i HALAMAN SAMPUL PROPOSAL TESIS MODEL PR
HALAMAN SAMPUL
PROPOSAL TESIS
MODEL PREDIKSI HARGA EMAS MENGGUNAKAN NEURAL NETWORK
BERBASIS ALGORITMA GENETIKA
Oleh :
YUN SETIAWAN
P31.2013.01367
PROGRAM PASCASARJANA
MAGISTER TEKNIK INFORMATIKA
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
i
UNIVERSITAS DIAN NUSWANTORO
PERSETUJUAN PROPOSAL TESIS
JUDUL
NAMA
NPM
: MODEL PREDIKSI HARGA EMAS MENGGUNAKAN
NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
: YUN SETIAWAN
: P31.2013.01367
Proposal ini telah diperikasa dan disetujui untuk diseminarkan dihadapan
Komite Seminar Proposal Tesis
Semarang,
Maret 2015
…………………………………….. ………………………………………….
Pembimbing Utama
Pembimbing Pembantu
ii
ABSTRAK
Mengembangkan model yang tepat dan akurat terhadap prediksi harga emas sangat penting
untuk menjalankan kegiatan berkaitan dengan perdagangan atau investasi emas. Dalam tulisan
ini, model jaringan syaraf tiruan (JST) / Neural Network telah digunakan dan memiliki hasil
yang lebih baik untuk memodelkan prediksi harga emas dibandingkan dengan model statistik
tradisional ARIMA (autoregressive terintegrasi moving average) . [1]
Studi menunjukkan Neural Network memiliki hasil yang lebih baik dalam memprediksi seri
waktu harga dibandingkan dengan bentuk linear atau bentuk fungsional non-linear untuk model
pergerakan harga, dengan mengoptimalkan nilai parameter training cycle, learning rate pada
Neural Network.
Dibutuhkan metode yang lebih baik untuk menentukan parameter ,dengan menerapkan
Algoritma Genetika diharapkan dapat menjadi solusi
Kata kunci : neural network, parameter, algoritma genetika (GA) , harga emas
iii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................................... i
PERSETUJUAN PROPOSAL TESIS ............................................................................................ ii
ABSTRAK ..................................................................................................................................... iii
DAFTAR ISI.................................................................................................................................. iv
DAFTAR GAMBAR ..................................................................................................................... vi
DAFTAR TABEL ......................................................................................................................... vii
BAB 1
PENDAHULUAN ........................................................................................................ 1
1.1
Latar Belakang Masalah ................................................................................................... 1
1.2
Rumusan Masalah ............................................................................................................ 3
1.3
Tujuan Penelitian.............................................................................................................. 3
1.4
Manfaat Penelitian............................................................................................................ 3
BAB 2
2.1
TINJAUAN PUSTAKA ............................................................................................... 4
Penelitian Terkait ............................................................................................................. 4
2.1.1
Modeling Gold Price via Artificial Neural ............................................................... 4
2.1.2
Gold Price Prediction Using Radial Basis Function Neural Network ...................... 4
2.1.3
Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada
Prediksi Loyalitas Pelanggan................................................................................................... 5
2.2
Landasan Teori ................................................................................................................. 6
2.2.1
Neural Network ......................................................................................................... 6
2.2.2
Algoritma Propagasi Balik ........................................................................................ 8
2.2.3
Algoritma Genetika ................................................................................................... 9
2.2.4
Harga Emas sebagai perbandingan moneter ........................................................... 10
2.2.5
Kerangka Pikir ........................................................................................................ 13
iv
BAB 3
METODOLOGI PENELITIAN ................................................................................. 15
3.1
Metode Penelitian ........................................................................................................... 15
3.2
Pengumpulan Data ......................................................................................................... 15
3.3
Pengolahan Data Awal (Preprocessing Data) ................................................................ 17
3.4
Metode yang Diusulkan ................................................................................................. 17
3.5
Eksperimen dan Pengujian ............................................................................................. 18
3.6
Evaluasi dan Validasi Penelitian .................................................................................... 19
JADWAL PENELITIAN .............................................................................................................. 20
DAFTAR PUSTAKA ................................................................................................................... 21
v
DAFTAR GAMBAR
Gambar 1 Perceptron ...................................................................................................................... 7
Gambar 2 Struktur Neuron pada otak manusia .............................................................................. 7
Gambar 3 Back Propagation .......................................................................................................... 8
Gambar 2.4 Kerangka Pikir .......................................................................................................... 13
Gambar 3.1 Metode yang diusulkan ............................................................................................. 18
vi
DAFTAR TABEL
Table 1 History harga Emas Harian dari PT ANTAM (www.antam.com) ................................. 16
Table 2 Datasheet yang akan diproses .......................................................................................... 17
Table 3 Jadwal Penelitian ............................................................................................................ 20
vii
BAB 1
PENDAHULUAN
1.1
Latar Belakang Masalah
Harga emas memainkan peran penting dalam ekonomi dan sistem moneter. Harga emas
dan aset lainnya sering berkorelasi erat . Sebagai contoh, hubungan antara emas dan ekuitas
biasanya negatif, karena investor biasanya mentransfer uang dari emas ke dalam tempat yang
aman dari ekuitas selama masa booming dan sebaliknya pada saat krisis. Padahal, hubungan
antara emas dan minyak biasanya positif dan ketegangan dapat mengangkat kedua harga minyak
dan emas. [1]
Emas adalah simbol kekayaan dari jaman dahulu. Karena disintegrasi Bretton Woods
Sistem pada tahun 1973, emas non-moneter yang membuatnya menjadi alat penting dari pasar
keuangan. Pasar emas saat ini memiliki hasil tinggi dan risiko tinggi. Setelah kurun waktu yang
lama, teori harga emas secara bertahap terbentuk. Namun, karena harga pasar emas dipengaruhi
oleh banyak faktor, ada berbagai ketidakpastian. [2]
Selain sebagai symbol kekayaan , Emas adalah logam mulia yang digunakan sebagai
standar untuk pertukaran moneter, walaupun juga digantikan oleh mata uang kertas pada saat
ini. Namun minat perdagangan emas dan investasi telah muncul kembali baru-baru ini di dunia,
mungkin karena stabilitas harga. [3]
Untuk tahun terakhir, ada peningkatan mencolok dalam minat investor emas. Hal ini
disebabkan ketidakstabilan nilai tukar mata uang dan tren kenaikan harga emas. Banyak
pemegang toko emas dalam bentuk koin emas atau batangan sebagai perlindungan terhadap
inflasi atau gangguan kondisi perekonomian lainnya. Dengan demikian, prediksi harga Emas
sekarang menjadi alat penting untuk membantu investor untuk memilih waktu yang tepat untuk
melakukan jual beli atau transaksi emas. [3]
Prediksi yang akurat dari harga emas membantu untuk meramalkan keadaan tren di masa
depan. Hal ini memberikan manfaat informasi bagi stakeholder untuk memenuhi tindakan
penting dalam mencegah atau mengurangi risiko, yang dapat menyebabkan kerugian atau bahkan
kebangkrutan. [1]
1
Banyak
para ahli telah melakukan penelitian pada prediksi harga emas. Model
matematika tradisional seperti Autoregressive Integrated Moving Average, adalah model telah
digunakan untuk prediksi harga emas. Serta model Artificial Neural Network telah
dikembangkan sebagai alat non-li Dewasa ini Neural Network telah diaplikasikan di berbagai
bidang. Neural Network (NN) mempunyai struktur tersebar parallel yang sangat besar dan
mempunyai kemampuan belajar, sehingga bisa melakukan generalisasi, yaitu bisa menghasilkan
output yang benar untuk input yang belum pernah dilatihkan. Dengan kedua kemampuan
pemrosesan informasi ini, NN mampu menyelesaikan masalah-masalah yang sangat kompleks,
mulai dari klasifikasi, optimasi, kompresi, peramalan (forecasting), sistem kontrol, sistem
pendeteksian kecurangan (intrusion detection systems), dan sebagainya. Pada umumnya, NN
sangat sesuai untuk permasalahan yang bernilai kontinyu seperti pengenalan tulisan tangan,
pengenalan wajah, prediksi harga emas dan sebagainya. [4]
Neural Network
telah diaplikasikan di berbagai bidang dikarenakan neural network
memiliki kelebihan-kelebihan sebagai berikut:
1. Dapat memecahkan problem non-linear yang umum dijumpai di aplikasi
2. Kemampuan memberikan jawaban terhadap pola yang belum pernah dipelajari
(generalization).
3. Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan
tersebut [4]
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas
mekanisme evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom
antar individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat
kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat
mempengaruhi proses evaluasi: [4]
1. Kemampuan organisme untuk melakukan reproduksi.
2. Keberadaan populasi organisme yang bisa melakukan reproduksi..
3. Keberagaman organisme dalam suatu populasi.
4. Perbedaan kemampuan untuk survive
2
Algoritma genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang
disebut populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus. Sebuah
populasi baru kemudian mengganti populasi tua menggunakan operator diatas, dengan anggota
terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes f(x) adalah fungsi bernilai operasi
real pada kromosom (potensial solusi), bukan gen, sehingga x pada f(x) mengacu pada nilai
numerik diambil oleh kromosom pada saat evaluasi fitnes.
1.2
Rumusan Masalah
Dari latar belakang masalah diatas , maka ingin disimpulkan seberapa akurat ketika metode
Algoritma Genetika diterapkan pada Neural Network untuk memprediksi pergerakan harga Emas
yang ada berdasar data series dari PT ANTAM (www.antam.com).
