Membangun Jaringan Fuzzy Feed Forward Neural Network

75 finance.yahoo.com. Sedangkan untuk Kurs Valuta Asing digunakan Nilai Tukar Rupiah terhadap USD. Untuk data Tingkat Bunga, Tingkat Inflasi, dan Kurs Valuta Asing diambil dari www.bi.go.id . Data yang diambil yaitu berupa data bulanan yaitu dari bulan Januari 2007 sampai dengan bulan Juli 2016. Data yang diambil sebanyak 115 data. Setelah variabel ditentukan, maka langkah selanjutnta yaitu penentuan input jaringan. Penentuan input jaringan ditentukan dengan melihat plot autokorelasi ACF dan plot autokorelasi parsial PACF yang signifikan. Plot-plot ACF dan PACF dikatakan signifikan jika ada garis yang melewati selang kepercayaan garis putus- putus merah. Plot ACF dan PACF dari masing-masing variabel diperoleh dengan menggunakan software MINITAB. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n Plot ACF untuk Data IHSG Gambar 3. 3 . Plot ACF untuk Data Indeks Harga Saham Gabungan dari bulan Januari 2007 s.d. Juli 2016. 76 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n Plot PACF untuk Data IHSG Gambar 3. 4 . Plot PACF untuk Data Indeks Harga Saham Gabungan bulan Januari 2007 s.d. Juli 2016 Pada Gambar 3.3, plot ACF untuk data Indeks Harga Saham Gabungan yang signifikan adalah pada lag 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, dan lag 11. Sedangkan pada Gambar 3.4, plot PACF untuk data Indeks Harga Saham Gabungan yang signifikan adalah pada lag 1 dan lag 23. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n Plot ACF untuk Data Indeks Dow Jones Gambar 3. 5. Plot ACF untuk Data Indeks Dow Jones bulan Januari 2007 s.d. Juli 2016 77 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n Plot PACF untuk Data Indeks Dow Jones Gambar 3. 6. Plot PACF untuk Data Indeks Dow Jones bulan Januari 2007 s.d. Juli 2016 Pada Gambar 3.5, plot ACF untuk data Indeks Dow Jones yang signifikan adalah pada lag 1, 2, 3, 4, 5, 6, 7, 8, 9, dan lag 10. Sedangkan pada Gambar 3.6, plot PACF untuk data Indeks Dow Jones yang signifikan adalah pada lag 1 dan lag 10. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n Plot ACF untuk Data Indeks Hang Seng Gambar 3. 7 . Plot ACF untuk Data Indeks Hang Seng bulan Januari 2007 s.d. Juli 2006 78 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n Plot PACF untuk Data Indeks Hang Seng Gambar 3. 8 . Plot PACF untuk DataIndeks Hang Seng bulan Januari 2007 s.d. Juli 2006 Pada Gambar 3.7, plot ACF untuk data Indeks Hang Seng yang signifikan adalah pada lag 1, 2, 3, dan lag 4. Sedangkan pada gambar 3.8, plot PACF untuk data Indeks Hang Seng yang signifikan adalah pada lag 1 dan lag 2. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n ACF untuk Data Tingkat Bunga Gambar 3. 9. Plot ACF untuk Data Tingkat Bunga bulan Januari 2007 s.d. Juli 2016 79 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n PACF untuk Data Tingkat Bunga Gambar 3. 10. Plot PACF untuk Data Tingkat Bunga bulan Januari 2007 s.d. Juli 2016 Pada Gambar 3.9, plot ACF untuk data Tingkat Bunga yang signifikan adalah pada lag 1, 2, 3, 4, 5, 6,dan lag 7. Sedangkan pada Gambar 3.10, plot PACF untuk data Tingkat Bunga yang signifikan adalah pada lag 1 dan 2. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n ACF untuk Data Inflasi Gambar 3. 11. Plot ACF untuk Data Inflasi bulan Januari 2007 s.d. Juli 2016 80 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n PACF untuk Data Inflasi Gambar 3. 12. Plot PACF untuk Data Inflasi bulan Januari 2007 s.d. Juli 2016 Pada Gambar 3.11, plot ACF untuk data Inflasi yang signifikan adalah pada lag 1, 2, 3, 4, dan lag 5. Sedangkan pada gambar 3.12, plot PACF untuk data Inflasi yang signifikan adalah pada lag 1, 2, 6, 13, dan lag 17. