APLIKASI JARINGAN SYARAF TIRUAN DENGAN METODE PERAMBATAN BALIK UNTUK PERAMALAN HARGA DINAR DAN DIRHAM Gathut Nugroho1), R. Rizal Isnanto2), Ajub Ajulian Zahra2) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln. Prof. Sudharto, Tembalang, Semarang, Indonesia
ABSTRACT Gold and silver has now become one of the favorite forms of community as an investment and property value protection. Dinar and dirham which has an intrinsic element of gold and silver had become one as an investment alternative. Therefore, programs need to be made to predict the price of the dinar and dirham. This Final Project is designed to forecast price of dinar and dirham using neural networks and backpropagation. In this neural network using the training data and the testing data with a ratio of 3:1. Training data used as input and the training will stop when the value of the training parameters used have been met. Testing the neural network can be done using the training data and testing data. This test aims to determine the neural network performance by comparing simulation results with the actual target. Neural network with the best performance can be used for the forecasting process. In practice the data obtained by testing the best accuracy rate on each network. In the dinar (Rp) in combination with 3 hidden layer with neurons at 25, 30, and 5 with a learning rate of 10-6. At dinars (U.S. $) with a combination of 3 hidden layers of neurons at 25, 10, and 5 with a learning rate of 0.001. Then in dirham (U.S. $) in combination with 2 hidden layers of neurons at 40 and 30 with a learning rate of 10 -6. Test data obtained in testing the accuracy of the best in each network. In the dinar (Rp) with a combination of 2 hidden layers of neurons at 45 and 30 with a learning rate of 10-6. At dinars (U.S. $) in combination with 3 hidden layers of neurons at 40, 10, and 5 with a learning rate of 0.001. Then in dirhams (U.S. $) in combination with 3 hidden layers of neurons at 40, 30, and 5 with a learning rate of 10-6. Keywords: forecasting, price of dinar and dirham, neural network.
I. PENDAHULUAN 1.1 Latar Belakang Dinar atau emas memiliki kelebihan yang tidak dimiliki oleh investasi apapun di dunia. Dinar atau emas tidak akan turun nilainya. Begitu juga dengan perak atau dirham yang kecenderungan harganya selalu naik dari tahun ke tahun mengikuti perkembangan harga emas dunia. Harga emas dan perak yang selalu naik dari tahun ke tahun sebenarnya dikarenakan oleh nilai uang yang berkurang setiap tahunnya. Hal ini disebabkan oleh nilai uang yang tergerogoti oleh inflasi. Nilai inflasi yang rata-rata pertahunnya 10 % semakin memiskinkan sebagian masyarakat. Bahkan jika uang disimpan di bank yang bunga banknya rata-rata 5 % pun berarti nilai uang masih berkurang sebanyak 5 %. Dibandingkan dengan nilai emas yang selalu naik berkisar 20 % tiap tahunnya, mampu jauh mengatasi nilai inflasi tiap tahunnya yang berkisar 10 % tersebut. Sehingga investasi emas layaklah digunakan sebagai investasi maupun pelindung harta seperti, tabungan haji, dana pensiun, dana pendidikan, tabungan pernikahan, dan lain sebagainya Berdasarkan permasalahan di atas, timbul gagasan untuk merancang suatu sistem yang bisa meramalkan harga dinar dan dirham. Dengan
menggunakan jaringan syaraf tiruan yang memiliki tingkat akurasi yang tinggi dalam meramalkan harga dinar dan dirham satu hari ke depan. 1.2 Tujuan Tujuan dari tugas akhir ini adalah sebagai berikut : 1. Meramalkan harga dinar dan dirham untuk satu hari ke depan dengan menggunakan data harga dinar dan dirham sebelumnya. 2. Menganalisis tingkat akurasi peramalan pada dinar dan dirham. 3. Menganalisis pengaruh parameter jaringan syaraf tiruan perambatan balik terhadap tingkat akurasi dalam meramalkan harga dinar dan dirham. 1.3 Batasan Masalah Untuk menyederhanakan pembahasan pada Tugas Akhir ini, masalah dibatasi sebagai berikut : 1. Data harga dinar dan dirham yang digunakan meliputi data dinar dalam kurs rupiah (Rp) dan dollar Amerika (US$) dan dirham meliputi data kurs dalam dollar Amerika (US$) dalam rentang 30 Agustus 2007 sampai dengan 5 Agustus 2011.
