ALGORITMA BACKPROPAGATION ADAPTIVE NEURAL NETWORK DENGAN LAJU PEMBELAJARAN OPTIMAL DAN MOMENTUM FAKTOR PADA PERAMALAN DATA TIME SERIES

NURJANA BUAMONA, Prof. Drs. H. Subanar, Ph.D

2012 | Tesis | S2 Matematika

Teknologi sistem jaringan syaraf tiruan telah diimplementasikan dalam berbagai aplikasi, terutama dalam hal peramalan (forecasting), termasuk algoritma Backpropagation yang dapat diterapkan untuk memprediksi harga penutupansaham harian. Metode standar Backpropagation sering kali terlalu lambat untuk mencapai konvergensi, sehingga harus ditangani dengan baik untuk memiliki proses pembelajaran yang sukses. Pada Backpropagation, laju pemahaman (learning rate) dan faktor momentum berperan penting dalam mencapai kecepatan konvergensi. Ada dua tahapan yang dilakukan dalam algoritma Backpropagation yaitu tahap pelatihan dan tahap pengujian. Pengujian dilakukan untuk mendapatkan hasil peramalan yang diharapkan dapat meningkatkan optimasi dan akurasinya. Hasil dari metode ini akan dibandingkan dengan metode GARCH(1,1) dalam bentuk Means Square Error (MSE).

The technology of artificial neural network system has been implemented in various application, especially in forecasting, included application of Backpropagation algorithm to predict daily of close stock price. The standard methods of Backpropagation often too slow to achieve convergence, so to handle this problem must be handle properly to get successful learning process. On the Backpropagation, the learning rate and momentum factor plays an important role in achieving the speed of convergence. There are two stages of the Backpropagation algorithm perform, there are the learning stage and testing stage. The testing stage done to get the result of forecasting is accuracy and increase the optimum result. The result of these methods is compare with GARCH(1,1) methods in the Means Square Error (MSE).

Kata Kunci : Algoritma backpropagation adaptive neural network, peramalan data time series