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n ACF untuk Data Nilai Tukar Rupiah terhadap USD Gambar 3. 13. Plot ACF untuk Data Nilai Tukar Rupiah terhadap USD bulan Januari 2007 s.d. Juli 2016 81 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n PACF untuk Data Nilai Tukar Rupiah terhadap USD Gambar 3. 14. Plot PACF untuk Data Nilai Tukar Rupiah terhadap USD bulan Januari 2007 s.d. Juli 2016 Pada Gambar 3.13, plot ACF untuk data Nilai Tukar Rupiah terhadap USD yang signifikan adalah pada lag 1, 2, 3, 4, 5, 6, 7, 8, dan lag 9. Sedangkan pada Gambar 3.14, plot PACF untuk data Nilai Tukar Rupiah terhadap USD yang signifikan adalah pada lag 1dan lag 2. Dalam tugas akhir skripsi ini, penulis menggunakan plot PACF untuk menentukan variabel input. Gambar plot PACF pada data Indeks Harga Saham Gabungan, lag yang melewati selang kepercayaan adalah lag 1 dan lag 23. Gambar plot PACF pada data Indeks Dow Jones, lag yang melewati selang kepercayaan adalah lag 1 dan lag 10. Untuk gambar plot PACF pada data Indeks Hang Seng, lag yang melewati selang kepercayaan adalah lag 1 dan lag 2. Gambar plot PACF untuk data Tingkat Bunga, lag yang melewati selang kepercayaan adalah lag 1 dan lag 2. Gambar plot PACF untuk data Tingkat Inflasi, lag yang melewati selang kepercayaan 82 adalah lag 1, 2, 6, 13, dan 17. Sedangkan untuk gambar plot PACF data Nilai Tukar Rupiah terhadap USD, lag yang melewati selang kepercayaan adalah lag 1 dan lag 2. Dari plot PACF yang dihasilkan, lag terbesar adalah lag 23. Dari hasil lag terbesar yang diperoleh, makauntuk Target merupakan data IHSG pada lag 23 yaitu data IHSG ke 24 s.d. data IHSG ke 115. Sedangkan input jaringan terdiri atas: a. sebagai Indeks Harga Saham Gabungan pada lag 1 yaitu data Indeks Harga Saham Gabungan ke 23 s.d. data Indeks Harga Saham Gabungan ke 114. b. sebagai Indeks Harga Saham Gabungan pada lag 23 yaitu data Indeks Harga Saham Gabungan ke 1 s.d. data Indeks Harga Saham Gabungan ke 92. c. sebagai Indeks Dow Jones pada lag 1 yaitu data Indeks Dow Jones ke 23 s.d. data Indeks Dow Jones ke 114. d. sebagai Indeks Dow Jones pada lag 10 yaitu data Indeks Dow Jones ke 14 s.d data Indeks Dow Jones ke 105. e. sebagai Indeks Hang Seng pada lag 1 yaitu data Indeks Hang Seng ke 23 s.d. data Indeks Hang Seng ke 114. f. sebagai Indeks Hang Seng pada lag 2 yaitu data Indeks Hang Seng ke 22 s.d. data Indeks Hang Seng ke 113. g. sebagai Tingkat Bunga pada lag 1 yaitu data Tingkat Bunga ke 23 s.d. data Tingkat Bunga ke 114. h. sebagai Tingkat Bunga pada lag 2 yaitu data Tingkat Bunga ke 22 s.d. data Tingkat bunga ke 113. 83 i. sebagai Tingkat Inflasi pada lag 1 yaitu data Tingkat Inflasi ke 23 s.d. data Tingkat Inflasi ke 114. j. sebagai Tingkat Inflasi pada lag 2 yaitu data Tingkat Inflasi ke 22 s.d. data Tingkat Inflasi ke 113. k. sebagai Tingkat Inflasi pada lag 6 yaitu data Tingkat Inflasi ke 18 s.d. data Tingkat Inflasi ke 109. l. sebagai Tingkat Inflasi pada lag 13 yaitu data Tingkat Inflasi ke 11 s.d. data Tingkat Inflasi ke 102. m. sebagai Tingkat Inflasi pada lag 17 yaitu data Tingkat Inflasi ke 7 s.d. data Tingkat Inflasi ke 98. n. sebagai Nilai Tukar Rupiah terhadap USD pada lag 1 yaitu data Nilai Tukar Rupiah ke 23 s.d. data Nilai Tukar Rupiah ke 114. o. sebagai Nilai Tukar Rupiah terhadap USD pada lag 2 yaitu data Nilai Tukar Rupiah ke 22 s.d. data Nilai Tukar Rupiah ke 113. Dari sebanyak 115 data tersebut, setelah dilakukan penentuan input jaringan dengan menggunakan plot PACF, maka data untuk input sebanyak 92 data dengan 15 variabel input.