1) Mahasiswa jurusan teknik elektro UNDIP 2) Dosen jurusan teknik elektro UNDIP
1
2. Tidak memperhitungkan keadaan ekonomi suatu negara seperti inflasi dan pertumbuhan ekonomi serta tidak membahas perhitungan secara ekonomi. 3. Peramalan atau prediksi yang dilakukan adalah prediksi harian. 4. Arsitektur jaringan syaraf tiruan yang digunakan adalah jaringan syaraf tiruan perambatan balik. 5. Metode algoritma pelatihan yang digunakan adalah trainlm (Levenberg-Marquardt).
disebut dengan layer. Layer terdiri atas beberapa bagian, yaitu: 1. Lapisan Masukan (Input Layer) Lapisan ini merupakan tempat dimana seluruh bobot awal dimasukan (inisialisasi masukan) yang selanjutnya diproses untuk dikirimkan ke lapisan di atasnya. 2. Lapisan Tersembunyi (Hidden Layer) Lapisan ini merupakan lapisan di antara lapisan masukan dan lapisan keluaran. Disini bobot yang diterima dari lapisan masukan juga diproses untuk selanjutnya dikirim ke lapisan di atasnya yaitu lapisan keluaran. 3. Lapisan Keluaran (Output Layer) Lapisan ini merupakan lapisan akhir pada arsitektur jaringan dimana nilai keluaran dari jaringan dihasilkan. Pada lapisan ini ditetapkan nilai keluaran actual untuk dibandingkan dengan nilai keluaran target untuk mengetahui apakah jaringan sudah sesuai dengan hasil yang diinginkan.
II. LANDASAN TEORI 2.1 Jaringan Syaraf 2. Jaringan Syaraf Tiruan [1][2][3] Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakterisitk mirip dengan jaringan syaraf biologi. Seperti halnya otak manusia, jaringan syaraf buatan juga terdiri dari beberapa neuron, dan ada hubungan antara neuronneuron tersebut. Neuron adalah unit pemrosesan informasi yang merupakan dasar dari operasi jaringan syaraf tiruan. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuronneuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 1 menunjukkan struktur neuron pada jaringan syaraf.
Apikasi Jaringan Syaraf Tiruan[2] Salah satu aplikasi jaringan syaraf tiruan adalah peramalan (forecasting), jaringan syaraf tiruan dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan dating berdasarkan pola kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. 4.
5. Algoritma Pembelajaran Perambatan-Balik (Backpropagation)[1][2] Proses jaringan syaraf tiruan pembelajaran perambatan-balik ini merupakan contoh dari pembelajaran terbimbing (supervised learning). Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan. Gambar 2 menunjukkan Arsitektur Perambatan-balik.
Gambar 1. Struktur Neuron Jaringan Syaraf[1]
Informasi (disebut dengan input atau masukan) akan dikirim ke neuron dengan bobot kedatangan tertentu. Masukan ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilainilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suati nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila masukan tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut diaktifkan, tapi jika tidak, maka neuron tersebut tidak diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan keluaran melalui bobot-bobot keluarannya ke semua neuron yang berhubungan dengannya. 3.
