Professional Documents
Culture Documents
Teori Dan Perhitungan
Teori Dan Perhitungan
Machine (SVM)
a)Titik data : xi = n
b)Kelas data : yi
c) Pasangan data dan kelas : ni=1
d)Menghitung nilai w dan b dengan
persamaan berikut:
b = - (w.x+ + w.x-)
Support Vector w = iyixi
Xn = + 0.1
Kelebihan
• Generalisasi
• Curse of dimensionality
Support Vector • Feasibility
Machine (SVM)
Kekurangan
• Kernel trick sulit digunakan
Time series atau runtun waktu adalah
himpunan observasi data dalam waktu.
Data time series atau data runtun waktu
mengandung nilai yang bersumber dari
Data Runtun
pengukuran secara berkelanjutan dari Waktu (Time
waktu ke waktu
Series)
• Atribut Kontekstual
• Atribut Perilaku
K-fold cross validation adalah salah
satu metode dari cross validation, di
mana k-fold cross validation membuat
beberapa sampel data uji berulang kali Cross Validation (CV)
dan membagi dataset ke dalam bagian
yang terpisah dengan ukuran yang sama
Cross Validation (CV)
Mean Absolute Error adalah rata-rata
perbedaan antara kebenara dasar dan
nilai prediksi.
Mean Absolute Error
MAE = Yi – Xi| (MAE)
Root Mean Square Error (RMSE) adalah
metode pengukuran dengan mencari
selisih nilai dari prediksi sebuah model
dengan nilai observasi atau label,
dimana RMSE dihitung dari akar
Root Mean Square Error
kuadrat Mean Square Error. (RMSE)
RMSE = 2
Menurut (Hartono, 2022) investasi
didefinisikan sebagai suatu penundaan
konsumsi sekarang untuk dimasukkan
ke aset produktif dalam periode waktu
tertentu Investasi
Pasar modal adalah merupakan sistem
keuangan yang terorganisasi, di mana itu
mempertemukan antara pihak yang
menawarkan dan memerlukan dana dan
aktiva yang mempunyai jangka waktu lebih
dari satu tahun baik secara langsung
maupun melalui perantara. Pasar Modal
Saham dapat didefinisikan sebagai tanda
penyertaan modal seorang individu atau
suatu pihak (badan usaha) dalam suatu
perusahaan atau perseroan terbatas
Keuntungan Saham
a. Dividen
b. Capital Gain
Kerugian
c. Likuidasi
d. Capital Loss
Studi Literatur
Studi Literatur
Studi Literatur
Perhitungan dengan
Algoritma Terpilih
a) Pemilihan data
Perhitungan dengan
Algoritma Terpilih
b) Mencari Nilai Transformasi
Xn = + 0,1
𝑋1.1 = + 0,1
𝑋1.1 = + 0,1
𝑋1.1 = 0,5333 + 0,1
𝑋1.1 = 0,63
Perhitungan dengan
Algoritma Terpilih
b) Mencari Nilai Transformasi
Data Latih Data Uji
Perhitungan dengan
Algoritma Terpilih
c)Mencari Nilai Matriks Kernel
Fungsi Kernel = (Xi.Xj + 1)2
X1 = 0,27, 0,54, 0,9
X2 = 0,1, 0,9, 0,8
X3 = 0,1, 0,7, 0,8
Sehingga untuk K11 perhitungannya dapat dilakukan
sebagai berikut.
