<l;i++){
System.out.println(array[i]);
}
}
private void setTableRiil(){
jScrollPane1.setViewportView(tabDtAll);
jScrollPane2.setViewportView(tabDtTrain);
jScrollPane3.setViewportView(tabDtVal);
}
private void setTableNormalisasi(){
jScrollPane1.setViewportView(tabDtAllNormal);
jScrollPane2.setViewportView(tabDtTrainNormal);
jScrollPane3.setViewportView(tabDtValNormal);
}
private void setRancang(){
int nDtTrain = data_train.length;
rancang = new double[nDtTrain - 5][6];
int l = rancang.length;
for(int j=0;j<6;j++){
for(int i=0;i<l;i++){
rancang[i][j] = data_train_normal[i+j];
}
}
}
public static double[][] getRancang(){
return rancang;
}
}
Source Code Kelas rancangan_data.java package skripsi;
public class rancangan_data extends javax.swing.JFrame {
double[][] rancang;
static int jumHidden;
static double MSE;
static int epochMax;
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-9
public rancangan_data() {
initComponents();
rancang = data.getRancang();
setTable();
}
@SuppressWarnings("unchecked")
private void initComponents() {
jPanel1 = new javax.swing.JPanel();
jScrollPane1 = new javax.swing.JScrollPane();
jPanel2 = new javax.swing.JPanel();
jScrollPane2 = new javax.swing.JScrollPane();
jPanel3 = new javax.swing.JPanel();
jLabel1 = new javax.swing.JLabel();
jLabel2 = new javax.swing.JLabel();
jLabel3 = new javax.swing.JLabel();
jLabel4 = new javax.swing.JLabel();
jTextField1 = new javax.swing.JTextField();
jLabel5 = new javax.swing.JLabel();
jPanel4 = new javax.swing.JPanel();
jLabel6 = new javax.swing.JLabel();
jTextField2 = new javax.swing.JTextField();
jLabel7 = new javax.swing.JLabel();
jTextField3 = new javax.swing.JTextField();
jButton1 = new javax.swing.JButton();
jMenuBar1 = new javax.swing.JMenuBar();
private void jTextField1ActionPerformed(java.awt.event.ActionEvent evt)
{
}
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) {
try{
jumHidden = Integer.parseInt(jTextField1.getText());
MSE = Double.parseDouble(jTextField2.getText());
epochMax = Integer.parseInt(jTextField3.getText());
new bobot_awal().setVisible(true);
}
catch(Exception e){
System.out.println(e);
}
}
// Variables declaration - do not modify
private javax.swing.JButton jButton1;
private javax.swing.JLabel jLabel1;
private javax.swing.JLabel jLabel2;
private javax.swing.JLabel jLabel3;
private javax.swing.JLabel jLabel4;
private javax.swing.JLabel jLabel5;
private javax.swing.JLabel jLabel6;
private javax.swing.JLabel jLabel7;
private javax.swing.JMenuBar jMenuBar1;
private javax.swing.JPanel jPanel1;
private javax.swing.JPanel jPanel2;
private javax.swing.JPanel jPanel3;
private javax.swing.JPanel jPanel4;
private javax.swing.JScrollPane jScrollPane1;
private javax.swing.JScrollPane jScrollPane2;
private javax.swing.JTextField jTextField1;
private javax.swing.JTextField jTextField2;
private javax.swing.JTextField jTextField3;
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-10
// End of variables declaration
private void setTable(){
int baris = rancang.length;
Object[][] absRancang = new Object[baris][6], absTarget = new
Object[baris][2];
String[] header1 = {"Pola Ke-","X1","X2","X3","X4","X5"}, header2 =
{"Pola Ke-","Target(Y)"};
for(int i=0;i<baris;i++){
absRancang[i][0] = (i+1); absTarget[i][0] = (i+1);
absRancang[i][1] = rancang[i][0]; absTarget[i][1] =
rancang[i][5];
absRancang[i][2] = rancang[i][1];
absRancang[i][3] = rancang[i][2];
absRancang[i][4] = rancang[i][3];
absRancang[i][5] = rancang[i][4];
}
JTable tabRancang = new JTable(absRancang, header1);
tabRancang.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabRancang.setEnabled(false);
JTable tabTarget = new JTable(absTarget, header2);
tabTarget.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabTarget.setEnabled(false);
jScrollPane1.setViewportView(tabRancang);
jScrollPane2.setViewportView(tabTarget);
}
public static int getHidden(){
return jumHidden;
}
public static double getMSE(){
return MSE;
}
public static int getEpochMax(){
return epochMax;
}
} Source Code Kelas main.java package skripsi;
import Jama.*;
import javax.swing.JTable;
public class bobot_awal extends javax.swing.JFrame {
// from prev form
int hidden, epoch;
double MSE_max;
// from data
double[][] rancang;
//from elm
final int fungAktiv;
// this form
double[][] IH, BH, HO; double BO; // hanya digunakan awal untuk
pembentukan matrix
Object[][] absIH, absBH, absHO;
static Matrix matIH, matBH, matHO,matBO ;
Matrix matIHt2,matBHt2,matHOt2,matBOt2, matIHt1,matBHt1,matHOt1,matBOt1
JTable tabIH, tabBH, tabHO;
String[] nmKlmIH, nmKlmBH, nmKlmHO;
double[] mseTraining;
double[] mapeTraining;
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-11
static double[] target, forecast, error;
public bobot_awal() {
initComponents();
hidden = rancangan_data.getHidden();
MSE_max = rancangan_data.getMSE();
epoch = rancangan_data.getEpochMax();
rancang = data.getRancang();
fungAktiv = elm.getFungAktiv();
// matrix inisialisasi wt-1
IH = inputHidden();
BH = biasHidden();
HO = hiddenOutput();
BO = biasOutput();
matIHt2 = new Matrix(IH);
matBHt2 = new Matrix(BH);
matHOt2 = new Matrix(HO);
double[][] forMatBO = new double[1][1];
forMatBO[0][0] = BO;
matBOt2 = new Matrix(forMatBO);
// matrix inisialisasi wt
IH = inputHidden();
BH = biasHidden();
HO = hiddenOutput();
BO = biasOutput();
matIHt1 = new Matrix(IH);
matBHt1 = new Matrix(BH);
matHOt1 = new Matrix(HO);
forMatBO[0][0] = BO;
matBOt1 = new Matrix(forMatBO);
setTable();
}
@SuppressWarnings("unchecked")
private void initComponents() {
jPanel1 = new javax.swing.JPanel();
jScrollPane1 = new javax.swing.JScrollPane();
jPanel3 = new javax.swing.JPanel();
jScrollPane2 = new javax.swing.JScrollPane();
jPanel2 = new javax.swing.JPanel();
jScrollPane3 = new javax.swing.JScrollPane();
jPanel4 = new javax.swing.JPanel();
jLabel1 = new javax.swing.JLabel();
jButton1 = new javax.swing.JButton();
jLabel2 = new javax.swing.JLabel();
jTextField1 = new javax.swing.JTextField();
jTextField2 = new javax.swing.JTextField();
jLabel4 = new javax.swing.JLabel();
jMenuBar1 = new javax.swing.JMenuBar();
jMenu1 = new javax.swing.JMenu();
jMenu2 = new javax.swing.JMenu();
jMenuItem1 = new javax.swing.JMenuItem();
jMenuItem2 = new javax.swing.JMenuItem();
jMenuItem3 = new javax.swing.JMenuItem();
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) {
proses();
}
private void jMenuItem1ActionPerformed(java.awt.event.ActionEvent evt) {
// TODO add your handling code here:
mseGraphics mse = new mseGraphics("MSE Training", mseTraining);
mse.pack();
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-12
mse.setVisible(true);
}
private void jMenuItem2ActionPerformed(java.awt.event.ActionEvent evt) {
// TODO add your handling code here:
new forecast().setVisible(true);
}
private void jMenu1ActionPerformed(java.awt.event.ActionEvent evt) {
}
private void jMenuItem3ActionPerformed(java.awt.event.ActionEvent evt) {
new validasi().setVisible(true);
}
private javax.swing.JButton jButton1;
private javax.swing.JLabel jLabel1;
private javax.swing.JLabel jLabel2;
private javax.swing.JLabel jLabel4;
private javax.swing.JMenu jMenu1;
private javax.swing.JMenu jMenu2;
private javax.swing.JMenuBar jMenuBar1;
private javax.swing.JMenuItem jMenuItem1;
private javax.swing.JMenuItem jMenuItem2;
private javax.swing.JMenuItem jMenuItem3;
private javax.swing.JPanel jPanel1;
private javax.swing.JPanel jPanel2;
private javax.swing.JPanel jPanel3;
private javax.swing.JPanel jPanel4;
private javax.swing.JScrollPane jScrollPane1;
private javax.swing.JScrollPane jScrollPane2;
private javax.swing.JScrollPane jScrollPane3;
private javax.swing.JTextField jTextField1;
private javax.swing.JTextField jTextField2;
private void proses(){
matIH = new Matrix(IH);
matBH = new Matrix(BH);
matHO = new Matrix(HO);
double[][] forMatBO = new double[1][1];
forMatBO[0][0] = BO;
matBO = new Matrix(forMatBO);
mseTraining = new double[epoch];
mapeTraining = new double[epoch];
double eps;
double eps_mape;
Matrix H, X, Yin, Y1;
double[][] pola = new double[1][5];
Matrix polax, tempC;
int bar = rancang.length;
System.out.println("Matriks IH : ");displayMatrix(matIH);
System.out.println("Matriks BH : ");displayMatrix(matBH);
System.out.println("Matriks HO : ");displayMatrix(matHO);
System.out.println("Matriks BO : ");displayMatrix(matBO);
for(int e=0;e<epoch;e++){
double sigMSE = 0;
double sigMape = 0;
for(int i=0;i<bar;i++){
System.arraycopy(rancang[i], 0, pola[0], 0, 5);
polax = new Matrix(pola);
("+polax.getRowDimension()+","+polax.getColumnDimension()+")");
H = (polax.times(matIH)).plus(matBH);
if(fungAktiv == 1){
X = logsig(H);
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-13
else{
X = tansig(H);
}
Yin = (X.times(matHO)).plus(matBO);
if(fungAktiv == 1){
Y1 = logsig(Yin);
}
else{
Y1 = tansig(Yin);
}
");displayMatrix(Y1);
double tempY1 = Y1.get(0,0);
eps = Math.pow((rancang[i][5]-tempY1), 2);
eps_mape = Math.abs((rancang[i][5]-tempY1)/tempY1)*100;
faktor(rancang[i][5], tempY1, polax, X);
sigMSE += eps;
sigMape += eps_mape;
}
double mse = sigMSE/rancang.length; jTextField1.setText(""+mse);
jTextField2.setText(""+(e+1));
jTextField3.setText(""+mape);
mseTraining[e] = mse;
if(mse < MSE_max || (e+1) == epoch){
System.out.println("Matriks IH Akhir: ");displayMatrix(matIH);
System.out.println("Matriks BH Akhir: ");displayMatrix(matBH);
System.out.println("Matriks HO Akhir: ");displayMatrix(matHO);
System.out.println("Matriks BO Akhir: ");displayMatrix(matBO);
break;
}
}
setTableUpdate();
target = getTarget();
forecast = getForecasting();
error = diffSquare(target, forecast);
}
private Matrix UpdateBobot(Matrix H, Matrix target){
int p = H.getRowDimension();
int l = target.getColumnDimension();
Matrix hasil = new Matrix(target);
hasil = H.inverse().times(target);
return hasil;
}
private double[] getTarget(){ // diperoleh dari rancang kolom ke 6
int length = rancang.length;
double[] hasil = new double[length];
for(int i=0;i<length;i++){
hasil[i] = rancang[i][5];
}
return hasil;
}
private double[] getForecasting(){ // dipanggil setelah proses selesai
int length = rancang.length;
double[] hasil = new double[length];
Matrix polax;
Matrix result;
double[][] pola = new double[1][5];
for(int i=0;i<length;i++){
System.arraycopy(rancang[i], 0, pola[0], 0, 5);
polax = new Matrix(pola);
if(fungAktiv == 1){
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-14
result =
logsig(((logsig((polax.times(matIH)).plus(matBH))).times(matHO)).plus(matBO)
);
}
else{
result =
tansig(((tansig((polax.times(matIH)).plus(matBH))).times(matHO)).plus(matBO)
);
}
hasil[i] = result.get(0, 0);
}
return hasil;
}
private void setTableUpdate(){
absIH = getObjectMatrix(matIH);
absBH = getObjectMatrix(matBH);
absHO = getObjectMatrix(matHO);
tabIH = new JTable(absIH,nmKlmIH);
tabBH = new JTable(absBH,nmKlmBH);
tabHO = new JTable(absHO,nmKlmHO);
tabIH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabIH.setEnabled(false);tabI
H.setTableHeader(null);
tabBH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabBH.setEnabled(false);tabB
H.setTableHeader(null);
tabHO.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabHO.setEnabled(false);tabH
O.setTableHeader(null);
jScrollPane1.setViewportView(tabIH);
jScrollPane2.setViewportView(tabBH);
jScrollPane3.setViewportView(tabHO);
jLabel1.setText(""+matBO.get(0, 0));
}
public static Matrix tansig(Matrix H){
Matrix output;
double[][] h = H.getArrayCopy();
int bar = h.length;
int kol = h[0].length;
for(int i=0;i<bar;i++){
for(int j=0;j<kol;j++){
h[i][j] = ((double) 2/(1-Math.exp(h[i][j])))-1;
}
}
output = new Matrix(h);
return output;
}
public static Matrix logsig(Matrix H){
Matrix output;
double[][] h = H.getArrayCopy();
int bar = h.length;
int kol = h[0].length;
for(int i=0;i<bar;i++){
for(int j=0;j<kol;j++){
h[i][j] = (double) 1/(1+Math.exp(-1*h[i][j]));
}
}
output = new Matrix(h);
return output;
}
private void setTable(){
nmKlmIH = new String[absIH[0].length];
for(int i=0;i<absIH[0].length;i++){nmKlmIH[i] = "";}
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-15
tabIH = new JTable(absIH,nmKlmIH);
nmKlmBH = new String[absBH[0].length];
for(int i=0;i<absBH[0].length;i++){nmKlmBH[i] = "";}
tabBH = new JTable(absBH,nmKlmBH);
nmKlmHO = new String[absHO[0].length];
for(int i=0;i<absHO[0].length;i++){nmKlmHO[i] = "";}
tabHO = new JTable(absHO,nmKlmHO);
tabIH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabIH.setEnabled(false);tabI
H.setTableHeader(null);
tabBH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabBH.setEnabled(false);tabB
H.setTableHeader(null);
tabHO.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabHO.setEnabled(false);tabH
O.setTableHeader(null);
jScrollPane1.setViewportView(tabIH);
jScrollPane2.setViewportView(tabBH);
jScrollPane3.setViewportView(tabHO);
jLabel1.setText(""+BO);
}
private double[][] inputHidden(){
double[][] hasil = new double[5][hidden];
double[][] random = new double[5][hidden];
absIH = new Object[5][hidden];
for(int i=0;i<5;i++){
for(int j=0;j<hidden;j++){
hasil[i][j] = Math.random()*2-1;
absIH[i][j] = hasil[i][j];
}
}
return hasil;
}
private double[][] biasHidden(){
double[][] hasil = new double[1][hidden];
absBH = new Object[1][hidden];
for(int i=0;i<hidden;i++){
hasil[0][i] = Math.random()*2-1;
absBH[0][i] = hasil[0][i];
}
return hasil;
}
private double[][] hiddenOutput(){
double[][] hasil = new double[hidden][1];
absHO = new Object[hidden][1];
for(int i=0;i<hidden;i++){
hasil[i][0] = Math.random()*2-1;
absHO[i][0] = hasil[i][0];
}
return hasil;
}
private double biasOutput(){