Komponen-komponen Jaringan Syaraf Tiruan[4] Jaringan syaraf tiruan memiliki banyak neuron yang tersebar di seluruh bagiannya. Masing-masing neuron dikelompokkan ke dalam beberapa lapisan dan memiliki hubungan satu dengan yang lain yang
Gambar 2. Arsitektur Perambatan-balik[4]
2
2.2 Dinar dan Dirham[6][7][8] Standarisasi berat uang Dinar dan Dirham mengikuti Hadits Rasulullah SAW, ”Timbangan adalah timbangan penduduk Makkah, dan takaran adalah takaran penduduk Madinah” (HR. Abu Daud). Pada zaman Khalifah Umar bin Khattab sekitar tahun 642 Masehi bersamaan dengan pencetakan uang Dirham pertama di Kekhalifahan, standar hubungan berat antara uang emas dan perak dibakukan yaitu berat 7 Dinar sama dengan berat 10 dirham. Kemudian setelah ditelti kadar karat pada dinar dan dirham maka, dinar adalah koin emas dengan kadar 22 karat atau 91,67 % dengan berat 4,25 gram karena pada masa dahulu belum tercipta teknologi yang dapat memurnikan emas sampai 24 karat atau 99,9 %. Atas dasar rumusan hubungan berat antara dinar dan dirham dan hasil penimbangan dinar di musium ini, maka dapat pula dihitung berat 1 dirham adalah 7/10 x 4,25 gram atau sama dengan 2,975 gram .
3.2 Pembuatan Basis Data Data yang telah diperoleh kemudian dibagi menjadi 75% data latih dan 25% data uji. Untuk harga Dinar dalam rupiah memiliki 1077 data latih dan 359 data uji. Dan untuk Dinar dan Dirham dalam dolar memiliki 746 data latih dan 249 data uji. Data itu dibagi menjadi 10 masukan dan 1 target. Harga masukan merupakan harga 10 hari sebelum data yang akan diramal/diprediksi. Sedangkan target merupakan harga yang akan diramal pada 1 hari kedepan. Jika harga Dinar Dirham dimulai dari hari kei-1 sampai hari ke-10, maka target atau hari yang akan diramal/diprediksi adalah hari ke-11. Dan jika harga Dinar Dirham dimulai dari hari hari ke-2 sampai hari ke-11, maka target atau hari yang akan diramal/diprediksi adalah hari ke-12. Begitu seterusnya. Data tersebut dimasukan dalam m-file dalam matlab untuk kemudian disimpan dalam format *.mat Pembuatan basis data seperti ini berlaku untuk data latih dan data uji. Namun data yang dipakai dalam proses pelatihan adalah data latih, sedangkan data uji digunakan sebagai masukan dalam peramalan harga untuk kemudian hasil prediksi dicocokan dengan target yang ada untuk kemudian dianalisis.
III. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Gambaran Umum Gambar 3 merupakan diagram alir perancangan sistem.
3.3 Perancangan Jaringan Syaraf Tiruan Dalam Tugas Akhir ini algoritma pembelajaran yang digunakan adalah perambatan-balik yang mana merupakan algoritma pembelajaran terbimbing yang membutuhkan data masukan dan data target. Berikut ini adalah spesifikasi dari program yang dirancang dalam Tugas Akhir ini : 1. Lapisan masukan : terdiri atas satu lapisan dengan 10 neuron yang merupakan 10 masukan data harga dinar atau dirham sebelumnya. 2. Lapisan tersembunyi : terdiri dari atas lapisan dengan jumlah neuron bervariasi tergantung masukan dari pengguna. 3. Lapisan keluaran : terdiri atas satu lapisan dengan satu neuron yang merupakan keluaran dari peramalan.