2. Pembagian Data

Data untuk peramalan menggunakan Fuzzy FFNNini dibagi menjadi dua yaitu data training dan data testing. Pembagian data untuk peramalan Indeks Harga Saham Gabungan ini, penulis menggunakan 75 untuk data training dan 25 untuk data 84 testing. Maka dari itu, untuk data training pada peramalan Indeks Harga Saham Gabungan ini sebanyak 69 data. Sedangkan untuk data testing pada peramalan ini sebanyak 23 data. Data training dan data testing tersaji dalam Lampiran 2 dan Lampiran 3.

3. Fuzzyfikasi

Pada tahap ini, nilai-nilai himpunan tegas crisp diubah menjadi himpunan fuzzy.Penentuan fungsi keanggotaan fuzzy dilakukan dengan cara trial and errorsampai diperoleh nilai MSE dan MAPE yang terkecil. Langkah-langkah proses fuzzyfikasisebagai berikut. 1. Menentukan himpunan universal pada input dan output Himpunan universal merupakan keseluruhan nilai yang dioperasikan dalam suatu variabel fuzzy. Berdasarkan 92 data yang diperoleh, himpunan universal untuk inputmaupun output. Himpunan universal untuk inputdan outputterdapat pada Tabel 3.1. 85 Tabel 3. 1. Tabel Himpunan Universal untuk inputdan target Variabel Himp. Fuzzy Himpunan Universal Variabel Himp. Fuzzy Himpunan Universal Target

4. Menentukan himpunan Fuzzy pada Input dan Output

Penentuan fungsi keanggotaan himpunan fuzzy pada input dan output dilakukan dengan cara trial and error sampai memperoleh errorterbaik yaitu MSE dan MAPE yang paling kecil. Dari hasil trial and error dihasilkan MSE dan MAPE yang paling kecil pada fungsi keanggotaan kurva-S pertumbuhan dengan satu himpunan fuzzy.Gambar 3.15 menunjukkan grafik fungsi keanggotaan himpunan fuzzy IHSG TINGGI. Gambar 3. 15. Grafik fungsi keanggotaan himpunan fuzzy dan 86 Untuk himpunan fuzzy dan semakin besar derjat keanggotaan dan , maka semakin besar atau semakin tinggi nilai IHSG. Dari himpunan fuzzy yang diperoleh, fungsi keanggotaan pada Kurva-S Pertumbuhan persamaan 2,43 untuk himpunan fuzzy dan sebagai berikut: { [ ] [ ] Untuk melakukan fuzzyfikasiinput maupun output menggunakan Matlab R2013a, dapat digunakan perintah smf. Berikut perintahnya : function [data]=fuzzyfikasiF [m,n]=sizeF; for i=1:m, A1i=smfFi,1,[1140.85 5616.8]; B1i=smfFi,2,[1140.85 5616.8]; C1i=smfFi,3,[1140.85 5176.23]; D1i=smfFi,4,[6556.48 18634.05]; E1i=smfFi,5,[6556.48 18634.05]; F1i=smfFi,6,[12022.61 28789.14]; G1i=smfFi,7,[12022.61 28789.14]; H1i=smfFi,8,[5 10]; I1i=smfFi,9,[5 10]; J1i=smfFi,10,[2 12.5]; K1i=smfFi,11,[2 12.5]; L1i=smfFi,12,[2 12.5]; M1i=smfFi,13,[2 12.5]; N1i=smfFi,14,[2 12.5]; O1i=smfFi,15,[8032 14896]; P1i=smfFi,16,[8032 14896]; end ; X1=[A1]; X2=[B1]; X3=[C1]; X4=[D1]; X5=[E1]; 87 X6=[F1]; X7=[G1]; X8=[H1]; X9=[I1]; X10=[J1]; X11=[K1]; X12=[L1]; X13=[M1]; X14=[N1]; X15=[O1]; X16=[P1]; data=[X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15, X16]; dengan m : banyaknya input variabel n : banyaknya data smf : perintah untuk fungsi keanggotaan Kurva-S Pertumbuhan Fungsi pada Matlab menghasilkan himpunan fuzzy dengan fungsi representasi Kurva- S. Hasil fuzzyfikasiinput dan output data training dan data testing terdapat pada Lampiran 4 dan Lampiran 5.

