PERANCANGAN PROGRAM PREDIKSI HARGA EMAS DENGAN MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM Antony Universitas Bina Nusantara, Jl. Bandengan Utara komp80 D6, 08989065590,
[email protected]
Rojali, S.Si., M.Si. Universitas Bina Nusantara, Jl. Syahdan no.9, (021) 5345830,
[email protected]
Drs. Ngarap Imanuel Manik, M.Kom. Universitas Bina Nusantara, Jl. Syahdan no.9, (021) 5345830,
[email protected]
ABSTRAK Emas merupakan salah satu objek investasi yang cukup digemari oleh banyak kalangan masyarakat karena memiliki peluang untuk mendapatkan keuntungan yang besar, namun kerugian yang didapat juga tidak dapat dihindari karena investasi memiliki resiko yang sebanding dengan peluang keuntungan yang akan didapat. Banyak metode serta teknik yang digunakan untuk meganalisis fluktuasi dari emas ini, namun tidak ada satupun yang benarbenar membantu meraih keuntungan yang diharapkan. Untuk meminimalkan kerugian yang akan didapatkan oleh investor, saya memilih Adaptive Neuro Fuzzy Inference System (ANFIS) yang merupakan salah satu model dari FIS yang memiliki kelebihan dalam keakuratannya untuk menghitung dan mengadaptasikan data-data yang ada sehingga model ini sangat cocok digunakan untuk melakukan prediksi. ANFIS ini adalah salah satu model Artificial Neural Network (ANN) yang menggunakan logika fuzzy if-then-else serta menggabungkannya dengan Fuzzy Inference System (FIS). Dalam penelitian ini, dijelaskan dasar dan algoritma ANFIS serta penelitiannya untuk memprediksi komoditi bahan pangan. Hasil yang diharapkan dari pengembangan program menggunakan ANFIS adalah sebuah aplikasi yang mampu memprediksi harga dalam rentang waktu tertentu secara akurat dengan kesalahan rata-rata yang seminimal mungkin. Kata kunci : ANFIS, FIS, prediksi, emas, ANN
ABSTRACT Gold is one of the objects of investment is quite favored by many in the community because it has the opportunity to earn huge profits, but losses were obtained also can not be avoided because of the risk of investment opportunities comparable to the benefits to be gained. Many methods and techniques used to meganalisis fluctuations of gold, but none really helped achieve expected benefits. To minimize the losses that would be obtained by investors, I chose the Adaptive Neuro Fuzzy Inference System (ANFIS), which is one of the FIS models which has advantages in accuracy to calculate and adapt existing data so that this model is suitable to predict. This is one of the ANFIS model of Artificial Neural Network
(ANN) which uses fuzzy logic if-then-else and combine it with the Fuzzy Inference System (FIS). In this study, described the base as well as research and ANFIS algorithm to predict food commodities. The expected result of the development program using ANFIS is an application that is able to predict the price in a given time accurately with the average error is minimum. Tags : ANFIS, FIS, Prediction, gold, ANN
PENDAHULUAN Latar Belakang Perdagangan komoditi merupakan salah satu alternatif investasi (investment enhancement) bagi perorangan dan perusahaan yang mempunyai kebebasan finansial untuk berinvestasi. Selama ini, pamor investasi komoditi kalah dibandingkan dengan investasi jenis lain seperti saham, obligasi, properti, emas, valuta asing, dan sebagainya. Salah satu perdagangan komoditi yang memiliki nilai paling tinggi adalah emas. Emas merupakan komoditi klasik yang memiliki nilai historis tinggi. Emas menjadi salah satu kekuatan investasi setelah USD sehingga perdagangannya nyaris tak pernah sepi. Sama seperti perdagangan indeks saham, emas juga terpengaruh oleh faktor-faktor fundamental, antara lain : (www.jalatama.com) 1. Emas sangat terpengaruh oleh fluktuasi kurs USD yang mempunyai peranan penting dalam sistem keuangan