Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika Dimas Fachrurrozi Azam1, Dian Eka Ratnawati2, Putra Pandu Adikara3 Program Studi Teknik Informatika Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Investasi merupakan suatu kegiatan membeli barang, sampai memiliki nilai yang cukup tinggi untuk dijual kepada investor lain. Ada banyak jenis investasi, salah satunya emas. Beberapa orang yang baru memulai dalam melakukan investasi merasa kesulitan dalam menentukan untuk membeli dan menjual emas. Banyak kerugian yang akan didapat jika investor salah langkah dalam menjual ataupun membeli emas. Berdasarkan permasalahan tersebut, peneliti bermaksud membantu para investor dengan mengusuljan sistem prediksi harga emas menggunakan feed forward neural network (FFNN) dengan algoritme genetika. Metode algoritme genetika digunakan untuk mengoptimasi bobot yang telah ada untuk akan digunakan dengan model feed forward neural network untuk melakukan proses prediksi harga Dari hasil pengujian, jumlah data latih 126 data, dan data uji 54 data, nilai cr 0.3 dan nilai mr 0.7, jumlah popsize 250, jumlah generasi 200, menghasilkan nilai rata-rata root mean square error (RMSE) 0.304587%. Kata kunci: investasi emas, prediksi harga emas, feed forward neural network(FFNN), algoritme genetika
Abstract Investment is an activity to buy goods, with the purpose to be sold to other investors until they reach a high enough value. There are many types of investments, one of which is gold. Some people who are just starting out in investing find it difficult in deciding to buy and sell gold. Many losses will be obtained if the investor missteps in selling or buying gold. Based on the problem, the researcher intends to help the investor by proposing gold price prediction system using feed forward neural network (FFNN) with genetic algorithm. The genetic algorithm method is used to optimize the existing weights to be used with the forward neural network feed model to process the price prediction. From the test result, the total of 126 training data, and the total of 54 testing data, the CR value 0.3 and the MR value 0.7, the number of pop size is 250, the number of generations are 200, yields an average mean root mean square error (RMSE) of 0.304587%. Keywords: gold investment, gold price prediction, feed forward neural network (FFNN), genetic algorithm
1.
menjadi dua jenis yaitu, investasi pada saham emas dan investasi pada emas batangan. Harga saham emas batangan dari tahun 2012 hingga tahun 2017 harga emas batangan hampir tidak pernah turun tajam. Data yang digunakan dalam penelitian ini adalah data sekunder, yaitu data Harga Emas harian periode 21 Maret 2011 sampai dengan 13 Februari 2017 yang terdiri dari 181 data harian yang tercatat. Berdasarkan (Seputarforex, 2011) harga emas hampir tidak pernah turun terlalu rendah, sehingga banyak investor yang berminat terhadap emas. Selain itu, faktor yang melatar belakangi minat beli investor terhadap pembelian emas yang melonjak tajam oleh negara China dan
PENDAHULUAN
Investasi adalah istilah dengan memiliki beberapa pengertian yang berhubungan tentang keuangan ataupun ekonomi. Investasi dilakukan untuk mengeluarkan uang atau menyimpan uang pada suatu benda yang berharga dengan harapan akan mendapatkan keuntungan financial. Investasi biasanya dilakukan dengan melakukan pembelian aset financial berupa obligasi, saham, asuransi dan emas (Ahmad, 2004). Emas merupakan salah satu logam mulia yang bernilai dan bersifat lunak, tahan korosi, mudah ditempa. Investasi dalam emas dibedakan Fakultas Ilmu Komputer Universitas Brawijaya
2317
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
India. Ancaman inflasi masa depan akibat kebijakan cetak uang oleh bank sentral negaranegara maju. Kebijakan ini berakibat pada kehancuran nilai tukar mata uang global, termasuk salah satu faktor yang mempengaruhi kenaikan atau penurunan harga emas. Faktor yang mempengaruhi kenaikan atau penurunan harga emas yang lain adalah krisis financial, naiknya permintaan emas di pasaran, kurs dollar, harga minyak, dan situasi politik dunia (Seputarforex, 2016). Agar tujuan investasi tercapai, maka sebelum memasuki dunia investasi diperlukan pengetahuan keuntungan dan risiko yang didapat ketika terjun di bidang investasi. Harapan keuntungan dalam dunia investasi sering juga disebut sebagai return. Risiko investasi bisa terjadi karena perbedaan antara return aktual dengan return yang diharapkan. Salah satu pengetahuan penting berinvestasi emas adalah prediksi harga emas. Prediksi diperlukan investor untuk mengetahui harga emas di masa datang. Prediksi adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa lampau (time series) yang dianalisis secara ilmiah khususnya menggunakan metode statistika (Sudjana, 1996). Prediksi harga emas bertujuan untuk mengetahui peluang investasi harga emas di masa yang akan datang sehingga dapat digunakan sebagai pertimbangan oleh investor emas untuk mengetahui perubahan harga emas. 2.
