Optimasi Parameter Support Vector Regression Dengan Algoritme Genetika Untuk Prediksi Harga Emas

  Vol. 2, No. 1, Januari 2018, hlm. 273-281 http://j-ptiik.ub.ac.id

  

Optimasi Parameter Support Vector Regression Dengan Algoritme Genetika

Untuk Prediksi Harga Emas

_{1 2 3} Muthia Azzahra , Budi Darma Setiawan , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: muthia.azzahra27@gmail.com, s.budidarma@ub.ac.id, hikaru.yuuki@gmail.com

Abstrak

  Emas merupakan salah satu logam mulia yang banyak diminati masyarakat sebagai komoditi untuk berinvestasi dikarenakan ketahanannya terhadap laju inflasi yang cukup baik. Namun Seiring perkembangan zaman ada kalanya fluktuasi terjadi begitu ekstrim sehingga mempengaruhi nilai emas. Oleh karena itu mengetahui prospek nilai emas dimasa yang akan datang bagi para investor merupakan suatu yang cukup penting. Salah satu metode untuk memprediksi adalah Support Vector Regression (SVR), namun sensitifitas parameter masukannya cukup mempengaruhi hasil prediksi, oleh karena itu dapat diterapkan metode Algoritme Genetika (GA) yang cukup fleksibel untuk dihibridisasikan. Penelitian ini membahas tentang pengoptimasian parameter SVR menggunakan GA untuk memprediksi harga emas. Hasil pengujian menunjukkan mean absolute percentage error (MAPE) terbaik yang dihasilkan mencapai 0.2407 % dengan iterasi SVR 50, generasi GA 95, population size 70, crossover

• 7 -4

  rate 0.01, mutation rate 0.99, persentase elitism 80%, rentang , rentang

• –1x10 1x10 0.01-5, rentang
• 7 -4 -5 -4 -3

  , rentang , dan rentang –1x10 –1x10 –0.1. λ 1x10 1x10 1x10 Kata kunci : Optimasi, Support Vector Regression, Algoritme Genetika, Prediksi, Harga Emas.

  

Abstract

Gold is one of the precious metals that many people interested as commodity to invest because of its

resistance to inflation. Fluctuations can occur so extreme that affect the value of gold. Therefore,

prospect of gold value in the future is quite important for the investors. One of prediction methods is

Support Vector Regression (SVR), but the sensitivity of SVR parameters could influence the prediction

result, therefore Genetics Algorithm (GA) can be applied, this method is flexible enough to be

hybridized. This study discuss about the optimization of SVR parameters using GA to predict gold prices.

  

Based on the testing result, the best mean absolute percentage error (MAPE) is 0.2407% with SVR loop

50, GA’s generation 95, population size 70, crossover rate 0.01, mutation rate 0.99, elitism percentange

• _{-7 -4 -7 -4 -5 -4}

  80%, range of , range of , range of ,

   1x10 –1x10 0.01-5, range of 1x10 –1x10 1x10 –1x10 _-3

  and range of 1x10 –0.1.

  Keywords : Optimization, Support Vector Regression, Genetic Algorithm, Prediction, Gold price.

  ini memiliki pengaruh yang signifikan dengan 1.

   PENDAHULUAN

  koefisien determinasi mencapai 0.976354 atau Emas merupakan suatu logam mulia yang setara dengan 95.3267% terhadap harga emas di sangat diminati masyarakat. Seiring Indonesia. Untuk kurs USD-IDR memiliki perkembangan zaman emas mengalami pengaruh positif pada minat pembelian emas perubahan nilai pula, ketahanannya pada laju namun pengaruh kurs EURO

• –IDR dinyatakan inflasi menjadi salah satu alasan mengapa emas berbanding terbalik yang memberikan dampak sering dijadikan pilihan untuk melakukan negatif terhadap harga emas. Untuk itu bagi investasi. Namun, fluktuasi yang ekstrim juga investor mengetahui prospek harga emas di masa dapat mempengaruhi sehingga harga emas dapat yang akan datang merupakan sesuatu yang berubah cukup drastis. Berdasarkan penelitian dibutukan untuk melakukan pertimbangan harga emas 73,96% dipengaruhi oleh variabel- dalam investasinya (Eni & Halim, 2014). variabel bebas yang diteliti. London gold price

  Berdasarkan penelitian dalam memprediksi merupakan faktor yang mendominasi, variabel Al-Alaoui harga emas dengan metode