1.3
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mencari model yang lebih akurat atas hasil prediksinya
dalam menerapkan Genetic Algorithm (GA) pada Neural Network (NN) dengan menentukan
nilai parameter awal yaitu learning rate, momentum dan training cycle dalam memprediksi
pergerakan harga emas .
1.4
1.
Manfaat Penelitian
Manfaat umum dari hasil penelitian ini adalah pelaku moneter yang memerlukan informasi
harga emas dapat menggunakan metode algoritma yang baik dan akurat sebagai alat untuk
memprediksi harga emas.
2.
Manfaat khususnya agar hasil penelitian ini diharapkan dapat memberikan gambaran dan
pemahaman penerapan algoritma prediksi time-series, khusunya NN, pada studi kasus
prediksi harga emas
3
BAB 2
TINJAUAN PUSTAKA
2.1
2.1.1
Penelitian Terkait
Modeling Gold Price via Artificial Neural
Hossein Mombeini and Abdolreza Yazdani-Chamzini menulis bahwa model Neural Network
telah muncul sebagai alat pemodelan yang kuat yang dapat diterapkan untuk berbagai ilmiah dan
atau rekayasa aplikasi, seperti: pola reorganisasi, klasifikasi,pengolahan data, dan pengendalian
proses. Model Neural Network memiliki beberapa kelas unik yang membedakan mereka dari
data lain sistem pengolahan termasuk kemampuan untuk bekerja dengan sukses bahkan ketika
mereka pihak yang rusak, pemrosesan paralel, kemampuan untuk membuat generalisasi, dan
sedikit kerentanan terhadap kesalahan dalam data . Jaringan saraf tiruan mensimulasikan
mekanisme otak manusia untuk menerapkan perilaku komputasi. ANN dikembangkan
berdasarkan jaringan saraf biologis,yang neuron adalah blok bangunan yang dasar. Sebuah
neuron buatan adalah model dari neuron biologis. Sebuah neuron buatan menerima sinyal dari
neuron lain, mengumpulkan sinyal-sinyal ini, dan ketika dipecat, mengirimkan sinyal ke semua
neuron terhubung.
2.1.2
Gold Price Prediction Using Radial Basis Function Neural Network
Dalam penelitian yang dilakukan oleh Shamsul Faisal Mohd Hussein, Mohd Badril Nor Shah,
Mohd Razi Abd Jalal, Shahrum Shah Abdullah dari Faculty of Electrical Engineering Universiti
Teknologi Malaysia (UTM)
menyatakan bahwa Emas adalah logam mulia sekali banyak
digunakan sebagai standar untuk pertukaran moneter tetapi digantikan oleh mata uang kertas
banyak digunakan saat ini. Namun minat perdagangan emas dan investasi telah muncul kembali
baru-baru ini di Malaysia mungkin karena stabilitas harga. Sampel emas yang digunakan sebagai
investasi meliputi Kijang Emas, Dinar Umum dan Gold Umum yang saat ini tersedia untuk
masyarakat umum di Malaysia. Proyek ini akan melibatkan pengembangan sistem untuk
membantu sebuah investor emas dalam menentukan waktu terbaik di masa depan untuk membeli
atau menjual emas. Sistem yang dikembangkan didasarkan pada ada emas data time series dan
algoritma berdasarkan Neural Network. Sistem ini harus mampu untuk memberikan prediksi
harian para penggunanya.
4
Prediksi time series dilakukan berdasarkan hipotesis menyatakan bahwa ada hubungan yang
kompleks yang mendasari antara nilai sekarang dalam seri waktu dan mereka nilai sebelumnya.
Ada 3 kategori prediksi
o Metode Prediksi Obyektif - berdasarkan matematika dan perhitungan statistik
o Metode Prediksi - berdasarkan pendapat ahli
o Ilmu / Metode Prediksi
2.1.3
Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada Prediksi
Loyalitas Pelanggan
Setyoningsih Wibowo Teknik Elektro Universitas PGRI Semarang melakukan penelitian
terhadap loyalitas pelanggan merupakan kesetiaan seseorang terhadap suatu barang atau jasa
tertentu. Tingkat loyalitas pelanggan yang mereka miliki merupakan aset perusahaan yang
berharga nilainya. Namun tingkat loyalitas pelanggan mengalami fluktuasi kepercayaan
pelanggan terhadap pelayanan perusahaan telekomunikasi. Ketatnya persaingan bisnis diantara
perusahaan telekomunikasi ini membuat pelanggan memiliki banyak pelanggan dan dapat
dengan mudah melakukan perpindahan dari satu layanan ke layanan yang lain dari perusahaan
tersebut. Pada penelitian prediksi loyalitas pelanggan dengan menggunakan neural network, ada
beberapa metode yang digunakan tetapi dalam pemilihan fiturnya masih ditentukan sendiri yaitu
dengan menghilangkan beberapa fitur yang dianggap tidak penting atau tidak relevan. Algoritma
genetika adalah salah satu metode pemilihan fitur yang baik, oleh karena itu pemilihan fitur dari
neural network akan dipilih dengan menggunakan algoritma genetika. Neural network dengan
algoritma genetika sebagai pemilihan fiturnya memiliki nilai akurasi yang lebih tinggi
dibandingkan hanya menggunakan neural network. Hal ini terbukti dari peningkatan rata-rata
akurasi untuk neural network sebesar 86.54% dan nilai akurasi rata-rata neural network
dengan algoritma genetika sebesar 90.75% dengan rata-rata selisih akurasi sebesar 4.22%.
5
2.2
2.2.1
Landasan Teori
Neural Network
Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya
mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan,
melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses
yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi
merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui
algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini
merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.
Fungsi dari Neural Network diantaranya adalah:
o Pengklasifikasian pola
o Memetakan pola yang didapat dari input ke dalam pola baru pada output
o Penyimpan pola yang akan dipanggil kembali
o Memetakan pola-pola yang sejenis
o Pengoptimasi permasalahan
o Prediksi
Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka
melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu
memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia
berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron
memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot
pada setiap koneksi antar-network.
6
Gambar 1 Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna,
masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk
menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural
network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun
demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di
bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya
di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu
neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield,
model pembelajaran kompetitif, multilayer network, dan teori model resonansi adaptif.
Gambar 2 Struktur Neuron pada otak manusia
Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya
classification, recognition, approximation, prediction, clusterization, memory simulation dan
banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring
berjalannya waktu.
7
2.2.2
Algoritma Propagasi Ba
Balik
Diperkenalkan oleh G.E. Hinton
on, E. Rumelhart dan R.J. Williams pada tahun 1986,
1
merupakan
tipe yang dianggap paling baik (p
(powerfull).
Algoritma belajar BackPropagat
ation atau biasa di kenal algoritma propagasii balik
b
merupakan
algoritma belajar dari jaringann syaraf tiruan, terdiri dari dua proses, feed foward
fo
dan back
propagation dari error-nya. Sela
lama feed foward masing-masing unit masukka
kan menerima (X)
atau sinyal masukkan dari luar,
r, kemudian sinyal tersebut disebarkan masing-m
masing unit pada
hidden layer (Z), masing-masing
ng hidden unit menghitung sesuai dengan fungsi
si aktifasinya. Dan
kemudian mengirim sinyal itu ke masing-masing unit pada output layer untuk menghitung
m
sesuai
dengan fungsi aktifasinya yang
ng akan menghasilkan sinyal keluaran sebagai
ai respon jaringan
dengan adanya pemberian pola in
input tersebut.
Pada propagasi balik
liknya, masing-masing output unit dibandingka
kan dengan hasil
perhitungan aktivasi y dengan nnilai target t untuk mendapatkan error, kemud
udian berdasarkan
error tersebut dilakukan perhitun
ungan terhadap nilai δk. Selanjutnya harga error
or pada output unit
akan disebarkan mundur ke mas
asing-masing unit pada hidden layer. Selanjutny
tnya error tersebut
digunakan untuk memperbaiki fa
faktor pembobot antara unit output dengan unit
it hidden demikian
selanjutnya dicari error dari kel
eluaran hidden untuk memperbaiki faktor pemb
bobot antara unit
input
Gambar 3 Back Propagation
8
o Type : feedforward.
o Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1 output layer.
o Activation function : sigmoid.
o Learning methode : supervised.
o Learning algorithm : backpropagation.
o Penggunaannya : complex logical operations, patten classification, speech
analysis.
2.2.3
Algoritma Genetika
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas mekanisme
evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom antar
individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat
kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat
mempengaruhi proses evaluasi :
1) Kemampuan organisme untuk melakukan reproduksi
2) Keberadaan populasi organisme yang bisa melakukan reproduksi
3) Keberagaman organisme dalam suatu populasi
4) Perbedaan kemampuan untuk survive
Tiga operator yang digunakan oleh algoritma genetika:
1. Seleksi Operator seleksi mengacu pada metode yang digunakan untuk memilih
kromosom yang akan bereproduksi. Fungsi fitnes mengevaluasi setiap kromosom
(kandidat solusi) dan kromosom terbaik, semakin besar solusi terbaik maka akan
dipilih untuk bereproduksi.
2. Crossover Operator crossover yang melakukan rekombinasi, menciptakan dua
keturunan baru dengan cara acak memilih lokus dan bertukar subsequence ke kiri
dan kanan, lokus terdiri dari dua kromosom yang dipilih selama seleksi. Misalnya,
3. dalam representasi biner, dua string 11111111 dan 00000000 bisa akan menyeberang
pada lokus ke enam di masing-masing untuk menghasilkan dua keturunan baru
11111000 dan 00000111.