2318
lapisan yang ada diatasnya (lapisan tersembunyi). 1. Tiap unit tersembunyi (zj, j=1,2,3,âŚ,p) menjumlahkan sinyal-sinyal input terbobot, persamaan yang digunakan untuk menghitung nilai z_in adalah Persamaan 1.
(1) Keterangan: đ§_đđđ : Hasil z_in setiap neuron đŁ0đ : Nilai bobot pada bias menuju neuron hidden layer đŁđđ : Nilai bobot pada setiap neuron input menuju neuron hidden layer đĽđ : Nilai input pada layer input 2. Untuk menghitung nilai dari z menggunakan fungsi aktifasi menghitung output. zj = f (z_inj)
(2)
Keterangan: đ§đ : Nilai z pada neuron hidden layer f : Fungsi aktivasi đ§_đđđ : Hasil z_in setiap neuron jika nilai dari z telah diketahui maka nilai z akan langsung diproses untuk mendapatkan nilai y_in 3. Tiap unit output (yk, k=1,2,3,âŚ,m) menjumlahkan sinyal-sinyal input terbobot, untuk mendapatkan nilai y_in digunakan persamaan 3.
TINJAUAN PUSTAKA
2.1 Feed Forward Neural Network Feed Forward Neural Networks (FFNN) adalah model NN yang mempunyai arsitektur jaringan yang cukup sederhana dengan satu lapisan tersembunyi (hidden Layer) dan dapat diterapkan untuk prediksi data time series. Pada umumnya, FFNN dilatih menggunakan algoritme Backpropagation untuk mendapatkan bobot-bobotnya. Montana dan Davis (1993) telah menerangkan dalam penelitiannya bahwa Backpropagation dapat bekerja dengan baik pada masalah pelatihan sederhana tetapi kinerjanya akan menurun dan terjebak dalam minimal lokal apabila diterapkan pada data yang mempunyai kompleksitas yang besar. Tiap unit input (xi, i=1,2,3,âŚn) menerima sinyal xi dan meneruskan sinyal tersebut pada
Fakultas Ilmu Komputer, Universitas Brawijaya
(3) Keterangan: đŚ_đđđ : Hasil y_in terhadap output đ¤0đ : Nilai bias pada neuron hidden layer yang menuju ke lapisan output đ§đ : Nilai z setiap neuron pada hidden layer đđđ : Nilai bobot pada neuron hidden layer yang menuju ke lapisan output 4. Untuk mendapatkan nilai y adalah menggunakan fungsi aktifasi untuk mendapatkan output dari y. yk= f (y_ink)
(4)
Keterangan: đŚđ : Nilai y pada neuron hidden layer f : Fungsi aktivasi đŚ_đđđ : Hasil y_in setiap neuron dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya (unit-unit output).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2.2 Algoritme Genetika Menurut (Mahmudy, 2013) algoritme genetika adalah salah satu bentuk algoritme evolusi yang sering digunakan dalam pemecahan permasalahan yang kompleks. Dalam prosesnya, Algoritme genetika menggunakan teknik optimasi berbasis populasi yang menerapkan tahapan tahapan evolusi biologi. Kelebihan dalam penggunaan algoritme genetika tidak hanya digunakan dalam permasalahan yang kompleks, namun sering digunakan pada bidang fisika, biologi, ekonomi. Dalam prosesnya, algoritme genetika mempunyai parameter yang digunakan selama pencarian solusi yang diinginkan. Adapun parameter yang digunkana adalah jumlah populasi. Iterasi, crossover rate (cr) dan mutation rate (mr). 