internasional. Bila USD menguat terhadap mata uang asing lainnya, biasanya juga kuat terhadap emas yang berarti penurunan harga emas. Sebaliknya jika USD melemah, maka bisa dipastikan harga emas menjadi naik. Jadi setiap faktor yang cenderung mempengaruhi fluktuasi USD juga mempengaruhi fluktuasi harga emas. Contohnya adalah tingginya tarif bunga US, rendahnya inflasi US, dan baiknya neraca pembayaran US, dan lain-lain. 2. Faktor-faktor politik juga mempengaruhi harga emas, peperangan atau kerusuhan politik disuatu daerah yang sensitif sering kali juga memperkuat nilai tukar emas terhadap USD. 3. Perubahan keseimbangan antara penawaran dan permintaan juga mempengaruhi harga emas. Naiknya penjualan oleh negara-negara produsen seperti Afrika Selatan dan Uni Soviet, atau oleh perwakilan-perwakilan internasional atau pemerintah seperti IMF atau US, cenderung menurunkan harga emas. Naiknya permintaan industri akan emas atau turunnya persediaan industri emas juga cenderung menurunkan harga emas. 4. Harga minyak dunia juga mempunyai pengaruh terhadap emas. Semakin naik harga minyak maka akan diimbangi dengan semakin naiknya harga emas. Dalam dunia bisnis yang hampir semua investasi mengandung unsur ketidakpastian atau terdapat resiko dalam mengambil suatu keputusan, investor tidak dapat mengetahui hasil yang akan diperoleh dari investasi yang akan dilakukannya. Karena dihadapkan pada kompleksnya permasalahan dan ketidakpastian, investor akan mengalami kesulitan dalam melakukan analisa dan pemilihan investasi, dan memastikan suatu keuntungan yang memuaskan. Perubahan dalam dunia keuangan juga memaksa investor untuk menanggapi dengan cepat investasi yang akan dilakukannya. Oleh karena itu, diperlukan sistem pembantu keputusan untuk aktifitas investasi. Salah satu metode dari teknik kecerdasan buatan yang telah dapat membuat suatu terobosan untuk prediksi adalah metode Adaptive Neuro Fuzzy Inference System (ANFIS). ANFIS adalah suatu kerangka kerja yang populer untuk memecahkan masalah yang kompleks. Jika kita memiliki pengetahuan dan disajikan dalam aturan linguistik, kita dapat membangun Fuzzy Inference System (Ajith Abraham, 2004). Rumusan Masalah Permasalahan yang dihadapi adalah : a. Bagaimana merancang suatu program yang dapat membantu Investor untuk mengambil keputusan berinvestasi? b. Bagaimana keakuratan yang dihasilkan metode ANFIS dalam meramalkan harga Emas? Mengigat adanya kemungkinan pembahasan topik yang cukup luas, maka penulis membuat ruang lingkup yang terbatas agar dapat fokus menyelesaikan masalah yang ada dan materi yang disampaikan lebih terarah sehingga sesuai dengan tujuan yang penulis harapkan.
Berikut ini merupakan ruang lingkup yang penulis gunakan dalam penulisan skripsi ini : a. Membuat program Prediksi Harga Emas dengan Metode Adaptive Neuro-Fuzzy Inference System dengan menggunakan bahasa C dan PHP. b. Data yang digunakan merupakan data dari www.antam.com mulai dari 1 Januari 2014 sampai dengan 23 Juli2014. c. Prediksi harga emas dilakukan untuk memprediksi 1 hari kedepan. Hasil dari penelitian ini tidak mempertimbangkan kejadian-kejadian ekstrim yang mungkin akan mempengaruhi hasil prediksi tersebut. Tujuan dan Manfaat Penelitian ini bertujuan untuk : a. Menghasilkan program komputer dengan menggunakan bahasa pemograman sebagai implementasi prediksi harga emas dengan metode ANFIS. b. Memperoleh nilai prediksi emas 1 hari kedepan dengan menggunakan metode ANFIS. c. Mengetahui keakuratan prediksi metode ANFIS. Manfaat dari penelitian ini adalah bagi para praktisi financial, pelaku pasar modal, selain dapat digunakan sebagai alternatif mekanisme prediksi untuk melakukan investasi, juga dapat digunakan sebagai acuan untuk pengembangan lebih lanjut mengenai teknik prediksi ini.