9
4. Mutasi Operator mutasi acak mengubah bit atau digit pada khususnya lokus dalam
kromosom, namun dengan probabilitas yang sangat kecil. Misalnya, setelah
crossover, string anak 11111000 dapat bermutasi pada lokus ke dua menjadi
10111000. Mutasi memperkenalkan informasi baru untuk kolom genetik dan
melindungi konvergen terlalu cepat terhadap situasi ke optimum lokal. Algoritma
genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang disebut
populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus.
Sebuah populasi baru kemudian mengganti populasi tua menggunakan operator
diatas, dengan anggota terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes
f(x) adalah fungsi bernilai operasi real pada kromosom (potensial solusi), bukan gen,
sehingga x pada f(x) mengacu pada nilai numerik diambil oleh kromosom pada saat
evaluasi fitnes. [4]
2.2.4
Harga Emas sebagai perbandingan moneter
Emas merupakan barang tambang yang bernilai tinggi. Harga emas dunia digunakan sebagai
standar keuangan di banyak negara di dunia. Penggunaan emas dalam bidang moneter dan
keuangan berdasarkan nilai absolut dari emas itu sendiri terhadap berbagai mata uang di seluruh
dunia. Bentuk penggunaan emas dalam bidang moneter lazimnya berupa batangan emas dalam
satuan troy ons atau sebesar 31,1035 gram. Selain dalam bidang moneter dan keuangan, emas
biasa digunakan sebagai perhiasan. Banyak sekali model perhiasan yang terbuat dari campuran
emas dan logam-logam lainnya seperti cincin, gelang, kalung, anting-anting, jam tangan, dan lain
sebagainya.
Saat ini emas merupakan salah satu investasi yang paling digemari, karena nilainya yang
cenderung naik dalam jangka panjang. Banyak model investasi emas seperti emas batangan
maupun investasi emas non fisik. Emas fisik dipasar lokal dihasilkan dari tambang yang ada
tersebar diseluruh Indonesia. Tambang emas local yang terbesar dimiliki oleh Negara melalui
perusahaan BUMN yang bernama PT Aneka Tambang. Tambang emas PT Antam sendiri ada di
Cikotok, di Bogor dan dilokasi lainnya
10
Bank-bank sentral di dunia kini sudah mendiversifikasi cadangan devisa di negara mereka
dengan emas. Tercatat, pembelian emas oleh Bank-bank Sentral global mencapai 534,6 metrik
ton pada 2012 lalu.
World Gold Council melaporkan kepemilikan emas global secara resmi
meningkat menjadi 31.671,4 ton per Maret 2013.
10 Negara yang memiliki cadangan emas terbesar adalah :
1. Amerika Serikat Kepemilikan emas resmi : 8.133,5 ton, Prosentase emas dalam cadangan
devisa : 75,6% AS memiliki volume cadangan emas terbesar pada 1952, ketika cadangannya
mencapai 20.663 ton. Kepemilikan emas jatuh pertama kali di bawah angka 10K pada 1968.
2. Jerman . Kepemilikan emas resmi : 3.391,3 ton, Prosentase emas dalam cadangan devisa :
72,7% Jerman menjual emas di bawah Perjanjian Emas Bank Sentral (Central Bank Gold
Agreement/CBGA) 1 dan 2 untuk keperluan pencetakan koin emas peringatan. Pada tahun
pertama CBGA3 (2008 – 2009), Bundesbank menjual sekitar 6 ton emas, dan telah menjual 4,7
ton emas sejak September 2011. Belum ada perubahan dalam kepemilikan emas Jerman akhirakhir, tetapi Bundesbank mengumumkan pada Januari akan memulangkan semua cadangan fisik
di Paris dan New York Fed.
3. Italia . Kepemilikan emas resmi : 2.451,8 ton, Prosentase emas dalam cadangan devisa :
72,2% Italia tidak menjual emas di bawah CBGA 1 atau 2 dan telah mengumumkan tidak ada
penjualan di bawah CBGA3. Namun pada 2011, bank-bank di Italia meminta Bank of Italy untuk
membeli emas dan meningkatkan neraca mereka menjelang tes stres.
4. Perancis . Kepemilikan emas resmi : 2.435,4 ton, Prosentase emas dalam cadangan devisa :
69,2% Perancis menjual 572 ton emas di bawah CBGA 2,dan di luar perjanjian Perancis
dilakukan transfer sekitar 17 ton kepada Bank for International Settlements sekitar tahun 2004
sebagai bagian dari pembelian saham BIS.
5. Cina Kepemilikan emas resmi : 1.054,1 ton, Prosentase emas dalam cadangan devisa : 1,7%
Emas masih memberikan kontribusi sangat kecil secara prosentase terhadap cadangan devisa
asing China yang mencapai US$ 3,2 triliun dibandingkan dengan rata-rata negara lain
di internasional yang mencapai 10%. Membangun cadangan emas akan sangat penting bagi
11
China dengan melihat pergerakan mata uangnya di dunia internasional. Negara ini juga berharap
untuk membuat cadangan mata uang, menurut Financial Times.
6. Swiss . Kepemilikan emas resmi : 1.040, 1 ton, Prosentase emas dalam cadangan devisa :
10,5% Pada 1997, negara ini mengumumkan proposal penjualan sebagian dari cadangan emas
negara itu karena dinilai sebagai “hal yang diperlukan untuk tujuan kebijakan moneter,” menurut
World Gold Council. Negara ini memiliki surplus sekitar 1.300 ton emas dan mulai menjualnya
pada Mei 2000. 1.170 ton terjual di bawah CB GA1, dan 130 ton yang di bawah CBGA2. Swiss
telah mengumumkan tidak berencana untuk menjual emas di bawah CBGA 3.
7. Rusia Kepemilikan emas resmi : 969,9 ton, Prosentase emas dalam cadangan devisa : 9,8%
Rusia telah membangun cadangan emasnya sejak 2006 untuk diversifikasi cadangan mata uang
asing, dan untuk membantu membangun rubel sebagai mata uang cadangan internasional. Pada
2012, Rusia menambahkan kepemilikan 75 ton cadangan emasnya, yang sebagian besar dibeli
dari dalam negeri.
8. Jepang Kepemilikan emas resmi : 765,2 ton, Prosentase emas dalam cadangan devisa : 3,2%
Cadangan emas Jepang pada 1950 baru mencapai 6 ton. Bank Sentral baru mulai meningkatkan
kepemilikan melalui pembelian emas secara drastis pada 1959, dengan menaikkan pembelian
hingga 169 ton dari tahun sebelumnya. Pada 2011, Bank of Japan menjual cadangan emas negara
tersebut senilai 20 triliun yen untuk meningkatkan perekonomian negara tersebut, dalam rangka
menenangkan investor setelah bencana tsunami dan nuklir.
9. Belanda Kepemilikan emas resmi : 612,5 ton, Prosentase emas dalam cadangan devisa :
59,2% Kembali pada 1999, Belanda mengumumkan di bawah CBGA1 bahwa mereka akan
menjual 300 ton emas selama lima tahun ke depan, tetapi hanya berhasil menjual 235 ton.
Di bawah CBGA2 (2004/2005 – 2008/2009), negara ini mengatakan akan menjual total 165 ton
(yang termasuk 65 ton tersisa dari CBGA1), dan mengumumkan tidak ada penjualan di bawah
CBGA3 (dari 2008/2009-2013/2014).
12
10. India
Kepemilikan emas resmi : 557,7 ton, Prosentase emas dalam cadangan devisa : 9,9% Reserve
Bank of India diketahui membeli International Monetary Fund (IMF) dan menganggap emas
sebagai investasi yang aman, tapi negara ini sangat jarang memberikan mengumumkan rencana
pembelian emasnya. Sementara itu, pemerintah telah berusaha untuk mencegah orang membeli
logam mulia. Hal itu dilakukan karena impor emas dinilai menjadikan India defisit.
2.2.5
Kerangka Pikir
Pada penelitian ini , dataset yang digunakan bersumber dari PT ANTAM (www.antam.com)
dengan mengambil data dari awal bulan Januari tahun 2000 hingga bulan Desember tahun 2014.
Metode yang diusulkan adalah menggunakan Metode Neural Network berbasis Algoritma
Genetika dengan pemilihan parameter untuk meningkatkan akurasi prediksinya sehingga
memprediksikan harga emas yang lebih baik. .
Gambar 2.4 Kerangka Pikir
Penelitian ini menggunakan data time series yang diambil dari www.antam.com yaitu data
perubahan waktu yang
bersifat public
harga mas dari bulan Januari 2000 hingga bulan
13
Desember 2014. Metode yang diusulkan adalah menggunakan Neural Network
(NN)
Backpropagation dalam prediksi harga emas selanjutnya, serta menggunakan Genetic Algorithm
(GA) untuk menentukan nilai parameter yaitu training cycle, learning rate dan momentum
sehingga menjadi lebih optimal dan dapat meningkatkan akurasi yang dihasilkan oleh NN. Untuk
menghitung akurasi dari model yang diusulkan, digunakan Cross Validation pada Rapid Miner
untuk mencari nilai Forecasting Performance (Root Mean Squared Error).