Mulai
Pengambilan Data
Pembuatan Basis Data
Perancangan Jaringan
Pelatihan Jaringan
Pengujian dan Peramalan
Selesai
3.4 Pelatihan Jaringan Syaraf Tiruan Pada tahap pelatihan bertujuan untuk mendapatkan nilai bobot terbaik yang digunakan sebagai landasan bagi masukan data pada peramalan. Pada tahap ini pola masukan dirambatkan melalui lapisan masukan sampai ke lapisan keluaran. Nilai yang diperoleh dari proses perhitungan pola pembelajaran pada lapisan keluaran akan dicocokkan dengan pola keluaran target awal. Jika diperoleh perbedaan antara kedua nilainya maka akan muncul galat. Apabila nilai galat belum sesuai dengan yang diinginkan maka pelatihan akan terus
Gambar 3. Diagram alir perancangan sistem
Data diperoleh dari kantor pusat GeraiDinar, http://kitco.com, dan http://www.dgcsc.org. Kemudian setiap data dibagi menjadi 75% data latih dan 25% data uji. Data latih merupakan data yang digunakan dalam proses pelatihan, sedangkan data uji merupakan data baru yang tidak digunakan dalam proses pelatihan.
3
dilakukan dengan terus memodifikasi bobot sampai dihasilkan galat yang sesuai. Dalam melakukan pelatihan terlebih dahulu menentukan parameter-parameter untuk mendapatkan hasil yang optimal. Berikut parameterparameter yang digunakan. Dalam memberikan nilai pada parameterparameter tersebut dicari hasil yang paling optimal dengan mengkombinasikan nilai-nilai tersebut. Dengan cara coba-coba (trial and error) akan mendapatkan hasil yang diinginkan. 1.
sebenarnya kemudian dicari dan dirata-rata. Setelah proses ini, didapatkan tingkat kesalahan jaringan. Setelah diperoleh persentase kesalahan jaringan, maka dapat diperoleh persentase tingkat pengenalan jaringan syaraf tiruan tersebut. 3.6 Peramalan atau Prediksi dengan Jaringan Syaraf Tiruan Jaringan dengan tingkat pengenalan yang paling baik dalam proses pengujian digunakan dalam proses peramalan/prediksi, yaitu perkiraan harga pada masa akan datang. Dalam Tugas Akhir ini, tujuan peramalan/prediksi adalah untuk mengetahui harga dinar atau dirham pada masa akan datang dengan menggunakan data harga-harga terdahulu. Data harga-harga terdahulu ini diumpankan ke dalam jaringan syaraf tiruan yang telah disimpan dan diolah dengan bobot dan bias tertentu, sehingga didapatkan harga dinar atau dirham hasil simulasi. Harga Dinar atau Dirham hasil simulasi inilah yang disebut dengan harga Dinar atau Dirham hasil prediksi dengan jaringan syaraf tiruan. Pada Tugas Akhir ini, jumlah data terdahulu yang dibutuhkan adalah sebanyak 10 data terakhir. Hal ini karena pada proses pelatihan jaringan, telah ditentukan jumlah neuron masukan ke dalam jaringan adalah 10. Proses prediksi ini menggunakan data uji, yaitu data baru selain data latih yang sebelumnya tidak pernah diumpankan ke jaringan dalam proses pelatihan. Setelah jaringan dibuka, langkah selanjutnya adalah dengan memasukkan data 10 hari terakhir yang diinginkan. Hasil prediksi yang diperoleh adalah data pada hari ke-11.
net.trainParam.epochs
Merupakan parameter yang berfungsi untuk menentukan jumlah iterasi maksimum yang diinginkan. Besar nilai parameter menentukan hasil yang dicapai. Jika ditentukan iterasi sebesar 30000, maka pelatihan akan berhenti pada iterasi ke-30000. Tapi tentunya ini dipengaruhi juga oleh parameter-parameter yang lainnya. 2.
net.trainParam.goal
Merupakan parameter untuk menentukan galat (error) yang harus dicapai saat proses pelatihan jaringan. Jika ditentukan besarnya galat adalah 0,0002, maka pelatihan jaringan akan berhenti saat galat yang terjadi sebesar 0,0002. 3.
net.trainParam.lr
Merupakan parameter untuk menentukan konstanta belajar jaringan. Besarnya konstanta ini berkisar antara 0 – 1. 4.
net.trainParam.min_grad
Merupakan parameter untuk menentukan batas gradien maksimal yang dicapai saat pelatihan jaringan.