  Fakultas Ilmu Komputer Universitas Brawijaya

273

  Backpropagation menghasilkan akurasi sebesar

  (RMSE) terkecil yang diperoleh ialah 317, 89 dan untuk Mean absolute

  Pola pikir masyarakat yang semakin maju menimbulkan keinginan untuk terus mengelola pendapatannya agar tetap terjaga guna keperluan yang akan datang dengan berinvestasi. Investasi sendiri dikatakan adalah suatu langkah yang diharapkan dapat menghasilkan gain atau keuntungan pada masa yang akan datang sebagai kompensasi atas penundaan konsumsi pada masa ini dimana terdapat ketidakpastian serta risiko yang tidak dapat diabaikan (Gunawan & Putu, 2013).

  2.1 Investasi Emas

  2. KAJIAN PUSTAKA

  Diharapkan dengan penambahan metode GA untuk mendapatkan parameter yang tepat dari SVR dalam memprediksi harga emas berdasarkan data-time series mampu meningkatkan keakuratan yang dihasilkan dari sistem.

  Permasalahan yang kerap dijumpai pada metode SVR ialah parameter yang digunakan dalam proses perhitungan cukup mempengaruhi tingkat keakuratan sistem. Oleh karena itu dibutuhkan suatu metode yang mampu mengoptimalkan parameter tersebut, salah satu metode untuk optimasi ialah Genetic Algorithm (GA). Pada Komputasi saat ini (GA merupakan metode yang sangat dikenal, GA sendiri ialah suatu pendekatan untuk pencarian stokhastik dan teknik optimasi Gen & Cheng, 2000). Akan tetapi masyarakat lebih banyak menerapkan metode ini untuk masalah optimasi pada industri teknologi dalam beberapa tahun terakhir. Dari hasil penelitian yang dilakukan dalam memprediksi volume penjualan dinyatakan bahwa penggunaan GA untuk mengoptimalkan parameter pada metode SVR memberikan nilai akurasi sistem yang lebih baik (Yuan, 2012).

  emas dalam pasar berjangka, terdapat beberapa faktor dan kriteria sendiri dalam perdangan pasar emas berjangka tersebut (Gumilar, 2016). Dalam penelitian tersebut dihasilkan nilai evaluasi dari MAPE terkecil sebesar 0,324378 dengan batasan iterasi 1000, 10 hari data uji dan 30 hari untuk data latih. Kelemahan dari penelitian ini adalah nilai parameter dari SVR yang cukup sensitif sehingga mudah terjebak dalam local optimum.

  Regression (SVR) untuk meramalkan harga

  Berdasarkan penelitian dengan menggunakan metode Support Vector

  Keunggulan algoritme SVR dikarenakan MLP sangat tergantung pada pemilihan jumlah variabel untuk prediksi serta pemodelan topologi jaringan. Kelemahan dari penelitian ini adalah kurang memaksimalkan penggunaan jumlah lag data sebagai variabel input untuk pelatihan serta pemilihan parameter –parameter bebas yang digunakan dalam perhitungan kurang optimal sehingga hasil yang diberikan belum maksimal.

  percentage error (MAPE) sebesar 1,81.

  Mean Squared Error

  64% (Bumi, 2016). Tingkat akurasi yang cukup rendah dikarenakan kurangnya data untuk pelatihan data, sehingga pengenalan pola-pola data kurang maksimal. Pada umumnya, data harga emas dari waktu ke waktu tersusun secara berurut dalam jangka waktu tertentu, yang mana data ini sering disebut dengan data-time series. Dari data-time series tersebut dapat dilakukan pembelajaran dengan suatu pendekatan tertentu untuk menggali dan memperoleh suatu pola-pola yang dapat dipakai untuk memprediksi harga emas.