14
BAB 3
METODOLOGI PENELITIAN
3.1
Metode Penelitian
Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai
berikut :
1. Pengumpulan Data
Pengumpulan data merupakan langkah awal pada suatu penelitian. Data yang digunakan pada
penelitian ini adalah berupa data time series.
2. Pengolahan Awal
Pengolahan Awal (Preprocessing) merupakan tahap untuk mempersiapkan data yang telah
diperoleh dari tahap pengumpulan data, yang akan digunakan pada tahap selanjutnya.
3. Metode yang diusulkan
Tahapan ini akan membahas metode yang akan digunakan pada penelitian.
4. Eksperimen dan pengujian
Tahapan in akan membahas tahapan penelitian dan teknik pengujian yang akan digunakan.
5. Evaluasi dan Validasi Penelitian
Tahapan ini akan membahas hasil evaluasi dari eksperimen yang telah digunakan,
menggunakan Cross k-fold validation.
3.2
Pengumpulan Data
Data set yang digunakan pada penelitian ini adalah berupa data time series history harga emas di
PT ANTAM yang diambil dari website resminya www.antam.com. Dataset history harga emas
diambil dari 1 Januari 2000 hingga 31 Desember 2014 yang terdiri dari empat atribut yaitu
tanggal, harga pembukaan, harga penutupan dengan jumlah record data 54736 record data.
15
Adapun dataset real yang belum diolah adalah seperti pada tabel dibawah ini :
Table 1 History harga Emas Harian dari PT ANTAM (www.antam.com)
Date
High
Low
Close
Value
Freq
Avg.
12/30/2014
1,105
1,055
1,065
18,926,062,500
1,001
1,069
12/29/2014
1,120
1,090
1,095
28,700,093,000
1,566
1,102
12/24/2014
1,105
1,025
1,085
72,439,298,500
3,831
1,074
12/23/2014
1,035
980
1,025
45,140,948,000
2,526
1,019
12/22/2014
990
970
985
6,164,993,500
868
981
12/19/2014
980
965
980
5,782,501,500
879
974
12/18/2014
985
965
965
7,776,201,000
1,280
972
12/17/2014
985
960
980
14,592,845,500
1,559
981
12/16/2014
980
945
970
17,791,661,000
1,975
964
12/15/2014
970
955
955
8,327,614,000
946
959
12/12/2014
975
955
970
6,066,086,000
691
966
12/11/2014
970
955
955
5,688,603,500
590
960
12/10/2014
985
965
965
11,345,875,500
885
974
12/9/2014
975
955
965
4,179,338,500
1,158
967
12/8/2014
970
950
960
10,847,965,500
910
957
12/5/2014
990
965
965
11,343,427,500
1,077
972
12/4/2014
995
970
980
11,274,443,500
1,009
982
12/3/2014
1,000
975
975
8,721,093,000
772
983
12/2/2014
1,000
980
985
12,750,492,000
1,150
990
16
3.3
Pengolahan Data Awal (Preprocessing Data)
Untuk mempermudah penggunaan data, maka disederhanakan menjadi 3 kolom saja seperti tabel
dibawah ini :
Table 2 Datasheet yang akan diproses
Date
Value
12/30/2014
1,065
18,926,062,500
12/29/2014
1,095
28,700,093,000
12/24/2014
1,085
72,439,298,500
12/23/2014
1,025
45,140,948,000
12/22/2014
985
6,164,993,500
12/19/2014
980
5,782,501,500
12/18/2014
965
7,776,201,000
12/17/2014
980
14,592,845,500
12/16/2014
970
17,791,661,000
12/15/2014
955
8,327,614,000
12/12/2014
970
6,066,086,000
12/11/2014
955
5,688,603,500
12/10/2014
965
11,345,875,500
12/9/2014
965
4,179,338,500
12/8/2014
dan seterusnya….
3.4
Close
960
dan seterusnya….
10,847,965,500
dan seterusnya….
Metode yang Diusulkan
Metode yang diusulkan pada penelitian ini adalah penggunaan Neural Network (NN) berbasis
Genetic Algorithm (GA) untuk penentuan nilai parameter yaitu nilai training cycle, learning rate
dan momentum yang ada pada NN . Model ini melakukan berbagai analisis data dengan output
yang diinginkan, termasuk analisis data time series. Bobot-bobot dalam model NN biasanya
diinisialisasi secara random dengan nilai-nilai random yang kecil. Jika inisialisasi bobot random
diperoleh nilai yang jauh dari solusi yang baik, atau dekat dengan nilai optimum lokal yang
kurang baik, proses training mungkin akan memerlukan waktu yang cukup lama
17
Basis
Algoritma Genetika memilih berbagai metode optimasi untuk mendapatkan output dengan
kesalahan yang kecil. Menggunakan algoritma genetika yang meminimumkan nilai RMSE.
Proses evolusi pada algoritma genetika meliputi proses seleksi, perkawinan silang (crossover)
dan mutasi terhadap sekelompok individu dalam satu populasi untuk menghasilkan keturunan
yang lebih baik.
Beberapa kriteria yang diatur dalam penggunaan algoritma genetika
diantaranya adalah metode seleksi, teknik kawin silang, probabilitas kawin silang dan mutasi,
serta jumlah generasi. Garis besar pemecahan masalah tersebut digambarkan pada diagram alir
berikut.
Gambar 3.1 Metode yang diusulkan
3.5
Eksperimen dan Pengujian
Untuk eksperimen dan pengujian pada metode yang diusulkan, menggunakan tools software
Rapid Miner 5. Data yang sudah dipersiapkan sebelumnya kemudian dimasukan ke dalam
model yang sudah dibuat dan dimodifikasi sedemikian rupa untuk mendapatkan hasil yang
diinginkan.
18
3.6
Evaluasi dan Validasi Penelitian
Forecasting Performance Accuration digunakan untuk melihat tingkat akurasi yang dihasilkan
dari proposed method. Pada penelitian ini yaitu dengan menggunakan metode Cross k-fold
Validation untuk mencari nilai Root Mean Squared Error (RMSE) yang kemudian hasil dari
akurasi tersebut dievaluasi dengan cara membandingkan tingkat akurasi yang dihasilkan oleh
model tradisional NN dan proposed NN-GA.
19
JADWAL PENELITIAN
Pada penelitian ini, telah ditentukan penjadwalan atas pengumpulan data, pengolahan awal,
evaluasi serta validasi penelitian dilakukan tahun 2015, seperti pada tabel dibawah ini :
Table 3 Jadwal Penelitian
Kegiatan
Februari
1 2 3 4
1
Maret
2 3
Pengumpulan Data
Pengolahan Awal
Evaluasi
Validasi
Penulisan Laporan
20
4
1
April
2 3
4
1
Mei
2 3
4
DAFTAR PUSTAKA
[1] H. M. a. A. Yazdani-Chamzini, "Modeling Gold Price via Artificial Neural Network,"
Journal of Economics, Business and Management, Vol. 3, No. 7, Jul. 2015.
[2] W. D. Jian-hui Yang, "A New Prediction Method of Gold Price: EMD-PSO-SVM ,"
JOURNAL OF SOFTWARE, VOL. 9, NO. 1, Jan. 2014.
[3] M. B. N. S. M. R. A. J. S. S. A. Shamsul Faisal Mohd Hussein, "Gold Price Prediction
Using Radial Basis Function Neural Network," Faculty of Electrical Engineering, Universiti
Teknologi Malaysia (UTM).
[4] S. Wibowo, "NEURAL NETWORK DENGAN ALGORITMA GENETIKA SEBAGAI
PEMILIHAN FITUR PADA PREDIKSI LOYALITAS PELANGGAN," Vol : XXI, No : 2,
2014.
[5] V. Varahrami, "Recognition of good prediction of gold price between MLFF and GMDH
neural network," Journal of Economics and International Finance Vol. 3(4), pp. 204-210,
Apr. 2011.
[6] A. Y. a. A. S. Z. Ismail, "Forecasting Gold Prices Using Multiple Linear Regression
Method," American Journal of Applied Sciences 6 (8): 1509-1514, 2009.
[7] N. S. Pedrudee Ongsritrakul, "Apply Decision Tree and Support Vector Regression to
Predict the Gold Price," Department of Computer Science. Faculty of Science.
[8] A. G. M. MaryMalliaris, "Time Series andvNeuralvNetworksvComparisonon Gold, Oil and
the Euro," in Proceedings of International JointConferenceon Neural Networks, , June 1419, Atlanta, Georgia, USA, 2009.
[9] E. 0. B. a. J. E. Dayhoff, "Neural Network Training Techniques for a Gold Trading Model".
[10] S. W. Dechun Huang, "The Real Diagnosis Analysis of The Correlation Relations Between
USD Index & Gold Price," 2010 Sixth International Conference on Natural Computation
21
(ICNC 2010), 2010.
[11] C. J. Rongda, "Analysis on the Impact of the Fluctuation of the International Gold Prices on
the Gold Stocks in Chinese Shanghai and Shenzhen A-share," in 2013 Sixth International
Conference on Business Intelligence and Financial Engineering.
[12] S. M. Mahsa KangaraniFarahani, "Comparison Between Artificial Neural Network and
Neuro-Fuzzy for Gold Price Prediction," in 13th Iranian Conference on Fuzzy Systems
(IFSC), 2013.
[13] J. Shuai, "Research on WNN Modeling for Gold Price Forecasting Based on Improved
Artificial Bee Colony Algorithm," Volume 2014, Article ID 270658,10 pages.
[14] X. S. a. S. H. Erik 0. Brauner and Judith E. Dayhoff, "Neural Network Training Techniques
for a Gold Trading Model".