IV. PENGUJIAN DAN ANALISIS 4.4 Perbandingan Hasil Pengujian Data Latih dan Data Uji Kinerja tiap-tiap jaringan dapa diketahui dari tingkat akurasi peramalan dengan parameterparameternya. Tingkat akurasi dapat diketahui dari membandingkan keluaran dengan data latih dan data uji.
Parameter-parameter tersebut saling berkaitan satu sama lainnya. Jika iterasi maksimum belum tercapai namun pelatihan sudah berhenti bisa jadi karena telah tercapainya parameter yang lainnya, misal parameter galat sudah mencapai nilai yang ditentukan atau jika gradient maksimum yang ditentukan telah tercapai. Begitu juga sebaliknya. Sehingga inilah proses yang dinamakan coba-coba dalam mencari hasil yang terbaik.
1.
Perbandingan Data Latih Perbandingan data latih ini dilakukan dengan variasi jumlah neuron dan perubahan laju pembelajaran. Untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada satu lapisan tersembunyi dapat dilihat pada Tabel 1.
3.5 Pengujian Jaringan Dalam tahap pengujian jaringan yang sebelumnya telah dilatihkan dengan data latih beserta parameter-parameter yang telah ditentukan kemudian diuji untuk mengetahui kemampuan mengenali pola data baru yang diumpankan ke dalam jaringan. Hasil simulasi jaringan dikalikan kembali dengan nilai tertinggi dari data latih dan dibulatkan untuk mengetahui nilai ‘sebenarnya’ dari hasil simulasi. Nilai ini kemudian dibandingkan dengan target latih. Persentase selisih terhadap target
Tabel 1. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada satu lapisan tersembunyi Parameter Pelatihan
4
Neuron
LP
20
0,000001
Hasil tingkat akurasi peramalan data latih (%) Dinar Dinar Dirham (Rp) (US $) (US $) 99,199 99,2603
20
0,001
99,2051
99,2559
-
25
0,000001
99,188
99,2482
-
25
0,001
99,1924
99,2462
-
30
0,000001
99,1907
99,2677
99,1556
30
0,001
99,2053
99,2647
99,1473
35
0,000001
99,2029
99,2758
99,1835
35
0,001
99,1854
99,2523
99,2024
40
0,000001
99,1833
99,2817
99,182
40
0,001
99,1997
99,2694
99,1539
45
0,000001
99,2149
99,2614
99,1886
45
0,001
99,1834
99,2445
99,1873
50
0,000001
99,1854
99,2533
99,1872
50
0,001
99,2055
99,2854
Tabel 2. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada dua lapisan tersembunyi Parameter Pelatihan Lapisan Tersembu nyi I II 20 10
99,1783
Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 5. Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik.
Gambar 4. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 1 lapisan tersembunyi
Dalam grafik Gambar 4 dan Tabel 1 ditampilkan bahwa, jaringan dinar (Rp) memilik tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 45 dengan laju pembelajaran 10-6 sebesar 99,2149%, jaringan dinar (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 50 dengan laju pembelajaran 0,001 sebesar 99,2854%, dan jaringan dirham (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 35 dengan laju pembelajaran 0,001 sebesar 99,2024%. Kemudian untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada dua lapisan tersembunyi dengan perubahan laju pembelajaran dapat dilihat pada Tabel 2.