2.2.1 Proses Algoritme Genetika 2.2.1.1 Inisialisasi Inisialisasi adalah proses yang dilakukan untuk membangkitkan himpunan solusi baru secara acak ke dalam sebuah populasi yang di dalam terdapat sejumlah kromosom. 2.2.1.2 Reproduksi Proses reproduksi digunakan untuk menghasilkan keturunan selanjutnya. Keturunan yang dihasilkan akan sesuai dengan offspring dari dua operator genetika, yaitu crossover dan mutasi. Proses crossover dilakukan dengan menukar silang gen gen dari dua individu yang akan dipilih secara acak dari sebuah populasi. Proses ini dilakukan guna mencari individu baru yang akan digunakan sebagai calon generasi baru. Sebelum digunakan crossover, harus mengetahui tingkat crossover (crossover rate/pc) yang nantinya akan menetukan rasio offspring yang dihasilkan dari crossover. Offspring didapatkan melalui perhitungan pc x jumlah populasi (popsize). 2.2.1.3 Evaluasi Pada proses evaluasi dilakukan pencarian nilai fitness dari setiap individu. Di mana nilai fitness diperoleh untuk mewakili kualitas solusi dari individu yang terbentuk (Widodo & Mahmudy, 2010). Jika semakin besar nilai fitness maka solusi akan semakin baik. Persamaan 5 merupakan persamaan untuk mendapatkan nilai fitness. Fitness = 1/RMSE Fakultas Ilmu Komputer, Universitas Brawijaya
(5)
2319
2.2.1.4 Seleksi Seleksi adalah proses yang digunakan dalam memilih individu terbaik dari populasi offspring sebelum digunakan pada generasi berikutnya. Proses seleksi dilakukan dengan cara pemeringkatan individu dari nilai fitness terbesar. Selanjutnya akan dipilih kembali sebagai populasi selanjutnya dari hasil pemeringkatan tersebut berdasarkan jumlah populasi (popsize) yang ditentukan. Seleksi memiliki berbagai metode. Metode yang sering digunakan dalam seleksi adalah roulette wheel, binary tournament, dan elitism. Dalam penelitian ini metode seleksi yang digunakan adalah roulette wheel. 2.3 Root Means Square Error (RMSE) Perhitungan error merupakan pengukuran kesalahan antara output aktual dan output target. Langkah yang digunakan adalah SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada setiap lapisan output pada setiap data. Hasil perjumlahan keseluruhan nilai SSE akan digunakan dalam menghitung nilai RMSE (Root Mean Square Error) tiap iterasi (Kusumadewi,2003). đ
đđđ¸=2 âđđđ¸ đâđž
3.
