Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika

  Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id

  

Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network

Dengan Algoritme Genetika

_{1 2 3} Dimas Fachrurrozi Azam , Dian Eka Ratnawati , Putra Pandu Adikara

  Program Studi Teknik Informatika Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: ozi.azam@gmail.com, dian_ilkom@ub.ac.id, adikara.putra@ub.ac.id

Abstrak

  Investasi merupakan suatu kegiatan membeli barang, sampai memiliki nilai yang cukup tinggi untuk dijual kepada investor lain. Ada banyak jenis investasi, salah satunya emas. Beberapa orang yang baru memulai dalam melakukan investasi merasa kesulitan dalam menentukan untuk membeli dan menjual emas. Banyak kerugian yang akan didapat jika investor salah langkah dalam menjual ataupun membeli emas. Berdasarkan permasalahan tersebut, peneliti bermaksud membantu para investor dengan mengusuljan sistem prediksi harga emas menggunakan feed forward neural network (FFNN) dengan algoritme genetika. Metode algoritme genetika digunakan untuk mengoptimasi bobot yang telah ada untuk akan digunakan dengan model feed forward neural network untuk melakukan proses prediksi harga Dari hasil pengujian, jumlah data latih 126 data, dan data uji 54 data, nilai cr 0.3 dan nilai mr 0.7, jumlah popsize 250, jumlah generasi 200, menghasilkan nilai rata-rata root mean square error (RMSE) 0.304587%.

  investasi emas, prediksi harga emas, feed forward neural network(FFNN), algoritme genetika Kata kunci:

  

Abstract

Investment is an activity to buy goods, with the purpose to be sold to other investors until they reach a

high enough value. There are many types of investments, one of which is gold. Some people who are just

starting out in investing find it difficult in deciding to buy and sell gold. Many losses will be obtained if

the investor missteps in selling or buying gold. Based on the problem, the researcher intends to help the

investor by proposing gold price prediction system using feed forward neural network (FFNN) with

genetic algorithm. The genetic algorithm method is used to optimize the existing weights to be used with

the forward neural network feed model to process the price prediction. From the test result, the total of

126 training data, and the total of 54 testing data, the CR value 0.3 and the MR value 0.7, the number

of pop size is 250, the number of generations are 200, yields an average mean root mean square error

(RMSE) of 0.304587%.

  Keywords: gold investment, gold price prediction, feed forward neural network (FFNN), genetic algorithm

  menjadi dua jenis yaitu, investasi pada saham 1. emas dan investasi pada emas batangan. Harga

   PENDAHULUAN

  saham emas batangan dari tahun 2012 hingga Investasi adalah istilah dengan memiliki tahun 2017 harga emas batangan hampir tidak beberapa pengertian yang berhubungan tentang pernah turun tajam. Data yang digunakan dalam keuangan ataupun ekonomi. Investasi dilakukan penelitian ini adalah data sekunder, yaitu data untuk mengeluarkan uang atau menyimpan uang

  Harga Emas harian periode 21 Maret 2011 pada suatu benda yang berharga dengan harapan sampai dengan 13 Februari 2017 yang terdiri akan mendapatkan keuntungan financial . dari 181 data harian yang tercatat. Berdasarkan

  Investasi biasanya dilakukan dengan melakukan (Seputarforex, 2011) harga emas hampir tidak pembelian aset financial berupa obligasi, saham, pernah turun terlalu rendah, sehingga banyak asuransi dan emas (Ahmad, 2004). investor yang berminat terhadap emas. Emas merupakan salah satu logam mulia

  Selain itu, faktor yang melatar belakangi yang bernilai dan bersifat lunak, tahan korosi, minat beli investor terhadap pembelian emas mudah ditempa. Investasi dalam emas dibedakan yang melonjak tajam oleh negara China dan

  Fakultas Ilmu Komputer Universitas Brawijaya

2317

  India. Ancaman inflasi masa depan akibat lapisan yang ada diatasnya (lapisan kebijakan cetak uang oleh bank sentral negara- tersembunyi). negara maju. Kebijakan ini berakibat pada 1.