5
Hasil tingkat akurasi peramalan data latih (%)
LP
Dinar (Rp)
Dinar (US $)
Dirham (US $)
0,000001
99,2014
99,2621
-
20
10
0,001
99,1925
99,2639
-
20
20
0,000001
99,198
99,2635
-
20
20
0,001
99,1726
99,241
-
20
30
0,000001
99,1968
99,2848
-
20
30
0,001
99,196
99,2666
-
25
10
0,000001
99,184
99,278
-
25
10
0,001
99,208
99,2765
-
25
20
0,000001
99,1956
99,2628
-
25
20
0,001
99,1765
99,2683
-
25
30
0,000001
99,1973
99,2424
-
25
30
0,001
99,1914
99,2705
-
30
10
0,000001
99,1891
99,2425
99,1623
30
10
0,001
99,1808
99,2607
99,2207
30
20
0,000001
99,2002
99,2687
99,2182
30
20
0,001
99,1902
99,2599
99,1904
30
30
0,000001
99,1859
99,2678
99,1864
30
30
0,001
99,1829
99,2455
99,1986
35
10
0,000001
99,1848
99,2389
99,1881
35
10
0,001
99,1924
99,2784
99,2015
35
20
0,000001
99,1942
99,2729
99,193
35
20
0,001
99,1982
99,272
99,1821
35
30
0,000001
99,1891
99,2659
99,2033
35
30
0,001
99,1908
99,2931
99,1854
40
10
0,000001
99,1955
99,2433
99,1855
40
10
0,001
99,2036
99,2636
99,1938
40
20
0,000001
99,1866
99,2502
99,2261
40
20
0,001
99,19
99,2703
99,2376
40
30
0,000001
99,2133
99,2529
99,2436
40
30
0,001
99,1925
99,2992
99,2185
45
10
0,000001
99,1849
99,2641
99,1935
45
10
0,001
99,1914
99,2587
99,1677
45
20
0,000001
99,179
99,2724
99,1722
45
20
0,001
99,1971
99,2724
99,1649
45
30
0,000001
99,1978
99,2613
99,2029
45
30
0,001
99,1933
99,2816
99,2018
50
10
0,000001
99,2006
99,2781
99,1921
50
10
0,001
99,2079
99,2481
99,1855
50
20
0,000001
99,1774
99,2571
99,1784
50
20
0,001
99,2
99,248
99,2014
50
30
0,000001
99,1865
99,2799
99,2082
50
30
0,001
99,1973
99,2828
99,2088
Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 6 Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik.
Gambar 5. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 2 lapisan tersembunyi
Dalam grafik Gambar 5 dan Tabel 2 ditampilkan bahwa, jaringan dinar (Rp) memilik tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 10-6 sebesar 99,2133%, jaringan dinar (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 0,001 sebesar 99,2992%, dan jaringan dirham (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 10-6 sebesar 99,2436%. Kemudian untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada tiga lapisan tersembunyi dengan perubahan laju pembelajaran dapat dilihat pada Tabel 3.
Lapisan Tersembunyi I II III 20 10 5
Hasil tingkat akurasi peramalan data latih (%)
LP
Dinar (Rp)
Dinar (US $)
Dirham (US $)
0,000001
99,1903
99,2843
-
20
10
5
0,001
99,1812
99,2612
-
20
20
5
0,000001
99,1796
99,2516
-
20
20
5
0,001
99,1743
99,2606
-
20
30
5
0,000001
99,1863
99,2589
-
20
30
5
0,001
99,1996
99,2727
-
25
10
5
0,000001
99,1843
99,2662
-
25
10
5
0,001
99,1967
99,2993
-
25
20
5
0,000001
99,203
99,2636
-
25
20
5
0,001
99,1973
99,271
-
30
5
0,000001
99,2193
99,2482
-
25
30
5
0,001
99,1922
99,2467
-
30
10
5
0,000001
99,1931
99,281
99,203
30
10
5
0,001
99,2089
99,268
99,1911
30
20
5
0,000001
99,1989
99,2699
99,2046
30
20
5
0,001
99,1952
99,2876
99,2097
30
30
5
0,000001
99,1921
99,2862
99,186
30
30
5
0,001
99,1902
99,2512
99,2041
35
10
5
0,000001
99,1872
99,2642
99,2278
35
10
5
0,001
99,2008
99,2535
99,1585
35
20
5
0,000001
99,1865
99,2648
99,1879
35
20
5
0,001
99,1865
