1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak Negara .Penggunaan emas dalam bidang moneter dan keuangan berdasarkan nilai moneter absolut dari emas itu sendiri terhadap berbagai mata uang di seluruh dunia, meskipun secara resmi di bursa komoditas dunia, harga emas dicantumkan dalam mata uang dolar Amerika. Emas yang merupakan logam mulia ini dijadikan sebagai sarana berinvestasi oleh sebagian orang karena sifatnya yang cenderung memiliki harga jual yang terus naik seiring dengan berjalannya waktu. Selain prediksi bahwa harga emas akan naik hingga 20% pada akhir 2011 seperti yang ditulis pada website http://www.bisnis-jabar.com tentu akan menjadi pertimbangan yang menarik bagi para calon investor untuk membeli emas sebagai sarana investasi mereka. Perhatian yang besar akan kenaikan harga jual emas ini tentu akan sangat menarik jika dibarengi dengan ditemukannya metode yang tepat untuk meramalkan harga jual emas tersebut[2][3]. Time series adalah suatu himpunan pengamatan yang dibangun secara berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk melakukan suatu peralaman itu biasanya disebut sebagai lead time yang bervariasi pada tiap persoalan. Berdasarkan definisi ini, maka dapat disimpulkan bahwa data historis harga emas tersebut merupakan data time series. Data historis harga emas ini merupakan data yang bersifat financial time series. Seperti yang dikatakan Pissarenko[12], data yang bersifat financial time series memiliki kerumitan dalam pemrosesannya dikarenakan sifat datanya yang seperti berjalan secara acak yang mengakibatkan prediksi tidak mungkin dilakukan (dalam sudut pandang teoritis), financial time series juga sangat dipengaruhi pergesaran rezim, dan juga financial time series biasanya bersifat noisy. Penulis menggunakan neural network (NN) mengingat kelebihan–kelebihan yang dimilikinya seperti sifat NN yang adaptif terhadap perubahan parameter yang mempengaruhi karakteristik sistem, NN juga memiliki kekebalan terhadap kesalahan, serta NN mempunyai struktur paralel dan terdistribusi. Zoucas et. Al [19] juga menegaskan bahwa Artificial Neural Network (ANN) merupakan struktur yang fleksibel yang dapat diaplikasikan untuk masalah peramalan secara luas dengan akurasi yang tinggi. Namun, ANN memerlukan jumlah data historis yang sangat besar untuk mencapai tingkat akurasi tertinggi dalam melakukan 1
peralaman dan memiliki keunggulan utama untuk memodelkan sistem yang bersifat nonlinear [19]. ANN memiliki beberapa macam arsitektur, diantaranya adalah single-layer neural network dan multilayer perceptron neural network. Lesmana [7], dalam papernya mengatakan bahwa Single-layer neural network memiliki kemampuan yang sangat terbatas, hanya digunakan pada kasus–kasus yang sederhana. Single layer neural network memiliki kemampuan
yang
sangat
terbatas,
dan
memiliki
kecepatan
konvergensi
yang
lambat.Sementara multilayer perceptron neural network meskipun memiliki kemampuan yang lebih baik daripada single-layer neural network, namun masih memiliki kecepatan konvergensi yang lambat. Dalam kasus ini, penulis menggunakan arsitektur multilayer perceptron neural network dengan dipasangkan dengan metode-metode pendukung ANN yang lain untuk meminimalisir permasalahan dalam hal konvergensi yang dimiliki oleh arsitektur multilayer perceptron neural network. Dari berbagai kemungkinan metode yang ada, penulis memilih menggunakan metode time delay neural network (TDNN) karena TDNN dapat menangkap sifat dinamis dari sistem [9] serta TDNN merupakan alat yang powerful untuk menangani input yang bersifat sekuensial yang merupakan salah satu ciri dari data time series [8]. Zoucas et. al. [19] juga memaparkan dalam papernya bahwa TDNN efektif untuk memprediksi production time series dari sebelas industri yang berbeda di Brazil setelah dilakukan preprocessing data yang bersifat seasonal. Dari semua fakta yang didapat oleh penulis, maka penulis berpendapat bahwa TDNN merupakan metode yang tepat untuk memprediksi harga jual emas. Selain dalam kasus prediksi, TDNN juga digunakan pengenalan kata yang diisolasi [6], namun, penulis tidak akan membahas lebih jauh mengenai studi kasus ini. Adapun algoritma pelatihan yang penulis gunakan adalah algoritma LevenbergMarquardt algorithm (LMA). Penulis menggunakan metode LMA dengan multilayer neural network karena metode training LMA membutuhkan jumlah iterasi yang lebih sedikit dibandingkan metode training backpropagation algorithm (BPA) dalam mencapai error minimum. Hal ini dikarenakan metode BPA memerlukan training rate yang kecil untuk menghindari osilasi [7].
2
1.2 Perumusan masalah Adapun rumusan masalah yang penulis bahas yaitu bagaimana mengimplementasikan TDNN sebagai struktur dari NN yang dibuat sekaligus mengimplementasikan metode LMA sebagai metode pelatihan TDNN.
