Implementasi Artificial Neural Network Backpropagation untuk Prediksi Harga Emas Menggunakan Algoritma Levenberg Marquardt.

ABSTRAK

Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan bagi para investor. Namun dalam prakteknya prediksi tersebut sulit dilakukan karena begitu banyak data yang diproses. Dalam tugas akhir ini penulis mengembangkan sebuah sistem yang menerapkan Artificial Neural Network (ANN) dengan metode Backpropagation (BP) dengan penambahan algoritma Levenberg Marquardt (LM) untuk pembentukan model dan pengujian. Pembentukan model dengan cara training dan testing yang dilakukan menggunakan data harga emas dari sebuah website penjualan emas berskala internasional. Data tersebut digunakan untuk proses training pada algoritma ANN-BP LM dengan tujuan menghasilkan nilai bobot-bobot yang optimal, dimana nilai tersebut digunakan untuk proses testing dan menghasilkan nilai prediksi dari harga emas. Penelitian ini menyajikan pembahasan mengenai performansi dan tingkat keakuratan yang dihasilkan algoritma ANN-BP LM dari proses testing dan prediksi. Pada tahap training, parameter yang digunakan untuk ANN-BP LM mencakup pada banyak pola kombinasi yaitu, jumlah data historis, jumlah hidden neuron, nilai parameter Levenberg Marquardt, nilai parameter beta, dan jumlah iterasi. Hasilnya akan didapatkan dengan memasukkan beberapa pola nilai kombinasi parameter tersebut dan didapatkan kombinasi parameter yang optimal yaitu jumlah data historis=5; jumlah hidden neuron=6; nilai parameter Levenberg Marquardt=0,4; nilai parameter beta=5; dan jumlah iterasi=400. Prediksi harga emas yang dihasilkan dari algoritma ANN-BP LM dengan kombinasi parameter yang optimal tersebut menghasilkan skor Mean Squared Error (MSE) latih terbaik sebesar 0,00010704 dan skor MSE testing terbaik 0,70524 dalam pengujian ini. Nilai selisih rata-rata tertinggi antara data output dan data prediksi sebesar 0,028746 dicapai oleh data historis=4.

Kata Kunci _{: Artificial Neural Network(ANN), Backpropagation(BP), Levenberg} Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.

ABSTRACT

Gold price prediction is a very important issue in determining decision-making in the mining trade. Accurate prediction for mining can provide benefits for investors. However in practice these predictions is difficult because so much data should be processed. In this final project, the author tries to develop a system which applies Artificial Neural Network (ANN) with backpropagation method (BP) using Levenberg Marquardt algorithm for modeling and testing. The formation of the model by training and testing were performed using a gold price data from an international gold sales website. These data is used for the process of training the ANN-BP LM algorithm by goal of generating the value of optimal weights, where the value is used for the testing process and generate the predictive value of the gold price. This research presents a discussion about the performance and the accuracy of the resulting ANN-BP LM algorithm of the process of testing and prediction. In the training phase, important parameters used for the ANN-BP LM include the number of pattern combinations are explored, i.e.: the number of historical data, the number of hidden neurons, Levenberg Marquardt parameter value, the value of the parameter beta, and the number of iterations. The result will be obtained by entering some patterns combined value of these parameters and obtained optimal combination of the parameters, namely the number of historical data = 5; number of hidden neurons = 6; Levenberg Marquardt parameter value = 0.4; the value of the parameter beta = 5; and the number of iterations = 400. Gold price predictions that generated from ANN-BP LM algorithm with the optimal combination of parameters produces Mean Squared Error scores (MSE) of 0.00010704 best trained and best testing 0.70524 MSE scores in this test. Value of the difference between the highest average output data and data predicted by 0.028746 achieved by historical data = 4.

Keywords : Artificial Neural Network (ANN), Backpropagation (BP), Levenberg Marquardt (LM), the price of gold, Mean Squared Error (MSE), prediction.

