ADLN Perpustakaan Universitas Airlanggarepository.unair.ac.id/25715/1/MPM 58 - 12 Uba p.pdf ·...

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




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




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.




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




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




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.




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.




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




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




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




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




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




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




xv

DAFTAR LAMPIRAN

No. Judul Lampiran

1. Data pembukaan (open) PT. Semen Gresik

2. Source Code Program

3. Pola input data training




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




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




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




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.




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.




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




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.




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)




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.




9




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 :




11




12




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




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




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




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




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




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




http://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CEgQFjAA&url=http%3A%2F%2Fwww.ntu.edu.sg%2F&ei=IrZ7T_CIIIeQiQfio4WxCQ&usg=AFQjCNGT8TTN_48CYx83v_RbHGDXLOBKYg&sig2=4XSfv3q9qFy8ZrUFITI-6w

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




20




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

( )




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).




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.




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] :




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)




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 :




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 )




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.




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

.




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




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




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




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




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




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 3.4 proses kerja keseluruhan




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




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.




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




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




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 4.2. 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




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 ( );




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




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




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




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




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




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




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.




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




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.




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.




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.




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.




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




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.




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.




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




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.




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




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.




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




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




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




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




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




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




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




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




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




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




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




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();
















jRadioButton1 = new javax.swing.JRadioButton();




Lampiran 2-2




jMenuBar1 = new javax.swing.JMenuBar();

jMenu1 = new javax.swing.JMenu();

jMenuItem1 = 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);

}


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) {




Lampiran 2-3

if(jRadioButton1.isSelected() == true){

jRadioButton2.setSelected(false);

fungNorm = 1;

}

else{

jRadioButton2.setSelected(true);

fungNorm = 2;

}

}


evt) {



fungNorm = 2;

}

else{


fungNorm = 1;

}

}


evt) {



fungAktiv = 1;

}

else{


fungAktiv = 2;

}

}


evt) {



fungAktiv = 2;

}

else{


fungAktiv = 1;

}

}

private void jTextField2ActionPerformed(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{




Lampiran 2-4

nilai = Integer.parseInt(jTextField3.getText());

}

jTextField4.setText(""+(100-nilai));

}

private javax.swing.JButton jButton1;



private javax.swing.JLabel jLabel1;








private javax.swing.JMenu jMenu1;

private javax.swing.JMenuBar jMenuBar1;

private javax.swing.JMenuItem jMenuItem1;


private javax.swing.JPanel jPanel1;




private javax.swing.JRadioButton jRadioButton1;




private javax.swing.JTextField jTextField1;




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(){




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")


jTabbedPane1 = new javax.swing.JTabbedPane();


jScrollPane3 = new javax.swing.JScrollPane();











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);

}

});


setRancang(); new rancangan_data().setVisible(true); }

setRancang();

new rancangan_data().setVisible(true);

}




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.JScrollPane jScrollPane1;



private javax.swing.JTabbedPane jTabbedPane1;



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){


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{


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{




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"};


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);




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;


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++){


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;




Lampiran 2-9

public rancangan_data() {

initComponents();

rancang = data.getRancang();

setTable();

}





















private void jTextField1ActionPerformed(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);

}

}























Lampiran 2-10

// End of variables declaration


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)"};


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];




}

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;




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);


matBOt1 = new Matrix(forMatBO);

setTable();

}























proses();

}

private void jMenuItem1ActionPerformed(java.awt.event.ActionEvent evt) {

// TODO add your handling code here:

mseGraphics mse = new mseGraphics("MSE Training", mseTraining);

mse.pack();




Lampiran 2-12

mse.setVisible(true);

}


// TODO add your handling code here:

new forecast().setVisible(true);

}

private void jMenu1ActionPerformed(java.awt.event.ActionEvent evt) {

}


new validasi().setVisible(true);

}




















private void proses(){

matIH = new Matrix(IH);

matBH = new Matrix(BH);

matHO = new Matrix(HO);

double[][] forMatBO = new double[1][1];


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);

}




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;


Matrix polax;

Matrix result;



System.arraycopy(rancang[i], 0, pola[0], 0, 5);


if(fungAktiv == 1){




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


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 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;



h[i][j] = (double) 1/(1+Math.exp(-1*h[i][j]));

}

}

output = new Matrix(h);

return output;

}


nmKlmIH = new String[absIH[0].length];

for(int i=0;i<absIH[0].length;i++){nmKlmIH[i] = "";}




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


tabBH.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);tabBH.setEnabled(false);tabB


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];



hasil[i][j] = 1;

}




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];



hasil[i][j] = m.get(i, j);

}

}

return hasil;

}

public static void displayMatrix(Matrix m){

int bar = m.getRowDimension();

int kol = m.getColumnDimension();



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;


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();