  Tiap unit tersembunyi (z j , j=1,2,3,…,p) kehancuran nilai tukar mata uang global, menjumlahkan sinyal-sinyal input terbobot, termasuk salah satu faktor yang mempengaruhi persamaan yang digunakan untuk kenaikan atau penurunan harga emas. Faktor menghitung nilai z_in adalah Persamaan 1. yang mempengaruhi kenaikan atau penurunan harga emas yang lain adalah krisis financial, naiknya permintaan emas di pasaran, kurs dollar,

  (1) harga minyak, dan situasi politik dunia Keterangan: (Seputarforex, 2016).

  : Hasil z_in setiap neuron

  _

  Agar tujuan investasi tercapai, maka : Nilai bobot pada bias menuju sebelum memasuki dunia investasi diperlukan neuron hidden layer pengetahuan keuntungan dan risiko yang didapat

  : Nilai bobot pada setiap neuron input ketika terjun di bidang investasi. Harapan menuju neuron hidden layer keuntungan dalam dunia investasi sering juga

  : Nilai input pada layer input disebut sebagai return. Risiko investasi bisa 2. menghitung nilai dari z

  Untuk terjadi karena perbedaan antara return aktual menggunakan fungsi aktifasi menghitung dengan return yang diharapkan.

  output .

  Salah satu pengetahuan penting berinvestasi emas adalah prediksi harga emas.

  z j = f (z_in j ) (2)

  Prediksi diperlukan investor untuk mengetahui Keterangan: harga emas di masa datang. Prediksi adalah

  : Nilai z pada neuron hidden layer proses perkiraan (pengukuran) besarnya atau

  f : Fungsi aktivasi

  jumlah sesuatu pada waktu yang akan datang : Hasil z_in setiap neuron jika nilai

  _

  berdasarkan data pada masa lampau (time series) dari z telah diketahui maka nilai z akan yang dianalisis secara ilmiah khususnya langsung diproses untuk mendapatkan menggunakan metode statistika (Sudjana, 1996). nilai y_in

  Prediksi harga emas bertujuan untuk mengetahui 3.

  Tiap unit output (y k , k=1,2,3,…,m) peluang investasi harga emas di masa yang akan menjumlahkan sinyal-sinyal input terbobot, datang sehingga dapat digunakan sebagai untuk mendapatkan nilai y_in digunakan pertimbangan oleh investor emas untuk persamaan 3. mengetahui perubahan harga emas.

2. TINJAUAN PUSTAKA

  (3)

  Keterangan: : Hasil y_in terhadap output

2.1 Feed Forward Neural Network

  _

  (FFNN)

  Feed Forward Neural Networks

  : Nilai bias pada neuron hidden adalah model NN yang mempunyai arsitektur

  layer yang menuju ke lapisan output

  jaringan yang cukup sederhana dengan satu : Nilai z setiap neuron pada hidden lapisan tersembunyi (hidden Layer) dan dapat

  layer

  diterapkan untuk prediksi data time series. Pada : Nilai bobot pada neuron hidden umumnya, FFNN dilatih menggunakan yang menuju ke lapisan output

  layer

  algoritme Backpropagation untuk mendapatkan 4.

  Untuk mendapatkan nilai y adalah bobot-bobotnya. Montana dan Davis (1993) menggunakan fungsi aktifasi untuk telah menerangkan dalam penelitiannya bahwa mendapatkan output dari y.

  Backpropagation dapat bekerja dengan baik

  pada masalah pelatihan sederhana tetapi

  y k = f (y_in k ) (4)

  kinerjanya akan menurun dan terjebak dalam Keterangan: minimal lokal apabila diterapkan pada data yang

  : Nilai y pada neuron hidden layer mempunyai kompleksitas yang besar.

  f : Fungsi aktivasi

  Tiap unit input (x

  i

  , i=1,2,3,…n) menerima : Hasil y_in setiap neuron dan

  _

  sinyal x dan meneruskan sinyal tersebut pada

  i

  kirimkan sinyal tersebut kesemua unit dilapisan atasnya (unit-unit output).