22
PROPOSAL TESIS
MODEL PREDIKSI HARGA EMAS MENGGUNAKAN NEURAL NETWORK
BERBASIS ALGORITMA GENETIKA
Oleh :
YUN SETIAWAN
P31.2013.01367
PROGRAM PASCASARJANA
MAGISTER TEKNIK INFORMATIKA
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
i
UNIVERSITAS DIAN NUSWANTORO
PERSETUJUAN PROPOSAL TESIS
JUDUL
NAMA
NPM
: MODEL PREDIKSI HARGA EMAS MENGGUNAKAN
NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
: YUN SETIAWAN
: P31.2013.01367
Proposal ini telah diperikasa dan disetujui untuk diseminarkan dihadapan
Komite Seminar Proposal Tesis
Semarang,
Maret 2015
…………………………………….. ………………………………………….
Pembimbing Utama
Pembimbing Pembantu
ii
ABSTRAK
Mengembangkan model yang tepat dan akurat terhadap prediksi harga emas sangat penting
untuk menjalankan kegiatan berkaitan dengan perdagangan atau investasi emas. Dalam tulisan
ini, model jaringan syaraf tiruan (JST) / Neural Network telah digunakan dan memiliki hasil
yang lebih baik untuk memodelkan prediksi harga emas dibandingkan dengan model statistik
tradisional ARIMA (autoregressive terintegrasi moving average) . [1]
Studi menunjukkan Neural Network memiliki hasil yang lebih baik dalam memprediksi seri
waktu harga dibandingkan dengan bentuk linear atau bentuk fungsional non-linear untuk model
pergerakan harga, dengan mengoptimalkan nilai parameter training cycle, learning rate pada
Neural Network.
Dibutuhkan metode yang lebih baik untuk menentukan parameter ,dengan menerapkan
Algoritma Genetika diharapkan dapat menjadi solusi
Kata kunci : neural network, parameter, algoritma genetika (GA) , harga emas
iii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................................... i
PERSETUJUAN PROPOSAL TESIS ............................................................................................ ii
ABSTRAK ..................................................................................................................................... iii
DAFTAR ISI.................................................................................................................................. iv
DAFTAR GAMBAR ..................................................................................................................... vi
DAFTAR TABEL ......................................................................................................................... vii
BAB 1
PENDAHULUAN ........................................................................................................ 1
1.1
Latar Belakang Masalah ................................................................................................... 1
1.2
Rumusan Masalah ............................................................................................................ 3
1.3
Tujuan Penelitian.............................................................................................................. 3
1.4
Manfaat Penelitian............................................................................................................ 3
BAB 2
2.1
TINJAUAN PUSTAKA ............................................................................................... 4
Penelitian Terkait ............................................................................................................. 4
2.1.1
Modeling Gold Price via Artificial Neural ............................................................... 4
2.1.2
Gold Price Prediction Using Radial Basis Function Neural Network ...................... 4
2.1.3
Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada
Prediksi Loyalitas Pelanggan................................................................................................... 5
2.2
Landasan Teori ................................................................................................................. 6
2.2.1
Neural Network ......................................................................................................... 6
2.2.2
Algoritma Propagasi Balik ........................................................................................ 8
2.2.3
Algoritma Genetika ................................................................................................... 9
2.2.4
Harga Emas sebagai perbandingan moneter ........................................................... 10
2.2.5
Kerangka Pikir ........................................................................................................ 13
iv
BAB 3
METODOLOGI PENELITIAN ................................................................................. 15
3.1
Metode Penelitian ........................................................................................................... 15
3.2
Pengumpulan Data ......................................................................................................... 15
3.3
Pengolahan Data Awal (Preprocessing Data) ................................................................ 17
3.4
Metode yang Diusulkan ................................................................................................. 17
3.5
Eksperimen dan Pengujian ............................................................................................. 18
3.6
Evaluasi dan Validasi Penelitian .................................................................................... 19
JADWAL PENELITIAN .............................................................................................................. 20
DAFTAR PUSTAKA ................................................................................................................... 21
v
DAFTAR GAMBAR
Gambar 1 Perceptron ...................................................................................................................... 7
Gambar 2 Struktur Neuron pada otak manusia .............................................................................. 7
Gambar 3 Back Propagation .......................................................................................................... 8
Gambar 2.4 Kerangka Pikir .......................................................................................................... 13
Gambar 3.1 Metode yang diusulkan ............................................................................................. 18
vi
DAFTAR TABEL
Table 1 History harga Emas Harian dari PT ANTAM (www.antam.com) ................................. 16
Table 2 Datasheet yang akan diproses .......................................................................................... 17
Table 3 Jadwal Penelitian ............................................................................................................ 20
vii
BAB 1
PENDAHULUAN
1.1
Latar Belakang Masalah
Harga emas memainkan peran penting dalam ekonomi dan sistem moneter. Harga emas
dan aset lainnya sering berkorelasi erat . Sebagai contoh, hubungan antara emas dan ekuitas
biasanya negatif, karena investor biasanya mentransfer uang dari emas ke dalam tempat yang
aman dari ekuitas selama masa booming dan sebaliknya pada saat krisis. Padahal, hubungan
antara emas dan minyak biasanya positif dan ketegangan dapat mengangkat kedua harga minyak
dan emas. [1]
Emas adalah simbol kekayaan dari jaman dahulu. Karena disintegrasi Bretton Woods
Sistem pada tahun 1973, emas non-moneter yang membuatnya menjadi alat penting dari pasar
keuangan. Pasar emas saat ini memiliki hasil tinggi dan risiko tinggi. Setelah kurun waktu yang
lama, teori harga emas secara bertahap terbentuk. Namun, karena harga pasar emas dipengaruhi
oleh banyak faktor, ada berbagai ketidakpastian. [2]
Selain sebagai symbol kekayaan , Emas adalah logam mulia yang digunakan sebagai
standar untuk pertukaran moneter, walaupun juga digantikan oleh mata uang kertas pada saat
ini. Namun minat perdagangan emas dan investasi telah muncul kembali baru-baru ini di dunia,
mungkin karena stabilitas harga. [3]
Untuk tahun terakhir, ada peningkatan mencolok dalam minat investor emas. Hal ini
disebabkan ketidakstabilan nilai tukar mata uang dan tren kenaikan harga emas. Banyak
pemegang toko emas dalam bentuk koin emas atau batangan sebagai perlindungan terhadap
inflasi atau gangguan kondisi perekonomian lainnya. Dengan demikian, prediksi harga Emas
sekarang menjadi alat penting untuk membantu investor untuk memilih waktu yang tepat untuk
melakukan jual beli atau transaksi emas. [3]
Prediksi yang akurat dari harga emas membantu untuk meramalkan keadaan tren di masa
depan. Hal ini memberikan manfaat informasi bagi stakeholder untuk memenuhi tindakan
penting dalam mencegah atau mengurangi risiko, yang dapat menyebabkan kerugian atau bahkan
kebangkrutan. [1]
1
Banyak
para ahli telah melakukan penelitian pada prediksi harga emas. Model
matematika tradisional seperti Autoregressive Integrated Moving Average, adalah model telah
digunakan untuk prediksi harga emas. Serta model Artificial Neural Network telah
dikembangkan sebagai alat non-li Dewasa ini Neural Network telah diaplikasikan di berbagai
bidang. Neural Network (NN) mempunyai struktur tersebar parallel yang sangat besar dan
mempunyai kemampuan belajar, sehingga bisa melakukan generalisasi, yaitu bisa menghasilkan
output yang benar untuk input yang belum pernah dilatihkan. Dengan kedua kemampuan
pemrosesan informasi ini, NN mampu menyelesaikan masalah-masalah yang sangat kompleks,
mulai dari klasifikasi, optimasi, kompresi, peramalan (forecasting), sistem kontrol, sistem
pendeteksian kecurangan (intrusion detection systems), dan sebagainya. Pada umumnya, NN
sangat sesuai untuk permasalahan yang bernilai kontinyu seperti pengenalan tulisan tangan,
pengenalan wajah, prediksi harga emas dan sebagainya. [4]
Neural Network
telah diaplikasikan di berbagai bidang dikarenakan neural network
memiliki kelebihan-kelebihan sebagai berikut:
1. Dapat memecahkan problem non-linear yang umum dijumpai di aplikasi
2. Kemampuan memberikan jawaban terhadap pola yang belum pernah dipelajari
(generalization).
3. Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan
tersebut [4]
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas
mekanisme evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom
antar individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat
kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat
mempengaruhi proses evaluasi: [4]
1. Kemampuan organisme untuk melakukan reproduksi.
2. Keberadaan populasi organisme yang bisa melakukan reproduksi..
3. Keberagaman organisme dalam suatu populasi.
4. Perbedaan kemampuan untuk survive
2
Algoritma genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang
disebut populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus. Sebuah
populasi baru kemudian mengganti populasi tua menggunakan operator diatas, dengan anggota
terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes f(x) adalah fungsi bernilai operasi
real pada kromosom (potensial solusi), bukan gen, sehingga x pada f(x) mengacu pada nilai
numerik diambil oleh kromosom pada saat evaluasi fitnes.
1.2
Rumusan Masalah
Dari latar belakang masalah diatas , maka ingin disimpulkan seberapa akurat ketika metode
Algoritma Genetika diterapkan pada Neural Network untuk memprediksi pergerakan harga Emas
yang ada berdasar data series dari PT ANTAM (www.antam.com).