  Berdasarkan penelitian yang dilakukan dengan membandingan metode SVM untuk kasus regresi dan MLP untuk memprediksi indeks saham menyatakan bahwa metode SVR memiliki tingkat akurasi yang lebih baik (Hidayatulloh, 2014). Dihasilkan nilai Root

  2014), sedangkan MLP merupakan suatu metode untuk melakukan prediksi dengan pemetaan set- set dari data input dan output berdasarkan fungsi aktivasi non-linier (Meinanda, et al., 2009).

  hyperlane yang paling maksimal (Yasin, et al.,

  (SVM) untuk kasus regresi, konsep dari SVR sendiri ialah mendapatkan data yang dipakai sebagai support vector dengan mencari

  Machine

  pengembangan dari metode Support Vector

  Layer Perceptron (MLP). SVR ialah suatu

  (SVR) dan Multi

  Support Vector Regression

  Ada beberapa pendekatan atau metode yang dapat digunakan untuk melakukan prediksi yaitu

  Ada banyak jenis dalam berinvestasi salah satunya ialah emas, untuk berinvestasi pada logam mulia ini dapat berbentuk emas batangan maupun saham pada suatu perusahaan yang memberikan sertifikat. Berinvestasi pada instrumen emas cenderung lebih menguntungkan karena tingkat risikonya yang kecil dibanding berinvestasi saham pada suatu perusahaan pertambangan dimana tidak terdapat perbedaan yang berarti pada return-nya (Anita, 2015).

2.2 Algoritme Genetika

  1. Elitism Selection Proses seleksi dilakukan dengan mengurutkan seluruh individu dari parent dan

  oleh Vapink (1995). SVM sendiri ialah algoritma pembelajaran pada fitur berdimensi tinggi dengan mengaplikasikan fungsi-fungsi linier dalam pelatihannya, dimana SVM memiliki konsep untuk menemukan hyperlane tunggal sebagai pemisah data yang biasa digunakan untuk pengklasifikasian. SVR menerapkan konsep risk minimization, dengan membuat seminimal mungkin nilai dari batas atas pada generalization error, hal ini bertujuan untuk mengetimasi fungsi sehingga overfitting mampu diatasi. Overfitting sendiri terjadi saat nilai error yang dihasilkan sangat kecil sehingga tidak realistis untuk digunakan dalam memprediksi data baru.

  ε-sensitif loss function

  SVR sendiri ialah untuk model regresi dengan mengenalkan formulasi

  Support Vector Machine (SVM), yang mana

  Algoritme ini merupakan aplikasi lanjutan atau dapat dikatakan sebagai pengembangan dari

  2.3 Support Vector Regression

  Pemakaian 2 metode seleksi ini dikarenakan offspring yang baik cenderung dihasilkan dari parent yang dengan fitness yang baik pula, namun individu yang optimal dapat terkadang dihasilkan dari parent dengan fitness yang rendah.

  yang terbentuk, kemudian fitness dari kedua parent tersebut dibandingkan. Individu dengan fitness terbaik akan terpilih, proses ini dilakukan sampai jumlah individu yang terpilih memenuhi population size. Seleksi jenis ini tidak memastikan individu dengan fitness yang baik akan selalu terpilih.

  Offspring

  2. Binary Tournament Selection Dua individu akan dipilih secara acak dari keseluruhan individu baik dari parent maupun

  dipilih sebagai generasi baru. Seleksi jenis ini memastikan individu dengan fitness terbaik akan selalu bertahan ke generasi selanjutnya.

  size

  terbaik, kemudian individu sebanyak population

  Offspring yang dihasilkan berurut dari fitness

  Salah satu metode dalam cabang ilmu kecerdasan buatan yang sering digunakan untuk optimasi, metode ini ditemukan oleh John Holland. Ide awal GA sendiri berasal dari sesuatu yang terjadi secara alami. Dapat diambil contoh seperti kelinci-kelinci yang lebih cepat dan lebih pintar dari kelinci-kelinci lainnya. Kelinci-kelinci yang lebih cepat dan lebih pintar ini memiliki peluang lebih kecil untuk dimakan oleh rubah sehingga kemampuannya untuk bertahan lebih besar, namun tidak menutup kemungkinan kelinci yang lebih lemah juga mampu bertahan karena faktor keberuntungan. Populasi yang bertahan ini akan berkembang biak dimana keturunan yang dihasilkan membawa gen dari orang sehingga bisa jadi lebih cepat atau lebih pintar dari orang tuanya atau pun sebaliknya, dan siklus bertahan hidup ini terus berulang. Langkah-langkah dalam GA sangat mirip seperti kisah para kelinci ini Michalewicz, 1999).

  2.2.1 Crossover Crossover yang digunakan dalam penelitian

  2.2.3 Seleksi

  pada rentang yang sudah ditetapkan, max ⁱ dan min i ialah batas atas dan bawah dari gen tersebut.