(6)
PERANCANGAN SISTEM
Alur proses prediksi harga emas menggambarkan langkah-langkah dalam proses prediksi sampai mendapatkan nilai RMSE. Gambar 1 merupakan alur proses prediksi harga emas. Berdasarkan Gambar 1 proses prediksi harga emas batang diawali dengan melakukan normalisasi data histori emas. Setelah itu dilanjutkan proses algoritme genetika untuk mendapatkan nilai bobot yang terbaik. Jika bobot terbaik telah didapatkan maka proses selanjutnya dilakukan proses feed forward neural network untuk melakukan prediksi harga emas. Setelah mendapatkan nilai output maka akan dilanjutkan proses perhitungan nilai error.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2320
Nilai RMSE
Pengujian Cr dan Mr 0,45 0,44 0,43 0,42 0,41 0,4 0
5
10
Percobaan KeGambar 2 Grafik Hasil Uji Coba Nilai Cr dan Mr
Dari Gambar 2 dapat disimpulkan bahwa nilai rata-rata RMSE paling rendah dengan nilai cr 0.6 dan mr 0.4. sehingga kombinasi cr 0.6 dan mr 0.4 memiliki hasil nilai RMSE sebesar 0.403282. 4.2 Pengujian Jumlah Populasi Pengujian populasi ini bertujuan untuk mendapatkan nilai rata-rata RMSE terendah. Parameter yang digunakan pada pengujian generasi adalah: ⢠Ukuran populasi : 20-750 ⢠Banyak generasi : 1000 ⢠Crossover rate : 0.4 ⢠Mutation rate : 0.6 Gambar 1 Alur Proses Sistem Prediksi Harga Emas
Pengujian Populasi
PENGUJIAN DAN ANALISIS
Penelitian ini dilakukan pengujian terhadap nilai cr, mr, jumlah popsize, jumlah generasi. 4.1 Pengujian Cr dan Mr Pengujian cr dan mr pada algoritme genetika diperlukan untuk mengetahui pengaruh pada prediksi yang dihasilkan oleh sistem. Nilai cr dan mr digunakan dalam pengujian yang dimulai dari 0.1 sampai 0.9 untuk cr dan 0.9 sampai 0.1 untuk mr. Gambar 2 menunjukkan hasil pengujian dari cr dan mr.
Fakultas Ilmu Komputer, Universitas Brawijaya
Nilai RMSE
4.
0,5 0,4 0,3 0,2 0,1 0 0
5
10
15
Percobaan KeGambar 3 Grafik Hasil Uji Coba Jumlah Populasi
Dari Gambar 3 dapat dilihat bahwa ukuran populasi berpengaruh terhadap pada nilai RMSE nya. Nilai RMSE terendah terdapat pada populasi 40 dikarenakan ykuran pupulasi masih sedikit dalam memproses data, sehingga hasil yang didapatkan tidak terlalu baik. Dari grafik Gambar 6.3 dapat disimpulkan bahwa semakin banyak jumlah popsize cenderung lebih stabil. Dapat disimpulkan nilai rata-rata RMSE yang telah diuji untuk pengujian populasi yang baik terdapat pada nilai RMSE pada pengujian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
popsize 750, dengan rata-rata nilai RMSE 0,402807137.
2321
kali dengan parameter yang sama untuk mendapatkan nilai prediksi rata-rata harga yang akan dihasilkan.
4.3 Pengujian Generasi Pengujian banyak generasi ini bertujuan untuk mendapatkan nilai rata-rata RMSE terendah. Parameter yang digunakan pada pengujian generasi adalah: ⢠Ukuran populasi : 750 ⢠Banyak generasi : 50-3000 ⢠Crossover rate : 0.4 ⢠Mutation rate : 0.6
50000
45000 40000 1
2
3
4
5
6
7
8
9 10 11
Gambar 5 Grafik rediksi Harga Close Emas dengan Parameter Optimal
Pengujian Generasi Nilai RMSE
Prediksi Harga Emas
0,5 0,4 0,3 0,2 0,1 0
Berdasarkan pengujian dengan menggunakan parameter cr, mr, popsize, jumlah generasi yang telah optimal, dapat disimpulkan rata-rata pada hasil prediksi harga close(Kg/$) memiliki harga $ 42713.91. 0
5
10
15
percobaan keGambar 4 Grafik Hasil Uji Coba Generasi