1.3
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mencari model yang lebih akurat atas hasil prediksinya
dalam menerapkan Genetic Algorithm (GA) pada Neural Network (NN) dengan menentukan
nilai parameter awal yaitu learning rate, momentum dan training cycle dalam memprediksi
pergerakan harga emas .
1.4
1.
Manfaat Penelitian
Manfaat umum dari hasil penelitian ini adalah pelaku moneter yang memerlukan informasi
harga emas dapat menggunakan metode algoritma yang baik dan akurat sebagai alat untuk
memprediksi harga emas.
2.
Manfaat khususnya agar hasil penelitian ini diharapkan dapat memberikan gambaran dan
pemahaman penerapan algoritma prediksi time-series, khusunya NN, pada studi kasus
prediksi harga emas
3
BAB 2
TINJAUAN PUSTAKA
2.1
2.1.1
Penelitian Terkait
Modeling Gold Price via Artificial Neural
Hossein Mombeini and Abdolreza Yazdani-Chamzini menulis bahwa model Neural Network
telah muncul sebagai alat pemodelan yang kuat yang dapat diterapkan untuk berbagai ilmiah dan
atau rekayasa aplikasi, seperti: pola reorganisasi, klasifikasi,pengolahan data, dan pengendalian
proses. Model Neural Network memiliki beberapa kelas unik yang membedakan mereka dari
data lain sistem pengolahan termasuk kemampuan untuk bekerja dengan sukses bahkan ketika
mereka pihak yang rusak, pemrosesan paralel, kemampuan untuk membuat generalisasi, dan
sedikit kerentanan terhadap kesalahan dalam data . Jaringan saraf tiruan mensimulasikan
mekanisme otak manusia untuk menerapkan perilaku komputasi. ANN dikembangkan
berdasarkan jaringan saraf biologis,yang neuron adalah blok bangunan yang dasar. Sebuah
neuron buatan adalah model dari neuron biologis. Sebuah neuron buatan menerima sinyal dari
neuron lain, mengumpulkan sinyal-sinyal ini, dan ketika dipecat, mengirimkan sinyal ke semua
neuron terhubung.
2.1.2
Gold Price Prediction Using Radial Basis Function Neural Network
Dalam penelitian yang dilakukan oleh Shamsul Faisal Mohd Hussein, Mohd Badril Nor Shah,
Mohd Razi Abd Jalal, Shahrum Shah Abdullah dari Faculty of Electrical Engineering Universiti
Teknologi Malaysia (UTM)
menyatakan bahwa Emas adalah logam mulia sekali banyak
digunakan sebagai standar untuk pertukaran moneter tetapi digantikan oleh mata uang kertas
banyak digunakan saat ini. Namun minat perdagangan emas dan investasi telah muncul kembali
baru-baru ini di Malaysia mungkin karena stabilitas harga. Sampel emas yang digunakan sebagai
investasi meliputi Kijang Emas, Dinar Umum dan Gold Umum yang saat ini tersedia untuk
masyarakat umum di Malaysia. Proyek ini akan melibatkan pengembangan sistem untuk
membantu sebuah investor emas dalam menentukan waktu terbaik di masa depan untuk membeli
atau menjual emas. Sistem yang dikembangkan didasarkan pada ada emas data time series dan
algoritma berdasarkan Neural Network. Sistem ini harus mampu untuk memberikan prediksi
harian para penggunanya.
4
Prediksi time series dilakukan berdasarkan hipotesis menyatakan bahwa ada hubungan yang
kompleks yang mendasari antara nilai sekarang dalam seri waktu dan mereka nilai sebelumnya.
Ada 3 kategori prediksi
o Metode Prediksi Obyektif - berdasarkan matematika dan perhitungan statistik
o Metode Prediksi - berdasarkan pendapat ahli
o Ilmu / Metode Prediksi
2.1.3
Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada Prediksi
Loyalitas Pelanggan
Setyoningsih Wibowo Teknik Elektro Universitas PGRI Semarang melakukan penelitian
terhadap loyalitas pelanggan merupakan kesetiaan seseorang terhadap suatu barang atau jasa
tertentu. Tingkat loyalitas pelanggan yang mereka miliki merupakan aset perusahaan yang
berharga nilainya. Namun tingkat loyalitas pelanggan mengalami fluktuasi kepercayaan
pelanggan terhadap pelayanan perusahaan telekomunikasi. Ketatnya persaingan bisnis diantara
perusahaan telekomunikasi ini membuat pelanggan memiliki banyak pelanggan dan dapat
dengan mudah melakukan perpindahan dari satu layanan ke layanan yang lain dari perusahaan
tersebut. Pada penelitian prediksi loyalitas pelanggan dengan menggunakan neural network, ada
beberapa metode yang digunakan tetapi dalam pemilihan fiturnya masih ditentukan sendiri yaitu
dengan menghilangkan beberapa fitur yang dianggap tidak penting atau tidak relevan. Algoritma
genetika adalah salah satu metode pemilihan fitur yang baik, oleh karena itu pemilihan fitur dari
neural network akan dipilih dengan menggunakan algoritma genetika. Neural network dengan
algoritma genetika sebagai pemilihan fiturnya memiliki nilai akurasi yang lebih tinggi
dibandingkan hanya menggunakan neural network. Hal ini terbukti dari peningkatan rata-rata
akurasi untuk neural network sebesar 86.54% dan nilai akurasi rata-rata neural network
dengan algoritma genetika sebesar 90.75% dengan rata-rata selisih akurasi sebesar 4.22%.
5
2.2
2.2.1
Landasan Teori
Neural Network
Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya
mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan,
melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses
yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi
merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak,
mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui
algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini
merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.
Fungsi dari Neural Network diantaranya adalah:
o Pengklasifikasian pola
o Memetakan pola yang didapat dari input ke dalam pola baru pada output
o Penyimpan pola yang akan dipanggil kembali
o Memetakan pola-pola yang sejenis
o Pengoptimasi permasalahan
o Prediksi
Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka
melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu
memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia
berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron
memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot
pada setiap koneksi antar-network.
6
Gambar 1 Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna,
masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk
menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural
network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun
demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di
bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya
di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu
neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield,
model pembelajaran kompetitif, multilayer network, dan teori model resonansi adaptif.
Gambar 2 Struktur Neuron pada otak manusia
Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya
classification, recognition, approximation, prediction, clusterization, memory simulation dan
banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring
berjalannya waktu.
7
2.2.2
Algoritma Propagasi Ba
Balik
Diperkenalkan oleh G.E. Hinton
on, E. Rumelhart dan R.J. Williams pada tahun 1986,
1
merupakan
tipe yang dianggap paling baik (p
(powerfull).
Algoritma belajar BackPropagat
ation atau biasa di kenal algoritma propagasii balik
b
merupakan
algoritma belajar dari jaringann syaraf tiruan, terdiri dari dua proses, feed foward
fo
dan back
propagation dari error-nya. Sela
lama feed foward masing-masing unit masukka
kan menerima (X)
atau sinyal masukkan dari luar,
r, kemudian sinyal tersebut disebarkan masing-m
masing unit pada
hidden layer (Z), masing-masing
ng hidden unit menghitung sesuai dengan fungsi
si aktifasinya. Dan
kemudian mengirim sinyal itu ke masing-masing unit pada output layer untuk menghitung
m
sesuai
dengan fungsi aktifasinya yang
ng akan menghasilkan sinyal keluaran sebagai
ai respon jaringan
dengan adanya pemberian pola in
input tersebut.
Pada propagasi balik
liknya, masing-masing output unit dibandingka
kan dengan hasil
perhitungan aktivasi y dengan nnilai target t untuk mendapatkan error, kemud
udian berdasarkan
error tersebut dilakukan perhitun
ungan terhadap nilai δk. Selanjutnya harga error
or pada output unit
akan disebarkan mundur ke mas
asing-masing unit pada hidden layer. Selanjutny
tnya error tersebut
digunakan untuk memperbaiki fa
faktor pembobot antara unit output dengan unit
it hidden demikian
selanjutnya dicari error dari kel
eluaran hidden untuk memperbaiki faktor pemb
bobot antara unit
input
Gambar 3 Back Propagation
8
o Type : feedforward.
o Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1 output layer.
o Activation function : sigmoid.
o Learning methode : supervised.
o Learning algorithm : backpropagation.
o Penggunaannya : complex logical operations, patten classification, speech
analysis.
2.2.3
Algoritma Genetika
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas mekanisme
evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom antar
individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat
kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat
mempengaruhi proses evaluasi :
1) Kemampuan organisme untuk melakukan reproduksi
2) Keberadaan populasi organisme yang bisa melakukan reproduksi
3) Keberagaman organisme dalam suatu populasi
4) Perbedaan kemampuan untuk survive
Tiga operator yang digunakan oleh algoritma genetika:
1. Seleksi Operator seleksi mengacu pada metode yang digunakan untuk memilih
kromosom yang akan bereproduksi. Fungsi fitnes mengevaluasi setiap kromosom
(kandidat solusi) dan kromosom terbaik, semakin besar solusi terbaik maka akan
dipilih untuk bereproduksi.
2. Crossover Operator crossover yang melakukan rekombinasi, menciptakan dua
keturunan baru dengan cara acak memilih lokus dan bertukar subsequence ke kiri
dan kanan, lokus terdiri dari dua kromosom yang dipilih selama seleksi. Misalnya,
3. dalam representasi biner, dua string 11111111 dan 00000000 bisa akan menyeberang
pada lokus ke enam di masing-masing untuk menghasilkan dua keturunan baru
11111000 dan 00000111.