5. Menentukan Model Fuzzy Feed Forward Neural Network dengan Algoritma Backpropagation

Setelah data di fuzzyfikasi maka hasil dari data yang telah di fuzzyfikasidilakukan pembelajaran menggunakan Algoritma Backpropagation. Untuk membangun jaringan Fuzzy FFNN yang akan digunakan untuk melakukan peramalan IHSG digunakan perintah newff. Berikut perintahnya: net=newffminmaxP,[h 1],{‘logsig’ ‘logsig’},’traingdx’ Pada perintah tersebut, h merupakan banyaknya lapisan tersembunyi, sedangkan 1 menunjukkan banyaknya himpunan dalam fungsi representasi Kurva-S. Dalam algoritma Backpropagation digunakan fungsi aktivasi logsig untuk lapisan 88 tersembunyi dan fungsi aktivasi logsig untuk lapisan output. Sedangkan untuk fungsi pembelajaran menggunakan fungsi traingdx. Proses membangun jaringan fuzzy FFNNmenggunakan algoritma bacpropagation terdiri atas : a. Menentukan banyaknya neuron pada lapisan tersembunyi Data input yang telah di fuzzyfikasi, kemudian dilakukan pembelajaran Backpropagation untuk menentukan banyaknya neuron pada lapis tersembunyi dengan cara trail and errormulai dari 1 sampai 15 neuron dan pada fungsi keanggotaan Kurva-S pertumbuhan. Program untuk melakukan pembelajaran backpropagation terdapat dalam Lampiran 6. Hasil trial and errorpada fungsi keanggotaan fuzzy kurva-S pertumbuhan pada Tabel 3.2. Tabel 3. 2 . Nilai MSE dan MAPE pada 1 himpunan fuzzy dengan fungsi keanggotaan fuzzy kurva-S pertumbuhan. Neuron MSE Training MAPE Training MSE Testing MAPE Testing 1 0,0021 99,9032 0,0048 6,1425 2 0,0009 16,7023 0,0407 15,6204 3 0,0009 17,4774 0,0511 17,5777 4 0,0006 26,3576 0,0242 10,5260 5 0,0005 11,2886 0,0374 12,5992 6 0,0005 18,0336 0,0163 9,5266 7 0,0006 13,2262 0,0311 13,7792 8 0,0006 9,1668 0,0047 5,4172 9 0,0005 14,0281 0,0201 9,1248 10 0,0006 15,9721 0,0188 10,0857 11 0,0006 14,3765 0,0070 7,9087 12 0,0005 20,3325 0,0125 9,0765 13 0,0003 18,2322 0,0078 6,5688 14 0,0004 15,7741 0,0215 11,9267 15 0,0005 19,9071 0,0357 13,4755 Keterangan : banyaknya neuron pada lapis tersembunyi yang terbaik MSE dan MAPE terkecil 89 Hasil yang didapatkan dari proses pembelajaran traingdx yaitu fungsi keanggotaan fuzzy representasi Kurva-S pertumbuhan mempunyai nilai MSE dan MAPE yang terkecil pada 8 lapisan neuron tersembunyi. b. Menentukan input yang optimal Dalam pembentukan jaringan, seharusnya berdasarkan input yang sederhana namun optimal. Untuk membentuk jaringan dengan input yang optimal dilakukan dengan cara pengeliminasian input yang ada yaitu eliminasi inputx 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 , x 8 , x 9 , x 10 , x 11 , x 12 , x 13 , x 14 , dan x 15 . Indikator dari optimalnya jaringan yang diperoleh dilihat dari nilai MAPE yang kecil yang dihasilkan pada proses pengeliminasian tersebut. Proses eliminasi ini dilakukan pada input dengan fungsi keanggotaan fuzzy representasi Kurva-S dengan satu himpunan dan pada 8 neuron tersembunyi. Hasil dari proses pengeliminasian terdapat pada Tabel 3.3. 90 Tabel 3. 3 . Tabel MSE dan MAPE input optimal Eliminasi MSE Training MAPE Training MSE Testing MAPE Testing - 0,0006 9,1668 0,0047 5,4172 X 2 , X 4 , X 6 , X 8 , X 10 , X 11 , X 12 , X 13 , X 15 0,0010 8,6605 0,0044 5,4216 X 2 , X 3 , X 5 , X 7 , X 9 , X 11 , X 12 , X 13 , X 14 0,0015 9,9799 0,0039 4,9986 X 1 , X 3 , X 5 , X 7 , X 9 , X 10 , X 12 , X 13 , X 15 0,0012 12,3682 0,0054 6,3703 X 1 , X 4 , X 6 , X 8 , X 9 , X 10 , X 11 , X 13 , X 14 0,0014 29,3574 0,0042 5,5366 X 1 , X 3 , X 6 , X 7 , X 9 , X 10 , X 11 , X 12 , X 14 0,0013 17,4785 0,0046 6,2657 X 2 , X 4 , X 5 , X 8 , X 9 , X 11 , X 12 , X 13 , X 15 0,0011 10,1677 0,0038 4,7063 X 2 , X 3 , X 6 , X 8 , X 10 , X 11 , X 12 , X 13 , X 15 0,0012 12,6289 0,0021 3,8940 X 1 , X 3 , X 6 , X 8 , X 10 , X 11 , X 12 , X 13 , X 15 0,0010 9,5254 0,0024 4,3626 Keterangan : model dengan input optimal Pada Tabel 3.4 terlihat bahwa dengan mengeliminasi inputx 2 , x 4 , x 6 , x 8 , x 10 , x 11 , x 12 , x 13 , x 15 dihasilkan nilai MSE dan