DAFTAR ISI

ABSTRAK ... vi

ABSTRACT ... vii

DAFTAR ISI ... viii

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xii

DAFTAR KODE RUMUS... xiii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang... 1

1.2 Rumusan Masalah ... 3

1.3 Tujuan ... 3

1.4 Batasan Masalah ... 3

1.5 Sistematika Pembahasan ... 4

BAB II LANDASAN TEORI ... 6

2.1 Hasil Tambang ... 6

2.2 Emas ... 6

2.3 Artificial Neural Network (ANN) ... 7

2.3.1 Definisi Artificial Neural Network ... 7

2.3.2 Arsitektur Artificial Neural Network ... 9

2.3.3 Artificial Neural Network Backpropagation (ANN-BP) ... 10

2.4 Levenberg Marquardt Algorithm ... 20

2.5 Prediksi atau Peramalan ... 24

2.5.1 Jenis dan Metode Peramalan ... 24

2.6 Data Time Series ... 26

2.7 Prediksi Time Series ... 27

BAB III ANALISIS DAN DESAIN ... 29

3.1 Deskripsi Sistem ... 29

3.2.1 Perancangan Data ... 30

3.2.1.1 Data Training yang Digunakan ... 31

3.2.1.2 Data Testing yang Digunakan ... 32

3.2.2 Preprocessing dan Postprocessing ... 33

3.2.3 Spesifikasi Perangkat Keras dan Perangkat Lunak ... 36

3.2.4 Pengguna ... 37

3.2.5 Use Case Diagram ... 37

3.2.5.1 Definisi Use Case Diagram ... 38

3.2.5.2 Skenario Use Case Diagram ... 39

3.3 Perancangan Pembangunan Perangkat Lunak ... 40

3.3.1 Diagram Kelas ... 40

3.3.2 Activity Diagram Input File Data Training Harga Emas ... 43

3.3.3 Activity Diagram Proses Training Data Harga Emas ... 44

3.3.4 Activity Diagram Input File Data Testing Harga Emas ... 45

3.3.5 Activity Diagram Proses Testing Data Harga Emas ... 46

3.3.6 Perancangan Antar Muka Aplikasi ... 47

3.4 Pembangunan ANN-BP LMA untuk Proses Training ... 47

3.5 Pengukuran Performansi Sistem ... 52

BAB IV PENGEMBANGAN PERANGKAT LUNAK ... 54

4.1 Implementasi Class/Modul ... 54

4.1.1 Modul Gui ... 54

4.1.2 Modul Learning ... 54

4.1.3 Modul Tes ... 60

4.2 Implementasi Antarmuka Aplikasi ... 62

BAB V PENGUJIAN DAN EVALUASI SISTEM ... 65

5.1 Skenario Pelatihan dan Pengujian Sistem ... 65

5.1.1 Tujuan Pengujian ... 65

5.1.2 Skenario Pengujian ... 65

5.1.2.1 Pengujian dan Observasi Parameter ANN BP LMA yang Optimal ... 65

5.1.2.2 Pengujian dan Observasi pada Data yang Diprediksi ... 66

5.2 Analisis Hasil Pengujian... 66

5.2.1 Skenario Pengujian terhadap Kombinasi Parameter... 66

5.2.1.1 Skenario ... 66

5.2.2 Analisis Kombinasi Parameter ANN-BP LMA ... 67

5.2.3 Analisis Parameter pada Skenario Training ... 67

5.2.3.1 Pengaruh Banyaknya Neuron pada Input Layer 68 5.2.3.2 Pengaruh Jumlah Hidden Neuron ... 68

5.2.3.3 Pengaruh Parameter Levenberg Marquardt ... 69

5.2.3.4 Pengaruh Banyaknya Nilai Beta ... 70

5.2.3.5 Pengaruh Jumlah Iterasi ... 71

5.2.4 Analisis Parameter untuk Data Prediksi ... 72

5.2.5 Hasil Pengujian pada Data Training dan Data Testing ... 74

5.2.6 Pengujian Training pada ANN BP dan ANN BP LM ... 75

5.2.7 Pengujian Prediksi Data Riil dengan Nilai Testing yang Sedikit ... 76

BAB VI KESIMPULAN DAN SARAN ... 78

6.1 Kesimpulan ... 78

6.2 Saran ... 79

DAFTAR GAMBAR

Gambar 2.1 Sebuah Sel Syaraf (Neuron) Manusia (Suyanto, 2008: p60)... 8

Gambar 2.2 Model Non Linier Neuron (Suyanto, 2008: p63)... 8

Gambar 2.3 Arsitektur SLFN (Suyanto, 2008: p71) ... 9

Gambar 2.4 Arsitektur MLP (Suyanto, 2008: p72)... 10

Gambar 2.5 Arsitektur RNN dengan Hidden Layer (Suyanto, 2008: p73) ... 10

Gambar 3.1 Deskripsi Umum Sistem ANN BP LMA ... 29