double hasil;
hasil = Math.random()*2-1;
return hasil;
}
private Matrix matrixSatu(int bar, int kol){
double[][] hasil = new double[bar][kol];
for(int i=0;i<bar;i++){
for(int j=0;j<kol;j++){
hasil[i][j] = 1;
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-16
}
Matrix has = new Matrix(hasil);
return has;
}
private Object[][] getObjectMatrix(Matrix m){
int bar = m.getRowDimension();
int kol = m.getColumnDimension();
Object[][] hasil= new Object[bar][kol];
for(int i=0;i<bar;i++){
for(int j=0;j<kol;j++){
hasil[i][j] = m.get(i, j);
}
}
return hasil;
}
public static void displayMatrix(Matrix m){
int bar = m.getRowDimension();
int kol = m.getColumnDimension();
for(int i=0;i<bar;i++){
for(int j=0;j<kol;j++){
System.out.print(m.get(i, j)+"\t");
}
System.out.println("");
}
System.out.println("");
}
public double[] getMSETraining(){
return mseTraining;
}
}
Source Code Kelas forecast.java package skripsi;
import javax.swing.JTable;
public class forecast extends javax.swing.JFrame {
// from prev
double[] target, forecast, error;
int[] dataAll;
double[] targetDenorm, forecastDenorm, errorDenorm;
int fungNorm;
String[] tanggal;
JTable beforeDenorm, afterDenorm;
public forecast() {
initComponents();
target = bobot_awal.target;
forecast = bobot_awal.forecast;
error = bobot_awal.error;
dataAll = data.data_all;
fungNorm = elm.getFungNorm();
tanggal = data.tanggal;
setDenorm();
setTable();
}
@SuppressWarnings("unchecked")
private void initComponents() {
jPanel1 = new javax.swing.JPanel();
jScrollPane1 = new javax.swing.JScrollPane();
jButton1 = new javax.swing.JButton();
jButton2 = new javax.swing.JButton();
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-17
private void jButton1ActionPerformed(java.awt.event.ActionEvent evt) {
forecastGraphics f = new forecastGraphics("Grafik Testing Data
Training", tanggal , targetDenorm, forecastDenorm);
f.pack();
f.setVisible(true);
}
private void jButton2ActionPerformed(java.awt.event.ActionEvent evt) {
if("Denormalisasi".equals(jButton2.getText())){
setTableDenorm();
jButton2.setText("Riil");
}
else{
setTable();
jButton2.setText("Denormalisasi");
}
}
// Variables declaration - do not modify
private javax.swing.JButton jButton1;
private javax.swing.JButton jButton2;
private javax.swing.JPanel jPanel1;
private javax.swing.JScrollPane jScrollPane1;
// End of variables declaration
int length = target.length;
Object[][] isi = new Object[length][4];
String[] nmKlm = {"No", "Target", "Forecast", "Error"};
for(int i=0;i<length;i++){
isi[i][0] = (i+1);
isi[i][1] = target[i];
isi[i][2] = forecast[i];
isi[i][3] = error[i];
}
beforeDenorm = new JTable(isi, nmKlm);
beforeDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
beforeDenorm.setEnabled(false);
jScrollPane1.setViewportView(beforeDenorm);
}
private void setTableDenorm(){
int length = target.length;
Object[][] isi = new Object[length][4];
String[] nmKlm = {"No", "Target", "Forecast", "Error"};
for(int i=0;i<length;i++){
isi[i][0] = (i+1);
isi[i][1] = targetDenorm[i];
isi[i][2] = forecastDenorm[i];
isi[i][3] = errorDenorm[i];
}
afterDenorm = new JTable(isi, nmKlm);
afterDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
afterDenorm.setEnabled(false);
jScrollPane1.setViewportView(afterDenorm);
}
private void setDenorm(){
int length = target.length;
int[] maxmin = data.max_min(dataAll);
targetDenorm = new double[length];
forecastDenorm = new double[length];
errorDenorm = new double[length];
if(fungNorm == 1){ // -1 sampai 1
for(int i=0;i<length;i++){
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-18
targetDenorm[i] = ((double) 0.5*(target[i]+1)*(maxmin[0]-
maxmin[1]))+maxmin[1];
forecastDenorm[i] = ((double)
0.5*(forecast[i]+1)*(maxmin[0]-maxmin[1]))+maxmin[1];
errorDenorm[i] = Math.pow((double) (targetDenorm[i]-
forecastDenorm[i]), 2);
}
}
else{ // 0 sampai 1
for(int i=0;i<length;i++){
targetDenorm[i] = ((double) (target[i]-0.1)*(maxmin[0]-
maxmin[1])/0.8)+maxmin[1];
forecastDenorm[i] = ((double) (forecast[i]-0.1)*(maxmin[0]-
maxmin[1])/0.8)+maxmin[1];
errorDenorm[i] = Math.pow((double) (targetDenorm[i]-
forecastDenorm[i]), 2);
}
}
}
}
Source Code Kelas validasi.java package skripsi;
import Jama.Matrix;
import javax.swing.JTable;
public class validasi extends javax.swing.JFrame {
double[] dataValNorm;
int[] dataVal;
double[][] rancangVal, rancangDenormVal; // 5 kolom + target
Matrix IH_akhir, BH_akhir, HO_akhir, BO_akhir;
double[] forecastVal, errorVal;
double[] forecastDenormVal, errorDenormVal;
double mseVal, mseValDenorm;
double ramalBeforeDenorm, ramalAfterDenorm ;
int[] dataAll;
String[] tanggal;
double[] targetDenormVal;
JTable tabRancangBeforeDenorm, tabTargetBeforeDenorm,
tabRancangafterDenorm, tabTargetafterDenorm ;
public validasi() {
initComponents();
dataVal = data.data_val;
dataValNorm = data.data_val_normal;
setRancangVal();
IH_akhir = bobot_awal.matIH;
BH_akhir = bobot_awal.matBH;
HO_akhir = bobot_awal.matHO;
BO_akhir = bobot_awal.matBO;
dataAll = data.data_all;
tanggal = data.tanggal;
forecastVal = getForecastingVal();
errorVal = getErrorval(); // mendapatkan error dan mseVal
setTableBeforeDenorm();
jScrollPane1.setViewportView(tabRancangBeforeDenorm);
jScrollPane2.setViewportView(tabTargetBeforeDenorm);
//jLabel1.setText(""+mseVal);
jTextField1.setText(""+mseVal);
setDenorm();
setTableAfterDenorm();
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-19
setRamal();
jLabel2.setText(""+ramalBeforeDenorm);
setTargetDenormVal(); // mengisi array targetDenormVal untuk grafik
jTextField2.setText(""+dataVal.length);
}
@SuppressWarnings("unchecked")
// <editor-fold defaultstate="collapsed" desc="Generated Code">
private void initComponents() {
jPanel1 = new javax.swing.JPanel();
jScrollPane1 = new javax.swing.JScrollPane();
jPanel2 = new javax.swing.JPanel();
jScrollPane2 = new javax.swing.JScrollPane();
jPanel4 = new javax.swing.JPanel();
jLabel2 = new javax.swing.JLabel();
jButton1 = new javax.swing.JButton();
jButton2 = new javax.swing.JButton();
jButton3 = new javax.swing.JButton();
jLabel3 = new javax.swing.JLabel();
jLabel4 = new javax.swing.JLabel();
jTextField1 = new javax.swing.JTextField();
jTextField2 = new javax.swing.JTextField();
private javax.swing.JButton jButton1;
private javax.swing.JButton jButton2;
private javax.swing.JButton jButton3;
private javax.swing.JLabel jLabel2;
private javax.swing.JLabel jLabel3;
private javax.swing.JLabel jLabel4;
private javax.swing.JPanel jPanel1;
private javax.swing.JPanel jPanel2;
private javax.swing.JPanel jPanel4;
private javax.swing.JScrollPane jScrollPane1;
private javax.swing.JScrollPane jScrollPane2;
private javax.swing.JTextField jTextField1;
private javax.swing.JTextField jTextField2;
// End of variables declaration
private void setRancangVal(){
int length = dataVal.length - 5;
rancangVal = new double[length][6];
for(int j=0;j<6;j++){
for(int i=0;i<length;i++){
rancangVal[i][j] = dataValNorm[i+j];
}
}
}
private double[] getForecastingVal(){
int length = rancangVal.length;
double[] hasil = new double[length];
Matrix polax;
Matrix result;
double[][] pola = new double[1][5];
for(int i=0;i<length;i++){
System.arraycopy(rancangVal[i], 0, pola[0], 0, 5);
polax = new Matrix(pola);
if(elm.fungAktiv == 1){
result =
bobot_awal.logsig(((bobot_awal.logsig((polax.times(IH_akhir)).plus(BH_akhir)
)).times(HO_akhir)).plus(BO_akhir));
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-20
}
else{
result =
bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_akhir)
)).times(HO_akhir)).plus(BO_akhir));
}
hasil[i] = result.get(0, 0);
}
return hasil;
}
private double[] getErrorval(){
int l = rancangVal.length;
double[] hasil = new double[l];
double[] sum = new double[1];
mseVal = 0;
for(int i=0;i<l;i++){
hasil[i] = (double)Math.pow((forecastVal[i]-rancangVal[i][5]),
2);
mseVal+=hasil[i];
}
mseVal /= l;
return hasil;
}
private void setTableBeforeDenorm(){
int baris = rancangVal.length;
Object[][] absRancangVal = new Object[baris][6], absForecast = new
Object[baris][4];
String[] header1 = {"Pola Ke-","X1","X2","X3","X4","X5"}, header2 =
{"Pola Ke-","Pembanding", "Forecasting", "Error"};
for(int i=0;i<baris;i++){
absRancangVal[i][0] = (i+1); absForecast[i][0] =
(i+1);
absRancangVal[i][1] = rancangVal[i][0]; absForecast[i][1] =
rancangVal[i][5];
absRancangVal[i][2] = rancangVal[i][1]; absForecast[i][2] =
forecastVal[i];
absRancangVal[i][3] = rancangVal[i][2]; absForecast[i][3] =
errorVal[i];
absRancangVal[i][4] = rancangVal[i][3];
absRancangVal[i][5] = rancangVal[i][4];
}
tabRancangBeforeDenorm = new JTable(absRancangVal, header1);
tabRancangBeforeDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabRancangBeforeDenorm.setEnabled(false);
tabTargetBeforeDenorm = new JTable(absForecast, header2);
tabTargetBeforeDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabTargetBeforeDenorm.setEnabled(false);
}
private void setTableAfterDenorm(){
int baris = rancangVal.length;
Object[][] absRancangVal = new Object[baris][6], absForecast = new
Object[baris][4];
String[] header1 = {"Pola Ke-","X1","X2","X3","X4","X5"}, header2 =
{"Pola Ke-","Pembanding", "Forecasting", "Error"};
for(int i=0;i<baris;i++){
absRancangVal[i][0] = (i+1); absForecast[i][0] =
(i+1);
absRancangVal[i][1] = rancangDenormVal[i][0];
absForecast[i][1] = rancangDenormVal[i][5];
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-21
absRancangVal[i][2] = rancangDenormVal[i][1];
absForecast[i][2] = forecastDenormVal[i];
absRancangVal[i][3] = rancangDenormVal[i][2];
absForecast[i][3] = errorDenormVal[i];
absRancangVal[i][4] = rancangDenormVal[i][3];
absRancangVal[i][5] = rancangDenormVal[i][4];
}
tabRancangafterDenorm = new JTable(absRancangVal, header1);
tabRancangafterDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabRancangafterDenorm.setEnabled(false);
tabTargetafterDenorm = new JTable(absForecast, header2);
tabTargetafterDenorm.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);
tabTargetafterDenorm.setEnabled(false);
}
private void setDenorm(){
int length = rancangVal.length;
rancangDenormVal = new double[length][6];
int[] maxmin = data.max_min(dataAll);
forecastDenormVal = new double[length];
errorDenormVal = new double[length];
mseValDenorm = 0;
if(elm.fungNorm == 1){ // -1 sampai 1
for(int i=0;i<length;i++){
for(int j=0;j<5;j++){
rancangDenormVal[i][j] = ((double)
0.5*(rancangVal[i][j]+1)*(maxmin[0]-maxmin[1]))+maxmin[1];
}
rancangDenormVal[i][5] = ((double)
0.5*(rancangVal[i][5]+1)*(maxmin[0]-maxmin[1]))+maxmin[1]; // target
forecastDenormVal[i] = ((double)
0.5*(forecastVal[i]+1)*(maxmin[0]-maxmin[1]))+maxmin[1];
errorDenormVal[i] = Math.pow((double)
(rancangDenormVal[i][5]-forecastDenormVal[i]), 2);
mseValDenorm += errorDenormVal[i];
}
}
else{ // 0 sampai 1
for(int i=0;i<length;i++){
for(int j=0;j<5;j++){
rancangDenormVal[i][j] = ((double) (rancangVal[i][j]-
0.1)*(maxmin[0]-maxmin[1])/0.8)+maxmin[1];
}
rancangDenormVal[i][5] = ((double) (rancangVal[i][5]-
0.1)*(maxmin[0]-maxmin[1])/0.8)+maxmin[1];
forecastDenormVal[i] = ((double) (forecastVal[i]-
0.1)*(maxmin[0]-maxmin[1])/0.8)+maxmin[1];
errorDenormVal[i] = Math.pow((double)
(rancangDenormVal[i][5]-forecastDenormVal[i]), 2);
mseValDenorm += errorDenormVal[i];
}
}
mseValDenorm /= length;
}
private void setRamal(){
int l = rancangVal.length;
Matrix polax;
Matrix result;
double[][] pola = new double[1][5];
System.arraycopy(rancangVal[l-1], 1, pola[0], 0, 5);
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 2-22
polax = new Matrix(pola);
if(elm.fungAktiv == 1){
result =
bobot_awal.logsig(((bobot_awal.logsig((polax.times(IH_akhir)).plus(BH_akhir)
)).times(HO_akhir)).plus(BO_akhir));
}
else{
result =
bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_akhir)
)).times(HO_akhir)).plus(BO_akhir));
}
ramalBeforeDenorm = result.get(0, 0);
System.arraycopy(rancangDenormVal[l-1], 1, pola[0], 0, 5);
polax = new Matrix(pola);
int[] maxmin = data.max_min(dataAll);
if(elm.fungNorm == 1){
ramalAfterDenorm = ((double)
0.5*(ramalBeforeDenorm+1)*(maxmin[0]-maxmin[1]))+maxmin[1];
}else{
ramalAfterDenorm = ((double) (ramalBeforeDenorm-0.1)*(maxmin[0]-
maxmin[1])/0.8)+maxmin[1];
}
}
private void setTargetDenormVal(){
int l = rancangDenormVal.length;
targetDenormVal = new double[l];
for(int i=0;i<l;i++){
targetDenormVal[i] = rancangDenormVal[i][5];
}
}
}
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-1
Lampiran 3 : Pola Input Training Data Pola ke-
Hari ke-1 Hari ke-2 Hari ke-3 Hari ke-4 Hari ke-5 Hari ke-6