MAPE untuk training maupun testing kecil. Hal ini menunjukkan bahwa inputx 2 , x 4 , x 6 , x 8 , x 10 , x 11 , x 12 , x 13 , x 15 merupakan input yang optimal untuk meramalkan IHSG.Dengan demikian, model yang terbentuk dalan jaringanFuzzyFFNN dengan algoritma backpropagation adalah model dengan input fungsi keanggotaan fuzzy representasi Kurva-S pertumbuhan dengan satu himpunan pada 8 neuron tersembunyi serta dengan inputx 1 , x 3 , x 5 , x 7 , x 9 , dan x 14 . c. Menentukan Bobot Model Pembentukan jaringanFuzzyFFNNdengan algoritma backpropagation diperlukan bobot untuk menentukan nilai peramalan. Dalam penentuan bobot tersebut, digunakan parameter-parameter yang digunakan dalam peramalan. Parameter- 91 parameter yang digunakan untuk meramalkan nilai Indeks Harga Saham Gabungan sebagai berikut: net.trainParam.epochs=5000; net.trainParam.goal=1e-5; net.trainParam.max_perf_inc=1.04; net.trainParam.lr=0.2; net.trainParam.lr_inc=1.05; net.trainParam.lr_dec=0.7; net.trainParam.mc=0.9; net.trainParam.show=500; Hasil bobot yang diperoleh dari parameter tersebut terdapat dalam Lampiran 7. d. Model JaringanFuzzy FFNN dengan Algoritma Backpropagation dalam Peramalan Nilai Indeks Harga Saham Gabungan Arsitektur model Fuzzy FFNNdengan algoritma backpropagation yang dibangun dari fungsi keanggotaan fuzzy representasi Kurva-S dengan satu himpunan dan 8 neuron tersembunyi dengan inputx 1 , x 3 , x 5 , x 7 , x 9 , dan x 14 sebagai berikut: 92 Gambar 3. 16. Arsitektur Jaringan Fuzzy FFNN dengan 6 input dan 8 hidden pada peramalan Indeks Harga Saham Gabungan. Model jaringan fuzzy FFNNdengan algoritma backpropagation pada peramalan Indeks Harga Saham Gabungan dengan 8 lapisan neuron tersembunyi dan x 1 , x 3 , x 5 , x 7 , x 9 , dan x 14 secara sistematis dapat ditulis sebagai berikut: ∑ ∑ 3.5 Diperoleh bobot-bobot akhir dalam proses pembelajaran sebagai berikut : [ ] 93 [ ] Akan dicari nilai peramalan pada bulan Agustus 2016 atau X 116. Variabelinput untuk nilai peramalan bulan Agustus 2016 adalah nilai IHSG bulan Juli 2016, nilai Indeks Dow Jones bulan Juli 2016, nilai Indeks Hang Seng bulan Juli 2016, nilai tingkat bunga bulan Juli 2016, nilai tingkat inflasi bulan Juli 2016, dan nilai tukar rupiah bulan Juli 2016 yaitu =5.027,62; =17.924,24; =20.967,47; =6,5; =3,21; =13.165. Variabel-variabel input tersebut kemudian diubah ke dalam bentuk fuzzy menghasilkan nilai =0,9653; ==0,9653; ==0,5647; =0,5000; =0,0266; =0,8728. Sehingga nilai x i sebagai berikut: [ ] Operasi keluaran pada lapisan input ke lapisan tersembunyi : ∑ [ ] [ ] Sehingga, [ ] [ ] 94 Operasi keluaran pada lapisan tersembunyi ke lapisan output : ∑ [ ] Sehingga, [ ] Diperoleh nilai untuk nilai fuzzy pada bulan Agustus 2016, kemudian dilakukan prosses defuzzyfikasi untuk mendapatkan nilai crisp. e. Defuzzyfikasi Metode defuzzyfikasi digunakan untuk mengubah nilai fuzzy ke crisp. Hasil prediksi pada bulan Agustus 2016 adalah 0,9609 ada pada himpunan A1 yaitu: { [ ] [ ] Untuk mendapatkan nilai crisp adalah mensubstitusikan nilai 0,6630 pada fungsi tersebut sebagai berikut: 95 [ ] [ ] [ ] [ ] Terdapat 2 nilai crisp dari hasil defuzzyfikasiyaitu x=4.343,33 dan x=4.990,97. Karena nilai x=4.343,33 berada dalam selang fungsi keanggotaan yang itu berarti di luar selang, maka nilai untuk peramalan IHSG pada bulan Agustus adalah 4.990,97 yang berada dalam selang . Untuk nilai peramalan IHSG pada bulan September 2016 s.d. Januari 2017 langkahnya sama dengan mencari nilai peramalan pada bulan Agustus 2016. Berikut hasil data asli dan data prediksi nilai IHSG bulan Agustus 2016 s.d. Januari 2017 tersaji pada Tabel 3.4. Tabel 3. 4. Hasil data asli dan data peramalan pada bulan Agustus 2016 s.d. bulan Januari 2017 dengan Fuzzy FFNN Bulan Data Asli Rupiah Data Peramalan Rupiah Agustus 2016 5.280,21 4.990,97 September 2016 5.368,51 4.960,50 Oktober 2016 5.403,86 4.992,57 November 2016 5.430,74 5.050,63 Desember 2016 5.168,63 5.028,93 Januari 2017 5.290,39 4.975,16