9
4. Mutasi Operator mutasi acak mengubah bit atau digit pada khususnya lokus dalam
kromosom, namun dengan probabilitas yang sangat kecil. Misalnya, setelah
crossover, string anak 11111000 dapat bermutasi pada lokus ke dua menjadi
10111000. Mutasi memperkenalkan informasi baru untuk kolom genetik dan
melindungi konvergen terlalu cepat terhadap situasi ke optimum lokal. Algoritma
genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang disebut
populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus.
Sebuah populasi baru kemudian mengganti populasi tua menggunakan operator
diatas, dengan anggota terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes
f(x) adalah fungsi bernilai operasi real pada kromosom (potensial solusi), bukan gen,
sehingga x pada f(x) mengacu pada nilai numerik diambil oleh kromosom pada saat
evaluasi fitnes. [4]
2.2.4
Harga Emas sebagai perbandingan moneter
Emas merupakan barang tambang yang bernilai tinggi. Harga emas dunia digunakan sebagai
standar keuangan di banyak negara di dunia. Penggunaan emas dalam bidang moneter dan
keuangan berdasarkan nilai absolut dari emas itu sendiri terhadap berbagai mata uang di seluruh
dunia. Bentuk penggunaan emas dalam bidang moneter lazimnya berupa batangan emas dalam
satuan troy ons atau sebesar 31,1035 gram. Selain dalam bidang moneter dan keuangan, emas
biasa digunakan sebagai perhiasan. Banyak sekali model perhiasan yang terbuat dari campuran
emas dan logam-logam lainnya seperti cincin, gelang, kalung, anting-anting, jam tangan, dan lain
sebagainya.
Saat ini emas merupakan salah satu investasi yang paling digemari, karena nilainya yang
cenderung naik dalam jangka panjang. Banyak model investasi emas seperti emas batangan
maupun investasi emas non fisik. Emas fisik dipasar lokal dihasilkan dari tambang yang ada
tersebar diseluruh Indonesia. Tambang emas local yang terbesar dimiliki oleh Negara melalui
perusahaan BUMN yang bernama PT Aneka Tambang. Tambang emas PT Antam sendiri ada di
Cikotok, di Bogor dan dilokasi lainnya
10
Bank-bank sentral di dunia kini sudah mendiversifikasi cadangan devisa di negara mereka
dengan emas. Tercatat, pembelian emas oleh Bank-bank Sentral global mencapai 534,6 metrik
ton pada 2012 lalu.
World Gold Council melaporkan kepemilikan emas global secara resmi
meningkat menjadi 31.671,4 ton per Maret 2013.
10 Negara yang memiliki cadangan emas terbesar adalah :
1. Amerika Serikat Kepemilikan emas resmi : 8.133,5 ton, Prosentase emas dalam cadangan
devisa : 75,6% AS memiliki volume cadangan emas terbesar pada 1952, ketika cadangannya
mencapai 20.663 ton. Kepemilikan emas jatuh pertama kali di bawah angka 10K pada 1968.
2. Jerman . Kepemilikan emas resmi : 3.391,3 ton, Prosentase emas dalam cadangan devisa :
72,7% Jerman menjual emas di bawah Perjanjian Emas Bank Sentral (Central Bank Gold
Agreement/CBGA) 1 dan 2 untuk keperluan pencetakan koin emas peringatan. Pada tahun
pertama CBGA3 (2008 – 2009), Bundesbank menjual sekitar 6 ton emas, dan telah menjual 4,7
ton emas sejak September 2011. Belum ada perubahan dalam kepemilikan emas Jerman akhirakhir, tetapi Bundesbank mengumumkan pada Januari akan memulangkan semua cadangan fisik
di Paris dan New York Fed.
3. Italia . Kepemilikan emas resmi : 2.451,8 ton, Prosentase emas dalam cadangan devisa :
72,2% Italia tidak menjual emas di bawah CBGA 1 atau 2 dan telah mengumumkan tidak ada
penjualan di bawah CBGA3. Namun pada 2011, bank-bank di Italia meminta Bank of Italy untuk
membeli emas dan meningkatkan neraca mereka menjelang tes stres.
4. Perancis . Kepemilikan emas resmi : 2.435,4 ton, Prosentase emas dalam cadangan devisa :
69,2% Perancis menjual 572 ton emas di bawah CBGA 2,dan di luar perjanjian Perancis
dilakukan transfer sekitar 17 ton kepada Bank for International Settlements sekitar tahun 2004
sebagai bagian dari pembelian saham BIS.
5. Cina Kepemilikan emas resmi : 1.054,1 ton, Prosentase emas dalam cadangan devisa : 1,7%
Emas masih memberikan kontribusi sangat kecil secara prosentase terhadap cadangan devisa
asing China yang mencapai US$ 3,2 triliun dibandingkan dengan rata-rata negara lain
di internasional yang mencapai 10%. Membangun cadangan emas akan sangat penting bagi
11
China dengan melihat pergerakan mata uangnya di dunia internasional. Negara ini juga berharap
untuk membuat cadangan mata uang, menurut Financial Times.
6. Swiss . Kepemilikan emas resmi : 1.040, 1 ton, Prosentase emas dalam cadangan devisa :
10,5% Pada 1997, negara ini mengumumkan proposal penjualan sebagian dari cadangan emas
negara itu karena dinilai sebagai “hal yang diperlukan untuk tujuan kebijakan moneter,” menurut
World Gold Council. Negara ini memiliki surplus sekitar 1.300 ton emas dan mulai menjualnya
pada Mei 2000. 1.170 ton terjual di bawah CB GA1, dan 130 ton yang di bawah CBGA2. Swiss
telah mengumumkan tidak berencana untuk menjual emas di bawah CBGA 3.
7. Rusia Kepemilikan emas resmi : 969,9 ton, Prosentase emas dalam cadangan devisa : 9,8%
Rusia telah membangun cadangan emasnya sejak 2006 untuk diversifikasi cadangan mata uang
asing, dan untuk membantu membangun rubel sebagai mata uang cadangan internasional. Pada
2012, Rusia menambahkan kepemilikan 75 ton cadangan emasnya, yang sebagian besar dibeli
dari dalam negeri.
8. Jepang Kepemilikan emas resmi : 765,2 ton, Prosentase emas dalam cadangan devisa : 3,2%
Cadangan emas Jepang pada 1950 baru mencapai 6 ton. Bank Sentral baru mulai meningkatkan
kepemilikan melalui pembelian emas secara drastis pada 1959, dengan menaikkan pembelian
hingga 169 ton dari tahun sebelumnya. Pada 2011, Bank of Japan menjual cadangan emas negara
tersebut senilai 20 triliun yen untuk meningkatkan perekonomian negara tersebut, dalam rangka
menenangkan investor setelah bencana tsunami dan nuklir.
9. Belanda Kepemilikan emas resmi : 612,5 ton, Prosentase emas dalam cadangan devisa :
59,2% Kembali pada 1999, Belanda mengumumkan di bawah CBGA1 bahwa mereka akan
menjual 300 ton emas selama lima tahun ke depan, tetapi hanya berhasil menjual 235 ton.
Di bawah CBGA2 (2004/2005 – 2008/2009), negara ini mengatakan akan menjual total 165 ton
(yang termasuk 65 ton tersisa dari CBGA1), dan mengumumkan tidak ada penjualan di bawah
CBGA3 (dari 2008/2009-2013/2014).
12
10. India
Kepemilikan emas resmi : 557,7 ton, Prosentase emas dalam cadangan devisa : 9,9% Reserve
Bank of India diketahui membeli International Monetary Fund (IMF) dan menganggap emas
sebagai investasi yang aman, tapi negara ini sangat jarang memberikan mengumumkan rencana
pembelian emasnya. Sementara itu, pemerintah telah berusaha untuk mencegah orang membeli
logam mulia. Hal itu dilakukan karena impor emas dinilai menjadikan India defisit.
2.2.5
Kerangka Pikir
Pada penelitian ini , dataset yang digunakan bersumber dari PT ANTAM (www.antam.com)
dengan mengambil data dari awal bulan Januari tahun 2000 hingga bulan Desember tahun 2014.
Metode yang diusulkan adalah menggunakan Metode Neural Network berbasis Algoritma
Genetika dengan pemilihan parameter untuk meningkatkan akurasi prediksinya sehingga
memprediksikan harga emas yang lebih baik. .
Gambar 2.4 Kerangka Pikir
Penelitian ini menggunakan data time series yang diambil dari www.antam.com yaitu data
perubahan waktu yang
bersifat public
harga mas dari bulan Januari 2000 hingga bulan
13
Desember 2014. Metode yang diusulkan adalah menggunakan Neural Network
(NN)
Backpropagation dalam prediksi harga emas selanjutnya, serta menggunakan Genetic Algorithm
(GA) untuk menentukan nilai parameter yaitu training cycle, learning rate dan momentum
sehingga menjadi lebih optimal dan dapat meningkatkan akurasi yang dihasilkan oleh NN. Untuk
menghitung akurasi dari model yang diusulkan, digunakan Cross Validation pada Rapid Miner
untuk mencari nilai Forecasting Performance (Root Mean Squared Error).
14
BAB 3
METODOLOGI PENELITIAN
3.1
Metode Penelitian
Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai
berikut :
1. Pengumpulan Data
Pengumpulan data merupakan langkah awal pada suatu penelitian. Data yang digunakan pada
penelitian ini adalah berupa data time series.