  ’ merupakan gen yang akan diubah, r adalah bilangan random yang dibangkitkan

  ’ = x’ ^{i + r (max i} – min ^{i ) (2)} Untuk x

  x

  Mutasi yang akan digunakan pada penelitian ini adalah random mutation dikarenakan pada kasus ini gen-gen yang membentuk satu individu berbentuk real coded. Proses dilakukan dengan mengubah salah satu gen pada parent yang terpilih secara acak dengan (Rahmi, et al., 2015):

  2.2.2 Mutasi

  (1) Nilai dari variabel α dipilih secara acak pada interval [-0,25, 1,25].

  C 1 = P1 + α (P2 – P1) C 2 = P2 + α (P1 – P2)

  ke-1 dan ke-2) dapat dibangkitkan dengan (Rahmi, et al., 2015):

  parent yang terpilih, maka C1 dan C2 (Offspring

  , sebagai contoh jika P1 dan P2 adalah

  One-cut point Crossover . Offspring dihasilkan dengan memilih 2 parent

  adalah Extended intermediate crossover dikarenakan cocok dengan tiap gen mewakili parameter dari SVR yang akan dioptimasi yang mana tiap parameter memiliki rentang yang berbeda-beda sehingga tidak memungkinkan untuk dilakukan dengan

  Proses seleksi pada penelitian ini dilakukan dengan Elitism Selection dengan persentase yang akan diujikan dari population size, sisanya dilakukan dengan Binary Tournament Selection. Berbanding terbalik dengan neural network

  2. Selanjutnya, untuk tiap titik pelatihan dimana algoritme tersebut mencoba lakukan: mendefinisikan fungsi yang kompleks pada

  ∗

  E i = y i ij (6) −Σ( − )R ruang input-nya, tujuan SVR ialah menemukan fungsi f(x) dengan memetakan data ke dimensi yang mana i, j dimulai dari 1 sampai ke- yang lebih tinggi menggunakan fungsi kernel n . dan dengan menggunakan fungsi linier

  ∗ ∗ ∗

  =min {max[ ], } ( − ),− − sederhana dihasilkan batasan keputusan linier pada ruang hipotesis yang baru. SVR dengan

  ε-

  =min {max[ ], } (7) − ),−

  ( −

  sensitif loss function

  akan menghasilkan suatu

  ∗ ∗ ∗

  = ∗

• model regresi, y = f (x) yang mana dapat digunakan untuk memprediksi suatu keluaran
• = (8) yang berhubungan dengan titik data set nya.

  3. Ketika sudah mencapai iterasi maksimum Nilai dari fungsi prediksi f (xi) merupakan

  ∗

  atau saat max(| | < | < ) dan max(| perluasan dari sub-set pada data latih, yang

  ) menuju langkah berikutnya, jika belum disebut sebagai support vectors (Mirzae, et al., ulangi langkah ke-2. 2016).

  4. Hitung fungsi regresi dengan rumus yang Pada SVR secara umum digunakan rumus telah dijabarkan pada persamaan 4. sebagai berikut. _t 5. Selesai.

  f (x) = w a + b (3) _t Vector pembobot disimbolkan dengan w , fungsi

  Keterangan: yang memetakan x ialah a dan b untuk bias. _ij [R] ialah Matriks-Hessian

  Untuk regresi non-linier diaplikasikan fungsi

  K (x i , x j ) ialah Kernel yang dipakai yaitu

  kernel untuk memetakan data ke dimensi yang

  Radial Basis Function (RBF)

  lebih tinggi. Dengan penambahan dimensi dengan rumus:

  vector untuk variabel λ nilai bias dapat

  2 ||x− x || i

  direformulasi menjadi:

   K (x i , x j ) = exp - (9)

  2 ₂ 2 σ ∗ f (K (x i , x j )

  (x) = (4) ∑ ( − ) ) + λ

  =1

  Untuk x i, x j melambangkan data

  ∗

  dan merupakan simbol dari lagrange pada baris ke-i pada kolom ke _j j .

  multipliers , K(x i , x ) untuk kernel yang akan ∗

  digunakan, dan ialah lagrange multiplier.