99,2502
99,1389
35
30
5
0,000001
99,1994
99,2363
99,2065
35
30
5
0,001
99,183
99,2713
99,2127
40
10
5
0,000001
99,1877
99,2472
99,2257
40
10
5
0,001
99,1781
99,2818
99,2011
40
20
5
0,000001
99,1857
99,2965
99,1974
40
20
5
0,001
99,1939
99,2508
99,1472
40
30
5
0,000001
99,2026
99,2664
99,1779
40
30
5
0,001
99,1909
99,2841
99,1756
45
10
5
0,000001
99,1846
99,2476
99,2145
45
10
5
0,001
99,1914
99,2556
99,143
45
20
5
0,000001
99,1887
99,2705
99,2052
45
20
5
0,001
99,1806
99,2801
99,2273
45
30
5
0,000001
99,1948
99,2642
99,1879
45
30
5
0,001
99,1974
99,2546
99,1957
50
10
5
0,000001
99,1942
99,2616
99,179
50
10
5
0,001
99,1912
99,2599
99,1852
50
20
5
0,000001
99,1949
99,2479
99,1861
50
20
5
0,001
99,1902
99,2743
99,1831
50
30
5
0,000001
99,1864
99,2523
99,1568
50
30
5
0,001
99,2065
99,2645
99,1677
Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 7. Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik.
Tabel 3. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada tiga lapisan tersembunyi Parameter Pelatihan
25
Gambar 6. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 3 lapisan tersembunyi
6
Dalam grafik Gambar 11 dan Tabel 3 ditampilkan bahwa, jaringan dinar (Rp) memiliki tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 25,30, dan 5 dengan laju pembelajaran 10-6 sebesar 99,2193%, jaringan dinar (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 25, 10, dan 5 dengan laju pembelajaran 0,001 sebesar 99,2993%, dan jaringan dirham (US $) memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 35, 10, dan 5 dengan laju pembelajaran 10-6 sebesar 99,2278%. Pada Tabel 4 akan ditunjukkan hasil tingkat akurasi terbaik untuk tiap-tiap jaringan.
V. PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari hasil pengujian dan pembahasan dari tiap-tiap jaringan adalah sebagai berikut : 1. Peningkatan jumlah lapisan tersembunyi dan neuron tersembunyi tidak mempengaruhi tingkat akurasi yang didapatkan. 2. Pembesaran laju pembelajaran tidak mempengaruhi tingkat akurasi yang didapatkan. 3. Pada pengujian terhadap data latih didapatkan bahwa, pada jaringan harga dinar (Rp) didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 20, 30, dan 5 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 99,2193%. Pada jaringan harga dinar (US $) didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 25, 10, dan 5 dengan laju pembelajaran 0,001 didapatkan tingkat akurasi sebesar 99,2993%. Dan untuk jaringan harga dirham (US $) ddidapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 40 dan 30 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 99,2436%. 4. Pada pengujian terhadap data latih didapatkan bahwa, pada jaringan harga dinar (Rp) didapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 40 dan 10 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 98,7941%. Pada jaringan harga dinar (US $) didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 40, 10, dan 5 dengan laju pembelajaran 0,001 didapatkan tingkat akurasi sebesar 99,206%. Dan untuk jaringan harga dirham (US $) ddidapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 45 dan 30 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 98,8419%.