1.3 Batasan masalah Implementasi tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut : 1. Data yang digunakan sebagai data latih dan data uji hanya menggunakan data penjualan ketika hari kerja dari tanggal 2 Januari 1990 hingga 30 November 2011. 2. Pembangunan program menggunakan tools pemrograman Matlab versi 2011a. 3. TDNN terdiri dari 2 hidden layer, sesuai dengan apa yang dikerjakan A.Wan dalam papernya [1]. 4. Prediksi yang dilakukan adalah prediksi satu hari setelahnya (one step forecasting).
1.4 Tujuan Tujuan yang ingin dicapai dalam penelitian tugas akhir ini adalah : 1. Mengimplementasikan Time Delay Neural Network (TDNN) sebagai arsitektur Neural Network (NN) yang akan digunakan untuk memprediksi harga emas. 2. Mengimplementasikan
Levenberg-Marquardt
Algorithm
(LMA)
sebagai
algoritma pelatihan TDNN. 3. Menganalisis performansi akurasi dengan menghitung Mean Square Error (MSE) dan Mean Absolute Precent Error (MAPE) hasil ke luaran sistem.
1.5 Metodologi penyelesaian masalah Metodologi penyelesaian masalah yang akan digunakan adalah : a. Studi literatur Merupakan tahapan pencarian serta pembelajaran literatur yang berkaitan tentang TDNN, dan LMA, serta NN. Hal ini ditujukan untuk meningkatkan pemahaman konsep dan teori mengenai prediksi data financial time series, TDNN, LMA, serta NN.
3
b. Persiapan data Merupakan tahapan persiapan data yang akan digunakan sistem. Pada tahap ini dilakukan pembelajaran serta pengujian import data menggunakan tools pemrograman yang digunakan untuk membuat sistem. Data yang diperoleh akan dibagi menjadi dua, yaitu sebagai data training dan data testing. Berikut merupakan kriteria data yang penulis gunakan : 1. Data latih, validasi, serta data uji dari sistem hanya berasal dari data historis harga jual emas per oz di London Bullion Market Association (LBMA) pada jam 10.30 pagi setiap harinya. 2. Data
latih,
validasi,
serta
data
uji
diunduh
dari
http://www.perthmint.com.au/investment_invest_in_gold_precious_metal_pri ces.aspx. 3. Data dibagi tiga, yaitu sebagai data training, validasi dan data testing.
c. Perancangan sistem Merupakan tahapan perancangan sistem yang akan dibangun. Sistem terdiri dari NN sebagai teknik pemecahan masalah, lalu arsitektur yang digunakan adalah Multi Layer Perceptron Networks, algoritma LMA digunakan sebagai algoritma pelatihan untuk NN dalam memprediksi harga jual emas . TDNN yang penulis bangun terdiri dari t input yang akan diteliti pada tugas akhir ini, lalu jumlah neuron pada hidden layer juga akan diteliti pada tugas akhir ini.
d. Implementasi sistem Merupakan tahapan implementasi sistem atas perancangan yang sebelumnya telah dibuat. Adapun implementasi sistem menggunakan software Matlab sebagai tools pembangun serta penguji sistem.
e. Pengujian Merupakan tahapan pengujian terhadap sistem dengan masukan berupa data yang telah pengujian yang telah disiapkan sebelumnya. Kemudian menghitung nilai akurasi kebenaran sistem dalam memprediksi harga emas.
4
f. Analisis hasil Pada tahap ini menganalisa data dari hasil yang telah diuji, yaitu menganalisa parameter yang mempengaruhi akurasi dan performansi sistem.
g. Pembuatan laporan Merupakan tahapan penyusunan laporan tugas akhir yang disertai dengan dokumentasi penelitian.
1.6 Sistematika Penulisan Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut : 1. Pendahuluan Bab ini menjelaskan tentang tugas akhir ini secara umum, meliputi latar belakang masalah, perumusan masalah, batasan masalah, tujuan, metodologi penyelesaian masalah, dan sistematika penulisan.
2. Landasan Teori Bab ini menjelaskan tentang dasar teori yang berhubungan dengan pembuatan tugas akhir ini, yaitu meliputi prediksi, emas, jaringan syaraf tiruan, algoritma levenberg-marquardt, dan Time Delay Neural Network .
3. Analisis dan Perancangan Perangkat Lunak Bab ini menjelaskan tentang analisis sistem, yaitu kebutuhan dan masalah yang ada di dalam sistem ini. Kemudia merancang sistem tersebut secara terstruktur.
4. Implementasi dan Analisis Hasil Pengujian Bab ini menjelaskan implementasi sistem yang telah dirancang, kemudian dilakukan pengujian terhadap perangkat lunak dengan cara membandingkan hasil yang didapat dari perangkat lunak tersebut dengan data yang sebenarnya. Kemudian menganalisis parameter pada algoritma pelatihan LMA serta TDNN yang mempengaruhi akurasi dan performansi sistem.
5. Kesimpulan dan Saran Berisi kesimpulan dan saran yang diajukan penulis dari tugas akhir ini.
5