2.2 Algoritme Genetika

  Menurut (Mahmudy, 2013) algoritme genetika adalah salah satu bentuk algoritme evolusi yang sering digunakan dalam pemecahan permasalahan yang kompleks. Dalam prosesnya, Algoritme genetika menggunakan teknik optimasi berbasis populasi yang menerapkan tahapan tahapan evolusi biologi. Kelebihan dalam penggunaan algoritme genetika tidak hanya digunakan dalam permasalahan yang kompleks, namun sering digunakan pada bidang fisika, biologi, ekonomi.

  Seleksi adalah proses yang digunakan dalam memilih individu terbaik dari populasi

  emas. Setelah mendapatkan nilai output maka akan dilanjutkan proses perhitungan nilai error.

  neural network untuk melakukan prediksi harga

  Berdasarkan Gambar 1 proses prediksi harga emas batang diawali dengan melakukan normalisasi data histori emas. Setelah itu dilanjutkan proses algoritme genetika untuk mendapatkan nilai bobot yang terbaik. Jika bobot terbaik telah didapatkan maka proses selanjutnya dilakukan proses feed forward

  Alur proses prediksi harga emas menggambarkan langkah-langkah dalam proses prediksi sampai mendapatkan nilai RMSE. Gambar 1 merupakan alur proses prediksi harga emas.

  (6) 3.

  =2√ ∗

  Perhitungan error merupakan pengukuran kesalahan antara output aktual dan output target. Langkah yang digunakan adalah SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada setiap lapisan output pada setiap data. Hasil perjumlahan keseluruhan nilai SSE akan digunakan dalam menghitung nilai RMSE (Root Mean Square Error) tiap iterasi (Kusumadewi,2003).

  2.3 Root Means Square Error (RMSE)

  Dalam penelitian ini metode seleksi yang digunakan adalah roulette wheel.

  roulette wheel, binary tournament , dan elitism.

  Seleksi memiliki berbagai metode. Metode yang sering digunakan dalam seleksi adalah

  sebelum digunakan pada generasi berikutnya. Proses seleksi dilakukan dengan cara pemeringkatan individu dari nilai fitness terbesar. Selanjutnya akan dipilih kembali sebagai populasi selanjutnya dari hasil pemeringkatan tersebut berdasarkan jumlah populasi (popsize) yang ditentukan.

  offspring

  2.2.1.4 Seleksi

  Dalam prosesnya, algoritme genetika mempunyai parameter yang digunakan selama pencarian solusi yang diinginkan. Adapun parameter yang digunkana adalah jumlah populasi. Iterasi, crossover rate (cr) dan

2.2.1 Proses Algoritme Genetika

  Proses reproduksi digunakan untuk menghasilkan keturunan selanjutnya. Keturunan yang dihasilkan akan sesuai dengan offspring dari dua operator genetika, yaitu crossover dan mutasi.

  mutation rate (mr) .

  2.2.1.1 Inisialisasi

  Inisialisasi adalah proses yang dilakukan untuk membangkitkan himpunan solusi baru secara acak ke dalam sebuah populasi yang di dalam terdapat sejumlah kromosom.

  2.2.1.2 Reproduksi

PERANCANGAN SISTEM

  yang nantinya akan menetukan rasio offspring yang dihasilkan dari crossover.

  Fitness = 1/RMSE (5)

  Proses crossover dilakukan dengan menukar silang gen gen dari dua individu yang akan dipilih secara acak dari sebuah populasi. Proses ini dilakukan guna mencari individu baru yang akan digunakan sebagai calon generasi baru. Sebelum digunakan crossover, harus mengetahui tingkat crossover (crossover

  Offspring didapatkan melalui perhitungan pc x jumlah populasi (popsize).

  2.2.1.3 Evaluasi

  Pada proses evaluasi dilakukan pencarian nilai fitness dari setiap individu. Di mana nilai

  fitness diperoleh untuk mewakili kualitas solusi

  dari individu yang terbentuk (Widodo & Mahmudy, 2010). Jika semakin besar nilai fitness maka solusi akan semakin baik.

  Persamaan 5 merupakan persamaan untuk mendapatkan nilai fitness.

  rate/pc)

  Pengujian Cr dan Mr 0,45 0,44 0,43

  RMSE 0,42 ai il

  0,41 N

  0,4

  5

  10 Percobaan Ke- Gambar 2 Grafik Hasil Uji Coba Nilai Cr dan Mr

  Dari Gambar 2 dapat disimpulkan bahwa nilai rata-rata RMSE paling rendah dengan nilai

  cr 0.6 dan mr 0.4. sehingga kombinasi cr 0.6 dan

  0.4 memiliki hasil nilai RMSE sebesar

  mr 0.403282.