Gambar 3.2 Data 3 Histori Latih ... 32

Gambar 3.3 Data 3 Histori Testing ... 33

Gambar 3.4 Use Case Diagram Aplikasi Peramalan Harga Emas ... 38

Gambar 3.5 Class Diagram Aplikasi Peramalan Harga Emas ... 41

Gambar 3.6 Activity Diagram Input File Data Training Harga Emas ... 43

Gambar 3.7 Activity Diagram Proses Training Data Harga Emas ... 44

Gambar 3.8 Activity Diagram Input File Data Testing Harga Emas ... 45

Gambar 3.9 Activity Diagram Proses Testing Data Harga Emas... 46

Gambar 3.10 Perancangan Antar Muka Aplikasi ... 47

Gambar 3.11 Flowchart Proses Training ANN-BP LMA ... 48

Gambar 4.1 Implementasi Antarmuka Aplikasi Prediksi Harga Emas ... 62

Gambar 5.1 Grafik MSE Latih pada Input Layer ... 68

Gambar 5.2 Grafik MSE Latih pada Hidden Neuron... 69

Gambar 5.3 Grafik MSE Latih pada LM ... 70

Gambar 5.4 Grafik MSE Latih pada Parameter Beta ... 70

Gambar 5.5 Grafik MSE Latih pada Jumlah Iterasi ... 71

Gambar 5.6 Grafik Standar Deviasi pada Data Historis... 72

Gambar 5.7 Grafik Rata-Rata pada Data Historis ... 73

DAFTAR TABEL

Tabel 3.1 Tabel Komposisi yang akan Digunakan ... 31

Tabel 3.2 Contoh Data Harga Emas Normal ... 35

Tabel 3.3 Contoh Data Harga Emas Normalisasi ... 35

Tabel 3.4 Matriks Input dan Output yang Digunakan untuk ANN-BP LMA 36 Tabel 3.5 Definisi Use Case Diagram ... 38

Tabel 3.6 Deskripsi Use Case Training Data Harga Emas ... 39

Tabel 3.7 Deskripsi Use Case Testing Data Harga Emas ... 39

Tabel 3.8 Deskripsi Kelas Gui ... 41

Tabel 3.9 Deskripsi Kelas Learning ... 42

Tabel 3.10 Deskripsi Kelas Test ... 42

Tabel 4.1 Keterangan Komponen pada Antarmuka Aplikasi ... 62

Tabel 5.1 Kombinasi Parameter ... 67

Tabel 5.2 Hasil Training ... 74

Tabel 5.3 Hasil Testing ... 75

Tabel 5.4 Tabel Perbandingan hasil Training ANN BP dan ANN BP LMA 75 Tabel 5.5 Hasil Testing pada Tiga Buah Data Riil Historis Testing ... 77

DAFTAR KODE RUMUS

Kode Rumus 2.1 Persamaan Keluaran Hidden Layer ... 12

Kode Rumus 2.2 Persamaan untuk Output Layer ... 13

Kode Rumus 2.3 Persamaan untuk Error dari Jaringan ... 14

Kode Rumus 2.4 Persamaan untuk MSE ... 14

Kode Rumus 2.5 Perhitungan Mundur ... 15

Kode Rumus 2.6 Perbaikan Bobot Jaringan ... 19

Kode Rumus 2.7 Presentasi Bobot Jaringan ... 19

Kode Rumus 2.8 Matriks Jacobian ... 21

Kode Rumus 2.9 Faktor Kesalahan Neuron Output... 21

Kode Rumus 2.10 Matriks Error ... 22

Kode Rumus 2.11 Bobot Jaringan Baru ... 22

Kode Rumus 2.12 Rumus MSE ... 22

Kode Rumus 2.13 Nilai Gradient ... 23

Kode Rumus 3.1 Persamaan Preprocessing ... 34

Kode Rumus 3.2 Persamaan Postprocessing... 34

Kode Rumus 3.3 Kesalahan Unit Output ... 50

Kode Rumus 3.4 Vektor Kesalahan ... 50

BAB I

PENDAHULUAN

1.1 Latar Belakang

Emas dahulu merupakan alat pembayaran transaksi ekonomi yang digunakan di suatu negara dengan negara lainnya. Sebagai alat tukar, emas dahulu memegang pengaruh yang sangat signifikan dalam perekonomian lokal dan internasional. Dalam perdagangan internasional, nilai emas yang terkandung bisa saja berbeda harga per-ounce-nya, untuk menjembataninya tukar menukar kandungan nilai emas di negara satu dengan negara yang lainnya maka dibutuhkan patokan yang digunakan secara global yaitu aturan perhitungan per-ounce emas menggunakan karat yang banyak diperdagangkan dengan penilaian kadar kandungan emas murni yang ada di dalamnya.