METODE PENELITIAN Metode yang akan digunakan meliputi tahap-tahap sebagai berikut : a. Melakukan studi pustaka. Penulis mencari refrensi yang sesuai dari berbagai macam sumber seperti buku dan e-book, media cetak, jurnal, skripsi dan literatur internet yang berhubungan dengan saham dan ANFIS. b. Metode Analisis Metode analisis dalam penelitian ini dibagi menjadi beberapa tahap, yaitu: 1) Mempelajari tentang metode yang digunakan dalam penelitian ini. 2) Mempelajari bahasa pemograman yang digunakan untuk pembuatan program. 3) Mempelajari proses pemasukan data historis harga emas menggunakan komputer. c. Pengambilan Data Objek penelitian yang digunakan adalah data emas yang didapat dari www.antam.com dari bulan januari sampai dengan juni. Pengolahan data yang digunakan sebagai data input dalam penelitian ini terlebih dahulu diproses dengan cara sebagai berikut : 1) Mencatat data historis yang didapat dari www.antam.com yang dimulai dari tanggal 2 Januari sampai dengan 23 juli 2014 ke dalam yang sudah disediakan. Data yang tersedia adalah data saat hari kerja. Data tidak ditampilkan pada saat hari sabtu, minggu dan hari libur. 2) Memproses data yang ada di dalam dengan menggunakan metode ANFIS untuk mendapatkan nilai prediksi dari data yang tersedia. 3) Mencatat data historis yang digunakan sebagai data aktual untuk membandingkan antara data yang telah diprediksi dengan data hasil yang telah terbit. 4) Data yang akan diproses sesuai dengan jumlah data yang tersedia. Data yang tidak terdapat pada waktu yang tersedia, maka tidak akan digunakan. d. Metode Perancangan Penulis merancang suatu algoritma berdasarkan metode ANFIS, kemudian merancang desain tampilan antarmuka. e. Evaluasi Ukuran yang digunakan untuk menghitung kesalahan hasil prediksi ini adalah MAPE(Mean Absolute Percentage Error), MAD(Mean Absolute Deviation), serta MSD/MSE(Mean Square Deviation/Mean Squared Error). Ketiganya akan menunjukkan kriteria yang semakin kecil nilainya, maka semakin baik hasil prediksi yang dihasilkan. Berikut adalah rumus pengukuran kesalahan tersebut : MAPE (Mean Absolute Percentage Error) Merupakan rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil prediksi.
MAD (Mean Absolute Deviation)
MSD/MSE (Mean Square Deviation/Mean Squared Error)
Penjelasan : n = jumlah data At = nilai aktual Ft = nilai prediksi Setelah dilakukan perhitungan kesalahan, akan ditampilkan hasil prediksi dengan data historis untuk perbandingan.
HASIL DAN PEMBAHASAN Adaptive Neuro-Fuzzy Inference System (ANFIS) Neuro-Fuzzy adalah gabungan dari dua sistem logika fuzzy dan jaringan syaraf tiruan. Sistem neurofuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan. Dengan demikian, sistem neuro-fuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan syaraf tiruan (Rahman A, Abdullah G, Lukman H, 2012). Teknik neuro-fuzzy dapat mempelajari sistem perilaku dari data yang cukup besar dan dapat menetapkan secara otomatis aturan fuzzy dan fuzzy-set ke tingkat akurasi yang paling tinggi (Bisht D, Jangid A, 2011). Adaptive Neuro-Fuzzy Inference System (ANFIS) merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). ANFIS dapat membangun suatu mapping inputoutput yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if-then) dengan fungsi keanggotaan yang tepat (Bagus K, Ketut J, Eka K, 2013).