1 0.369194313 0.369194313 0.372985782 0.372985782 0.372985782 0.369194313 2 0.369194313 0.372985782 0.372985782 0.372985782 0.369194313 0.369194313 3 0.372985782 0.372985782 0.372985782 0.369194313 0.369194313 0.369194313 4 0.372985782 0.372985782 0.369194313 0.369194313 0.369194313 0.331279621 5 0.372985782 0.369194313 0.369194313 0.369194313 0.331279621 0.331279621 6 0.369194313 0.369194313 0.369194313 0.331279621 0.331279621 0.308530806 7 0.369194313 0.369194313 0.331279621 0.331279621 0.308530806 0.319905213 8 0.369194313 0.331279621 0.331279621 0.308530806 0.319905213 0.300947867 9 0.331279621 0.331279621 0.308530806 0.319905213 0.300947867 0.312322275 10 0.331279621 0.308530806 0.319905213 0.300947867 0.312322275 0.302843602 11 0.308530806 0.319905213 0.300947867 0.312322275 0.302843602 0.33507109 12 0.319905213 0.300947867 0.312322275 0.302843602 0.33507109 0.346445498 13 0.300947867 0.312322275 0.302843602 0.33507109 0.346445498 0.369194313 14 0.312322275 0.302843602 0.33507109 0.346445498 0.369194313 0.361611374 15 0.302843602 0.33507109 0.346445498 0.369194313 0.361611374 0.365402844 16 0.33507109 0.346445498 0.369194313 0.361611374 0.365402844 0.365402844 17 0.346445498 0.369194313 0.361611374 0.365402844 0.365402844 0.369194313 18 0.369194313 0.361611374 0.365402844 0.365402844 0.369194313 0.357819905 19 0.361611374 0.365402844 0.365402844 0.369194313 0.357819905 0.350236967 20 0.365402844 0.365402844 0.369194313 0.357819905 0.350236967 0.346445498 21 0.365402844 0.369194313 0.357819905 0.350236967 0.346445498 0.342654028 22 0.369194313 0.357819905 0.350236967 0.346445498 0.342654028 0.342654028 23 0.357819905 0.350236967 0.346445498 0.342654028 0.342654028 0.357819905 24 0.350236967 0.346445498 0.342654028 0.342654028 0.357819905 0.369194313 25 0.346445498 0.342654028 0.342654028 0.357819905 0.369194313 0.361611374 26 0.342654028 0.342654028 0.357819905 0.369194313 0.361611374 0.365402844 27 0.342654028 0.357819905 0.369194313 0.361611374 0.365402844 0.361611374 28 0.357819905 0.369194313 0.361611374 0.365402844 0.361611374 0.357819905 29 0.369194313 0.361611374 0.365402844 0.361611374 0.357819905 0.357819905 30 0.361611374 0.365402844 0.361611374 0.357819905 0.357819905 0.365402844 31 0.365402844 0.361611374 0.357819905 0.357819905 0.365402844 0.365402844 32 0.361611374 0.357819905 0.357819905 0.365402844 0.365402844 0.361611374 33 0.357819905 0.357819905 0.365402844 0.365402844 0.361611374 0.354028436 34 0.357819905 0.365402844 0.365402844 0.361611374 0.354028436 0.357819905 35 0.365402844 0.365402844 0.361611374 0.354028436 0.357819905 0.342654028 36 0.365402844 0.361611374 0.354028436 0.357819905 0.342654028 0.338862559 37 0.361611374 0.354028436 0.357819905 0.342654028 0.338862559 0.342654028 38 0.354028436 0.357819905 0.342654028 0.338862559 0.342654028 0.338862559 39 0.357819905 0.342654028 0.338862559 0.342654028 0.338862559 0.308530806
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-2
40 0.342654028 0.338862559 0.342654028 0.338862559 0.308530806 0.300947867 41 0.338862559 0.342654028 0.338862559 0.308530806 0.300947867 0.319905213 42 0.342654028 0.338862559 0.308530806 0.300947867 0.319905213 0.319905213 43 0.338862559 0.308530806 0.300947867 0.319905213 0.319905213 0.308530806 44 0.308530806 0.300947867 0.319905213 0.319905213 0.308530806 0.314218009 45 0.300947867 0.319905213 0.319905213 0.308530806 0.314218009 0.319905213 46 0.319905213 0.319905213 0.308530806 0.314218009 0.319905213 0.300947867 47 0.319905213 0.308530806 0.314218009 0.319905213 0.300947867 0.316113744 48 0.308530806 0.314218009 0.319905213 0.300947867 0.316113744 0.331279621 49 0.314218009 0.319905213 0.300947867 0.316113744 0.331279621 0.338862559 50 0.319905213 0.300947867 0.316113744 0.331279621 0.338862559 0.331279621 51 0.300947867 0.316113744 0.331279621 0.338862559 0.331279621 0.323696682 52 0.316113744 0.331279621 0.338862559 0.331279621 0.323696682 0.323696682 53 0.331279621 0.338862559 0.331279621 0.323696682 0.323696682 0.308530806 54 0.338862559 0.331279621 0.323696682 0.323696682 0.308530806 0.293364929 55 0.331279621 0.323696682 0.323696682 0.308530806 0.293364929 0.285781991 56 0.323696682 0.323696682 0.308530806 0.293364929 0.285781991 0.266824645 57 0.323696682 0.308530806 0.293364929 0.285781991 0.266824645 0.266824645 58 0.308530806 0.293364929 0.285781991 0.266824645 0.266824645 0.255450237 59 0.293364929 0.285781991 0.266824645 0.266824645 0.255450237 0.26492891 60 0.285781991 0.266824645 0.266824645 0.255450237 0.26492891 0.266824645 61 0.266824645 0.266824645 0.255450237 0.26492891 0.266824645 0.261137441 62 0.266824645 0.255450237 0.26492891 0.266824645 0.261137441 0.26492891 63 0.255450237 0.26492891 0.266824645 0.261137441 0.26492891 0.268720379 64 0.26492891 0.266824645 0.261137441 0.26492891 0.268720379 0.272511848 65 0.266824645 0.261137441 0.26492891 0.268720379 0.272511848 0.274407583 66 0.261137441 0.26492891 0.268720379 0.272511848 0.274407583 0.268720379 67 0.26492891 0.268720379 0.272511848 0.274407583 0.268720379 0.259241706 68 0.268720379 0.272511848 0.274407583 0.268720379 0.259241706 0.259241706 69 0.272511848 0.274407583 0.268720379 0.259241706 0.259241706 0.259241706 70 0.274407583 0.268720379 0.259241706 0.259241706 0.259241706 0.249763033 71 0.268720379 0.259241706 0.259241706 0.259241706 0.249763033 0.249763033 72 0.259241706 0.259241706 0.259241706 0.249763033 0.249763033 0.270616114 73 0.259241706 0.259241706 0.249763033 0.249763033 0.270616114 0.270616114 74 0.259241706 0.249763033 0.249763033 0.270616114 0.270616114 0.272511848 75 0.249763033 0.249763033 0.270616114 0.270616114 0.272511848 0.295260664 76 0.249763033 0.270616114 0.270616114 0.272511848 0.295260664 0.28957346 77 0.270616114 0.270616114 0.272511848 0.295260664 0.28957346 0.295260664 78 0.270616114 0.272511848 0.295260664 0.28957346 0.295260664 0.291469194 79 0.272511848 0.295260664 0.28957346 0.295260664 0.291469194 0.287677725 80 0.295260664 0.28957346 0.295260664 0.291469194 0.287677725 0.297156398 81 0.28957346 0.295260664 0.291469194 0.287677725 0.297156398 0.293364929
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-3
82 0.295260664 0.291469194 0.287677725 0.297156398 0.293364929 0.300947867 83 0.291469194 0.287677725 0.297156398 0.293364929 0.300947867 0.293364929 84 0.287677725 0.297156398 0.293364929 0.300947867 0.293364929 0.287677725 85 0.297156398 0.293364929 0.300947867 0.293364929 0.287677725 0.280094787 86 0.293364929 0.300947867 0.293364929 0.287677725 0.280094787 0.276303318 87 0.300947867 0.293364929 0.287677725 0.280094787 0.276303318 0.28957346 88 0.293364929 0.287677725 0.280094787 0.276303318 0.28957346 0.281990521 89 0.287677725 0.280094787 0.276303318 0.28957346 0.281990521 0.280094787 90 0.280094787 0.276303318 0.28957346 0.281990521 0.280094787 0.281990521 91 0.276303318 0.28957346 0.281990521 0.280094787 0.281990521 0.287677725 92 0.28957346 0.281990521 0.280094787 0.281990521 0.287677725 0.278199052 93 0.281990521 0.280094787 0.281990521 0.287677725 0.278199052 0.274407583 94 0.280094787 0.281990521 0.287677725 0.278199052 0.274407583 0.268720379 95 0.281990521 0.287677725 0.278199052 0.274407583 0.268720379 0.26492891 96 0.287677725 0.278199052 0.274407583 0.268720379 0.26492891 0.263033175 97 0.278199052 0.274407583 0.268720379 0.26492891 0.263033175 0.266824645 98 0.274407583 0.268720379 0.26492891 0.263033175 0.266824645 0.263033175 99 0.268720379 0.26492891 0.263033175 0.266824645 0.263033175 0.263033175 100 0.26492891 0.263033175 0.266824645 0.263033175 0.263033175 0.251658768 101 0.263033175 0.266824645 0.263033175 0.263033175 0.251658768 0.253554502 102 0.266824645 0.263033175 0.263033175 0.251658768 0.253554502 0.253554502 103 0.263033175 0.263033175 0.251658768 0.253554502 0.253554502 0.255450237 104 0.263033175 0.251658768 0.253554502 0.253554502 0.255450237 0.251658768 105 0.251658768 0.253554502 0.253554502 0.255450237 0.251658768 0.247867299 106 0.253554502 0.253554502 0.255450237 0.251658768 0.247867299 0.249763033 107 0.253554502 0.255450237 0.251658768 0.247867299 0.249763033 0.247867299 108 0.255450237 0.251658768 0.247867299 0.249763033 0.247867299 0.247867299 109 0.251658768 0.247867299 0.249763033 0.247867299 0.247867299 0.255450237 110 0.247867299 0.249763033 0.247867299 0.247867299 0.255450237 0.251658768 111 0.249763033 0.247867299 0.247867299 0.255450237 0.251658768 0.245971564 112 0.247867299 0.247867299 0.255450237 0.251658768 0.245971564 0.249763033 113 0.247867299 0.255450237 0.251658768 0.245971564 0.249763033 0.247867299 114 0.255450237 0.251658768 0.245971564 0.249763033 0.247867299 0.247867299 115 0.251658768 0.245971564 0.249763033 0.247867299 0.247867299 0.251658768 116 0.245971564 0.249763033 0.247867299 0.247867299 0.251658768 0.249763033 117 0.249763033 0.247867299 0.247867299 0.251658768 0.249763033 0.245971564 118 0.247867299 0.247867299 0.251658768 0.249763033 0.245971564 0.24028436 119 0.247867299 0.251658768 0.249763033 0.245971564 0.24028436 0.249763033 120 0.251658768 0.249763033 0.245971564 0.24028436 0.249763033 0.249763033 121 0.249763033 0.245971564 0.24028436 0.249763033 0.249763033 0.249763033 122 0.245971564 0.24028436 0.249763033 0.249763033 0.249763033 0.244075829 123 0.24028436 0.249763033 0.249763033 0.249763033 0.244075829 0.24028436
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-4
124 0.249763033 0.249763033 0.249763033 0.244075829 0.24028436 0.232701422 125 0.249763033 0.249763033 0.244075829 0.24028436 0.232701422 0.228909953 126 0.249763033 0.244075829 0.24028436 0.232701422 0.228909953 0.209952607 127 0.244075829 0.24028436 0.232701422 0.228909953 0.209952607 0.223222749 128 0.24028436 0.232701422 0.228909953 0.209952607 0.223222749 0.242180095 129 0.232701422 0.228909953 0.209952607 0.223222749 0.242180095 0.247867299 130 0.228909953 0.209952607 0.223222749 0.242180095 0.247867299 0.249763033 131 0.209952607 0.223222749 0.242180095 0.247867299 0.249763033 0.24028436 132 0.223222749 0.242180095 0.247867299 0.249763033 0.24028436 0.242180095 133 0.242180095 0.247867299 0.249763033 0.24028436 0.242180095 0.24028436 134 0.247867299 0.249763033 0.24028436 0.242180095 0.24028436 0.255450237 135 0.249763033 0.24028436 0.242180095 0.24028436 0.255450237 0.255450237 136 0.24028436 0.242180095 0.24028436 0.255450237 0.255450237 0.251658768 137 0.242180095 0.24028436 0.255450237 0.255450237 0.251658768 0.244075829 138 0.24028436 0.255450237 0.255450237 0.251658768 0.244075829 0.251658768 139 0.255450237 0.255450237 0.251658768 0.244075829 0.251658768 0.245971564 140 0.255450237 0.251658768 0.244075829 0.251658768 0.245971564 0.247867299 141 0.251658768 0.244075829 0.251658768 0.245971564 0.247867299 0.253554502 142 0.244075829 0.251658768 0.245971564 0.247867299 0.253554502 0.247867299 143 0.251658768 0.245971564 0.247867299 0.253554502 0.247867299 0.234597156 144 0.245971564 0.247867299 0.253554502 0.247867299 0.234597156 0.236492891 145 0.247867299 0.253554502 0.247867299 0.234597156 0.236492891 0.234597156 146 0.253554502 0.247867299 0.234597156 0.236492891 0.234597156 0.225118483 147 0.247867299 0.234597156 0.236492891 0.234597156 0.225118483 0.21943128 148 0.234597156 0.236492891 0.234597156 0.225118483 0.21943128 0.228909953 149 0.236492891 0.234597156 0.225118483 0.21943128 0.228909953 0.238388626 150 0.234597156 0.225118483 0.21943128 0.228909953 0.238388626 0.232701422 151 0.225118483 0.21943128 0.228909953 0.238388626 0.232701422 0.227014218 152 0.21943128 0.228909953 0.238388626 0.232701422 0.227014218 0.234597156 153 0.228909953 0.238388626 0.232701422 0.227014218 0.234597156 0.242180095 154 0.238388626 0.232701422 0.227014218 0.234597156 0.242180095 0.249763033 155 0.232701422 0.227014218 0.234597156 0.242180095 0.249763033 0.247867299 156 0.227014218 0.234597156 0.242180095 0.249763033 0.247867299 0.251658768 157 0.234597156 0.242180095 0.249763033 0.247867299 0.251658768 0.253554502 158 0.242180095 0.249763033 0.247867299 0.251658768 0.253554502 0.257345972 159 0.249763033 0.247867299 0.251658768 0.253554502 0.257345972 0.24028436 160 0.247867299 0.251658768 0.253554502 0.257345972 0.24028436 0.247867299 161 0.251658768 0.253554502 0.257345972 0.24028436 0.247867299 0.228909953 162 0.253554502 0.257345972 0.24028436 0.247867299 0.228909953 0.21563981 163 0.257345972 0.24028436 0.247867299 0.228909953 0.21563981 0.211848341 164 0.24028436 0.247867299 0.228909953 0.21563981 0.211848341 0.211848341 165 0.247867299 0.228909953 0.21563981 0.211848341 0.211848341 0.204265403
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-5
166 0.228909953 0.21563981 0.211848341 0.211848341 0.204265403 0.198578199 167 0.21563981 0.211848341 0.211848341 0.204265403 0.198578199 0.202369668 168 0.211848341 0.211848341 0.204265403 0.198578199 0.202369668 0.183412322 169 0.211848341 0.204265403 0.198578199 0.202369668 0.183412322 0.206161137 170 0.204265403 0.198578199 0.202369668 0.183412322 0.206161137 0.209952607 171 0.198578199 0.202369668 0.183412322 0.206161137 0.209952607 0.198578199 172 0.202369668 0.183412322 0.206161137 0.209952607 0.198578199 0.198578199 173 0.183412322 0.206161137 0.209952607 0.198578199 0.198578199 0.19478673 174 0.206161137 0.209952607 0.198578199 0.198578199 0.19478673 0.204265403 175 0.209952607 0.198578199 0.198578199 0.19478673 0.204265403 0.198578199 176 0.198578199 0.198578199 0.19478673 0.204265403 0.198578199 0.19478673 177 0.198578199 0.19478673 0.204265403 0.198578199 0.19478673 0.141706161 178 0.19478673 0.204265403 0.198578199 0.19478673 0.141706161 0.118957346 179 0.204265403 0.198578199 0.19478673 0.141706161 0.118957346 0.113270142 180 0.198578199 0.19478673 0.141706161 0.118957346 0.113270142 0.122748815 181 0.19478673 0.141706161 0.118957346 0.113270142 0.122748815 0.126540284 182 0.141706161 0.118957346 0.113270142 0.122748815 0.126540284 0.134123223 183 0.118957346 0.113270142 0.122748815 0.126540284 0.134123223 0.118957346 184 0.113270142 0.122748815 0.126540284 0.134123223 0.118957346 0.136018957 185 0.122748815 0.126540284 0.134123223 0.118957346 0.136018957 0.132227488 186 0.126540284 0.134123223 0.118957346 0.136018957 0.132227488 0.126540284 187 0.134123223 0.118957346 0.136018957 0.132227488 0.126540284 0.126540284 188 0.118957346 0.136018957 0.132227488 0.126540284 0.126540284 0.111374408 189 0.136018957 0.132227488 0.126540284 0.126540284 0.111374408 0.1 190 0.132227488 0.126540284 0.126540284 0.111374408 0.1 0.139810427 191 0.126540284 0.126540284 0.111374408 0.1 0.139810427 0.139810427 192 0.126540284 0.111374408 0.1 0.139810427 0.139810427 0.156872038 193 0.111374408 0.1 0.139810427 0.139810427 0.156872038 0.179620853 194 0.1 0.139810427 0.139810427 0.156872038 0.179620853 0.192890995 195 0.139810427 0.139810427 0.156872038 0.179620853 0.192890995 0.190995261 196 0.139810427 0.156872038 0.179620853 0.192890995 0.190995261 0.172037915 197 0.156872038 0.179620853 0.192890995 0.190995261 0.172037915 0.179620853 198 0.179620853 0.192890995 0.190995261 0.172037915 0.179620853 0.202369668 199 0.192890995 0.190995261 0.172037915 0.179620853 0.202369668 0.190995261 200 0.190995261 0.172037915 0.179620853 0.202369668 0.190995261 0.19478673 201 0.172037915 0.179620853 0.202369668 0.190995261 0.19478673 0.179620853 202 0.179620853 0.202369668 0.190995261 0.19478673 0.179620853 0.19478673 203 0.202369668 0.190995261 0.19478673 0.179620853 0.19478673 0.183412322 204 0.190995261 0.19478673 0.179620853 0.19478673 0.183412322 0.181516588 205 0.19478673 0.179620853 0.19478673 0.183412322 0.181516588 0.181516588 206 0.179620853 0.19478673 0.183412322 0.181516588 0.181516588 0.175829384 207 0.19478673 0.183412322 0.181516588 0.181516588 0.175829384 0.168246445