Emas juga merupakan salah satu produk investasi yang paling diminati karena sifatnya yang cenderung mengalami kenaikan. Meskipun harga emas cenderung mengalami kenaikan, tidak menutup kemungkinan harga emas tersebut akan mengalami penurunan. Untuk menjaga stabilitas keuangan sekaligus menginvestasikan kekayaan, masyarakat cenderung melakukan penyimpanan emas. Selain sebagai produk investasi jangka panjang, emas juga dimanfaatkan sebagai salah satu barang yang diperjualbelikan. Hampir semua investor di seluruh dunia lebih memilih emas daripada uang untuk berinvestasi karena dianggap nilai tukarnya lebih stabil dan menjanjikan.

Banyak elemen penting yang harus diperhatikan untuk berinvestasi pada komoditi hasil tambang berupa emas ini, termasuk orang yang melakukan perdagangan (trader) dan perdagangan yang ada di dalamnya. Untuk memahami perdagangan komoditi hasil tambang perlu memperhatikan pendekatan 5W (Who, What, Why, When, dan Where) dan 1H (How). Siapa yang terlibat dalam perdagangan? Apa yang terjadi di pasar? Mengapa harga pasar perdagangan komoditi hasil tambang bergerak naik turun? Kapan para market mover memulai aktivitasnya? Di mana keberadaan para market mover ini? Dan bagaimana seorang trader dapat memetakan analisa untuk memahami bagaimana pasar perdagangan

2

komoditi hasil tambang terutama emas yang bergerak pada suatu momentum tertentu? Dengan menggunakan pendekatan ini seorang trader harus menjadi seseorang yang ahli dalam menganalisis prediksi pergerakan pasar. Memprediksi pergerakan pasar emas perlu dilakukan untuk memperkirakan kondisi pada masa yang akan datang. Salah satu metode untuk memprediksi harga emas yaitu Time Series Forecasting. Time Series Forecasting merupakan langkah untuk mengetahui sebuah nilai pada masa yang akan datang, dimana pengamatan pada metode Time Series dilakukan berdasarkan runut waktu. Untuk mengolah data time series diperlukan suatu sistem yang dapat memprediksi harga emas sehingga dapat menentukan tindakan penjualan atau pembelian.

Dalam melakukan prediksi data time series ada beberapa algoritma yang dapat digunakan, diantaranya adalah algoritma Artificial Neural Network Backpropagation (ANN-BP) yang dioptimasi dengan algoritma Levenberg Marquardt. Algoritma tersebut dipilih karena ANN memiliki kemampuan belajar (bersifat adaptif) dan kebal terhadap adanya kesalahan (fault tolerance) dengan kelebihan tersebut ANN-BP dapat mewujudkan sistem yang tahan akan kerusakan (robust) dan konsisten bekerja dengan baik (Hermawan, 2005).

Metode Artificial Neural Network (ANN) telah banyak digunakan sebagai metode peramalan, untuk meramal kejadian masa datang berdasarkan pola kejadian yang ada di masa lampau. Selain itu ANN mampu mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya (Agustin, 2012, p90). Penambahan ANN dengan menerapkan model ANN Backpropagation (ANN-BP) dapat mendukung dari proses belajar ANN sendiri. Algoritma Backpropagation (BP) digunakan karena merupakan salah satu metode learning yang populer yang mampu menangani masalah learning dengan skala besar dan merupakan metode learning yang paling banyak digunakan dan dipelajari (Ramadhani, 2013). Untuk menangani kekurangan dalam ANN-BP maka digunakan Levenberg-Marquardt Algorithm (LMA) untuk mempercepat proses pelatihan. Metode training LMA ini hanya membutuhkan jumlah iterasi yang lebih sedikit dibandingkan metode training Backpropagation (BP) saja dalam mencapai error minimum. Hal ini dikarenakan metode BP memerlukan training rate yang kecil untuk menghindari osilasi (Ramadhani, 2013).

3

Dalam Tugas Akhir ini dikembangkan suatu sistem yang menggunakan ANN-BP LMA dalam menentukan prediksi harga emas. Prediksi ini dapat menentukan tindakan trader untuk melakukan penjualan atau pembelian komoditi hasil tambang. Sehingga dapat maksimalkan lagi keputusan trader di samping untuk menambah keuntungan dan meminimalisir kerugian di masa yang akan datang.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah yang telah dikemukakan sebelumnya, maka masalah yang dibahas dalam tugas akhir ini adalah bagaimana menerapkan ANN-BP dan LMA untuk memprediksi harga emas pada data time series.