Gambar 1 Struktur ANFIS dengan 2 Input Tabel 1 Proses Pembelajaran Hibrida pada ANFIS Tahap Maju (Forward)
Tahap Mundur (Backward)
Parameter Premis
Tetap
Gradient descent- EBP
Parameter Konsekuen
LSE
Tetap
Sinyal
Keluaran Simpul
Sinyal Kesalahan
Berikut ini adalah penjelasan lebih lanjut tentang proses pembelajaran pada ANFIS:
Pada awalnya, jaringan merambat dari layer input ke layer output. Outputdari neuron/simpul ke-i pada lapisan ke-l dinotasikan sebagai , seperti berikut (Kuncahyo B, Ginardi R, Arieshanti I, 2012): Lapisan 1 Setiap simpul i pada lapisan ini adalah simpul adaptif dengan fungsi aktivasi simpul sebagai berikut : (1) i =3, 4 (2) Dengan x dan y adalah input pada simpul ke i, dan Aiadalah label linguistik seperti baik, buruk, dsb. Dengan kata lain Ol,i adalah fungsi keanggotaan dari Aidan menspesifikasikan derajat keanggotaan x dan y terhadap Ai. Fungsi keanggotaa didasarkan pada persamaan bell dengan nilai maksimum 1 dan nilai minimum 0. (3) Dimana {a, b, c} adalah himpunan parameter. Parameter ci dan ai dapat diatur untuk merubah nilai dari pusat dan lebar dari kurva bell, sedangkan bidigunakan untuk mengatur kemiringan kurva dan harus bernilai positif agar kurva tidak terbalik. Jika nilai dari parameter-parameter ini berubah, maka kurva fungsi bell juga akan berubah. Hal ini berarti akan terbentuk berbagai fungsi keanggotaan untuk himpunan linguistik Ai, ....,Isesuai dengan model fuzzy Sugeno. Parameter pada lapisan ini disebut dengan parameter premis. Lapisan 2 Setiap simpul pada lapisan ini adalah simpul nonadaptif. Output-nya merupakan perkalian dari semua input yang masuk pada lapisan ini. (4) Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Lapisan 3 Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajad pengaktifan ternomalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul: (5) Lapisan 4 Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul: (6) Dengan adalah derajat pengaktifan ternormalisasi dari lapisan ke 3 dan {pi, qi, ri} menyatakan parameter konsekuen yang adaptif. Lapisan 5 Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan.
O5,i = ∑ wi f i = i
∑wf ∑w i
i
i
i
(7)
i
Jaringan adaptif dengan lima lapisan tersebut ekivalen degan system inferensi fuzzy Sugeno. Proses Pembelajaran dengan RLSE untuk Parameter Konsekuen pada Tahap Maju Berdasarkan arsitektur ANFIS pada Gambar 1, diketahui bahwa jika nilai dari parameter premis tetap maka keluaran keseluruhannya dapat dinyatakan dengan kombinasi linier dari parameter konsekuen.
(8) Jika jumlah N data belajar diterapkan pada persamaan (9), maka didapat (9) Jika persamaan (10) dinyatakan dengan persamaan matriks, berbentuk: (10) Dengan dimensi dari masing-masing matriks A, X dan B adalah PxM, Mxl, dan Pxl. Dimana P adalah jumlah pasangan data latih dan M adalah jumlah parameter konsekuen. Penyelesaian terbaik adalah
dengan maminimumkan ||AXB||2. Dengan teori LSE didapatkan solusi X*, LSE dari X, adalah dengan menggunakan pseudo-inverse dari X : (11) Karena memperlama waktu komputasi yang disebabkan oleh perkalian dengan inverse matriks dan persamaan menjadi tidak jelas jika ATA adalah matriks singular, maka X dihitung dengan Recursive LSE (RLSE) seperti berikut:
(12) Dengan adalah vektor baris dari matriks adalah komponen ke i dari matriks B, dan Siadalah matriks kovarian. Inisial kondisi dari X0 adalah 0 dan S0 adalah , dimana adalah bilangan positif besar dan I adalah matriks identitas dengan ukuran MxM. Proses Pembelajaran Backpropagation-erroruntuk Parameter Premis pada Tahap mundur Misalkan jaringan adaptif yang diberikan memiliki lapisan L dan lapisan k memiliki sejumlah k node, maka untuk P data, jumlah dari kesalahan kuadrat adalah: )2 (13) Dengan adalah output ideal dari data adalah output yang dihasilkan jaringan. Tujuan dari sistem adaptif adalah untuk meminimumkan pengukuran kesalahan pada persamaan (1) dengan mengubah parameter-parameter adaptif. Dengan mendefinisikan sinyal kesalahan sebagai ordered derivative terhadap keluaran simpul ke-i, lapisan ke-1, maka ordered derivative dinotasikan dengan : (14) Sinyal kesalahan untuk simpul keluaran ke-i (pada lapisan 1) dapat dihitung langsung dengan: (15) Jika pengukuran kesalahan seperti yang didefinisikan pada persamaan (7) maka persamaan (2) menjadi : (16) Untuk simpul dalam pada lapisan 1 posisi ke-i, sinyal kesalahan dapat diperoleh menggunakan aturan rantai : (17) Dengan 0 ≤ l ≤ L-1. Sinyal kesalahan simpul dalam, pada lapisan ke-1 dapat dinyatakan sebagai kombinasi linier dari sinyal kesalahan simpul pada lapisan ke (l+1). Jadi untuk menghitung sinyal kesalahan pada simpul ke-i lapisan ke-1 (1< L), pertama digunakan persamaan (3) untuk mendapatkan sinyal kesalahan pada lapisan keluaran kemudian persamaan (4) secara iteratif sampai mencapai lapisan yang diinginkan. Prosedur diatas disebut backpropagation karena sinyal kesalahan dihitung secara mundur dari lapisan keluaran hingga lapisan masukan. Vektor gradien didefinisikan sebagai ordered derivative dari pengukuran kesalahan terhadap tiap parameternya. Jika a adalah parameter simpul ke-1 lapisan ke-1, maka diperoleh: (18) Dengan menggunakan metode gradient simple steepest descent, persamaan untuk memperbaiki parameter a adalah : (19) Dengan ߟ adalah laju proses belajar (learning rate) yang dinyatakan dengan : (20) Dengan k adalah step size yang dapat diubah untuk mempercepat konvergensi. Parameter untuk simpul selanjutnya diperbaharui dengan : (21) Untuk sistem pada gambar , dengan menerapkan persamaan (16) dan persamaan (6) maka diperoleh persamaan-persamaan : (22)
adalah sinyal kesalahan lapisan keluaran dari jaringan adaptif. Kemudian secara iteratif dengan propagasibalik diperoleh sinyal kesalahan simpul ke-i lapisan ke-L-1, atau (23) (24) (25) (26) (27) (28) (29) dengan cara yang sama dapat diperoleh . Dalam penelitian ini dicari nilai perubahan dari parameter-parameter fungsi keanggotaan himpunan fuzzy. Parameter-parameter tersebut berada pada lapisan ke-1 maka sinyal kesalahan pada lapisan ke1, yaitu . Dimasukkan ke dalam persamaan (23)-(29) untuk mencari Pada persamaan (23)-(29) digunakan notasi Wi,j, dimana nilai ini menyatakan bobot untuk sinyal kesalahan tiap simpul. Berdasarkan persamaan (8) dapat dihitung dengan (30) Dibandingkan dengan menerapkan persamaan (7) untuk mencari sinyal kesalahan pada lapisan dalam, prosedur yang lebih sederhana dapat dilakukan dengan mengarikan Wi,j sebagai bobot sinyal kesalahan dari simpul i merupakan jumlah dari tiap sinyal kesalahan yang masuk ke simpul j dikalikan dengan bobotnya. Proses belajar propagasi balik (EBP) untuk contoh ini bisa digambarkan sebagai berikut.