  λ melambangkan simpangan data.

  ialah lagrange multiplier. ialah simpangan data untuk

  Λ

  2.4 Fungsi Kernel mencari nilai [R] ij .

  Umumnya permasalahan yang sering

  E i ialah nila error pada indeks ke-

  dijumpai di dunia nyata ialah kasus non-linier i . untuk itu data yang didapat perlu ialah nilai asli data latih untuk ditransformasikan ke dimensi yang lebih tinggi indeks ke-i. sehingga secara linier data dapat dipisahkan ialah nilai dari deviasi. dalam feature spaces baru. Pada kasus seperti ini c ialah nilai dari kompleksitas. dapat digunakan fungsi kernel (Yasin, et al., x i ialah nilai dari data pada indeks 2014) ke-i. ialah representasi dari data.

  2.5 Sequential Learning Algorithm

  Pada SVR untuk pelatihan datanya menggunakan proses sequential learning, Untuk menghindari penyimpangan data dimana untuk kasus regresi langkahnya adalah yang terlalu jauh atau data yang dinilai kurang sebagai berikut (Vijayakumar & Si, 1999) baik sebelum proses perhitungan dilakukan

  2.6 Normalisasi Data

  (Fattahi, 2015): tahap pre-processing data untuk memastikan

  1. Penginisialisasian nilai dari parameter data mentah yang diambil cocok untuk pada SVR yang akan digunakan. digunakan pada suatu pemodelan tertentu. Hal

  Kemudian hitung ini bertujuan untuk melunakkan prosedur _{ij i j} pelatihan serta upaya untuk meningkatkan [R] = (K (x , x ) +

  λ2) (5)

  akurasi sistem. Keseluruhan data akan dinormalisasi dengan fungsi linier sebagai population size terpenuhi, terbentuklah generasi berikut (Fattahi, 2015): baru dan proses ini diulang mulai dari tahap reproduksi hingga mencapai iterasi maksimum

  −

  atau jumlah generasi dari GA yang telah

  X

  ’= (10)

  − ditetapkan.

  Keterangan : 4.

PENGUJIAN DAN ANALISIS

  X ialah hasil normalisasi dengan nilai

  ’ Pengujian untuk mendapat parameter- antara 0 sampai 1. parameter SVR yang optimal, pengujian yang

  X ialah data asli.

  dilakukan meliputi: X min ialah nilai minimum dari data asli.

  a. Kombinasi Crossover Rate (cr) dan X max ialah nilai maksimum dari data asli.

  Mutation Rate (mr) b.

  Persentase Elitism 3. c. Jumlah Populasi

   METODOLOGI d.

  Jumlah Generasi e. Rentang f. Rentang c

  g. Rentang h.

   Rentang i. Rentang j. Rentang SVR

  Untuk tiap pengujian diulang sebanyak 5 kali untuk guna mendapatkan nilai fitness rata- rata terbaik yang mana parameter terbaik tersebut akan dipakai untuk pengujian berikutnya. Untuk pengujian awal digunakan parameter sebagai berikut: a.

  Iterasi SVR: 50 b. Generasi: 50 c. Population size: 30

  d. Persentase Elitism: 90%

• 7 -4

  e. –1x10 Rentang : 1x10 f.

  Rentang c: 0.01-1 g.

  Rentang : 0.5-1

• 7 -4

  :

  h. 1x10 –1x10 Rentang

• 5 -4

  :

  i. 1x10 –1x10 Rentang

  4.1 Hasil dan Analisis Pengujian Kombinasi Crossover Rate (cr) dan Mutation Rate (mr)

  Gambar 1 Alir Sistem

  Untuk alir sistem, pertama akan diinisialisasikan parameter dari GA yaitu

  population size (popSize), crossover rate (cr)

  dan mutation rate (mr), jumlah generasi, kemudian pembangkitan generasi awal sebanyak

  popSize

  kemudian menghitung fitness populasi awal dengan SVR kemudian proses reproduksi, setelah itu dilakukan perhitungan fitness kembali untuk Offspring yang terbentuk dengan metode

  Gambar 2 Hasil Pengujian Kombinasi cr dan mr

  SVR, selanjutnya proses seleksi menggunakan

  Elitism dengan persentase yang telah ditentukan

  Berdasarkan hasil uji coba kombinasi cr lalu sisanya dengan Binary Tournament dan mr terbaik berada pada kombinasi 0.01 dan

  Selection yang akan dilakukan sampai nilai

  0.99. Nilai mr yang tinggi cenderung menghasilkan rerata fitness yang lebih baik hal

  4.4 Hasil dan Analisis Pengujian Jumlah

  ini dikarenakan meningkatkan pula level GA Generasi dalam mengeksplorasi sehingga menghasilkan

  Offspring yang beragam.