1.3 Tujuan

Tujuan dari tugas akhir ini adalah :

1. Menerapkan ANN-BP dan LMA untuk prediksi harga emas pada data time series.

2. Menerapkan Levenberg Marquardt Algorithm (LMA) sebagai algoritma pelatihan dalam ANN-BP.

3. Menentukan nilai parameter-parameter yang sesuai, agar ditemukan kombinasi formula parameter terbaik untuk ANN-BP LMA.

4. Menganalisis performansi ANN-BP LMA dalam prediksi harga emas.

1.4 Batasan Masalah

Batasan masalah dari tugas akhir ini adalah :

1. Data yang digunakan sebagai data training dan testing adalah data yang dikeluarkan oleh www.kitco.com yaitu data harga rata-rata perbulan dari periode Januari 1975 – Juli 2011.

2. Daftar harga emas yang digunakan adalah emas 24 karat dengan satuan nilai mata uang yang dipakai adalah dollar per ounce –nya.

4

3. Data input dan output berupa daftar harga emas yang telah dilakukan proses preprocessing.

4. Data output berupa data normalisasi hasil prediksi nilai emas 24 karat/emas murni.

5. Faktor perubahan nilai harga emas dari pengaruh sosial, politik, dan budaya di luar pembahasan dari simulasi yang telah dibuat.

1.5 Sistematika Pembahasan

Sistematika penulisan yang akan ditulis dalam penyusunan tugas akhir ini merupakan suatu rancangan yang secara garis besar menggambarkan keseluruhan dari isi tugas akhir yang mana terdiri atas enam (6) bab, yaitu :

BAB I : PENDAHULUAN

Bab ini menjelaskan suatu gambaran secara umum mengenai penyusunan tugas akhir, yang terdiri atas latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika pembahasan yang akan diangkat pada penyusunan tugas akhir tersebut.

BAB II : LANDASAN TEORI

Bab ini berisi berbagai pengertian terhadap istilah-istilah yang digunakan di dalam penulisan laporan Tugas Akhir ini dan juga sejumlah teori yang relevan untuk mendukung kegiatan penelitian yang dilakukan.

BAB III : ANALISIS DAN DESAIN SISTEM

Bab ini terdiri atas analisis, gambaran keseluruhan dan desain perangkat lunak yang akan dikembangkan.

5

BAB IV : PENGEMBANGAN PERANGKAT LUNAK

Bab ini terdiri atas implementasi seluruh hasil rancangan di bab 3, mulai dari implementasi class/modul, simpanan data sampai dengan antar muka.

BAB V : TESTING DAN EVALUASI SISTEM

Bab ini terdiri atas rencana pengujian yang terdiri atas test case dan pelaksanaan pengujian yang dapat menggunakan salah satu atau kedua metode yaitu White Box maupun Black Box.

BAB VI : KESIMPULAN DAN SARAN

Bab ini berisikan kesimpulan yang diperoleh dari pembahasan masalah yang telah dilakukan pada bab sebelumnya serta beberapa saran yang coba disampaikan oleh penyusun.

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pembahasan yang dilakukan maka dapat diperoleh kesimpulan sebagai berikut:

1. Perancangan data harga emas normalisasi dengan cara preprocessing sebelum melakukan proses training dan testing telah berhasil diterapkan. Hal ini dilakukan agar dapat memberikan keteraturan range data yang digunakan dalam pemrosesan training dan testing. (Subbab 3.2.2)

2. Pada metode Artificial Neural Network Backpropagation dengan algoritma

Levenberg Marquardt pada tahap training menggunakan

parameter-parameter optimal agar dapat mempelajari pola-pola pada data training, memperoleh nilai error serendah mungkin, dan menghasilkan bobot-bobot terbaik. Bobot terbaik tersebut disimpan dan digunakan kembali untuk tahap testing untuk memperoleh nilai error dan hasil peramalan dengan akurasi tinggi. Nilai Mean Absolute Percent Error (MAPE) yang semakin tinggi mendekati nilai 100, maka semakin tinggi pula nilai akurasinya. (lihat Tabel 5.2)

3. Kombinasi terbaik pada kasus ini untuk skenario yang telah diuji adalah dengan menggunakan struktur histori data yang digunakan = 5; jumlah hiddenneuron pada hiddenlayer = 6; nilai parameter levenberg-marquardt = 0.4; nilai parameter beta = 5; jumlah iterasi = 400. Pada struktur ini diperoleh nilai MSE latih terbaik sebesar 0,00010704 dan MSE testing terbaik 0,70524. (Subbab 5.2.3.1 - 5.2.3.5)