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-6
208 0.183412322 0.181516588 0.181516588 0.175829384 0.168246445 0.183412322 209 0.181516588 0.181516588 0.175829384 0.168246445 0.183412322 0.192890995 210 0.181516588 0.175829384 0.168246445 0.183412322 0.192890995 0.19478673 211 0.175829384 0.168246445 0.183412322 0.192890995 0.19478673 0.19478673 212 0.168246445 0.183412322 0.192890995 0.19478673 0.19478673 0.179620853 213 0.183412322 0.192890995 0.19478673 0.19478673 0.179620853 0.187203791 214 0.192890995 0.19478673 0.19478673 0.179620853 0.187203791 0.185308057 215 0.19478673 0.19478673 0.179620853 0.187203791 0.185308057 0.198578199 216 0.19478673 0.179620853 0.187203791 0.185308057 0.198578199 0.198578199 217 0.179620853 0.187203791 0.185308057 0.198578199 0.198578199 0.196682464 218 0.187203791 0.185308057 0.198578199 0.198578199 0.196682464 0.200473934 219 0.185308057 0.198578199 0.198578199 0.196682464 0.200473934 0.206161137 220 0.198578199 0.198578199 0.196682464 0.200473934 0.206161137 0.209952607 221 0.198578199 0.196682464 0.200473934 0.206161137 0.209952607 0.202369668 222 0.196682464 0.200473934 0.206161137 0.209952607 0.202369668 0.206161137 223 0.200473934 0.206161137 0.209952607 0.202369668 0.206161137 0.217535545 224 0.206161137 0.209952607 0.202369668 0.206161137 0.217535545 0.24028436 225 0.209952607 0.202369668 0.206161137 0.217535545 0.24028436 0.247867299 226 0.202369668 0.206161137 0.217535545 0.24028436 0.247867299 0.245971564 227 0.206161137 0.217535545 0.24028436 0.247867299 0.245971564 0.253554502 228 0.217535545 0.24028436 0.247867299 0.245971564 0.253554502 0.251658768 229 0.24028436 0.247867299 0.245971564 0.253554502 0.251658768 0.251658768 230 0.247867299 0.245971564 0.253554502 0.251658768 0.251658768 0.253554502 231 0.245971564 0.253554502 0.251658768 0.251658768 0.253554502 0.255450237 232 0.253554502 0.251658768 0.251658768 0.253554502 0.255450237 0.263033175 233 0.251658768 0.251658768 0.253554502 0.255450237 0.263033175 0.263033175 234 0.251658768 0.253554502 0.255450237 0.263033175 0.263033175 0.26492891 235 0.253554502 0.255450237 0.263033175 0.263033175 0.26492891 0.261137441 236 0.255450237 0.263033175 0.263033175 0.26492891 0.261137441 0.263033175 237 0.263033175 0.263033175 0.26492891 0.261137441 0.263033175 0.268720379 238 0.263033175 0.26492891 0.261137441 0.263033175 0.268720379 0.251658768 239 0.26492891 0.261137441 0.263033175 0.268720379 0.251658768 0.245971564 240 0.261137441 0.263033175 0.268720379 0.251658768 0.245971564 0.213744076 241 0.263033175 0.268720379 0.251658768 0.245971564 0.213744076 0.213744076 242 0.268720379 0.251658768 0.245971564 0.213744076 0.213744076 0.221327014 243 0.251658768 0.245971564 0.213744076 0.213744076 0.221327014 0.206161137 244 0.245971564 0.213744076 0.213744076 0.221327014 0.206161137 0.204265403 245 0.213744076 0.213744076 0.221327014 0.206161137 0.204265403 0.206161137 246 0.213744076 0.221327014 0.206161137 0.204265403 0.206161137 0.198578199 247 0.221327014 0.206161137 0.204265403 0.206161137 0.198578199 0.204265403 248 0.206161137 0.204265403 0.206161137 0.198578199 0.204265403 0.209952607 249 0.204265403 0.206161137 0.198578199 0.204265403 0.209952607 0.209952607
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-7
250 0.206161137 0.198578199 0.204265403 0.209952607 0.209952607 0.208056872 251 0.198578199 0.204265403 0.209952607 0.209952607 0.208056872 0.206161137 252 0.204265403 0.209952607 0.209952607 0.208056872 0.206161137 0.217535545 253 0.209952607 0.209952607 0.208056872 0.206161137 0.217535545 0.208056872 254 0.209952607 0.208056872 0.206161137 0.217535545 0.208056872 0.206161137 255 0.208056872 0.206161137 0.217535545 0.208056872 0.206161137 0.206161137 256 0.206161137 0.217535545 0.208056872 0.206161137 0.206161137 0.213744076 257 0.217535545 0.208056872 0.206161137 0.206161137 0.213744076 0.209952607 258 0.208056872 0.206161137 0.206161137 0.213744076 0.209952607 0.204265403 259 0.206161137 0.206161137 0.213744076 0.209952607 0.204265403 0.213744076 260 0.206161137 0.213744076 0.209952607 0.204265403 0.213744076 0.211848341 261 0.213744076 0.209952607 0.204265403 0.213744076 0.211848341 0.209952607 262 0.209952607 0.204265403 0.213744076 0.211848341 0.209952607 0.211848341 263 0.204265403 0.213744076 0.211848341 0.209952607 0.211848341 0.209952607 264 0.213744076 0.211848341 0.209952607 0.211848341 0.209952607 0.209952607 265 0.211848341 0.209952607 0.211848341 0.209952607 0.209952607 0.209952607 266 0.209952607 0.211848341 0.209952607 0.209952607 0.209952607 0.209952607 267 0.211848341 0.209952607 0.209952607 0.209952607 0.209952607 0.208056872 268 0.209952607 0.209952607 0.209952607 0.209952607 0.208056872 0.211848341 269 0.209952607 0.209952607 0.209952607 0.208056872 0.211848341 0.209952607 270 0.209952607 0.209952607 0.208056872 0.211848341 0.209952607 0.208056872 271 0.209952607 0.208056872 0.211848341 0.209952607 0.208056872 0.209952607 272 0.208056872 0.211848341 0.209952607 0.208056872 0.209952607 0.202369668 273 0.211848341 0.209952607 0.208056872 0.209952607 0.202369668 0.208056872 274 0.209952607 0.208056872 0.209952607 0.202369668 0.208056872 0.208056872 275 0.208056872 0.209952607 0.202369668 0.208056872 0.208056872 0.204265403 276 0.209952607 0.202369668 0.208056872 0.208056872 0.204265403 0.204265403 277 0.202369668 0.208056872 0.208056872 0.204265403 0.204265403 0.206161137 278 0.208056872 0.208056872 0.204265403 0.204265403 0.206161137 0.206161137 279 0.208056872 0.204265403 0.204265403 0.206161137 0.206161137 0.204265403 280 0.204265403 0.204265403 0.206161137 0.206161137 0.204265403 0.206161137 281 0.204265403 0.206161137 0.206161137 0.204265403 0.206161137 0.208056872 282 0.206161137 0.206161137 0.204265403 0.206161137 0.208056872 0.204265403 283 0.206161137 0.204265403 0.206161137 0.208056872 0.204265403 0.208056872 284 0.204265403 0.206161137 0.208056872 0.204265403 0.208056872 0.209952607 285 0.206161137 0.208056872 0.204265403 0.208056872 0.209952607 0.213744076 286 0.208056872 0.204265403 0.208056872 0.209952607 0.213744076 0.221327014 287 0.204265403 0.208056872 0.209952607 0.213744076 0.221327014 0.236492891 288 0.208056872 0.209952607 0.213744076 0.221327014 0.236492891 0.228909953 289 0.209952607 0.213744076 0.221327014 0.236492891 0.228909953 0.236492891 290 0.213744076 0.221327014 0.236492891 0.228909953 0.236492891 0.232701422 291 0.221327014 0.236492891 0.228909953 0.236492891 0.232701422 0.228909953
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-8
292 0.236492891 0.228909953 0.236492891 0.232701422 0.228909953 0.234597156 293 0.228909953 0.236492891 0.232701422 0.228909953 0.234597156 0.244075829 294 0.236492891 0.232701422 0.228909953 0.234597156 0.244075829 0.245971564 295 0.232701422 0.228909953 0.234597156 0.244075829 0.245971564 0.245971564 296 0.228909953 0.234597156 0.244075829 0.245971564 0.245971564 0.245971564 297 0.234597156 0.244075829 0.245971564 0.245971564 0.245971564 0.242180095 298 0.244075829 0.245971564 0.245971564 0.245971564 0.242180095 0.257345972 299 0.245971564 0.245971564 0.245971564 0.242180095 0.257345972 0.261137441 300 0.245971564 0.245971564 0.242180095 0.257345972 0.261137441 0.259241706 301 0.245971564 0.242180095 0.257345972 0.261137441 0.259241706 0.268720379 302 0.242180095 0.257345972 0.261137441 0.259241706 0.268720379 0.270616114 303 0.257345972 0.261137441 0.259241706 0.268720379 0.270616114 0.263033175 304 0.261137441 0.259241706 0.268720379 0.270616114 0.263033175 0.255450237 305 0.259241706 0.268720379 0.270616114 0.263033175 0.255450237 0.259241706 306 0.268720379 0.270616114 0.263033175 0.255450237 0.259241706 0.247867299 307 0.270616114 0.263033175 0.255450237 0.259241706 0.247867299 0.245971564 308 0.263033175 0.255450237 0.259241706 0.247867299 0.245971564 0.244075829 309 0.255450237 0.259241706 0.247867299 0.245971564 0.244075829 0.245971564 310 0.259241706 0.247867299 0.245971564 0.244075829 0.245971564 0.251658768 311 0.247867299 0.245971564 0.244075829 0.245971564 0.251658768 0.255450237 312 0.245971564 0.244075829 0.245971564 0.251658768 0.255450237 0.263033175 313 0.244075829 0.245971564 0.251658768 0.255450237 0.263033175 0.280094787 314 0.245971564 0.251658768 0.255450237 0.263033175 0.280094787 0.281990521 315 0.251658768 0.255450237 0.263033175 0.280094787 0.281990521 0.283886256 316 0.255450237 0.263033175 0.280094787 0.281990521 0.283886256 0.281990521 317 0.263033175 0.280094787 0.281990521 0.283886256 0.281990521 0.295260664 318 0.280094787 0.281990521 0.283886256 0.281990521 0.295260664 0.285781991 319 0.281990521 0.283886256 0.281990521 0.295260664 0.285781991 0.278199052 320 0.283886256 0.281990521 0.295260664 0.285781991 0.278199052 0.281990521 321 0.281990521 0.295260664 0.285781991 0.278199052 0.281990521 0.281990521 322 0.295260664 0.285781991 0.278199052 0.281990521 0.281990521 0.283886256 323 0.285781991 0.278199052 0.281990521 0.281990521 0.283886256 0.297156398 324 0.278199052 0.281990521 0.281990521 0.283886256 0.297156398 0.304739336 325 0.281990521 0.281990521 0.283886256 0.297156398 0.304739336 0.306635071 326 0.281990521 0.283886256 0.297156398 0.304739336 0.306635071 0.293364929 327 0.283886256 0.297156398 0.304739336 0.306635071 0.293364929 0.293364929 328 0.297156398 0.304739336 0.306635071 0.293364929 0.293364929 0.300947867 329 0.304739336 0.306635071 0.293364929 0.293364929 0.300947867 0.28957346 330 0.306635071 0.293364929 0.293364929 0.300947867 0.28957346 0.295260664 331 0.293364929 0.293364929 0.300947867 0.28957346 0.295260664 0.300947867 332 0.293364929 0.300947867 0.28957346 0.295260664 0.300947867 0.316113744 333 0.300947867 0.28957346 0.295260664 0.300947867 0.316113744 0.33507109
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-9
334 0.28957346 0.295260664 0.300947867 0.316113744 0.33507109 0.331279621 335 0.295260664 0.300947867 0.316113744 0.33507109 0.331279621 0.327488152 336 0.300947867 0.316113744 0.33507109 0.331279621 0.327488152 0.331279621 337 0.316113744 0.33507109 0.331279621 0.327488152 0.331279621 0.323696682 338 0.33507109 0.331279621 0.327488152 0.331279621 0.323696682 0.327488152 339 0.331279621 0.327488152 0.331279621 0.323696682 0.327488152 0.323696682 340 0.327488152 0.331279621 0.323696682 0.327488152 0.323696682 0.318009479 341 0.331279621 0.323696682 0.327488152 0.323696682 0.318009479 0.318009479 342 0.323696682 0.327488152 0.323696682 0.318009479 0.318009479 0.312322275 343 0.327488152 0.323696682 0.318009479 0.318009479 0.312322275 0.300947867 344 0.323696682 0.318009479 0.318009479 0.312322275 0.300947867 0.293364929 345 0.318009479 0.318009479 0.312322275 0.300947867 0.293364929 0.270616114 346 0.318009479 0.312322275 0.300947867 0.293364929 0.270616114 0.285781991 347 0.312322275 0.300947867 0.293364929 0.270616114 0.285781991 0.293364929 348 0.300947867 0.293364929 0.270616114 0.285781991 0.293364929 0.304739336 349 0.293364929 0.270616114 0.285781991 0.293364929 0.304739336 0.323696682 350 0.270616114 0.285781991 0.293364929 0.304739336 0.323696682 0.33507109 351 0.285781991 0.293364929 0.304739336 0.323696682 0.33507109 0.338862559 352 0.293364929 0.304739336 0.323696682 0.33507109 0.338862559 0.342654028 353 0.304739336 0.323696682 0.33507109 0.338862559 0.342654028 0.316113744 354 0.323696682 0.33507109 0.338862559 0.342654028 0.316113744 0.338862559 355 0.33507109 0.338862559 0.342654028 0.316113744 0.338862559 0.331279621 356 0.338862559 0.342654028 0.316113744 0.338862559 0.331279621 0.342654028 357 0.342654028 0.316113744 0.338862559 0.331279621 0.342654028 0.33507109 358 0.316113744 0.338862559 0.331279621 0.342654028 0.33507109 0.354028436 359 0.338862559 0.331279621 0.342654028 0.33507109 0.354028436 0.33507109 360 0.331279621 0.342654028 0.33507109 0.354028436 0.33507109 0.33507109 361 0.342654028 0.33507109 0.354028436 0.33507109 0.33507109 0.342654028 362 0.33507109 0.354028436 0.33507109 0.33507109 0.342654028 0.350236967 363 0.354028436 0.33507109 0.33507109 0.342654028 0.350236967 0.354028436 364 0.33507109 0.33507109 0.342654028 0.350236967 0.354028436 0.354028436 365 0.33507109 0.342654028 0.350236967 0.354028436 0.354028436 0.365402844 366 0.342654028 0.350236967 0.354028436 0.354028436 0.365402844 0.357819905 367 0.350236967 0.354028436 0.354028436 0.365402844 0.357819905 0.342654028 368 0.354028436 0.354028436 0.365402844 0.357819905 0.342654028 0.354028436 369 0.354028436 0.365402844 0.357819905 0.342654028 0.354028436 0.372985782 370 0.365402844 0.357819905 0.342654028 0.354028436 0.372985782 0.365402844 371 0.357819905 0.342654028 0.354028436 0.372985782 0.365402844 0.38436019 372 0.342654028 0.354028436 0.372985782 0.365402844 0.38436019 0.391943128 373 0.354028436 0.372985782 0.365402844 0.38436019 0.391943128 0.395734597 374 0.372985782 0.365402844 0.38436019 0.391943128 0.395734597 0.399526066 375 0.365402844 0.38436019 0.391943128 0.395734597 0.399526066 0.403317536