  4.2 Hasil dan Analisis Pengujian Persentase Elitism

  Gambar 5 Hasil Pengujian Jumlah Generasi

  Berdasarkan hasil uji coba jumlah populasi yang optimal berada pada jumlah generasi 95. Jumlah populasi yang semakin besar tidak menjamin fitness yang dihasilkan semakin baik pula. Hal ini dikarenakan ketika jumlah generasi meningkat sebanding dengan eksplorasi solusi yang mana memungkinkan GA mengeksplorasi pada rentang yang tidak terdapat individu yang

  Gambar 3 Hasil Pengujian Persentase Elitism baik.

  Berdasaran dari hasil uji coba semakin

  4.5

  besar persentase elitism rerata fitness yang Hasil dan Analisis Pengujian Rentang dihasilkan cenderung lebih baik, hal ini menandakan individu dengan fitness baik cenderung menghasilkan offspring dengan

  fitness yang baik pula. Namun elitism dengan

  persentase 100% tidak lebih baik dari persentase 80% dikarenakan terkadang individu dengan

  fitness yang optimal dihasilkan dari parent dengan fitness yang rendah.

  4.3 Hasil dan Analisis Pengujian Jumlah Populasi Gambar 6 Hasil Pengujian Rentang

  Berdasarkan hasil uji coba rentang

• 7

  terbaik berada pada batas minimal 1x10 dan

• 4

  maksimal 1x10 semakin tinggi nilai rentang cenderung memberikan nilai rerata fitness yang menurun. Parameter sendiri berpengaruh dalam pengaturan batas kesalahan dari fungsi f (x).

  Gambar 4 Hasil Pengujian Jumlah Populasi

  Berdasarkan hasil uji coba jumlah populasi yang optimal berada pada jumlah generasi 70. Jumlah populasi yang semakin besar cenderung memberikan hasil rerata fitness yang lebih baik karena peluang individu dengan fitness yang baik semakin besar pula, namun jumlah populasi yang terlampau besar tidak menjamin individu yang terbentuk menghasilkan fitness yang lebih baik.

  4.6 Hasil dan Analisis Pengujian Rentang c Gambar 7 Hasil Pengujian Rentang c

  Berdasarkan hasil uji coba rentang terbaik berada pada batas minimal 0.01 dan maksimal 5. Parameter c sendiri berpengaruh terhadap nilai pinalti yang diberikan pada suatu data set. Nilai c yang rendah menunjukan toleransi kesalahan yang juga kecil begitu pula sebaliknya nilai c yang tinggi mengakibatkan toleransi kesalahan prediksi pun tinggi.

• 5
• 5
• 4

• 4

  4.7 Hasil dan Analisis Pengujian Rentang

  Gambar 8 Hasil Pengujian Rentang

  Berdasarkan hasil uji coba rentang terbaik berada pada batas minimal 0.5 dan maksimal 1. Parameter sendiri ialah variabel yang tedapat pada kernel RBF yang berpengaruh terhadap persebaran data. Nilai yang kecil akan membentuk garis prediksi yang tajam, sebaliknya nilai yang besar membentuk garis prediksi yang cukup halus.

  4.8 Hasil dan Analisis Pengujian Rentang Gambar 9 Hasil Pengujian Rentang

  Berdasarkan hasil uji coba rentang λ terbaik berada pada batas minimal 1x10

  dan maksimal 1x10

  . Parameter sendiri berpengaruh dalam penskalaan kernel,

  λ yang semakin besar cenderung memberikan hasil regresi yang baik namun jika nilai terlalu tinggi akan membuat proses pembelajaran menjadi tidak stabil dan berjalan lambat.

  4.9 Hasil dan Analisis Pengujian Rentang Gambar 10 Hasil Pengujian Rentang

  Berdasarkan hasil uji coba rentang terbaik berada pada batas minimal 1x10

  maksimal 1x10

  . Parameter berpengaruh terhadap pengaturan kecepatan pembelajaran. Semakin tinggi nilai pembelajaran akan berlangsung cepat namun dapat mengabaikan nilai minimum sehingga cepat mencapai konvergensi.

4.10 Hasil dan Analisis Pengujian Iterasi SVR

   dan Iterasi SVR 2000.