4. Berdasarkan pengaruh jumlah iterasi yang terbaik, yaitu menggunakan iterasi sebanyak 400. Nilai tersebut digunakan karena menghindari kondisi overweight dan over-fit. (Subbab 5.2.3.5)

79

5. Nilai selisih tertinggi dari rata-rata nilai beberapa data historis tersebut diperoleh dari data historis 4 sebesar = 0,028746. Hal ini menunjukkan prediksi pada data historis 4 kurang baik dibandingkan dengan data historis lain. Namun, nilai tersebut masih dapat diterima sebagai nilai prediksi secara umum menggunakan metode ANN BP-LM tersebut karena masih dibawah nilai standar deviasi terbaik sebesar = 0,153944 pada data historis 4. (Gambar 5.6 dan Gambar 5.8)

6. Pengujian dengan file testing data riil yang akan diprediksi dimana data tersebut memiliki data yang sedikit, maka pada proses prediksi diharuskan memiliki jumlah kolom yang sama antara file training dan file testing, walaupun tidak memiliki jumlah baris yang sama diantara dua file tersebut agar dapat memprediksi data kedepan secara optimal. (Subbab 5.2.7)

7. Metode Artificial Neural Network Backpropagation dengan algoritma

Levenberg Marquardt sebagai metode training dan testing dapat diimplementasikan untuk memprediksi harga emas ditinjau dari nilai MSE yang kecil dan nilai akurasi yang baik. (lihat Tabel 5.2, Tabel 5.4, dan Tabel 5.5)

6.2 Saran

Beberapa saran yang diajukan dengan kemungkinan untuk dilakukan pengembangan selanjutnya agar aplikasi untuk prediksi harga emas dengan menggunakan ANN BP LM dapat digunakan secara optimal dan efisien. Saran-saran yang dapat dikembangkan dikemudian waktu adalah sebagai berikut :

1. Untuk menentukan parameter-parameter yang optimal pada ANN-BP LMA

dapat digunakan suatu algoritma tambahan, misalnya Algoritma Genetika.

2. Pengembangan lebih lanjut disarankan untuk melakukan proses

preprocessing data dan input data yang akan diprediksi bukan dari file excel, melainkan langsung dari aplikasi.

3. Model prediksi dengan menggunakan ANN-BP LMA ini dapat

dikembangkan dengan menggunakan aplikasi selain desktop, misalnya web-based agar dapat diakses di mana saja selama ada koneksi jaringan internet.

80

4. Dapat dikembangkan lagi bukan hanya untuk memprediksi harga emas namun juga dapat digunakan untuk prediksi mata uang, saham, dan nilai nominal lainnya.

5. Ketika melakukan post-processing data dari hasil prediksi ANN-BP LMA

terdapat kesulitan dalam denormalisasi data yaitu terjadi galat antara hasil prediksi dan nilai normalisasi pada file excel. Hal ini terjadi karena data mengalami perubahan saat nilai hasil preprocessing pada file excel yang dibaca oleh program adalah nilai pembulatan keatas dan untuk melakukan post-processing diambil dari hasil prediksi.

DAFTAR PUSTAKA

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Edisi Kesatu. Jakarta:

Fakultas Ekonomi Universitas Indonesia.

Away, Gunaidi Abdia. 2010. The Shortcut of MATLAB Programming. Bandung:

Informatika Bandung.

G. Zhang, B.E. Pattuwo, and M.Y. Hu. 1998. Forecasting with Artificial Neural Networks: The State of the Art. International Journal of Forecasting Vol. 14.

Hagan, Martin T., and Menhaj, Mohammad B. 1994. Training Feed-forward

Networks with the Marquardt Algorithm. IEEE Transaction on Neural Networks Vol. 5.

Hanke, John, E. Wichern, and Dean, W. 2005. Business Forecasting. 8th _Edition.

New Jersey: Prentice Hall.

Harsono, Imam Tri. 2011. Analisis dan Implementasi Elman Recurrent Neural

Netwok dan Tabu Search pada Prediksi Harga Perak. Bandung: Institut Teknologi Telkom.

Hartman, Howard L. 1987. Introductory Mining Engineering. New York: John

Wiley & Sons.

Haykin, Simon. 1994. Neural Networks: A Comprehensive Foundation. New York:

Macmillan Publishing Company.

Hermawan, A. 2005. Jaringan Syaraf Tiruan-Teori dan Aplikasi .Yogyakarta:

Andi.

Makridakis, S. et al. 1999. Metode dan Aplikasi Peramalan. Edisi Kedua. Jilid 1.

Jakarta: Binarupa Aksara.