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-10
376 0.38436019 0.391943128 0.395734597 0.399526066 0.403317536 0.403317536 377 0.391943128 0.395734597 0.399526066 0.403317536 0.403317536 0.38056872 378 0.395734597 0.399526066 0.403317536 0.403317536 0.38056872 0.399526066 379 0.399526066 0.403317536 0.403317536 0.38056872 0.399526066 0.403317536 380 0.403317536 0.403317536 0.38056872 0.399526066 0.403317536 0.395734597 381 0.403317536 0.38056872 0.399526066 0.403317536 0.395734597 0.38436019 382 0.38056872 0.399526066 0.403317536 0.395734597 0.38436019 0.391943128 383 0.399526066 0.403317536 0.395734597 0.38436019 0.391943128 0.388151659 384 0.403317536 0.395734597 0.38436019 0.391943128 0.388151659 0.376777251 385 0.395734597 0.38436019 0.391943128 0.388151659 0.376777251 0.38056872 386 0.38436019 0.391943128 0.388151659 0.376777251 0.38056872 0.38056872 387 0.391943128 0.388151659 0.376777251 0.38056872 0.38056872 0.391943128 388 0.388151659 0.376777251 0.38056872 0.38056872 0.391943128 0.395734597 389 0.376777251 0.38056872 0.38056872 0.391943128 0.395734597 0.395734597 390 0.38056872 0.38056872 0.391943128 0.395734597 0.395734597 0.391943128 391 0.38056872 0.391943128 0.395734597 0.395734597 0.391943128 0.388151659 392 0.391943128 0.395734597 0.395734597 0.391943128 0.388151659 0.388151659 393 0.395734597 0.395734597 0.391943128 0.388151659 0.388151659 0.388151659 394 0.395734597 0.391943128 0.388151659 0.388151659 0.388151659 0.395734597 395 0.391943128 0.388151659 0.388151659 0.388151659 0.395734597 0.391943128 396 0.388151659 0.388151659 0.388151659 0.395734597 0.391943128 0.376777251 397 0.388151659 0.388151659 0.395734597 0.391943128 0.376777251 0.391943128 398 0.388151659 0.395734597 0.391943128 0.376777251 0.391943128 0.391943128 399 0.395734597 0.391943128 0.376777251 0.391943128 0.391943128 0.391943128 400 0.391943128 0.376777251 0.391943128 0.391943128 0.391943128 0.395734597 401 0.376777251 0.391943128 0.391943128 0.391943128 0.395734597 0.399526066 402 0.391943128 0.391943128 0.391943128 0.395734597 0.399526066 0.403317536 403 0.391943128 0.391943128 0.395734597 0.399526066 0.403317536 0.414691943 404 0.391943128 0.395734597 0.399526066 0.403317536 0.414691943 0.437440758 405 0.395734597 0.399526066 0.403317536 0.414691943 0.437440758 0.42985782 406 0.399526066 0.403317536 0.414691943 0.437440758 0.42985782 0.42985782 407 0.403317536 0.414691943 0.437440758 0.42985782 0.42985782 0.437440758 408 0.414691943 0.437440758 0.42985782 0.42985782 0.437440758 0.433649289 409 0.437440758 0.42985782 0.42985782 0.437440758 0.433649289 0.437440758 410 0.42985782 0.42985782 0.437440758 0.433649289 0.437440758 0.418483412 411 0.42985782 0.437440758 0.433649289 0.437440758 0.418483412 0.422274882 412 0.437440758 0.433649289 0.437440758 0.418483412 0.422274882 0.422274882 413 0.433649289 0.437440758 0.418483412 0.422274882 0.422274882 0.418483412 414 0.437440758 0.418483412 0.422274882 0.422274882 0.418483412 0.414691943 415 0.418483412 0.422274882 0.422274882 0.418483412 0.414691943 0.437440758 416 0.422274882 0.422274882 0.418483412 0.414691943 0.437440758 0.437440758 417 0.422274882 0.418483412 0.414691943 0.437440758 0.437440758 0.460189573
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-11
418 0.418483412 0.414691943 0.437440758 0.437440758 0.460189573 0.448815166 419 0.414691943 0.437440758 0.437440758 0.460189573 0.448815166 0.452606635 420 0.437440758 0.437440758 0.460189573 0.448815166 0.452606635 0.433649289 421 0.437440758 0.460189573 0.448815166 0.452606635 0.433649289 0.437440758 422 0.460189573 0.448815166 0.452606635 0.433649289 0.437440758 0.460189573 423 0.448815166 0.452606635 0.433649289 0.437440758 0.460189573 0.467772512 424 0.452606635 0.433649289 0.437440758 0.460189573 0.467772512 0.47535545 425 0.433649289 0.437440758 0.460189573 0.467772512 0.47535545 0.47535545 426 0.437440758 0.460189573 0.467772512 0.47535545 0.47535545 0.47535545 427 0.460189573 0.467772512 0.47535545 0.47535545 0.47535545 0.456398104 428 0.467772512 0.47535545 0.47535545 0.47535545 0.456398104 0.460189573 429 0.47535545 0.47535545 0.47535545 0.456398104 0.460189573 0.452606635 430 0.47535545 0.47535545 0.456398104 0.460189573 0.452606635 0.452606635 431 0.47535545 0.456398104 0.460189573 0.452606635 0.452606635 0.460189573 432 0.456398104 0.460189573 0.452606635 0.452606635 0.460189573 0.426066351 433 0.460189573 0.452606635 0.452606635 0.460189573 0.426066351 0.463981043 434 0.452606635 0.452606635 0.460189573 0.426066351 0.463981043 0.452606635 435 0.452606635 0.460189573 0.426066351 0.463981043 0.452606635 0.467772512 436 0.460189573 0.426066351 0.463981043 0.452606635 0.467772512 0.467772512 437 0.426066351 0.463981043 0.452606635 0.467772512 0.467772512 0.490521327 438 0.463981043 0.452606635 0.467772512 0.467772512 0.490521327 0.509478673 439 0.452606635 0.467772512 0.467772512 0.490521327 0.509478673 0.513270142 440 0.467772512 0.467772512 0.490521327 0.509478673 0.513270142 0.509478673 441 0.467772512 0.490521327 0.509478673 0.513270142 0.509478673 0.501895735 442 0.490521327 0.509478673 0.513270142 0.509478673 0.501895735 0.494312796 443 0.509478673 0.513270142 0.509478673 0.501895735 0.494312796 0.501895735 444 0.513270142 0.509478673 0.501895735 0.494312796 0.501895735 0.490521327 445 0.509478673 0.501895735 0.494312796 0.501895735 0.490521327 0.490521327 446 0.501895735 0.494312796 0.501895735 0.490521327 0.490521327 0.509478673 447 0.494312796 0.501895735 0.490521327 0.490521327 0.509478673 0.52464455 448 0.501895735 0.490521327 0.490521327 0.509478673 0.52464455 0.509478673 449 0.490521327 0.490521327 0.509478673 0.52464455 0.509478673 0.509478673 450 0.490521327 0.509478673 0.52464455 0.509478673 0.509478673 0.505687204 451 0.509478673 0.52464455 0.509478673 0.509478673 0.505687204 0.501895735 452 0.52464455 0.509478673 0.509478673 0.505687204 0.501895735 0.490521327 453 0.509478673 0.509478673 0.505687204 0.501895735 0.490521327 0.482938389 454 0.509478673 0.505687204 0.501895735 0.490521327 0.482938389 0.498104265 455 0.505687204 0.501895735 0.490521327 0.482938389 0.498104265 0.479146919 456 0.501895735 0.490521327 0.482938389 0.498104265 0.479146919 0.482938389 457 0.490521327 0.482938389 0.498104265 0.479146919 0.482938389 0.482938389 458 0.482938389 0.498104265 0.479146919 0.482938389 0.482938389 0.490521327 459 0.498104265 0.479146919 0.482938389 0.482938389 0.490521327 0.490521327
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-12
460 0.479146919 0.482938389 0.482938389 0.490521327 0.490521327 0.482938389 461 0.482938389 0.482938389 0.490521327 0.490521327 0.482938389 0.498104265 462 0.482938389 0.490521327 0.490521327 0.482938389 0.498104265 0.498104265 463 0.490521327 0.490521327 0.482938389 0.498104265 0.498104265 0.501895735 464 0.490521327 0.482938389 0.498104265 0.498104265 0.501895735 0.513270142 465 0.482938389 0.498104265 0.498104265 0.501895735 0.513270142 0.505687204 466 0.498104265 0.498104265 0.501895735 0.513270142 0.505687204 0.505687204 467 0.498104265 0.501895735 0.513270142 0.505687204 0.505687204 0.509478673 468 0.501895735 0.513270142 0.505687204 0.505687204 0.509478673 0.498104265 469 0.513270142 0.505687204 0.505687204 0.509478673 0.498104265 0.520853081 470 0.505687204 0.505687204 0.509478673 0.498104265 0.520853081 0.520853081 471 0.505687204 0.509478673 0.498104265 0.520853081 0.520853081 0.520853081 472 0.509478673 0.498104265 0.520853081 0.520853081 0.520853081 0.513270142 473 0.498104265 0.520853081 0.520853081 0.520853081 0.513270142 0.517061611 474 0.520853081 0.520853081 0.520853081 0.513270142 0.517061611 0.528436019 475 0.520853081 0.520853081 0.513270142 0.517061611 0.528436019 0.528436019 476 0.520853081 0.513270142 0.517061611 0.528436019 0.528436019 0.543601896 477 0.513270142 0.517061611 0.528436019 0.528436019 0.543601896 0.52464455 478 0.517061611 0.528436019 0.528436019 0.543601896 0.52464455 0.52464455 479 0.528436019 0.528436019 0.543601896 0.52464455 0.52464455 0.532227488 480 0.528436019 0.543601896 0.52464455 0.52464455 0.532227488 0.532227488 481 0.543601896 0.52464455 0.52464455 0.532227488 0.532227488 0.536018957 482 0.52464455 0.52464455 0.532227488 0.532227488 0.536018957 0.536018957 483 0.52464455 0.532227488 0.532227488 0.536018957 0.536018957 0.536018957 484 0.532227488 0.532227488 0.536018957 0.536018957 0.536018957 0.536018957 485 0.532227488 0.536018957 0.536018957 0.536018957 0.536018957 0.543601896 486 0.536018957 0.536018957 0.536018957 0.536018957 0.543601896 0.551184834 487 0.536018957 0.536018957 0.536018957 0.543601896 0.551184834 0.536018957 488 0.536018957 0.536018957 0.543601896 0.551184834 0.536018957 0.554976303 489 0.536018957 0.543601896 0.551184834 0.536018957 0.554976303 0.547393365 490 0.543601896 0.551184834 0.536018957 0.554976303 0.547393365 0.543601896 491 0.551184834 0.536018957 0.554976303 0.547393365 0.543601896 0.536018957 492 0.536018957 0.554976303 0.547393365 0.543601896 0.536018957 0.547393365 493 0.554976303 0.547393365 0.543601896 0.536018957 0.547393365 0.547393365 494 0.547393365 0.543601896 0.536018957 0.547393365 0.547393365 0.543601896 495 0.543601896 0.536018957 0.547393365 0.547393365 0.543601896 0.551184834 496 0.536018957 0.547393365 0.547393365 0.543601896 0.551184834 0.543601896 497 0.547393365 0.547393365 0.543601896 0.551184834 0.543601896 0.520853081 498 0.547393365 0.543601896 0.551184834 0.543601896 0.520853081 0.517061611 499 0.543601896 0.551184834 0.543601896 0.520853081 0.517061611 0.517061611 500 0.551184834 0.543601896 0.520853081 0.517061611 0.517061611 0.543601896 501 0.543601896 0.520853081 0.517061611 0.517061611 0.543601896 0.543601896
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-13
502 0.520853081 0.517061611 0.517061611 0.543601896 0.543601896 0.536018957 503 0.517061611 0.517061611 0.543601896 0.543601896 0.536018957 0.528436019 504 0.517061611 0.543601896 0.543601896 0.536018957 0.528436019 0.536018957 505 0.543601896 0.543601896 0.536018957 0.528436019 0.536018957 0.539810427 506 0.543601896 0.536018957 0.528436019 0.536018957 0.539810427 0.543601896 507 0.536018957 0.528436019 0.536018957 0.539810427 0.543601896 0.528436019 508 0.528436019 0.536018957 0.539810427 0.543601896 0.528436019 0.528436019 509 0.536018957 0.539810427 0.543601896 0.528436019 0.528436019 0.517061611 510 0.539810427 0.543601896 0.528436019 0.528436019 0.517061611 0.517061611 511 0.543601896 0.528436019 0.528436019 0.517061611 0.517061611 0.52464455 512 0.528436019 0.528436019 0.517061611 0.517061611 0.52464455 0.520853081 513 0.528436019 0.517061611 0.517061611 0.52464455 0.520853081 0.52464455 514 0.517061611 0.517061611 0.52464455 0.520853081 0.52464455 0.520853081 515 0.517061611 0.52464455 0.520853081 0.52464455 0.520853081 0.509478673 516 0.52464455 0.520853081 0.52464455 0.520853081 0.509478673 0.513270142 517 0.520853081 0.52464455 0.520853081 0.509478673 0.513270142 0.513270142 518 0.52464455 0.520853081 0.509478673 0.513270142 0.513270142 0.520853081 519 0.520853081 0.509478673 0.513270142 0.513270142 0.520853081 0.520853081 520 0.509478673 0.513270142 0.513270142 0.520853081 0.520853081 0.536018957 521 0.513270142 0.513270142 0.520853081 0.520853081 0.536018957 0.536018957 522 0.513270142 0.520853081 0.520853081 0.536018957 0.536018957 0.532227488 523 0.520853081 0.520853081 0.536018957 0.536018957 0.532227488 0.536018957 524 0.520853081 0.536018957 0.536018957 0.532227488 0.536018957 0.539810427 525 0.536018957 0.536018957 0.532227488 0.536018957 0.539810427 0.52464455 526 0.536018957 0.532227488 0.536018957 0.539810427 0.52464455 0.528436019 527 0.532227488 0.536018957 0.539810427 0.52464455 0.528436019 0.52464455 528 0.536018957 0.539810427 0.52464455 0.528436019 0.52464455 0.52464455 529 0.539810427 0.52464455 0.528436019 0.52464455 0.52464455 0.528436019 530 0.52464455 0.528436019 0.52464455 0.52464455 0.528436019 0.52464455 531 0.528436019 0.52464455 0.52464455 0.528436019 0.52464455 0.517061611 532 0.52464455 0.52464455 0.528436019 0.52464455 0.517061611 0.517061611 533 0.52464455 0.528436019 0.52464455 0.517061611 0.517061611 0.505687204 534 0.528436019 0.52464455 0.517061611 0.517061611 0.505687204 0.501895735 535 0.52464455 0.517061611 0.517061611 0.505687204 0.501895735 0.543601896 536 0.517061611 0.517061611 0.505687204 0.501895735 0.543601896 0.558767773 537 0.517061611 0.505687204 0.501895735 0.543601896 0.558767773 0.558767773 538 0.505687204 0.501895735 0.543601896 0.558767773 0.558767773 0.57014218 539 0.501895735 0.543601896 0.558767773 0.558767773 0.57014218 0.566350711 540 0.543601896 0.558767773 0.558767773 0.57014218 0.566350711 0.558767773 541 0.558767773 0.558767773 0.57014218 0.566350711 0.558767773 0.558767773 542 0.558767773 0.57014218 0.566350711 0.558767773 0.558767773 0.562559242 543 0.57014218 0.566350711 0.558767773 0.558767773 0.562559242 0.566350711