}










Lampiran 2-17


forecastGraphics f = new forecastGraphics("Grafik Testing Data

Training", tanggal , targetDenorm, forecastDenorm);

f.pack();

f.setVisible(true);

}


if("Denormalisasi".equals(jButton2.getText())){

setTableDenorm();

jButton2.setText("Riil");

}

else{

setTable();

jButton2.setText("Denormalisasi");

}

}







int length = target.length;

Object[][] isi = new Object[length][4];

String[] nmKlm = {"No", "Target", "Forecast", "Error"};


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(){


Object[][] isi = new Object[length][4];

String[] nmKlm = {"No", "Target", "Forecast", "Error"};


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[] maxmin = data.max_min(dataAll);

targetDenorm = new double[length];

forecastDenorm = new double[length];

errorDenorm = new double[length];

if(fungNorm == 1){ // -1 sampai 1





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


targetDenorm[i] = ((double) (target[i]-0.1)*(maxmin[0]-

maxmin[1])/0.8)+maxmin[1];

forecastDenorm[i] = ((double) (forecast[i]-0.1)*(maxmin[0]-


errorDenorm[i] = Math.pow((double) (targetDenorm[i]-

forecastDenorm[i]), 2);

}

}

}

}

Source Code Kelas validasi.java package skripsi;

import Jama.Matrix;


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();




Lampiran 2-19

setRamal();

jLabel2.setText(""+ramalBeforeDenorm);

setTargetDenormVal(); // mengisi array targetDenormVal untuk grafik

jTextField2.setText(""+dataVal.length);

}


// <editor-fold defaultstate="collapsed" desc="Generated Code">





























private void setRancangVal(){

int length = dataVal.length - 5;

rancangVal = new double[length][6];



rancangVal[i][j] = dataValNorm[i+j];

}

}

}

private double[] getForecastingVal(){

int length = rancangVal.length;


Matrix polax;

Matrix result;



System.arraycopy(rancangVal[i], 0, pola[0], 0, 5);


if(elm.fungAktiv == 1){

result =

bobot_awal.logsig(((bobot_awal.logsig((polax.times(IH_akhir)).plus(BH_akhir)

)).times(HO_akhir)).plus(BO_akhir));




Lampiran 2-20

}

else{

result =

bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_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;


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];


{"Pola Ke-","Pembanding", "Forecasting", "Error"};


absRancangVal[i][0] = (i+1); absForecast[i][0] =

(i+1);

absRancangVal[i][1] = rancangVal[i][0]; absForecast[i][1] =

rancangVal[i][5];


forecastVal[i];


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];


{"Pola Ke-","Pembanding", "Forecasting", "Error"};


absRancangVal[i][0] = (i+1); absForecast[i][0] =

(i+1);

absRancangVal[i][1] = rancangDenormVal[i][0];

absForecast[i][1] = rancangDenormVal[i][5];




Lampiran 2-21


absForecast[i][2] = forecastDenormVal[i];


absForecast[i][3] = errorDenormVal[i];



}

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];


forecastDenormVal = new double[length];

errorDenormVal = new double[length];

mseValDenorm = 0;

if(elm.fungNorm == 1){ // -1 sampai 1



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



rancangDenormVal[i][j] = ((double) (rancangVal[i][j]-

0.1)*(maxmin[0]-maxmin[1])/0.8)+maxmin[1];

}

rancangDenormVal[i][5] = ((double) (rancangVal[i][5]-


forecastDenormVal[i] = ((double) (forecastVal[i]-


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;


System.arraycopy(rancangVal[l-1], 1, pola[0], 0, 5);




Lampiran 2-22


if(elm.fungAktiv == 1){

result =

bobot_awal.logsig(((bobot_awal.logsig((polax.times(IH_akhir)).plus(BH_akhir)


}

else{

result =

bobot_awal.tansig(((bobot_awal.tansig((polax.times(IH_akhir)).plus(BH_akhir)


}

ramalBeforeDenorm = result.get(0, 0);

System.arraycopy(rancangDenormVal[l-1], 1, pola[0], 0, 5);



if(elm.fungNorm == 1){

ramalAfterDenorm = ((double)

0.5*(ramalBeforeDenorm+1)*(maxmin[0]-maxmin[1]))+maxmin[1];

}else{

ramalAfterDenorm = ((double) (ramalBeforeDenorm-0.1)*(maxmin[0]-


}

}

private void setTargetDenormVal(){

int l = rancangDenormVal.length;

targetDenormVal = new double[l];


targetDenormVal[i] = rancangDenormVal[i][5];

}

}

}




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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




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 Airlanggarepository.unair.ac.id/25715/1/MPM 58 - 12 Uba p.pdf ·...

Documents

Transcript of ADLN Perpustakaan Universitas Airlanggarepository.unair.ac.id/25715/1/MPM 58 - 12 Uba p.pdf ·...