Nasution, Arman Hakim. 2003. Perencanaan dan Pengendalian Produksi. Jakarta:

Guna Widya.

Nigrin, A. 1993. Neural Networks for Pattern Recognition. Cambridge, MA: The

MIT Press.

Prasetyo. 2013. Emas – Sifat Fisik Emas.

http://www.mineraltambang.com/artikel-emas.html, 13 Januari 2013, diakses 14 Januari 2015.

Ramdhani, Imaniar. 2013. Prediksi Nilai Tukar Multi Currency Menggunakan

Analisis Korelasi dan Backpropagation Artificial Neural Network. Bandung: Universitas Telkom.

82

Suyanto. 2008. Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung:

Informatika Bandung.

Suyanto. 2011. Artificial Intelligence Searching, Reasoning, Planning and

Learning. Edisi revisi. Bandung: Informatika Bandung.

Subagyo, Pangestu. 2002. Konsep dan Aplikasi Forecasting. Edisi Kedua.

Yogyakarta: BPFE Yogyakarta.

Wilamowski, Bogdan M., Fellow., IEEE., and Yu, Hao. 2010. Improved

Computation for Levenberg-Marquardt Training. IEEE Transactions on Neural Network, Vol. 21.

BAB IV : PENGEMBANGAN PERANGKAT LUNAK

Bab ini terdiri atas implementasi seluruh hasil rancangan di bab 3, mulai dari implementasi class/modul, simpanan data sampai dengan antar muka.

BAB V : TESTING DAN EVALUASI SISTEM

Bab ini terdiri atas rencana pengujian yang terdiri atas test case dan pelaksanaan pengujian yang dapat menggunakan salah satu atau kedua metode yaitu White Box maupun Black Box.

BAB VI : KESIMPULAN DAN SARAN

Bab ini berisikan kesimpulan yang diperoleh dari pembahasan masalah yang telah dilakukan pada bab sebelumnya serta beberapa saran yang coba disampaikan oleh penyusun.

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pembahasan yang dilakukan maka dapat diperoleh kesimpulan sebagai berikut:

1. Perancangan data harga emas normalisasi dengan cara preprocessing sebelum melakukan proses training dan testing telah berhasil diterapkan. Hal ini dilakukan agar dapat memberikan keteraturan range data yang digunakan dalam pemrosesan training dan testing. (Subbab 3.2.2)

2. Pada metode Artificial Neural Network Backpropagation dengan algoritma Levenberg Marquardt pada tahap training menggunakan parameter-parameter optimal agar dapat mempelajari pola-pola pada data training, memperoleh nilai error serendah mungkin, dan menghasilkan bobot-bobot terbaik. Bobot terbaik tersebut disimpan dan digunakan kembali untuk tahap testing untuk memperoleh nilai error dan hasil peramalan dengan akurasi tinggi. Nilai Mean Absolute Percent Error (MAPE) yang semakin tinggi mendekati nilai 100, maka semakin tinggi pula nilai akurasinya. (lihat Tabel 5.2)

3. Kombinasi terbaik pada kasus ini untuk skenario yang telah diuji adalah dengan menggunakan struktur histori data yang digunakan = 5; jumlah hidden neuron pada hidden layer = 6; nilai parameter levenberg-marquardt = 0.4; nilai parameter beta = 5; jumlah iterasi = 400. Pada struktur ini diperoleh nilai MSE latih terbaik sebesar 0,00010704 dan MSE testing terbaik 0,70524. (Subbab 5.2.3.1 - 5.2.3.5)

4. Berdasarkan pengaruh jumlah iterasi yang terbaik, yaitu menggunakan iterasi sebanyak 400. Nilai tersebut digunakan karena menghindari kondisi overweight dan over-fit. (Subbab 5.2.3.5)

5. Nilai selisih tertinggi dari rata-rata nilai beberapa data historis tersebut diperoleh dari data historis 4 sebesar = 0,028746. Hal ini menunjukkan prediksi pada data historis 4 kurang baik dibandingkan dengan data historis lain. Namun, nilai tersebut masih dapat diterima sebagai nilai prediksi secara umum menggunakan metode ANN BP-LM tersebut karena masih dibawah nilai standar deviasi terbaik sebesar = 0,153944 pada data historis 4. (Gambar 5.6 dan Gambar 5.8)

6. Pengujian dengan file testing data riil yang akan diprediksi dimana data tersebut memiliki data yang sedikit, maka pada proses prediksi diharuskan memiliki jumlah kolom yang sama antara file training dan file testing, walaupun tidak memiliki jumlah baris yang sama diantara dua file tersebut agar dapat memprediksi data kedepan secara optimal. (Subbab 5.2.7)