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-14
544 0.566350711 0.558767773 0.558767773 0.562559242 0.566350711 0.573933649 545 0.558767773 0.558767773 0.562559242 0.566350711 0.573933649 0.554976303 546 0.558767773 0.562559242 0.566350711 0.573933649 0.554976303 0.547393365 547 0.562559242 0.566350711 0.573933649 0.554976303 0.547393365 0.562559242 548 0.566350711 0.573933649 0.554976303 0.547393365 0.562559242 0.566350711 549 0.573933649 0.554976303 0.547393365 0.562559242 0.566350711 0.566350711 550 0.554976303 0.547393365 0.562559242 0.566350711 0.566350711 0.573933649 551 0.547393365 0.562559242 0.566350711 0.566350711 0.573933649 0.57014218 552 0.562559242 0.566350711 0.566350711 0.573933649 0.57014218 0.554976303 553 0.566350711 0.566350711 0.573933649 0.57014218 0.554976303 0.562559242 554 0.566350711 0.573933649 0.57014218 0.554976303 0.562559242 0.573933649 555 0.573933649 0.57014218 0.554976303 0.562559242 0.573933649 0.566350711 556 0.57014218 0.554976303 0.562559242 0.573933649 0.566350711 0.57014218 557 0.554976303 0.562559242 0.573933649 0.566350711 0.57014218 0.562559242 558 0.562559242 0.573933649 0.566350711 0.57014218 0.562559242 0.539810427 559 0.573933649 0.566350711 0.57014218 0.562559242 0.539810427 0.528436019 560 0.566350711 0.57014218 0.562559242 0.539810427 0.528436019 0.536018957 561 0.57014218 0.562559242 0.539810427 0.528436019 0.536018957 0.562559242 562 0.562559242 0.539810427 0.528436019 0.536018957 0.562559242 0.554976303 563 0.539810427 0.528436019 0.536018957 0.562559242 0.554976303 0.562559242 564 0.528436019 0.536018957 0.562559242 0.554976303 0.562559242 0.566350711 565 0.536018957 0.562559242 0.554976303 0.562559242 0.566350711 0.562559242 566 0.562559242 0.554976303 0.562559242 0.566350711 0.562559242 0.554976303 567 0.554976303 0.562559242 0.566350711 0.562559242 0.554976303 0.554976303 568 0.562559242 0.566350711 0.562559242 0.554976303 0.554976303 0.539810427 569 0.566350711 0.562559242 0.554976303 0.554976303 0.539810427 0.539810427 570 0.562559242 0.554976303 0.554976303 0.539810427 0.539810427 0.539810427 571 0.554976303 0.554976303 0.539810427 0.539810427 0.539810427 0.536018957 572 0.554976303 0.539810427 0.539810427 0.539810427 0.536018957 0.611848341 573 0.539810427 0.539810427 0.539810427 0.536018957 0.611848341 0.581516588 574 0.539810427 0.539810427 0.536018957 0.611848341 0.581516588 0.577725118 575 0.539810427 0.536018957 0.611848341 0.581516588 0.577725118 0.57014218 576 0.536018957 0.611848341 0.581516588 0.577725118 0.57014218 0.573933649 577 0.611848341 0.581516588 0.577725118 0.57014218 0.573933649 0.573933649 578 0.581516588 0.577725118 0.57014218 0.573933649 0.573933649 0.551184834 579 0.577725118 0.57014218 0.573933649 0.573933649 0.551184834 0.562559242 580 0.57014218 0.573933649 0.573933649 0.551184834 0.562559242 0.566350711 581 0.573933649 0.573933649 0.551184834 0.562559242 0.566350711 0.57014218 582 0.573933649 0.551184834 0.562559242 0.566350711 0.57014218 0.573933649 583 0.551184834 0.562559242 0.566350711 0.57014218 0.573933649 0.596682464 584 0.562559242 0.566350711 0.57014218 0.573933649 0.596682464 0.596682464 585 0.566350711 0.57014218 0.573933649 0.596682464 0.596682464 0.592890995
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-15
586 0.57014218 0.573933649 0.596682464 0.596682464 0.592890995 0.592890995 587 0.573933649 0.596682464 0.596682464 0.592890995 0.592890995 0.604265403 588 0.596682464 0.596682464 0.592890995 0.592890995 0.604265403 0.627014218 589 0.596682464 0.592890995 0.592890995 0.604265403 0.627014218 0.611848341 590 0.592890995 0.592890995 0.604265403 0.627014218 0.611848341 0.600473934 591 0.592890995 0.604265403 0.627014218 0.611848341 0.600473934 0.589099526 592 0.604265403 0.627014218 0.611848341 0.600473934 0.589099526 0.57014218 593 0.627014218 0.611848341 0.600473934 0.589099526 0.57014218 0.592890995 594 0.611848341 0.600473934 0.589099526 0.57014218 0.592890995 0.600473934 595 0.600473934 0.589099526 0.57014218 0.592890995 0.600473934 0.585308057 596 0.589099526 0.57014218 0.592890995 0.600473934 0.585308057 0.600473934 597 0.57014218 0.592890995 0.600473934 0.585308057 0.600473934 0.611848341 598 0.592890995 0.600473934 0.585308057 0.600473934 0.611848341 0.61563981 599 0.600473934 0.585308057 0.600473934 0.611848341 0.61563981 0.627014218 600 0.585308057 0.600473934 0.611848341 0.61563981 0.627014218 0.634597156 601 0.600473934 0.611848341 0.61563981 0.627014218 0.634597156 0.638388626 602 0.611848341 0.61563981 0.627014218 0.634597156 0.638388626 0.638388626 603 0.61563981 0.627014218 0.634597156 0.638388626 0.638388626 0.634597156 604 0.627014218 0.634597156 0.638388626 0.638388626 0.634597156 0.638388626 605 0.634597156 0.638388626 0.638388626 0.634597156 0.638388626 0.642180095 606 0.638388626 0.638388626 0.634597156 0.638388626 0.642180095 0.630805687 607 0.638388626 0.634597156 0.638388626 0.642180095 0.630805687 0.661137441 608 0.634597156 0.638388626 0.642180095 0.630805687 0.661137441 0.645971564 609 0.638388626 0.642180095 0.630805687 0.661137441 0.645971564 0.642180095 610 0.642180095 0.630805687 0.661137441 0.645971564 0.642180095 0.638388626 611 0.630805687 0.661137441 0.645971564 0.642180095 0.638388626 0.634597156 612 0.661137441 0.645971564 0.642180095 0.638388626 0.634597156 0.630805687 613 0.645971564 0.642180095 0.638388626 0.634597156 0.630805687 0.645971564 614 0.642180095 0.638388626 0.634597156 0.630805687 0.645971564 0.630805687 615 0.638388626 0.634597156 0.630805687 0.645971564 0.630805687 0.630805687 616 0.634597156 0.630805687 0.645971564 0.630805687 0.630805687 0.642180095 617 0.630805687 0.645971564 0.630805687 0.630805687 0.642180095 0.645971564 618 0.645971564 0.630805687 0.630805687 0.642180095 0.645971564 0.645971564 619 0.630805687 0.630805687 0.642180095 0.645971564 0.645971564 0.634597156 620 0.630805687 0.642180095 0.645971564 0.645971564 0.634597156 0.608056872 621 0.642180095 0.645971564 0.645971564 0.634597156 0.608056872 0.600473934 622 0.645971564 0.645971564 0.634597156 0.608056872 0.600473934 0.604265403 623 0.645971564 0.634597156 0.608056872 0.600473934 0.604265403 0.604265403 624 0.634597156 0.608056872 0.600473934 0.604265403 0.604265403 0.596682464 625 0.608056872 0.600473934 0.604265403 0.604265403 0.596682464 0.604265403 626 0.600473934 0.604265403 0.604265403 0.596682464 0.604265403 0.608056872 627 0.604265403 0.604265403 0.596682464 0.604265403 0.608056872 0.61943128
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-16
628 0.604265403 0.596682464 0.604265403 0.608056872 0.61943128 0.61943128 629 0.596682464 0.604265403 0.608056872 0.61943128 0.61943128 0.61943128 630 0.604265403 0.608056872 0.61943128 0.61943128 0.61943128 0.611848341 631 0.608056872 0.61943128 0.61943128 0.61943128 0.611848341 0.623222749 632 0.61943128 0.61943128 0.61943128 0.611848341 0.623222749 0.61943128 633 0.61943128 0.61943128 0.611848341 0.623222749 0.61943128 0.61563981 634 0.61943128 0.611848341 0.623222749 0.61943128 0.61563981 0.608056872 635 0.611848341 0.623222749 0.61943128 0.61563981 0.608056872 0.608056872 636 0.623222749 0.61943128 0.61563981 0.608056872 0.608056872 0.61563981 637 0.61943128 0.61563981 0.608056872 0.608056872 0.61563981 0.61943128 638 0.61563981 0.608056872 0.608056872 0.61563981 0.61943128 0.604265403 639 0.608056872 0.608056872 0.61563981 0.61943128 0.604265403 0.604265403 640 0.608056872 0.61563981 0.61943128 0.604265403 0.604265403 0.61943128 641 0.61563981 0.61943128 0.604265403 0.604265403 0.61943128 0.61943128 642 0.61943128 0.604265403 0.604265403 0.61943128 0.61943128 0.627014218 643 0.604265403 0.604265403 0.61943128 0.61943128 0.627014218 0.627014218 644 0.604265403 0.61943128 0.61943128 0.627014218 0.627014218 0.623222749 645 0.61943128 0.61943128 0.627014218 0.627014218 0.623222749 0.661137441 646 0.61943128 0.627014218 0.627014218 0.623222749 0.661137441 0.638388626 647 0.627014218 0.627014218 0.623222749 0.661137441 0.638388626 0.672511848 648 0.627014218 0.623222749 0.661137441 0.638388626 0.672511848 0.672511848 649 0.623222749 0.661137441 0.638388626 0.672511848 0.672511848 0.672511848 650 0.661137441 0.638388626 0.672511848 0.672511848 0.672511848 0.66492891 651 0.638388626 0.672511848 0.672511848 0.672511848 0.66492891 0.661137441 652 0.672511848 0.672511848 0.672511848 0.66492891 0.661137441 0.672511848 653 0.672511848 0.672511848 0.66492891 0.661137441 0.672511848 0.66492891 654 0.672511848 0.66492891 0.661137441 0.672511848 0.66492891 0.672511848 655 0.66492891 0.661137441 0.672511848 0.66492891 0.672511848 0.687677725 656 0.661137441 0.672511848 0.66492891 0.672511848 0.687677725 0.695260664 657 0.672511848 0.66492891 0.672511848 0.687677725 0.695260664 0.699052133 658 0.66492891 0.672511848 0.687677725 0.695260664 0.699052133 0.71042654 659 0.672511848 0.687677725 0.695260664 0.699052133 0.71042654 0.699052133 660 0.687677725 0.695260664 0.699052133 0.71042654 0.699052133 0.699052133 661 0.695260664 0.699052133 0.71042654 0.699052133 0.699052133 0.702843602 662 0.699052133 0.71042654 0.699052133 0.699052133 0.702843602 0.699052133 663 0.71042654 0.699052133 0.699052133 0.702843602 0.699052133 0.683886256 664 0.699052133 0.699052133 0.702843602 0.699052133 0.683886256 0.683886256 665 0.699052133 0.702843602 0.699052133 0.683886256 0.683886256 0.699052133 666 0.702843602 0.699052133 0.683886256 0.683886256 0.699052133 0.706635071 667 0.699052133 0.683886256 0.683886256 0.699052133 0.706635071 0.706635071 668 0.683886256 0.683886256 0.699052133 0.706635071 0.706635071 0.699052133 669 0.683886256 0.699052133 0.706635071 0.706635071 0.699052133 0.691469194
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-17
670 0.699052133 0.706635071 0.706635071 0.699052133 0.691469194 0.695260664 671 0.706635071 0.706635071 0.699052133 0.691469194 0.695260664 0.695260664 672 0.706635071 0.699052133 0.691469194 0.695260664 0.695260664 0.691469194 673 0.699052133 0.691469194 0.695260664 0.695260664 0.691469194 0.695260664 674 0.691469194 0.695260664 0.695260664 0.691469194 0.695260664 0.691469194 675 0.695260664 0.695260664 0.691469194 0.695260664 0.691469194 0.687677725 676 0.695260664 0.691469194 0.695260664 0.691469194 0.687677725 0.687677725 677 0.691469194 0.695260664 0.691469194 0.687677725 0.687677725 0.691469194 678 0.695260664 0.691469194 0.687677725 0.687677725 0.691469194 0.687677725 679 0.691469194 0.687677725 0.687677725 0.691469194 0.687677725 0.668720379 680 0.687677725 0.687677725 0.691469194 0.687677725 0.668720379 0.668720379 681 0.687677725 0.691469194 0.687677725 0.668720379 0.668720379 0.672511848 682 0.691469194 0.687677725 0.668720379 0.668720379 0.672511848 0.649763033 683 0.687677725 0.668720379 0.668720379 0.672511848 0.649763033 0.642180095 684 0.668720379 0.668720379 0.672511848 0.649763033 0.642180095 0.66492891 685 0.668720379 0.672511848 0.649763033 0.642180095 0.66492891 0.66492891 686 0.672511848 0.649763033 0.642180095 0.66492891 0.66492891 0.661137441 687 0.649763033 0.642180095 0.66492891 0.66492891 0.661137441 0.649763033 688 0.642180095 0.66492891 0.66492891 0.661137441 0.649763033 0.653554502 689 0.66492891 0.66492891 0.661137441 0.649763033 0.653554502 0.649763033 690 0.66492891 0.661137441 0.649763033 0.653554502 0.649763033 0.649763033 691 0.661137441 0.649763033 0.653554502 0.649763033 0.649763033 0.657345972 692 0.649763033 0.653554502 0.649763033 0.649763033 0.657345972 0.691469194 693 0.653554502 0.649763033 0.649763033 0.657345972 0.691469194 0.680094787 694 0.649763033 0.649763033 0.657345972 0.691469194 0.680094787 0.683886256 695 0.649763033 0.657345972 0.691469194 0.680094787 0.683886256 0.683886256 696 0.657345972 0.691469194 0.680094787 0.683886256 0.683886256 0.676303318 697 0.691469194 0.680094787 0.683886256 0.683886256 0.676303318 0.66492891 698 0.680094787 0.683886256 0.683886256 0.676303318 0.66492891 0.657345972 699 0.683886256 0.683886256 0.676303318 0.66492891 0.657345972 0.653554502 700 0.683886256 0.676303318 0.66492891 0.657345972 0.653554502 0.66492891 701 0.676303318 0.66492891 0.657345972 0.653554502 0.66492891 0.66492891 702 0.66492891 0.657345972 0.653554502 0.66492891 0.66492891 0.672511848 703 0.657345972 0.653554502 0.66492891 0.66492891 0.672511848 0.687677725 704 0.653554502 0.66492891 0.66492891 0.672511848 0.687677725 0.691469194 705 0.66492891 0.66492891 0.672511848 0.687677725 0.691469194 0.661137441 706 0.66492891 0.672511848 0.687677725 0.691469194 0.661137441 0.657345972 707 0.672511848 0.687677725 0.691469194 0.661137441 0.657345972 0.649763033 708 0.687677725 0.691469194 0.661137441 0.657345972 0.649763033 0.657345972 709 0.691469194 0.661137441 0.657345972 0.649763033 0.657345972 0.645971564 710 0.661137441 0.657345972 0.649763033 0.657345972 0.645971564 0.642180095 711 0.657345972 0.649763033 0.657345972 0.645971564 0.642180095 0.649763033
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-18