Pada Gambar 4 dapat dilihat bahwa jumlah generasi berpengaruh terhadap algoritme genetika yang terlihat dari nilai RMSE. Nilai RMSE terdapat pada generasi 2000 dikarenakan jumlah generasi tersebut memiliki nilai konvergensi, artinya hamper semua kromosom mempunyai nilai yang berdekatan sehingga tidak memungkinkan memproduksi krosomsom lebih (Mahmudy, 2013). Dari grafik hasil pengujian banyak generasi dapat disimpulkan bahwa nilai rata-rata RMSE yang baik terdapat pada pengujian sebanyak 2000 generasi dengan ratarata nilai RMSE 0,410141. 4.4 Pengujian dengan Parameter Optimal Pengujian ini bertujuan untuk mengetahui prediksi harga emas yang akan muncul. Parameter yang digunakan pada pengujian ini adalah: ⢠Ukuran populasi : 750 ⢠Banyak generasi : 2500 ⢠Crossover rate : 0,6 ⢠Mutation rate : 0,4 Gambar 5 adalah hasil prediksi harga emas close(Kg) dengan satuan dollar ($) dan menggunakan parameter yang telah diuji sebelumnnya. Pengujian dilakukan sebanyak 10 Fakultas Ilmu Komputer, Universitas Brawijaya
5. KESIMPULAN Berdasarkan hasil penelitian tentang Sistem Prediksi Harga Emas Menggunakan Feed Forward Neural Network dengan Menggunakan Algoritme Genetika dapat disimpulkan bahwa Metode Algoritme Genetika dengan Feed Forward Neural Network dapat diimplementasikan dengan baik pada proses prediksi harga emas. Pada permasalahan ini algoritme genetika dapat membantu model feed forward neural network dengan baik dalam memprediksi harga emas dan cukup cepat dalam melakukan proses perhitungan. Algoritme genetika digunakan untuk mencari bobot terbaik yang akan digunakan oleh model jarinagn saraf tiruan feed forward neural network untuk melakukan proses prediksi. Pengujian yang dilakukan dalam penelitian ini meliputi nilai cr, mr, popsize, dan generasi. Pengujiannya dilakukan dengan 10 kali pengujian dengan masing-masing nilai. Untuk mendapatkan hasil yang cukup optimal dalam penelitian ini adalah nilai cr 0.3 dan nilai mr 0.7, jumlah popsize 250, jumlah generasi 200, menghasilkan nilai ratarata root mean square error (RMSE) 0.304587%. DAFTAR PUSTAKA Ahmad, K., 2004. Dasar-Dasar Manajeme Investasi Portofolio. Jakarta: Rineka Cipta. Haykin,
S.,
1994.
Neural
Networks:
A
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Comprehensive Foundation. USA: Prentice Hall PTR Upper Saddle River. Huda, F. A., 2013. Peramalan Time Series Saham Menggunakan Backpropagation Neural Network berbasis Algoritma Genetika. Malang. Kusumadewi, S. &. P. H., 2005. Penyelesaian Masalah Optimasi Menggunakan Teknikteknik Heuristik. Yogyakarta: Graha Ilmu. Kusumadewi, S., 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Lubis, C., Sutedjo, E. & Setiadi, B., 2005. Prediksi Harga Saham Dengan Menggunakan Algoritma Hybrid Neural Network. Seminar Nasional Aplikasi Teknologi Informasi . Mahmudy, W. F., 2013. Algoritma Evolusi. Malang. Makridakis, S. W., 1999. Forecasting 2nd Edition (Metode dan Aplikasi Peramalan). Jakarta: Erlangga. Noertjahyana, A., 2002. Studi Analisa Pelatihan Jaringan Syaraf Tiruan Dengan dan Tanpa Algoritma Genetika. Rahmi, A., Mahmudy, W. F. & Setiawan, D. B., 2015. Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun Dengan Algoritma Genetika. DORO, Volume 5, p. 12. Sari, I. P., 2014. PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORK. Semarang. Sudjana, 1996. Metode Statistika. Bandung: PT. Tarsito. Trimulya, A., S. & Setyaningsih, F. A., 2015. IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM. Jurnal Coding, Sistem Komputer Untan, Volume 03, pp. 66-75. Widodo, A. W. & Mahmudy, W. F., 2010. PENERAPAN ALGORITMA GENETIKA PADA SISTEM REKOMENDASI. PENERAPAN ALGORITMA GENETIKA PADA SISTEM REKOMENDASI, Volume Vol. 5, No. 4.
Fakultas Ilmu Komputer, Universitas Brawijaya
2322