Tabel 4. Perbandingan hasil terbaik tingkat akurasi pada data latih Jaringan
Dinar (Rp)
Parameter Pelatihan Lapisan Laju Tersembunyi Pembelajaran I II III 45 0,000001
Tingkat Akurasi Data Uji (%)
40
30
0,000001
99,2133
25
30
0,000001
99,2193
0,001
99,2854
0,001
99,2992
0,001
99,2993
0,001
99,2024
0,000001
99,2436
0,000001
99,2278
5
50 Dinar (US $)
40
30
25
10
5
35 Dirham (US $)
40
30
35
10
5
Keterangan
99,2149
Terbaik
Terbaik
Terbaik
4.4.2
Perbandingan Data Uji Perbandingan data uji ini dilakukan dengan variasi jumlah neuron dan perubahan laju pembelajaran. Dengan cara yang sama, maka didapatkan kumpulan hasil terbaik yang didapatkan pada pengujian data uji untuk tiap-tiap jaringan seperti ditunjukkan pada Tabel 5 Tabel 5. Perbandingan hasil terbaik tingkat akurasi pada data uji Jaringan
Dinar (Rp)
Kombinasi Lapisan Laju Tersembunyi Pembelaj I II III aran 40 0,001
Tingkat Akurasi Data Uji (%)
40
10
0,000001
98,7941
45
30
0,000001
98,7909
0,000001
99,1116
0,001
99,0472
0,001
99,206
0,000001
98,4192
0,000001
98,8419
0,000001
98,8349
5
20 Dinar (US $)
35
10
40
10
5
45 Dirham (US $)
45
30
40
30
5
5.2 Saran 1. Perlu dilakukan penelitian lanjutan untuk peramalan harga dinar dan dirham untuk periode peramalan mingguan dan bulanan. 2. SSebaiknya menambahkan parameter lainnya seperti, tingkat inflasi, harga minyak dan komoditas pada umumnya, dan permintaan emas dan perak yang mempengaruhi harga dinar dan dirham agar diperoleh hasil peramalan yang lebih akurat.
Keterangan
98,7506 Terbaik
Terbaik
Terbaik
7
DAFTAR PUSTAKA [1]
[2]
[3]
[4]
[5]
[6]
[7] [8] [9]
[10]
[11]
BIODATA PENULIS
Kusumadewi, S. dan S. Hartati,” NEUROFUZZY Integrasi Sistem Fuzzy dan Jaringan Saraf edisi 2”, Graha Ilmu, Yogyakarta, 2010. Siang, J. J. , “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Penerbit Andi, Yogyakarta, 2005. Kusumadewi, S., “Membangun Jaringan Syaraf Tiruan menggunakan MATLAB & EXCEL LINK”, Penerbit Graha Ilmu, Yogyakarta,2004. Kusuma, F. F. W. , “Aplikasi Jaringan Saraf Tiruan Perambatan Balik Untuk Peramalan Harga Saham”, Skripsi S-1, Universitas Diponegoro, Semarang, 2011. Luthfianto, R. , “Peramalan Jumlah Penumpang Kereta Api Di Stasiun Semarang Tawang dengan Jaringan Saraf Tiruan Metode Perambatan Balik (Backpropagation)”, Skripsi S-1, Universitas Diponegoro, Semarang, 2011. Kurniawan, E. J. , “ Think Dinar! Berpikir Dinar, Muslim Kaya Hari Ini, Super Kaya di Masa Depan”, Asma Nadia Publishing House, Jakarta, 2010. ---, http://geraidinar.com/2008/02/mengenaldinar-islam.html, Oktober 2011. ---, Dinar dan dirham, http://geraidinar.com, Oktober 2011. ---, Delapan Hal yang Harus Diketahui Tentang Emas,http://geraidinar.com/2008/02/delapa n-hal-yang-harus-diketahui.php, Oktober 2011. Salim, J. ,”Jangan Investasi Dinar Sebelum Baca Buku Ini!”,Transmedia Pustaka, Jakarta, 2011. Sugiharto, A. , “Pemrograman GUI dengan Matlab”, Penerbit Andi, Yogyakarta, 2006.
Gathut Nugroho, lahir di Jakarta pada tanggal 29 September 1988. Penulis menempuh studinya di SD Islam Hidayatullah Semarang, SMP Islam Hidayatullah Semarang, SMA Islam Hidayatullah Semarang. Saat ini penulis sedang menyelesaikan studi strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi.
Menyetujui, Dosen Pembimbing I,
R. Rizal Isnanto, ST. , MM. , MT. NIP.197007272000121001
Dosen Pembimbing II,
Ajub Ajulian Zahra, ST. , MT. NIP. 197107191998022001
8