712 0.649763033 0.657345972 0.645971564 0.642180095 0.649763033 0.657345972 713 0.657345972 0.645971564 0.642180095 0.649763033 0.657345972 0.642180095 714 0.645971564 0.642180095 0.649763033 0.657345972 0.642180095 0.645971564 715 0.642180095 0.649763033 0.657345972 0.642180095 0.645971564 0.649763033 716 0.649763033 0.657345972 0.642180095 0.645971564 0.649763033 0.661137441 717 0.657345972 0.642180095 0.645971564 0.649763033 0.661137441 0.676303318 718 0.642180095 0.645971564 0.649763033 0.661137441 0.676303318 0.676303318 719 0.645971564 0.649763033 0.661137441 0.676303318 0.676303318 0.691469194 720 0.649763033 0.661137441 0.676303318 0.676303318 0.691469194 0.695260664 721 0.661137441 0.676303318 0.676303318 0.691469194 0.695260664 0.687677725 722 0.676303318 0.676303318 0.691469194 0.695260664 0.687677725 0.687677725 723 0.676303318 0.691469194 0.695260664 0.687677725 0.687677725 0.649763033 724 0.691469194 0.695260664 0.687677725 0.687677725 0.649763033 0.604265403 725 0.695260664 0.687677725 0.687677725 0.649763033 0.604265403 0.61943128 726 0.687677725 0.687677725 0.649763033 0.604265403 0.61943128 0.623222749 727 0.687677725 0.649763033 0.604265403 0.61943128 0.623222749 0.642180095 728 0.649763033 0.604265403 0.61943128 0.623222749 0.642180095 0.630805687 729 0.604265403 0.61943128 0.623222749 0.642180095 0.630805687 0.61563981 730 0.61943128 0.623222749 0.642180095 0.630805687 0.61563981 0.61563981 731 0.623222749 0.642180095 0.630805687 0.61563981 0.61563981 0.581516588 732 0.642180095 0.630805687 0.61563981 0.61563981 0.581516588 0.547393365 733 0.630805687 0.61563981 0.61563981 0.581516588 0.547393365 0.536018957 734 0.61563981 0.61563981 0.581516588 0.547393365 0.536018957 0.532227488 735 0.61563981 0.581516588 0.547393365 0.536018957 0.532227488 0.551184834 736 0.581516588 0.547393365 0.536018957 0.532227488 0.551184834 0.577725118 737 0.547393365 0.536018957 0.532227488 0.551184834 0.577725118 0.543601896 738 0.536018957 0.532227488 0.551184834 0.577725118 0.543601896 0.52464455 739 0.532227488 0.551184834 0.577725118 0.543601896 0.52464455 0.536018957 740 0.551184834 0.577725118 0.543601896 0.52464455 0.536018957 0.558767773 741 0.577725118 0.543601896 0.52464455 0.536018957 0.558767773 0.57014218 742 0.543601896 0.52464455 0.536018957 0.558767773 0.57014218 0.577725118 743 0.52464455 0.536018957 0.558767773 0.57014218 0.577725118 0.585308057 744 0.536018957 0.558767773 0.57014218 0.577725118 0.585308057 0.57014218 745 0.558767773 0.57014218 0.577725118 0.585308057 0.57014218 0.551184834 746 0.57014218 0.577725118 0.585308057 0.57014218 0.551184834 0.573933649 747 0.577725118 0.585308057 0.57014218 0.551184834 0.573933649 0.581516588 748 0.585308057 0.57014218 0.551184834 0.573933649 0.581516588 0.581516588 749 0.57014218 0.551184834 0.573933649 0.581516588 0.581516588 0.577725118 750 0.551184834 0.573933649 0.581516588 0.581516588 0.577725118 0.611848341 751 0.573933649 0.581516588 0.581516588 0.577725118 0.611848341 0.608056872 752 0.581516588 0.581516588 0.577725118 0.611848341 0.608056872 0.596682464 753 0.581516588 0.577725118 0.611848341 0.608056872 0.596682464 0.604265403
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-19
754 0.577725118 0.611848341 0.608056872 0.596682464 0.604265403 0.611848341 755 0.611848341 0.608056872 0.596682464 0.604265403 0.611848341 0.600473934 756 0.608056872 0.596682464 0.604265403 0.611848341 0.600473934 0.589099526 757 0.596682464 0.604265403 0.611848341 0.600473934 0.589099526 0.596682464 758 0.604265403 0.611848341 0.600473934 0.589099526 0.596682464 0.592890995 759 0.611848341 0.600473934 0.589099526 0.596682464 0.592890995 0.585308057 760 0.600473934 0.589099526 0.596682464 0.592890995 0.585308057 0.589099526 761 0.589099526 0.596682464 0.592890995 0.585308057 0.589099526 0.611848341 762 0.596682464 0.592890995 0.585308057 0.589099526 0.611848341 0.61943128 763 0.592890995 0.585308057 0.589099526 0.611848341 0.61943128 0.61943128 764 0.585308057 0.589099526 0.611848341 0.61943128 0.61943128 0.61943128 765 0.589099526 0.611848341 0.61943128 0.61943128 0.61943128 0.61563981 766 0.611848341 0.61943128 0.61943128 0.61943128 0.61563981 0.611848341 767 0.61943128 0.61943128 0.61943128 0.61563981 0.611848341 0.61563981 768 0.61943128 0.61943128 0.61563981 0.611848341 0.61563981 0.608056872 769 0.61943128 0.61563981 0.611848341 0.61563981 0.608056872 0.589099526 770 0.61563981 0.611848341 0.61563981 0.608056872 0.589099526 0.577725118 771 0.611848341 0.61563981 0.608056872 0.589099526 0.577725118 0.585308057 772 0.61563981 0.608056872 0.589099526 0.577725118 0.585308057 0.589099526 773 0.608056872 0.589099526 0.577725118 0.585308057 0.589099526 0.600473934 774 0.589099526 0.577725118 0.585308057 0.589099526 0.600473934 0.627014218 775 0.577725118 0.585308057 0.589099526 0.600473934 0.627014218 0.645971564 776 0.585308057 0.589099526 0.600473934 0.627014218 0.645971564 0.634597156 777 0.589099526 0.600473934 0.627014218 0.645971564 0.634597156 0.627014218 778 0.600473934 0.627014218 0.645971564 0.634597156 0.627014218 0.608056872 779 0.627014218 0.645971564 0.634597156 0.627014218 0.608056872 0.642180095 780 0.645971564 0.634597156 0.627014218 0.608056872 0.642180095 0.634597156 781 0.634597156 0.627014218 0.608056872 0.642180095 0.634597156 0.687677725 782 0.627014218 0.608056872 0.642180095 0.634597156 0.687677725 0.672511848 783 0.608056872 0.642180095 0.634597156 0.687677725 0.672511848 0.672511848 784 0.642180095 0.634597156 0.687677725 0.672511848 0.672511848 0.661137441 785 0.634597156 0.687677725 0.672511848 0.672511848 0.661137441 0.66492891 786 0.687677725 0.672511848 0.672511848 0.661137441 0.66492891 0.680094787 787 0.672511848 0.672511848 0.661137441 0.66492891 0.680094787 0.680094787 788 0.672511848 0.661137441 0.66492891 0.680094787 0.680094787 0.66492891 789 0.661137441 0.66492891 0.680094787 0.680094787 0.66492891 0.66492891 790 0.66492891 0.680094787 0.680094787 0.66492891 0.66492891 0.668720379 791 0.680094787 0.680094787 0.66492891 0.66492891 0.668720379 0.668720379 792 0.680094787 0.66492891 0.66492891 0.668720379 0.668720379 0.66492891 793 0.66492891 0.66492891 0.668720379 0.668720379 0.66492891 0.66492891 794 0.66492891 0.668720379 0.668720379 0.66492891 0.66492891 0.668720379 795 0.668720379 0.668720379 0.66492891 0.66492891 0.668720379 0.672511848
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-20
796 0.668720379 0.66492891 0.66492891 0.668720379 0.672511848 0.66492891 797 0.66492891 0.66492891 0.668720379 0.672511848 0.66492891 0.672511848 798 0.66492891 0.668720379 0.672511848 0.66492891 0.672511848 0.672511848 799 0.668720379 0.672511848 0.66492891 0.672511848 0.672511848 0.66492891 800 0.672511848 0.66492891 0.672511848 0.672511848 0.66492891 0.66492891 801 0.66492891 0.672511848 0.672511848 0.66492891 0.66492891 0.661137441 802 0.672511848 0.672511848 0.66492891 0.66492891 0.661137441 0.661137441 803 0.672511848 0.66492891 0.66492891 0.661137441 0.661137441 0.657345972 804 0.66492891 0.66492891 0.661137441 0.661137441 0.657345972 0.66492891 805 0.66492891 0.661137441 0.661137441 0.657345972 0.66492891 0.653554502 806 0.661137441 0.661137441 0.657345972 0.66492891 0.653554502 0.657345972 807 0.661137441 0.657345972 0.66492891 0.653554502 0.657345972 0.649763033 808 0.657345972 0.66492891 0.653554502 0.657345972 0.649763033 0.653554502 809 0.66492891 0.653554502 0.657345972 0.649763033 0.653554502 0.649763033 810 0.653554502 0.657345972 0.649763033 0.653554502 0.649763033 0.645971564 811 0.657345972 0.649763033 0.653554502 0.649763033 0.645971564 0.653554502 812 0.649763033 0.653554502 0.649763033 0.645971564 0.653554502 0.661137441 813 0.653554502 0.649763033 0.645971564 0.653554502 0.661137441 0.672511848 814 0.649763033 0.645971564 0.653554502 0.661137441 0.672511848 0.676303318 815 0.645971564 0.653554502 0.661137441 0.672511848 0.676303318 0.676303318 816 0.653554502 0.661137441 0.672511848 0.676303318 0.676303318 0.676303318 817 0.661137441 0.672511848 0.676303318 0.676303318 0.676303318 0.680094787 818 0.672511848 0.676303318 0.676303318 0.676303318 0.680094787 0.672511848 819 0.676303318 0.676303318 0.676303318 0.680094787 0.672511848 0.680094787 820 0.676303318 0.676303318 0.680094787 0.672511848 0.680094787 0.676303318 821 0.676303318 0.680094787 0.672511848 0.680094787 0.676303318 0.676303318 822 0.680094787 0.672511848 0.680094787 0.676303318 0.676303318 0.676303318 823 0.672511848 0.680094787 0.676303318 0.676303318 0.676303318 0.672511848 824 0.680094787 0.676303318 0.676303318 0.676303318 0.672511848 0.66492891 825 0.676303318 0.676303318 0.676303318 0.672511848 0.66492891 0.657345972 826 0.676303318 0.676303318 0.672511848 0.66492891 0.657345972 0.649763033 827 0.676303318 0.672511848 0.66492891 0.657345972 0.649763033 0.642180095 828 0.672511848 0.66492891 0.657345972 0.649763033 0.642180095 0.642180095 829 0.66492891 0.657345972 0.649763033 0.642180095 0.642180095 0.638388626 830 0.657345972 0.649763033 0.642180095 0.642180095 0.638388626 0.649763033 831 0.649763033 0.642180095 0.642180095 0.638388626 0.649763033 0.653554502 832 0.642180095 0.642180095 0.638388626 0.649763033 0.653554502 0.672511848 833 0.642180095 0.638388626 0.649763033 0.653554502 0.672511848 0.672511848 834 0.638388626 0.649763033 0.653554502 0.672511848 0.672511848 0.680094787 835 0.649763033 0.653554502 0.672511848 0.672511848 0.680094787 0.680094787 836 0.653554502 0.672511848 0.672511848 0.680094787 0.680094787 0.676303318 837 0.672511848 0.672511848 0.680094787 0.680094787 0.676303318 0.668720379
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-21
838 0.672511848 0.680094787 0.680094787 0.676303318 0.668720379 0.668720379 839 0.680094787 0.680094787 0.676303318 0.668720379 0.668720379 0.661137441 840 0.680094787 0.676303318 0.668720379 0.668720379 0.661137441 0.680094787 841 0.676303318 0.668720379 0.668720379 0.661137441 0.680094787 0.680094787 842 0.668720379 0.668720379 0.661137441 0.680094787 0.680094787 0.695260664 843 0.668720379 0.661137441 0.680094787 0.680094787 0.695260664 0.695260664 844 0.661137441 0.680094787 0.680094787 0.695260664 0.695260664 0.680094787 845 0.680094787 0.680094787 0.695260664 0.695260664 0.680094787 0.687677725 846 0.680094787 0.695260664 0.695260664 0.680094787 0.687677725 0.691469194 847 0.695260664 0.695260664 0.680094787 0.687677725 0.691469194 0.691469194 848 0.695260664 0.680094787 0.687677725 0.691469194 0.691469194 0.683886256 849 0.680094787 0.687677725 0.691469194 0.691469194 0.683886256 0.687677725 850 0.687677725 0.691469194 0.691469194 0.683886256 0.687677725 0.695260664 851 0.691469194 0.691469194 0.683886256 0.687677725 0.695260664 0.695260664 852 0.691469194 0.683886256 0.687677725 0.695260664 0.695260664 0.702843602 853 0.683886256 0.687677725 0.695260664 0.695260664 0.702843602 0.683886256 854 0.687677725 0.695260664 0.695260664 0.702843602 0.683886256 0.691469194 855 0.695260664 0.695260664 0.702843602 0.683886256 0.691469194 0.687677725 856 0.695260664 0.702843602 0.683886256 0.691469194 0.687677725 0.695260664 857 0.702843602 0.683886256 0.691469194 0.687677725 0.695260664 0.695260664 858 0.683886256 0.691469194 0.687677725 0.695260664 0.695260664 0.687677725 859 0.691469194 0.687677725 0.695260664 0.695260664 0.687677725 0.695260664 860 0.687677725 0.695260664 0.695260664 0.687677725 0.695260664 0.687677725 861 0.695260664 0.695260664 0.687677725 0.695260664 0.687677725 0.676303318 862 0.695260664 0.687677725 0.695260664 0.687677725 0.676303318 0.653554502 863 0.687677725 0.695260664 0.687677725 0.676303318 0.653554502 0.657345972 864 0.695260664 0.687677725 0.676303318 0.653554502 0.657345972 0.653554502 865 0.687677725 0.676303318 0.653554502 0.657345972 0.653554502 0.642180095 866 0.676303318 0.653554502 0.657345972 0.653554502 0.642180095 0.61943128 867 0.653554502 0.657345972 0.653554502 0.642180095 0.61943128 0.611848341 868 0.657345972 0.653554502 0.642180095 0.61943128 0.611848341 0.604265403 869 0.653554502 0.642180095 0.61943128 0.611848341 0.604265403 0.61563981 870 0.642180095 0.61943128 0.611848341 0.604265403 0.61563981 0.596682464 871 0.61943128 0.611848341 0.604265403 0.61563981 0.596682464 0.611848341 872 0.611848341 0.604265403 0.61563981 0.596682464 0.611848341 0.61943128 873 0.604265403 0.61563981 0.596682464 0.611848341 0.61943128 0.61943128 874 0.61563981 0.596682464 0.611848341 0.61943128 0.61943128 0.61943128 875 0.596682464 0.611848341 0.61943128 0.61943128 0.61943128 0.61943128 876 0.611848341 0.61943128 0.61943128 0.61943128 0.61943128 0.611848341 877 0.61943128 0.61943128 0.61943128 0.61943128 0.611848341 0.630805687 878 0.61943128 0.61943128 0.61943128 0.611848341 0.630805687 0.649763033 879 0.61943128 0.61943128 0.611848341 0.630805687 0.649763033 0.645971564
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-22