  Gen, M. & Cheng, R., 2000. Genetics Algoritm & Engineering Optimization. s.l.:s.n. Gumilar, G. W., 2016. Peramalan Harha Emas

  Pada Pasar Berjangka Menggunakan Algoritma Support Vector Regression,

  s.l.: s.n. Gunawan, I. A. & Putu, W. N. G., 2013.

  Perbandingan Berinvestasi Antara Logam Mulia Emas Dengan Saham Perusahaan Pertambangan Emas. ISSN.

  Hidayatulloh, T., 2014. Kajian Komparasi

  Penerapan Algoritma Support Vector Machine (SVM) Dan Multi Layer Perceptron (MLP) Dalam Prediksi Indeks Saham Sektor Perbankan. s.l.,

  s.n. Meinanda, M. H., Metri, A., N, M. & K, S.,

  2009. Prediksi Masa Studi Sarjana Dengan Artificial Neural Network.

  Internetworking Indonesia Journal, Volume 1, p. 2.

  Michalewicz, Z., 1999. Algoritme Genetikas + Data Structures = Evolution Programs. s.l.:Spinger. Mirzae, A., S, G. & M, B. S., 2016. Prediction

  Fattahi, H., 2015. Prediction Of Earthquake Induced Displacements Of Slopes Using Hybrid Support Vector Regression With Particle Swarm Optimization.

  , rentang

  0.5-1, rentang 1x10 ^-5

  persentase elitism 80%, rentang 1x10 ^-7 –1x10 ^-4 rentang c 0.01-5, rentang

  crossover rate 0.01, mutation rate 0.99,

  1. Berdasarkan hasil pengujian penambahan GA mampu memberikan hasil yang baik dalam mengoptimasi parameter SVR. Parameter- parameter yang menghasilkan nilai terbaik p ialah pada generasi GA 95, population size 70,

  Berdasarkan hasil dari seluruh proses yang telah dilakukan dapat diambil kesimpulan sebagai berikut:

  5. KESIMPULAN

  Berdasarkan hasil uji coba iterasi terbaik berada pada iterasi ke-2000. Semakin tinggi iterasi membuat kemampuan SVR cenderung meningkat untuk mempelajari pola-pola data dan memperbaiki nilai error -nya untuk menghasilkan prediksi yang lebih baik.

  Gambar 21 Pengujian Iterasi SVR

  Eni, Y. & Halim, J., 2014. Analisis Faktor- Faktor Yang Mempengaruhi Pergerakan Harga Emas Sebagai Alternatif Investasi Di Indonesia.

• –1x10 ^-4
• –1x10 ^-4

  s.l.: s.n.

  Of Fe-Co-Mn/Mgo Catalytic Activity In Fischer-Tropsch Synthesis Using Nu-Support Vector Regression.

  Yasin, H., Alan, P. & W. T., U., 2014. Prediksi Harga Saham Menggunakan Support

  Support Vector Classifiers And Regression. s.l., s.n.

  Vijayakumar, S. & Si, W., 1999. Sequential

  Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi Yang Dibangun Dengan Algoritma Genetika. s.l.:s.n.

  Rahmi, A., Firdaus M, W. & Budi D, S., 2015.

  Physical Chemistry Research, Volume 4, No. 3.

  1x10 ^-5

  Alaoui Backpropagation Untuk Prediksi Harga Emas,

  2. Berdasarkan pengujian yang dilakukan nilai MAPE terbaik yang dihasilkan sebesar 0.2407 dengan fitness sebesar 0.8059 pada uji coba rentang

  , dengan parameter SVR yang menghasilkan error rate paling baik bernilai 0.0004526, c 8.05634,

  0.771124, 0.00032106 dan 0.0029102.

  6. DAFTAR PUSTAKA

  Anita, 2015. Analisis Komparasi Investasi Logam Mulia Emas Dengan Saham Perusahaan Pertambangan Di Bursa Efek Indonesia 2010

• – 2014. ESENSI

  Jurnal Bisnis Manajemen, Volume 5, No. 2.

  Bumi, B. S., 2016. Implementasi Metode Al-

  Vector Regression Dengan Algoritma Grid Scearch. Volume 7, No. 1. Yuan, F.-C., 2012. Parameters Optimization

  Using Algoritme Genetika In Support Vector Regression For Sales Volume Forecasting. s.l.:s.n.