K(1,1) = (((x1'*x1)+(x2'*x2))+(x3'*x3))+1).^2
K(1,1) = (((0,27*0,27)+(0,1*0,1))+(0,1*0,1))+1).^2
K(1,1) = ((0,0729+0,01+0,01)+1).^2
K(1,1) = (1.0929)2
Perhitungan dengan
Algoritma Terpilih
c)Mencari Nilai Matriks Kernel
Perhitungan (((x1'*x1)+(x2'*x2))+(x3'*x3)
dapat diinterpretasikan lebih jelas seperti operasi
matriks berikut:
[ ]
1,1944 1.7051 1.9684
1.7051 6,7163 7,6507
1.9684 7,6507 9,5481
Perhitungan dengan
Algoritma Terpilih
d) Mencari Nilai Alpha
Y=
Z = (y’*y)
[ ]
1.1944 − 1.7051 1.9684
Z= . − 1.7051 6.7163 − 7.6507
1.9684 − 7.6507 9.5481
Z=
Perhitungan dengan
Algoritma Terpilih
d) Mencari Nilai Alpha
Baris pertama = 1.1944 + (-1.7051) + 1.9684
= 1.4577
Baris kedua = -1.7051 + 6.7163 + (-7.6507)
= -2.6395
Baris ketiga = 1.9684 + (-7.6507) + 9.5481
= 3.8658
Jumlah matriks kernel = 1.4577 + (-2.6395) + 3.8658
= 2.684
Maka alpha = 𝛼1=𝛼2=𝛼3= = = 1.1177
Perhitungan dengan
Algoritma Terpilih
e) Mencari Nilai Weight
w = 𝛼i yi K (x,xi) w2 = 𝛼y2 K2
𝛼 = 1.1177 (alpha) w2 = (1.1177 * 1) * -2.6395
y = -1 1 -1 (label data latih) w2 = -2.9501
K = 1.4577, -2.6395, 3.8658
w3 = 𝛼y3 K3
w1 = 𝛼y1 K1 w3 = (1.1177 * -1) * 3.8658
w1 = -1.6292
Sehingga diperoleh nilai weight = -1.6292, -
2.9501, -4.3208
Perhitungan dengan
Algoritma Terpilih
f) Mencari Nilai Bias
xk1 = 1.1944, 1.7051, 1.9684
xk2 = 1.7051, 6.7163, 7.6507
w = -1.6292, -2.9501, -4.3208
Penyelesaian
b = - * ((-1.6292*1.1944 + -2.9501*1.7051 + -
4.3208*1.9684)
+ (-1.6292*1.7051 + -2.9501*6.7163 + -4.3208*7.6507)
b = -0.5 * ((-1.9459 – 5.0302 – 8.5050) + (-2.7779 – 19.8137
–
33.0571))
b = -0.5 * (-15.4811 – 55.6487)
b = -0.5 * (-71.1298)
b = 35.5649
Perhitungan dengan
Algoritma Terpilih
g) Mencari Nilai Kernel Uji
xu = [0.63, 0.54, 0.36, 0.36, 0.1, 0.81] Ku = (((xu'*x1)+(yu'*x2))+(zu'*x3))+1)^2
yu = [0.6, 0.5, 0.4, 0.2, 0.5, 0.8] Ku = (((0.54*0.27)+(0.5*0.1))+( 0.6*0.1))+1)^2
zu = [0.7, 0.6, 0.5, 0.3, 0.3, 0.9] Ku = ((0.1458 + 0.05 + 0.06) + 1 )^2
X1 = [0.27, 0.54, 0.9] Ku = 1.5770
X2 = [ 0.1, 0.9, 0.8]
X3 = [0.1, 0.7, 0.8]
Penyelesaian:
Ku = (((xu'*x1)+(yu'*x2))+(zu'*x3))+1)^2
Ku = (((0.63*0.27)+(0.6*0.1))+( 0.7*0.1))+1)^2
Ku = ((0.1701 + 0.06 + 0.07) + 1 )^2
Ku = 1.6902
Perhitungan dengan
Algoritma Terpilih
g) Mencari Nilai Kernel Uji
Dengan perhitungan yang sama dihasilkan
semua nilai kernel Ku yang telah dilakukan
perhitungan.
Perhitungan dengan
Algoritma Terpilih
h) Mencari Nilai Hasil Prediksi
ku1 = , ,
ku2 =
ku3 =
ku4 =
ku5 =
ku6 = ,
Perhitungan dengan
Algoritma Terpilih
h) Mencari Nilai Hasil Prediksi
f(Φ(x)) = sign(w.(Ku1) + b)
= sign((-1.6292* ) + (-2.9501*) + (-4.3208*)) +
(35.5649)
= sign(-2.7536 - 16.5730 - 29.3658) + (35.5649)
= sign(-13.1275)
= -1
f(Φ(x)) = sign(w.(Ku2) + b)
= sign((-1.6292* ) + (-2.9501*) + (-4.3208*)) +
(35.5649)
= sign(-2.5692 – 13.7843 – 24.1874) + (35.5649)
= sign(-4.976)
= -1
Perhitungan dengan
Algoritma Terpilih
h) Mencari Nilai Hasil Prediksi
Perhitungan dengan
Algoritma Terpilih
RMSE = = = 0.8164
MAE = = = 0.3333