Gambar 2 Proses Belajar Backpropagation pada ANFIS Prediksi Prediksi akan dilakukan dengan beberapa pengujian, yaitu dengan 3, 5 dan 7 data terakhir. Pada penelitian ini, penulis mencoba untuk membandingkan hasil prediksi emas dengan data hasil prediksi Indeks Harga Saham Gabungan (IHSG). Berikut adalah data hasil prediksi emas, dan IHSG : Tabel 2 Hasil Prediksi Data Emas berdasarkan Data Aktual Tanggal 2014-06-11 2014-06-12 2014-06-13 2014-06-16 2014-06-17 2014-06-18 2014-06-19 2014-06-20 2014-06-23 2014-06-24 2014-06-25
Aktual 1165 1135 1140 1140 1155 1155 1140 1125 1115 1115 1080
3 Data 1180 1153 1135 1165 1135 1155 1140 1149 1128 1125 1125
Prediksi 5 Data 1175 1176 1165 1159 1154 1147 1148 1150 1141 1138 1134
7 Data 1171 1168 1157 1147 1146 1147 1146 1146 1142 1138 1130
2014-06-26 2014-06-27 2014-06-30 2014-07-01 2014-07-02 2014-07-03 2014-07-04 2014-07-07 2014-07-08 2014-07-10 2014-07-11 2014-07-14 2014-07-15 2014-07-16 2014-07-17 2014-07-18 2014-07-21 2014-07-22 2014-07-23 MAPE MAD MSE
1090 1070 1090 1100 1090 1135 1150 1150 1140 1135 1120 1120 1130 1140 1125 1155 1165 1135 1135
1115 1115 1086 1070 1100 1100 1135 1150 1135 1150 1149 1120 1120 1121 1120 1125 1141 1140 1148 1.09% 12.13 346.27
1125 1121 1105 1097 1094 1092 1096 1114 1115 1121 1127 1132 1135 1135 1133 1130 1132 1137 1140 1.24% 13.9 471.23
1114 1104 1094 1092 1085 1086 1097 1113 1124 1134 1145 1138 1133 1130 1129 1127 1134 1143 1144 1.29% 14.53 530.8
Penjelasan : Berdasarkan grafik hasil prediksi harga emas di atas, terdapat jarak yang cukup jauh pada tanggal 0307-2014 sampai dengan 08-07-2014 pada prediksi menggunakan 5 dan 7 data terakhir. Hal ini disebabkan karena adanya situasi yang mempengaruhi harga emas yang tidak dapat diprediksi oleh sistem. Berdasarkan hasil prediksi yang dapat dilihat pada tabel 3, menunjukkan hasil prediksi semakin baik dengan menggunakan 3 data terakhir dengan nilai Mean Absolute Percentage Error (MAPE) 1.09%. Hasil prediksi semakin baik jika nilai MAPE mendekati angka 0. Tabel 3 Hasil Prediksi Data IHSG berdasarkan Data Aktual Tanggal 2014-06-11 2014-06-12 2014-06-13 2014-06-16 2014-06-17 2014-06-18 2014-06-19 2014-06-20 2014-06-23 2014-06-24 2014-06-25 2014-06-26 2014-06-27 2014-06-30 2014-07-01 2014-07-02 2014-07-03 2014-07-04 2014-07-07 2014-07-08 2014-07-10 2014-07-11 2014-07-14
Aktual 4971 4934 4926 4885 4909 4887 4864 4847 4842 4862 4838 4872 4845 4878 4884 4908 4888 4905 4989 5024 5098 5032 5021
3 Data 4885 4887 4934 4970 4929 4885 4885 4907 4872 4851 4858 4844 4838 4872 4875 4880 4894 4908 4888 4989 5016 5033 5098
Prediksi 5 Data 4932 4941 4935 4930 4932 4925 4908 4895 4878 4870 4864 4851 4856 4853 4858 4863 4876 4879 4892 4923 4944 4981 5017
7 Data 4920 4927 4937 4933 4925 4925 4927 4911 4893 4880 4874 4864 4859 4853 4859 4860 4869 4872 4880 4912 4926 4959 4978
2014-07-15 2014-07-16 2014-07-17 2014-07-18 2014-07-21 2014-07-22 2014-07-23 MAPE MAD MSE
5070 5113 5071 5087 5127 5083 5093
5065 5070 5029 5113 5122 5093 5118 0.38% 18.9 1050.8
5039 5050 5066 5064 5072 5100 5096 0.53% 26.5 2004.5
4989 5018 5045 5062 5069 5079 5081 0.67% 33.9 2938.6
