121
BAB VI KESIMPULAN DAN SARAN Pada bab ini dijelaskan mengenai beberapa kesimpulan yang didapat setelah melakukan serangkaian uji coba dan evaluasi terhadap aplikasi yang telah dibuat. Dalam bab ini pula dijelaskan mengenai saran untuk pengembangan perangkat lunak lebih lanjut. 6.1. Kesimpulan Dari uji coba yang telah dilakukan dan analisa hasil pengujian terhadap sistem Recurrent Neural Network dan Metode Boosting ini, dapat diambil beberapa kesimpulan, antara lain : 1. Aplikasi recurrent neural network dengan menggunakan algoritma backpropagation through time dapat digunakan dalam peramalan data time-series single step ahead dengan hasil yang cukup baik untuk data-data time series tertentu, yaitu data Sunspot dan data MGS17. 2. Untuk dapat diaplikasikan dalam peramalan data time-series single step ahead secara maksimal, parameter-parameter dari algoritma recurrent neural network – backpropagation through time harus ditentukan terlebih dahulu. Parameter masukan optimal untuk peramalan data Sunspot dengan menggunakan RNN-BPTT adalah 1 hidden unit dan nilai alpha sebesar 0.06. Sedangkan untuk peramalan data Mackey-Glass parameter masukan optimal adalah 3 hidden unit dan nilai alpha sebesar 0.06. 3. Metode boosting terbukti dapat memperbaiki performa dari algoritma RNN-BPTT, dimana perbaikan performa pada peramalan data Sunspot mencapai 25-30%, dan lebih baik lagi pada pengujian terhadap data MGS17 yang dapat mencapai 80-85%, dan perbaikan performa terbaik dicapai pada pengujian terhadap data MGS30 yang perbaikan performanya hampir mencapai angka 100%.
122 4.
Variabel baru yang diperkenalkan untuk pengaturan/tuning pengaruh metode boosting pada peramalan time series (variabel k) telah terbukti dapat digunakan untuk mengatur pengaruh boosting pada hasil peramalan dari data time-series single step ahead, dimana dalam mayoritas pengamatan terhadap hasil percobaan menunjukkan bahwa pemilihan nilai variabel k yang kecil menghasilkan nilai NMSE yang lebih kecil pula. Tentunya pengaruh dari hasil akhir metode boosting ini tidak hanya dipengaruhi oleh variabel k saja, tetapi juga dari pemilihan fungsi loss yang digunakan.
6.2. Saran Beberapa saran untuk pengembangan selanjutnya dari sistem Recurrent Neural Network dan Metode Boosting dalam Peramalan Data Time-Series ini antara lain : 1. Perlu dilakukannya pembandingan performa pada metodemetode lain (baik single method maupun ensemble method) untuk peramalan data time-series single step ahead. 2. Metode untuk menginisialisasi nilai bobot awal recurrent neural network perlu untuk dikembangkan agar didapatkan proses pembelajaran yang lebih stabil dan tidak memerlukan banyak percobaan untuk mendapatkan suatu hasil yang tetap dan stabil. 3. Percobaan pengimplementasian algoritma pembelajaran dasar alternatif pada metode boosting perlu dilakukan untuk mengetahui algoritma pembelajaran dasar terbaik untuk metode boosting. 4. Perlu dilakukan uji coba lebih lanjut pada peramalan data time-series multi step ahead untuk mengetahui perbandingan performa dari algoritma-algoritma yang telah dibuat. 5. Uji coba lebih dalam perlu dilakukan untuk mengetahui dan mendefinisikan pengaruh variabel k yang lebih detail pada hasil akhir dari metode boosting dan hubungannya dengan fungsi loss yang digunakan.
DAFTAR PUSTAKA [1] A. Alexandre Trindade, Chris Chatfield, Boca Raton, FL: Time Series Forecasting, Chapman and Hall/CRC, 2000. [2] http://en.wikipedia.org/wiki/Time_series, 11 Juni 2009 [3] http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4 4.htm, 11 Juni 2009 [4] http://www.learnartificialneuralnetworks.com, 11 Juni 2009 [5] http://en.wikipedia.org/wiki/Artificial_Neural_Network, 11 Juni 2009. [6] http://en.wikipedia.org/wiki/Backpropagation, 11 Juni 2009 [7] R. Bone, M.Assaad, M. Crucianu: Boosting Recurrent Neural Networks for Time-Series Prediction, Springer Computer Science, April 2003, pp 18-22. [8] Y.Freund, R.E. Schapire, A decision-theoretic generalization of online learning and an application to boosting, Journal of Computer and System Sciences 55(1) (1997) 119-139. [9] J.R. Quinlan: Bagging, Boosting and C.45, In Proceedings of the Thirteenth National Conference on Artificial Intelligence, pages 725-730, 1996. [10] Y.Freund, R.E. Schapire: A Short Introduction to Boosting, Journal of Japanese Society for Artificial Intelligence 14(5):771-780, September 1999. [11] Zhou ZH, Wu. J, Tang. W: Ensembling Neural Networks: many could be better than all. Artificial Intelligence 137(1-2): 239-263. [12] H.Drucker, Improving Regressor using Boosting Techniques, in: Proceedings of the Fourteenth International Conference on Machine Learning, 1997,pp. 107-115. [13] Schwenk.H,Bengio.Y: Boosting Neural Networks, in: Neural Computation,pp.1869-1887, vol.2, 2000. [14] R. Bone, M.Assaad, H.Cardot: A New Boosting Algorithm for Improved time-series forecasting with Recurrent Neural Networks, Information Fusion 9, pp.41-55, 2008. 123
124 (halaman ini sengaja dikosongkan)
BIODATA PENULIS Penulis, bernama Arief Martoyo, lahir di Semarang pada tanggal 18 Agutus 1987, sebagai anak kedua dari pasangan Henry Martoyo dan Sutina, serta bersaudara kandung dengan Noli Martoyo. Setelah menyelesaikan pendidikan dasar di TK Cor Jesu Semarang dan SD Cor Jesu Semarang, Penulis melanjutkan studinya di SLTP Domenico Savio Semarang, SMA Kolese Loyola Semarang, dan terakhir sebagai mahasiswa Teknik Informatika ITS. Pada jurusan Teknik Informatika, penulis menekuni bidang Intelligent Business System. Bagi penulis, hidup adalah sebuah perjalanan yang penuh dengan pengalaman dan perjuangan, dan di kampus Teknik Informatika ITS ini pula adalah merupakan salah satu pemberhentian penting yang penuh dengan pengalaman dan perjuangan yang sangat berarti. Semangat kerja keras, kebersamaan, dan kedisiplinan adalah beberapa pelajaran penting yang dapat penulis petik selama mengikuti kuliah empat tahun di Teknik Informatika ITS. Keberhasilan penulis untuk menyelesaikan tugas akhir ini, yang juga sebagai penanda selesainya masa studi penulis di Teknik Informatika ITS dan sekaligus suatu simbol dari kelanjutan perjalanan kehidupan penulis, tidak lepas dari bantuan teman – teman tercinta yang senantiasa saling menyemangati, bekerjasama, dan belajar bersama. Akhir kata, penulis lewat salah satu karyanya yaitu tugas akhir ini, ingin berkontribusi pada ilmu pengetahuan dan semoga bermanfaat bagi lingkungan sekitar, negara Indonesia, dan jika diijinkan, untuk semua umat manusia. Penulis bisa dihubungi di
[email protected] atau +62856 26 52 533.
125
126 (halaman ini sengaja dikosongkan)