  4.2 Pengujian Jumlah Populasi

  Pengujian populasi ini bertujuan untuk mendapatkan nilai rata-rata RMSE terendah. Parameter yang digunakan pada pengujian generasi adalah:

• Ukuran populasi : 20-750
• Banyak generasi : 1000

  : 0.4

• Crossover rate

  : 0.6

• Mutation rate

  Gambar 1 Alur Proses Sistem Prediksi Harga Emas Pengujian Populasi 4.

PENGUJIAN DAN ANALISIS

  0,5

  Penelitian ini dilakukan pengujian terhadap

  0,4 nilai cr, mr, jumlah popsize, jumlah generasi. 0,3

  RMSE 0,2 ai il

  0,1 N

4.1 Pengujian Cr dan Mr

  Pengujian cr dan mr pada algoritme

  5

  10

  15

  genetika diperlukan untuk mengetahui pengaruh

  Percobaan Ke-

  pada prediksi yang dihasilkan oleh sistem. Nilai dan mr digunakan dalam pengujian yang

  cr

  dimulai dari 0.1 sampai 0.9 untuk cr dan 0.9

  Gambar 3 Grafik Hasil Uji Coba Jumlah Populasi

  sampai 0.1 untuk mr. Gambar 2 menunjukkan hasil pengujian dari cr dan mr. Dari Gambar 3 dapat dilihat bahwa ukuran populasi berpengaruh terhadap pada nilai RMSE nya. Nilai RMSE terendah terdapat pada populasi 40 dikarenakan ykuran pupulasi masih sedikit dalam memproses data, sehingga hasil yang didapatkan tidak terlalu baik. Dari grafik

Gambar 6.3 dapat disimpulkan bahwa semakin banyak jumlah popsize cenderung lebih stabil.

  Dapat disimpulkan nilai rata-rata RMSE yang telah diuji untuk pengujian populasi yang baik terdapat pada nilai RMSE pada pengujian

• Ukuran populasi : 750
• Banyak generasi : 50-3000
• Crossover rate

  2

  5

  10

  rata-rata pada hasil prediksi harga close(Kg/$) memiliki harga $ 42713.91.

  generasi yang telah optimal, dapat disimpulkan

  Berdasarkan pengujian dengan menggunakan parameter cr, mr, popsize, jumlah

  Gambar 5 Grafik rediksi Harga Close Emas dengan Parameter Optimal

  il ai RMS E percobaan ke-

  Pengujian Generasi 40000 45000 50000

  1

  3

  0,1 0,2 0,3 0,4 0,5

  4

  5

  6

  : 0.6

  : 0.4

  Pengujian banyak generasi ini bertujuan untuk mendapatkan nilai rata-rata RMSE terendah. Parameter yang digunakan pada pengujian generasi adalah:

  4.3 Pengujian Generasi

  popsize 750, dengan rata-rata nilai RMSE 0,402807137.

  7

  8 9 10 11 Prediksi Harga Emas

• Mutation rate

15 N

  Forward Neural Network

• Ukuran populasi : 750
• Banyak generasi : 2500
• Crossover rate

  : 0,4 Gambar 5 adalah hasil prediksi harga emas

  Gambar 4 Grafik Hasil Uji Coba Generasi

  Pada Gambar 4 dapat dilihat bahwa jumlah generasi berpengaruh terhadap algoritme genetika yang terlihat dari nilai RMSE. Nilai RMSE terdapat pada generasi 2000 dikarenakan jumlah generasi tersebut memiliki nilai konvergensi, artinya hamper semua kromosom mempunyai nilai yang berdekatan sehingga tidak memungkinkan memproduksi krosomsom lebih (Mahmudy, 2013). Dari grafik hasil pengujian banyak generasi dapat disimpulkan bahwa nilai rata-rata RMSE yang baik terdapat pada pengujian sebanyak 2000 generasi dengan rata- rata nilai RMSE 0,410141.