Penjelasan : Berdasarkan hasil prediksi yang dapat dilihat pada tabel 4.4, menunjukkan hasil prediksi hasil prediksi semakin baik dengan menggunakan 3 data terakhir dengan nilai MAPE 0.38%. Pembahasan Ukuran kesalahan di atas mengindikasikan besarnya keakuratan penggunaan Adaptive Neuro-Fuzzy Inference System (ANFIS), untuk memprediksi harga emas, dan IHSG. Angka kesalahan akan semakin baik jika nilainya semakin mendekati angka 0. Berdasarkan hasil prediksi diatas, menunjukkan bahwa hasil prediksi semakin akurat pada prediksi menggunakan 3 data terakhir. Dengan Emas 1.09% dan IHSG 0.38%. Hasil prediksi juga menunjukkan bahwa prediksi dengan menggunakan data Saham seperti IHSG, menghasilkan nilai prediksi yang lebih baik dari pada menggunakan data Emas. Hal ini dikarenakan pergerakan fluktuasi emas yang kurang teratur dibandingkan dengan nilai IHSG. Evaluasi dan Analisis Hasil Prediksi Penghitungan prediksi diatas menggunakan data H-1 dari data yang akan di prediksi. Seperti contoh, jika akan mencari nilai prediksi pada tanggal 2014-07-23 dengan menggunakan 3 data terakhir, maka sistem akan menggunakan data pada tanggal 2014-07-22, 2014-07-21, dan 2014-07-18 untuk ditraining. Pada penelitian ini, nilai Open, High, dan Low sangat menentukan hasil prediksi sehingga, untuk mendapatkan nilai Open, High, dan Low penulis menggunakan nilai rata-rata Open, High, dan Low dari data yang digunakan. Pada penelitian ini, penulis tidak memprediksi pada tanggal yang tidak tertera pada sumber. Seperti tanggal 2014-07-20 dan 2014-07-19. Data-data ditraining dengan “Epoch” 1000000 kali untuk prediksi dengan 3 data terakhir, 100000 kali untuk prediksi dengan 5 data terakhir, dan 10000 kali untuk prediksi dengan 7 data terakhir. Prediksi dilakukan dengan ”Epoch” yang berbeda pada setiap data yang digunakan dikarenakan, semakin banyak data yang ditraining dan semakin besar ”Epoch”nya, maka akan semakin lama proses training berjalan. Sehingga, banyaknya “Epoch” disesuaikan dengan jumlah data yang ditraining. Pengujian dari beberapa input yang berbeda antara satu pengujian dengan pengujian lainnya, didapat hasil pengamatan sewaktu melakukan implementasi, diantaranya : 1. Hasil prediksi yang dihasilkan pada aplikasi prediksi ini tidak 100% akurat dikarenakan pola pergerakan harganya yang tidak teratur / acak. Namun jika digunakan analisis yang dipakai dalam berinvestasi diharga emas, maka hasil fluktuasi yang dapat disimpulkan akan cenderung sama dengan hasil ANFIS yang dihasilkan pada aplikasi ini. 2. Hasil yang didapat dari pengujian ini adalah prediksi dengan 3 data terakhir, menghasilkan prediksi yang lebih baik dengan tingkat kesalahan yang cenderung lebih kecil dibandingkan pengujian lainnya. 3. Hasil prediksi yang dihasilkan pada objek lain, yaitu data Saham IHSG menghasilkan nilai prediksi yang lebih baik daripada hasil prediksi menggunakan data emas. Hal ini dikarenakan pola pergerakan harga saham IHSG lebih teratur daripada pola pergerakan harga emas.
KESIMPULAN DAN SARAN Berdasarkan hasil evaluasi yang diperoleh, maka kesimpulan dari pengembangan aplikasi ini adalah : 1. Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) dapat diimplementasikan untuk meramalkan atau memprediksi nilai emas dan saham. 2. Perhitungan nilai error dengan menggunakan rumus Mean Absolute Percentage Error (MAPE) terhadap nilai prediksi termasuk baik, sekitar 1%-1.3%. Namun melihat hasil Mean Absolute
Deviiation (MAD), tidak terlalu baik. Nilai error menggunakan MAD sekitar, 12.1-14.5. Nilai atau selisih sebesar ini sangat berpengaruh dalam investasi emas. 3. Berdasarkan hasil prediksi yang dilakukan menggunakan data IHSG , maka metode ANFIS lebih baik digunakan untuk memprediksi nilai saham. Berdasarkan pada kesimpulan yang diperoleh, maka berikut ini adalah berbagai saran dari penulis yang dapat membangun untuk pengembangan selanjutnya: 1. Aplikasi ini tidak dapat mengambil data secara real time, sehingga user harus melakukan input data secara manual. Pengembangan aplikasi agar data dapat diambil secara real time. 2. Membuat opsi agar dapat meramalkan nilai investasi lainnya.