7. Metode Artificial Neural Network Backpropagation dengan algoritma Levenberg Marquardt sebagai metode training dan testing dapat diimplementasikan untuk memprediksi harga emas ditinjau dari nilai MSE yang kecil dan nilai akurasi yang baik. (lihat Tabel 5.2, Tabel 5.4, dan Tabel 5.5)

6.2 Saran

Beberapa saran yang diajukan dengan kemungkinan untuk dilakukan pengembangan selanjutnya agar aplikasi untuk prediksi harga emas dengan menggunakan ANN BP LM dapat digunakan secara optimal dan efisien. Saran-saran yang dapat dikembangkan dikemudian waktu adalah sebagai berikut :

1. Untuk menentukan parameter-parameter yang optimal pada ANN-BP LMA dapat digunakan suatu algoritma tambahan, misalnya Algoritma Genetika. 2. Pengembangan lebih lanjut disarankan untuk melakukan proses

preprocessing data dan input data yang akan diprediksi bukan dari file excel, melainkan langsung dari aplikasi.

3. Model prediksi dengan menggunakan ANN-BP LMA ini dapat dikembangkan dengan menggunakan aplikasi selain desktop, misalnya web-based agar dapat diakses di mana saja selama ada koneksi jaringan internet.

80

4. Dapat dikembangkan lagi bukan hanya untuk memprediksi harga emas namun juga dapat digunakan untuk prediksi mata uang, saham, dan nilai nominal lainnya.

5. Ketika melakukan post-processing data dari hasil prediksi ANN-BP LMA terdapat kesulitan dalam denormalisasi data yaitu terjadi galat antara hasil prediksi dan nilai normalisasi pada file excel. Hal ini terjadi karena data mengalami perubahan saat nilai hasil preprocessing pada file excel yang dibaca oleh program adalah nilai pembulatan keatas dan untuk melakukan post-processing diambil dari hasil prediksi.

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Edisi Kesatu. Jakarta: Fakultas Ekonomi Universitas Indonesia.

Away, Gunaidi Abdia. 2010. The Shortcut of MATLAB Programming. Bandung:

Informatika Bandung.

G. Zhang, B.E. Pattuwo, and M.Y. Hu. 1998. Forecasting with Artificial Neural

Networks: The State of the Art. International Journal of Forecasting Vol. 14.

Hagan, Martin T., and Menhaj, Mohammad B. 1994. Training Feed-forward

Networks with the Marquardt Algorithm. IEEE Transaction on Neural Networks Vol. 5.

Hanke, John, E. Wichern, and Dean, W. 2005. Business Forecasting. 8th _Edition.

New Jersey: Prentice Hall.

Harsono, Imam Tri. 2011. Analisis dan Implementasi Elman Recurrent Neural

Netwok dan Tabu Search pada Prediksi Harga Perak. Bandung: Institut Teknologi Telkom.

Hartman, Howard L. 1987. Introductory Mining Engineering. New York: John

Wiley & Sons.

Haykin, Simon. 1994. Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing Company.

Hermawan, A. 2005. Jaringan Syaraf Tiruan-Teori dan Aplikasi .Yogyakarta:

Andi.

Makridakis, S. et al. 1999. Metode dan Aplikasi Peramalan. Edisi Kedua. Jilid 1. Jakarta: Binarupa Aksara.

Nasution, Arman Hakim. 2003. Perencanaan dan Pengendalian Produksi. Jakarta: Guna Widya.

Nigrin, A. 1993. Neural Networks for Pattern Recognition. Cambridge, MA: The MIT Press.

Prasetyo. 2013. Emas – Sifat Fisik Emas. http://www.mineraltambang.com/artikel-emas.html, 13 Januari 2013, diakses 14 Januari 2015.

Ramdhani, Imaniar. 2013. Prediksi Nilai Tukar Multi Currency Menggunakan

Analisis Korelasi dan Backpropagation Artificial Neural Network. Bandung: Universitas Telkom.

82

Suyanto. 2008. Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung:

Informatika Bandung.

Suyanto. 2011. Artificial Intelligence Searching, Reasoning, Planning and

Learning. Edisi revisi. Bandung: Informatika Bandung.

Subagyo, Pangestu. 2002. Konsep dan Aplikasi Forecasting. Edisi Kedua. Yogyakarta: BPFE Yogyakarta.

Wilamowski, Bogdan M., Fellow., IEEE., and Yu, Hao. 2010. Improved

Computation for Levenberg-Marquardt Training. IEEE Transactions on Neural Network, Vol. 21.