  4.4 Pengujian dengan Parameter Optimal

  Pengujian ini bertujuan untuk mengetahui prediksi harga emas yang akan muncul. Parameter yang digunakan pada pengujian ini adalah:

  : 0,6

• Mutation rate

DAFTAR PUSTAKA

  close

  dapat diimplementasikan dengan baik pada proses prediksi harga emas. Pada permasalahan ini algoritme genetika dapat membantu model feed

  (Kg) dengan satuan dollar ($) dan menggunakan parameter yang telah diuji sebelumnnya. Pengujian dilakukan sebanyak 10 kali dengan parameter yang sama untuk mendapatkan nilai prediksi rata-rata harga yang akan dihasilkan.

  5. KESIMPULAN

  Berdasarkan hasil penelitian tentang Sistem Prediksi Harga Emas Menggunakan Feed

  dengan Menggunakan Algoritme Genetika dapat disimpulkan bahwa Metode Algoritme Genetika dengan Feed

  Ahmad, K., 2004. Dasar-Dasar Manajeme Investasi Portofolio . Jakarta: Rineka Cipta. Haykin, S., 1994. Neural Networks: A

  dan generasi. Pengujiannya dilakukan dengan 10 kali pengujian dengan masing-masing nilai. Untuk mendapatkan hasil yang cukup optimal dalam penelitian ini adalah nilai cr 0.3 dan nilai mr 0.7, jumlah popsize 250, jumlah generasi 200, menghasilkan nilai rata- rata root mean square error (RMSE) 0.304587%.

  mr, popsize,

  memprediksi harga emas dan cukup cepat dalam melakukan proses perhitungan. Algoritme genetika digunakan untuk mencari bobot terbaik yang akan digunakan oleh model jarinagn saraf tiruan feed forward neural network untuk melakukan proses prediksi. Pengujian yang dilakukan dalam penelitian ini meliputi nilai cr,

  forward neural network dengan baik dalam

  Forward Neural Network

  . USA: Prentice

  Comprehensive Foundation Hall PTR Upper Saddle River.

  Huda, F. A., 2013. Peramalan Time Series

  Saham Menggunakan Backpropagation Neural Network berbasis Algoritma Genetika . Malang.

  Kusumadewi, S. &. P. H., 2005. Penyelesaian

  Masalah Optimasi Menggunakan Teknik- teknik Heuristik . Yogyakarta: Graha Ilmu.

  Kusumadewi, S., 2003. Artificial Intelligence

  (Teknik dan Aplikasinya) . Yogyakarta: Graha Ilmu.

  Lubis, C., Sutedjo, E. & Setiadi, B., 2005.

  Prediksi Harga Saham Dengan Menggunakan Algoritma Hybrid Neural

  Seminar Nasional Aplikasi Network. Teknologi Informasi .

  Mahmudy, W. F., 2013. Algoritma Evolusi.

  Malang. _nd Makridakis, S. W., 1999. Forecasting 2 Edition (Metode dan Aplikasi Peramalan).

  Jakarta: Erlangga. Noertjahyana, A., 2002. Studi Analisa Pelatihan

  Jaringan Syaraf Tiruan Dengan dan . Tanpa Algoritma Genetika

  Rahmi, A., Mahmudy, W. F. & Setiawan, D. B., 2015. Prediksi Harga Saham Berdasarkan

  Data Historis Menggunakan Model Regresi yang Dibangun Dengan Algoritma

  . DORO, Volume 5, p. 12.

  Genetika

  Sari, I. P., 2014. PREDIKSI DATA HARGA

  SAHAM HARIAN MENGGUNAKAN . FEED FORWARD NEURAL NETWORK Semarang.

  Sudjana, 1996. Metode Statistika. Bandung: PT.

  Tarsito. Trimulya, A., S. & Setyaningsih, F. A., 2015.

  IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM .

  Jurnal Coding, Sistem Komputer Untan, Volume 03, pp. 66-75. Widodo, A. W. & Mahmudy, W. F., 2010.

  PENERAPAN ALGORITMA GENETIKA PADA SISTEM REKOMENDASI. PENERAPAN ALGORITMA GENETIKA

  , Volume

  PADA SISTEM REKOMENDASI Vol. 5, No. 4.