REFERENSI Abdullah, G., Rahman, A., & Lukman H. (2012). Electrans. Perkiraan Beban Puncak Jangka Panjang pada Sistem Kelistrikan Indonesia Menggunakan Algoritma Adaptive NeuroFuzzy Inference System, VOL.11, NO.2, SEPTEMBER 2012, 18-26. Agus.(2013). Perancangan Program Aplikasi Prediksi Nilai Crop Variable Tanaman Padi Dengan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS). Skripsi S1. Universitas Bina Nusantara, Jakarta. Aldas, K., Ozkul, I., & Akkurt, A. (2013). TEM Journal. An ANFIS-Based Approach for Predicting the surface Roughness of Cold Work Tool Steel in WEDM, Volume 2/ Number 3/ 2013. Arimbawa, K., Jayanegara K., & Kencana E. (2013). E-Jurnal Matematika. Komparasi Metode ANFIS dan Fuzzy Time Series Kasus Peramalan Jumlah Wisatawan Australia Ke Bali, VOL. 2, No.2, Mei 2013, 18-26. Bisht, D., & Jangid A. (2011). International Journal of Advanced Science and Technology. Discharge Modelling using Adaptive Neuro – Fuzzy Inference System, Vol. 31, June, 2011. Fatkhurrozi, B., Muslim A., & Santoso, D. (2012). Jurnal EECCIS. Penggunaan Artificial Neuro Fuzzy Inference Sistem (ANFIS) dalam Penentuan Status Aktivitas Gunung Merapi, Vol. 6, No. 2, Desember 2012. Giovanis, E. (2012). Economic Analysis & Policy. Study of Discrete Choice Models and Adaptive Neuro-Fuzzy Inference System in the Prediction of Economic Crisis Periods in USA, Vol. 42 No. 1, March 2012. Ferdiansyah, Tju, A., & Stephen. (2013). Aplikasi Prediksi Harga Komoditi Bahan Pangan Dengan Menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS). Skripsi S1. Universitas Bina Nusantara, Jakarta. Hartono, R.(2010). Perancangan Program Perhitungan Kenaikan Gaji Karyawan Dengan Metode Adaptive Neuro-Fuzzy Inference System. Skripsi S1. Universitas Bina Nusantara, Jakarta. Kuncahyo, B., Ginardi, R., & Arieshanti, I. (2012). Penerapan Metode Adaptive Neuro-Fuzzy Inference System untuk Meprediksi Nilai Post Test Mahasiswa Pada Jurusan Teknik Informatika FTIF ITS. Fakultas Teknologi Informasi, ITS. Kusumadewi, S., & Purnomo, H. (2010). Logika fuzzy. Mehrabi, M dan Mehdi Pesteei S. (2010). An Adaptive Neuro-Fuzzy Inference System (ANFIS) Modeling of Oil Retention in A Carbon Dioxide Air-Conditioning System. Urnia University, Iran. Pressman, R. S. (2010). Software Engineering : A Practitioner's Approach. New York: McGraw Hill. Shneiderman, B., & Plaisant, C. (2010). Designing the user interface : strategies for effective humancomputer interaction. Addison-Wesley. Saputra, A., Tarno, & Warsito, B. (2012). Jurnal Gaussian. Analisis Data Runtun Waktu Dengan Metode Adaptive Neuro Fuzzy Inference System (ANFIS), Volume 1, Nomor 1, Tahun 2012, Halaman 31-40. Whitten, & Bentley. (2007). In System Analysis And Design Methods. New York: McGraw Hill. Widyapratiwi, L.K., Mertasana, I., & Arjana. I. (2012). Teknologi Elektro. Peramalan Beban Listrik Jangka Pendek di Bali Menggunakan Pendekatan Adaptive Neuro-Fuzzy Inference System (ANFIS), Vol. 11 No. 1 January-Juni 2012. Link : Gurun,
J., dkk.(2010). MarketAnalysis. Retrieved Mei 20, 2014 from http://www.netmba.com/marketing/market/analysis/ PT. Jalatama (2014). Loco London Gold. Rterieved Mei 18, 2014 from http://jalatama.com/index.php
RIWAYAT PENULIS Antony lahir di kota Jakarta pada 18 September 1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika dan Matematika pada tahun 2014.