C. Algoritma Genetika dalam Penyelesian Fuzzy Feed Forward Neural Network

Tujuan menyelesaikan Fuzzy FFNN adalah mencari bobot yang terbaik dengan menggunakan algoritma backpropagation untuk mendapatkan nilai MAPE dan MSE 96 yang kecil. Algoritma genetika dalam penyelesaian fuzzy FFNN bertujuan untuk menambah keakurasiandari hasil yang diperoleh pada fuzzy FFNN. Langkah-langkah penyelesaian Fuzzy FFNN dengan algoritma genetika sebagai berikut:

1. Penyandian Gen Pengkodean

Teknik penyandian merupakan pengkodean gen dalam kromosom. Gen merupakan bagian kromosom, satu gen biasanya akan mewakili satu variabel. Pada penelitian ini gen merepresentasikan bobot-bobot akhir yang diperoleh dari fuzzy FFNN yaitu bobot akhir input, bobot akhir bias input, bobot akhir lapisan, dan bobot akhir bias lapisan.

2. Membangkitkan Populasi Awal

Membangkitkan populasi awal adalah membangkitkan sejumlah gen secara acak membentuk kesatuan individu. Dalam fuzzy FFNN, populasi awal merupakan nilai dari bobot-bobot akhir yang diperoleh dari fuzzy FFNN.

3. Evaluasi Nilai Fitness

Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran baik tidaknya individu tersebut. Penggunaan algoritma genetika dalam fuzzy FFNN bertujuan untuk mengoptimasi bobot yang telah diperoleh dari fuzzy FFNN. Secara umum, evaluasi nilai fitness dirumuskan dalam persamaan 2.36. Dalam fuzzy FFNN ini, nilai fitness digunakan untuk meminimumkan nilai MAPE yang telah diperoleh dari bobot akhir FFNN. Bobot yang bagus ditunjukkan dengan nilai erroryang kecil. Sehingga, nilai fitness dalam penelitian ini, variabel nilai pada persamaan 2.33