2. Pengolahan Awal
Pengolahan Awal (Preprocessing) merupakan tahap untuk mempersiapkan data yang telah
diperoleh dari tahap pengumpulan data, yang akan digunakan pada tahap selanjutnya.
3. Metode yang diusulkan
Tahapan ini akan membahas metode yang akan digunakan pada penelitian.
4. Eksperimen dan pengujian
Tahapan in akan membahas tahapan penelitian dan teknik pengujian yang akan digunakan.
5. Evaluasi dan Validasi Penelitian
Tahapan ini akan membahas hasil evaluasi dari eksperimen yang telah digunakan,
menggunakan Cross k-fold validation.
3.2
Pengumpulan Data
Data set yang digunakan pada penelitian ini adalah berupa data time series history harga emas di
PT ANTAM yang diambil dari website resminya www.antam.com. Dataset history harga emas
diambil dari 1 Januari 2000 hingga 31 Desember 2014 yang terdiri dari empat atribut yaitu
tanggal, harga pembukaan, harga penutupan dengan jumlah record data 54736 record data.
15
Adapun dataset real yang belum diolah adalah seperti pada tabel dibawah ini :
Table 1 History harga Emas Harian dari PT ANTAM (www.antam.com)
Date
High
Low
Close
Value
Freq
Avg.
12/30/2014
1,105
1,055
1,065
18,926,062,500
1,001
1,069
12/29/2014
1,120
1,090
1,095
28,700,093,000
1,566
1,102
12/24/2014
1,105
1,025
1,085
72,439,298,500
3,831
1,074
12/23/2014
1,035
980
1,025
45,140,948,000
2,526
1,019
12/22/2014
990
970
985
6,164,993,500
868
981
12/19/2014
980
965
980
5,782,501,500
879
974
12/18/2014
985
965
965
7,776,201,000
1,280
972
12/17/2014
985
960
980
14,592,845,500
1,559
981
12/16/2014
980
945
970
17,791,661,000
1,975
964
12/15/2014
970
955
955
8,327,614,000
946
959
12/12/2014
975
955
970
6,066,086,000
691
966
12/11/2014
970
955
955
5,688,603,500
590
960
12/10/2014
985
965
965
11,345,875,500
885
974
12/9/2014
975
955
965
4,179,338,500
1,158
967
12/8/2014
970
950
960
10,847,965,500
910
957
12/5/2014
990
965
965
11,343,427,500
1,077
972
12/4/2014
995
970
980
11,274,443,500
1,009
982
12/3/2014
1,000
975
975
8,721,093,000
772
983
12/2/2014
1,000
980
985
12,750,492,000
1,150
990
16
3.3
Pengolahan Data Awal (Preprocessing Data)
Untuk mempermudah penggunaan data, maka disederhanakan menjadi 3 kolom saja seperti tabel
dibawah ini :
Table 2 Datasheet yang akan diproses
Date
Value
12/30/2014
1,065
18,926,062,500
12/29/2014
1,095
28,700,093,000
12/24/2014
1,085
72,439,298,500
12/23/2014
1,025
45,140,948,000
12/22/2014
985
6,164,993,500
12/19/2014
980
5,782,501,500
12/18/2014
965
7,776,201,000
12/17/2014
980
14,592,845,500
12/16/2014
970
17,791,661,000
12/15/2014
955
8,327,614,000
12/12/2014
970
6,066,086,000
12/11/2014
955
5,688,603,500
12/10/2014
965
11,345,875,500
12/9/2014
965
4,179,338,500
12/8/2014
dan seterusnya….
3.4
Close
960
dan seterusnya….
10,847,965,500
dan seterusnya….
Metode yang Diusulkan
Metode yang diusulkan pada penelitian ini adalah penggunaan Neural Network (NN) berbasis
Genetic Algorithm (GA) untuk penentuan nilai parameter yaitu nilai training cycle, learning rate
dan momentum yang ada pada NN . Model ini melakukan berbagai analisis data dengan output
yang diinginkan, termasuk analisis data time series. Bobot-bobot dalam model NN biasanya
diinisialisasi secara random dengan nilai-nilai random yang kecil. Jika inisialisasi bobot random
diperoleh nilai yang jauh dari solusi yang baik, atau dekat dengan nilai optimum lokal yang
kurang baik, proses training mungkin akan memerlukan waktu yang cukup lama
17
Basis
Algoritma Genetika memilih berbagai metode optimasi untuk mendapatkan output dengan
kesalahan yang kecil. Menggunakan algoritma genetika yang meminimumkan nilai RMSE.
Proses evolusi pada algoritma genetika meliputi proses seleksi, perkawinan silang (crossover)
dan mutasi terhadap sekelompok individu dalam satu populasi untuk menghasilkan keturunan
yang lebih baik.
Beberapa kriteria yang diatur dalam penggunaan algoritma genetika
diantaranya adalah metode seleksi, teknik kawin silang, probabilitas kawin silang dan mutasi,
serta jumlah generasi. Garis besar pemecahan masalah tersebut digambarkan pada diagram alir
berikut.
Gambar 3.1 Metode yang diusulkan
3.5
Eksperimen dan Pengujian
Untuk eksperimen dan pengujian pada metode yang diusulkan, menggunakan tools software
Rapid Miner 5. Data yang sudah dipersiapkan sebelumnya kemudian dimasukan ke dalam
model yang sudah dibuat dan dimodifikasi sedemikian rupa untuk mendapatkan hasil yang
diinginkan.
18
3.6
Evaluasi dan Validasi Penelitian
Forecasting Performance Accuration digunakan untuk melihat tingkat akurasi yang dihasilkan
dari proposed method. Pada penelitian ini yaitu dengan menggunakan metode Cross k-fold
Validation untuk mencari nilai Root Mean Squared Error (RMSE) yang kemudian hasil dari
akurasi tersebut dievaluasi dengan cara membandingkan tingkat akurasi yang dihasilkan oleh
model tradisional NN dan proposed NN-GA.
19
JADWAL PENELITIAN
Pada penelitian ini, telah ditentukan penjadwalan atas pengumpulan data, pengolahan awal,
evaluasi serta validasi penelitian dilakukan tahun 2015, seperti pada tabel dibawah ini :
Table 3 Jadwal Penelitian
Kegiatan
Februari
1 2 3 4
1
Maret
2 3
Pengumpulan Data
Pengolahan Awal
Evaluasi
Validasi
Penulisan Laporan
20
4
1
April
2 3
4
1
Mei
2 3
4
DAFTAR PUSTAKA
[1] H. M. a. A. Yazdani-Chamzini, "Modeling Gold Price via Artificial Neural Network,"
Journal of Economics, Business and Management, Vol. 3, No. 7, Jul. 2015.
[2] W. D. Jian-hui Yang, "A New Prediction Method of Gold Price: EMD-PSO-SVM ,"
JOURNAL OF SOFTWARE, VOL. 9, NO. 1, Jan. 2014.
[3] M. B. N. S. M. R. A. J. S. S. A. Shamsul Faisal Mohd Hussein, "Gold Price Prediction
Using Radial Basis Function Neural Network," Faculty of Electrical Engineering, Universiti
Teknologi Malaysia (UTM).
[4] S. Wibowo, "NEURAL NETWORK DENGAN ALGORITMA GENETIKA SEBAGAI
PEMILIHAN FITUR PADA PREDIKSI LOYALITAS PELANGGAN," Vol : XXI, No : 2,
2014.
[5] V. Varahrami, "Recognition of good prediction of gold price between MLFF and GMDH
neural network," Journal of Economics and International Finance Vol. 3(4), pp. 204-210,
Apr. 2011.
[6] A. Y. a. A. S. Z. Ismail, "Forecasting Gold Prices Using Multiple Linear Regression
Method," American Journal of Applied Sciences 6 (8): 1509-1514, 2009.
[7] N. S. Pedrudee Ongsritrakul, "Apply Decision Tree and Support Vector Regression to
Predict the Gold Price," Department of Computer Science. Faculty of Science.
[8] A. G. M. MaryMalliaris, "Time Series andvNeuralvNetworksvComparisonon Gold, Oil and
the Euro," in Proceedings of International JointConferenceon Neural Networks, , June 1419, Atlanta, Georgia, USA, 2009.
[9] E. 0. B. a. J. E. Dayhoff, "Neural Network Training Techniques for a Gold Trading Model".
[10] S. W. Dechun Huang, "The Real Diagnosis Analysis of The Correlation Relations Between
USD Index & Gold Price," 2010 Sixth International Conference on Natural Computation
21
(ICNC 2010), 2010.
[11] C. J. Rongda, "Analysis on the Impact of the Fluctuation of the International Gold Prices on
the Gold Stocks in Chinese Shanghai and Shenzhen A-share," in 2013 Sixth International
Conference on Business Intelligence and Financial Engineering.
[12] S. M. Mahsa KangaraniFarahani, "Comparison Between Artificial Neural Network and
Neuro-Fuzzy for Gold Price Prediction," in 13th Iranian Conference on Fuzzy Systems
(IFSC), 2013.
[13] J. Shuai, "Research on WNN Modeling for Gold Price Forecasting Based on Improved
Artificial Bee Colony Algorithm," Volume 2014, Article ID 270658,10 pages.
[14] X. S. a. S. H. Erik 0. Brauner and Judith E. Dayhoff, "Neural Network Training Techniques
for a Gold Trading Model".
22