880 0.61943128 0.611848341 0.630805687 0.649763033 0.645971564 0.634597156 881 0.611848341 0.630805687 0.649763033 0.645971564 0.634597156 0.634597156 882 0.630805687 0.649763033 0.645971564 0.634597156 0.634597156 0.61563981 883 0.649763033 0.645971564 0.634597156 0.634597156 0.61563981 0.642180095 884 0.645971564 0.634597156 0.634597156 0.61563981 0.642180095 0.657345972 885 0.634597156 0.634597156 0.61563981 0.642180095 0.657345972 0.649763033 886 0.634597156 0.61563981 0.642180095 0.657345972 0.649763033 0.630805687 887 0.61563981 0.642180095 0.657345972 0.649763033 0.630805687 0.61943128 888 0.642180095 0.657345972 0.649763033 0.630805687 0.61943128 0.61943128 889 0.657345972 0.649763033 0.630805687 0.61943128 0.61943128 0.608056872 890 0.649763033 0.630805687 0.61943128 0.61943128 0.608056872 0.600473934 891 0.630805687 0.61943128 0.61943128 0.608056872 0.600473934 0.604265403 892 0.61943128 0.61943128 0.608056872 0.600473934 0.604265403 0.573933649 893 0.61943128 0.608056872 0.600473934 0.604265403 0.573933649 0.581516588 894 0.608056872 0.600473934 0.604265403 0.573933649 0.581516588 0.554976303 895 0.600473934 0.604265403 0.573933649 0.581516588 0.554976303 0.513270142 896 0.604265403 0.573933649 0.581516588 0.554976303 0.513270142 0.551184834 897 0.573933649 0.581516588 0.554976303 0.513270142 0.551184834 0.551184834 898 0.581516588 0.554976303 0.513270142 0.551184834 0.551184834 0.558767773 899 0.554976303 0.513270142 0.551184834 0.551184834 0.558767773 0.57014218 900 0.513270142 0.551184834 0.551184834 0.558767773 0.57014218 0.592890995 901 0.551184834 0.551184834 0.558767773 0.57014218 0.592890995 0.566350711 902 0.551184834 0.558767773 0.57014218 0.592890995 0.566350711 0.551184834 903 0.558767773 0.57014218 0.592890995 0.566350711 0.551184834 0.543601896 904 0.57014218 0.592890995 0.566350711 0.551184834 0.543601896 0.551184834 905 0.592890995 0.566350711 0.551184834 0.543601896 0.551184834 0.566350711 906 0.566350711 0.551184834 0.543601896 0.551184834 0.566350711 0.543601896 907 0.551184834 0.543601896 0.551184834 0.566350711 0.543601896 0.551184834 908 0.543601896 0.551184834 0.566350711 0.543601896 0.551184834 0.547393365 909 0.551184834 0.566350711 0.543601896 0.551184834 0.547393365 0.581516588 910 0.566350711 0.543601896 0.551184834 0.547393365 0.581516588 0.596682464 911 0.543601896 0.551184834 0.547393365 0.581516588 0.596682464 0.627014218 912 0.551184834 0.547393365 0.581516588 0.596682464 0.627014218 0.604265403 913 0.547393365 0.581516588 0.596682464 0.627014218 0.604265403 0.600473934 914 0.581516588 0.596682464 0.627014218 0.604265403 0.600473934 0.627014218 915 0.596682464 0.627014218 0.604265403 0.600473934 0.627014218 0.600473934 916 0.627014218 0.604265403 0.600473934 0.627014218 0.600473934 0.61943128 917 0.604265403 0.600473934 0.627014218 0.600473934 0.61943128 0.649763033 918 0.600473934 0.627014218 0.600473934 0.61943128 0.649763033 0.634597156 919 0.627014218 0.600473934 0.61943128 0.649763033 0.634597156 0.645971564 920 0.600473934 0.61943128 0.649763033 0.634597156 0.645971564 0.653554502 921 0.61943128 0.649763033 0.634597156 0.645971564 0.653554502 0.66492891
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-23
922 0.649763033 0.634597156 0.645971564 0.653554502 0.66492891 0.66492891 923 0.634597156 0.645971564 0.653554502 0.66492891 0.66492891 0.611848341 924 0.645971564 0.653554502 0.66492891 0.66492891 0.611848341 0.630805687 925 0.653554502 0.66492891 0.66492891 0.611848341 0.630805687 0.627014218 926 0.66492891 0.66492891 0.611848341 0.630805687 0.627014218 0.649763033 927 0.66492891 0.611848341 0.630805687 0.627014218 0.649763033 0.66492891 928 0.611848341 0.630805687 0.627014218 0.649763033 0.66492891 0.66492891 929 0.630805687 0.627014218 0.649763033 0.66492891 0.66492891 0.645971564 930 0.627014218 0.649763033 0.66492891 0.66492891 0.645971564 0.638388626 931 0.649763033 0.66492891 0.66492891 0.645971564 0.638388626 0.649763033 932 0.66492891 0.66492891 0.645971564 0.638388626 0.649763033 0.66492891 933 0.66492891 0.645971564 0.638388626 0.649763033 0.66492891 0.657345972 934 0.645971564 0.638388626 0.649763033 0.66492891 0.657345972 0.661137441 935 0.638388626 0.649763033 0.66492891 0.657345972 0.661137441 0.649763033 936 0.649763033 0.66492891 0.657345972 0.661137441 0.649763033 0.627014218 937 0.66492891 0.657345972 0.661137441 0.649763033 0.627014218 0.627014218 938 0.657345972 0.661137441 0.649763033 0.627014218 0.627014218 0.630805687 939 0.661137441 0.649763033 0.627014218 0.627014218 0.630805687 0.604265403 940 0.649763033 0.627014218 0.627014218 0.630805687 0.604265403 0.61943128 941 0.627014218 0.627014218 0.630805687 0.604265403 0.61943128 0.623222749 942 0.627014218 0.630805687 0.604265403 0.61943128 0.623222749 0.61563981 943 0.630805687 0.604265403 0.61943128 0.623222749 0.61563981 0.627014218 944 0.604265403 0.61943128 0.623222749 0.61563981 0.627014218 0.661137441 945 0.61943128 0.623222749 0.61563981 0.627014218 0.661137441 0.657345972 946 0.623222749 0.61563981 0.627014218 0.661137441 0.657345972 0.661137441 947 0.61563981 0.627014218 0.661137441 0.657345972 0.661137441 0.676303318 948 0.627014218 0.661137441 0.657345972 0.661137441 0.676303318 0.680094787 949 0.661137441 0.657345972 0.661137441 0.676303318 0.680094787 0.676303318 950 0.657345972 0.661137441 0.676303318 0.680094787 0.676303318 0.672511848 951 0.661137441 0.676303318 0.680094787 0.676303318 0.672511848 0.668720379 952 0.676303318 0.680094787 0.676303318 0.672511848 0.668720379 0.687677725 953 0.680094787 0.676303318 0.672511848 0.668720379 0.687677725 0.721800948 954 0.676303318 0.672511848 0.668720379 0.687677725 0.721800948 0.748341232 955 0.672511848 0.668720379 0.687677725 0.721800948 0.748341232 0.725592417 956 0.668720379 0.687677725 0.721800948 0.748341232 0.725592417 0.752132701 957 0.687677725 0.721800948 0.748341232 0.725592417 0.752132701 0.767298578 958 0.721800948 0.748341232 0.725592417 0.752132701 0.767298578 0.763507109 959 0.748341232 0.725592417 0.752132701 0.767298578 0.763507109 0.771090047 960 0.725592417 0.752132701 0.767298578 0.763507109 0.771090047 0.793838863 961 0.752132701 0.767298578 0.763507109 0.771090047 0.793838863 0.763507109 962 0.767298578 0.763507109 0.771090047 0.793838863 0.763507109 0.774881517 963 0.763507109 0.771090047 0.793838863 0.763507109 0.774881517 0.778672986
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-24
964 0.771090047 0.793838863 0.763507109 0.774881517 0.778672986 0.778672986 965 0.793838863 0.763507109 0.774881517 0.778672986 0.778672986 0.812796209 966 0.763507109 0.774881517 0.778672986 0.778672986 0.812796209 0.793838863 967 0.774881517 0.778672986 0.778672986 0.812796209 0.793838863 0.786255924 968 0.778672986 0.778672986 0.812796209 0.793838863 0.786255924 0.778672986 969 0.778672986 0.812796209 0.793838863 0.786255924 0.778672986 0.790047393 970 0.812796209 0.793838863 0.786255924 0.778672986 0.790047393 0.771090047 971 0.793838863 0.786255924 0.778672986 0.790047393 0.771090047 0.767298578 972 0.786255924 0.778672986 0.790047393 0.771090047 0.767298578 0.786255924 973 0.778672986 0.790047393 0.771090047 0.767298578 0.786255924 0.809004739 974 0.790047393 0.771090047 0.767298578 0.786255924 0.809004739 0.827962085 975 0.771090047 0.767298578 0.786255924 0.809004739 0.827962085 0.824170616 976 0.767298578 0.786255924 0.809004739 0.827962085 0.824170616 0.839336493 977 0.786255924 0.809004739 0.827962085 0.824170616 0.839336493 0.843127962 978 0.809004739 0.827962085 0.824170616 0.839336493 0.843127962 0.884834123 979 0.827962085 0.824170616 0.839336493 0.843127962 0.884834123 0.9 980 0.824170616 0.839336493 0.843127962 0.884834123 0.9 0.85450237 981 0.839336493 0.843127962 0.884834123 0.9 0.85450237 0.827962085 982 0.843127962 0.884834123 0.9 0.85450237 0.827962085 0.827962085 983 0.884834123 0.9 0.85450237 0.827962085 0.827962085 0.782464455 984 0.9 0.85450237 0.827962085 0.827962085 0.782464455 0.778672986 985 0.85450237 0.827962085 0.827962085 0.782464455 0.778672986 0.782464455 986 0.827962085 0.827962085 0.782464455 0.778672986 0.782464455 0.801421801 987 0.827962085 0.782464455 0.778672986 0.782464455 0.801421801 0.816587678 988 0.782464455 0.778672986 0.782464455 0.801421801 0.816587678 0.80521327 989 0.778672986 0.782464455 0.801421801 0.816587678 0.80521327 0.809004739 990 0.782464455 0.801421801 0.816587678 0.80521327 0.809004739 0.809004739 991 0.801421801 0.816587678 0.80521327 0.809004739 0.809004739 0.816587678 992 0.816587678 0.80521327 0.809004739 0.809004739 0.816587678 0.80521327 993 0.80521327 0.809004739 0.809004739 0.816587678 0.80521327 0.816587678 994 0.809004739 0.809004739 0.816587678 0.80521327 0.816587678 0.812796209 995 0.809004739 0.816587678 0.80521327 0.816587678 0.812796209 0.809004739 996 0.816587678 0.80521327 0.816587678 0.812796209 0.809004739 0.831753555 997 0.80521327 0.816587678 0.812796209 0.809004739 0.831753555 0.816587678 998 0.816587678 0.812796209 0.809004739 0.831753555 0.816587678 0.809004739 999 0.812796209 0.809004739 0.831753555 0.816587678 0.809004739 0.824170616 1000
0.809004739 0.831753555 0.816587678 0.809004739 0.824170616 0.790047393
1001
0.831753555 0.816587678 0.809004739 0.824170616 0.790047393 0.782464455
1002
0.816587678 0.809004739 0.824170616 0.790047393 0.782464455 0.782464455
1003
0.809004739 0.824170616 0.790047393 0.782464455 0.782464455 0.801421801
100 0.824170616 0.790047393 0.782464455 0.782464455 0.801421801 0.767298578
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-25
4 1005
0.790047393 0.782464455 0.782464455 0.801421801 0.767298578 0.744549763
1006
0.782464455 0.782464455 0.801421801 0.767298578 0.744549763 0.778672986
1007
0.782464455 0.801421801 0.767298578 0.744549763 0.778672986 0.801421801
1008
0.801421801 0.767298578 0.744549763 0.778672986 0.801421801 0.801421801
1009
0.767298578 0.744549763 0.778672986 0.801421801 0.801421801 0.809004739
1010
0.744549763 0.778672986 0.801421801 0.801421801 0.809004739 0.801421801
1011
0.778672986 0.801421801 0.801421801 0.809004739 0.801421801 0.790047393
1012
0.801421801 0.801421801 0.809004739 0.801421801 0.790047393 0.790047393
1013
0.801421801 0.809004739 0.801421801 0.790047393 0.790047393 0.793838863
1014
0.809004739 0.801421801 0.790047393 0.790047393 0.793838863 0.801421801
1015
0.801421801 0.790047393 0.790047393 0.793838863 0.801421801 0.809004739
1016
0.790047393 0.790047393 0.793838863 0.801421801 0.809004739 0.827962085
1017
0.790047393 0.793838863 0.801421801 0.809004739 0.827962085 0.869668246
1018
0.793838863 0.801421801 0.809004739 0.827962085 0.869668246 0.896208531
1019
0.801421801 0.809004739 0.827962085 0.869668246 0.896208531 0.892417062
1020
0.809004739 0.827962085 0.869668246 0.896208531 0.892417062 0.888625592
1021
0.827962085 0.869668246 0.896208531 0.892417062 0.888625592 0.892417062
1022
0.869668246 0.896208531 0.892417062 0.888625592 0.892417062 0.873459716
1023
0.896208531 0.892417062 0.888625592 0.892417062 0.873459716 0.85450237
1024
0.892417062 0.888625592 0.892417062 0.873459716 0.85450237 0.862085308
1025
0.888625592 0.892417062 0.873459716 0.85450237 0.862085308 0.888625592
1026
0.892417062 0.873459716 0.85450237 0.862085308 0.888625592 0.881042654
1027
0.873459716 0.85450237 0.862085308 0.888625592 0.881042654 0.873459716
1028
0.85450237 0.862085308 0.888625592 0.881042654 0.873459716 0.881042654
1029
0.862085308 0.888625592 0.881042654 0.873459716 0.881042654 0.888625592
1030
0.888625592 0.881042654 0.873459716 0.881042654 0.888625592 0.888625592
1031
0.881042654 0.873459716 0.881042654 0.888625592 0.888625592 0.862085308
1032
0.873459716 0.881042654 0.888625592 0.888625592 0.862085308 0.85450237
103 0.881042654 0.888625592 0.888625592 0.862085308 0.85450237 0.8507109
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-26
3 1034
0.888625592 0.888625592 0.862085308 0.85450237 0.8507109 0.85450237
1035
0.888625592 0.862085308 0.85450237 0.8507109 0.85450237 0.85450237
1036
0.862085308 0.85450237 0.8507109 0.85450237 0.85450237 0.873459716
1037
0.85450237 0.8507109 0.85450237 0.85450237 0.873459716 0.877251185
1038
0.8507109 0.85450237 0.85450237 0.873459716 0.877251185 0.865876777
1039
0.85450237 0.85450237 0.873459716 0.877251185 0.865876777 0.873459716
1040
0.85450237 0.873459716 0.877251185 0.865876777 0.873459716 0.85450237
1041
0.873459716 0.877251185 0.865876777 0.873459716 0.85450237 0.8507109
1042
0.877251185 0.865876777 0.873459716 0.85450237 0.8507109 0.8507109
1043
0.865876777 0.873459716 0.85450237 0.8507109 0.8507109 0.835545024
1044
0.873459716 0.85450237 0.8507109 0.8507109 0.835545024 0.835545024
1045
0.85450237 0.8507109 0.8507109 0.835545024 0.835545024 0.8507109
1046
0.8507109 0.8507109 0.835545024 0.835545024 0.8507109 0.881042654
1047
0.8507109 0.835545024 0.835545024 0.8507109 0.881042654 0.877251185
1048
0.835545024 0.835545024 0.8507109 0.881042654 0.877251185 0.877251185
1049
0.835545024 0.8507109 0.881042654 0.877251185 0.877251185 0.881042654
1050
0.8507109 0.881042654 0.877251185 0.877251185 0.881042654 0.869668246
1051
0.881042654 0.877251185 0.877251185 0.881042654 0.869668246 0.873459716
1052
0.877251185 0.877251185 0.881042654 0.869668246 0.873459716 0.858293839
1053
0.877251185 0.881042654 0.869668246 0.873459716 0.858293839 0.85450237
1054
0.881042654 0.869668246 0.873459716 0.858293839 0.85450237 0.839336493
1055
0.869668246 0.873459716 0.858293839 0.85450237 0.839336493 0.824170616
1056
0.873459716 0.858293839 0.85450237 0.839336493 0.824170616 0.824170616
1057
0.858293839 0.85450237 0.839336493 0.824170616 0.824170616 0.778672986
1058
0.85450237 0.839336493 0.824170616 0.824170616 0.778672986 0.755924171
1059
0.839336493 0.824170616 0.824170616 0.778672986 0.755924171 0.748341232
1060
0.824170616 0.824170616 0.778672986 0.755924171 0.748341232 0.786255924
1061
0.824170616 0.778672986 0.755924171 0.748341232 0.786255924 0.774881517
106 0.778672986 0.755924171 0.748341232 0.786255924 0.774881517 0.80521327
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq
Lampiran 3-27
2 1063
0.755924171 0.748341232 0.786255924 0.774881517 0.80521327 0.801421801
1064
0.748341232 0.786255924 0.774881517 0.80521327 0.801421801 0.744549763
1065
0.786255924 0.774881517 0.80521327 0.801421801 0.744549763 0.763507109
1066
0.774881517 0.80521327 0.801421801 0.744549763 0.763507109 0.767298578
1067
0.80521327 0.801421801 0.744549763 0.763507109 0.767298578 0.778672986
ADLN Perpustakaan Universitas Airlangga
Skripsi Peramalan Harga Saham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine
Ubay, Muhammad Safiq