LAPORAN TUGAS KOMPUTASI STATISTIK LANJUT

FEED FORWARD NEURAL NETWORK ALGORITMA GENETIKA

LAPORAN

Disusun untuk Memenuhi Tugas

pada Mata Kuliah Komputasi Statistika Lanjut Semester Tujuh
yang Diampu oleh Hasbi Yasin,S.Si,M.Si
DISUSUN OLEH :
1;
2;
3;
4;
5;

Enggar Nur Sasongko

Siti Lis Ina A. H.
Etik Setyowati
Anastasia Arinda D.
Sanitoria Nadeak

(24010211130055)
(24010211120006)
(24010211120002)
(24010211140091)
(24010211140079)

JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2014

ANALISIS

StDev

StDev

Algoritma Genetika (AG) adalah suatu algoritma pencarian yang berbasis pada
mekanisme seleksi alam dan genetika. Algoritma Genetika merupakan salah satu algoritma yang
sangat tepat digunakan dalam menyelesaikan masalah optimasi kompleks, yang sulit dilakukan
oleh metode konvensional. Algoritma Genetika (AG) bekerja dari populasi yang merupakan
himpunan solusi yang dihasilkan secara acak. Setiap anggota himpunan yang merepresentasikan
satu solusi masalah dinamakan individu atau kromosom. Sebuah kromosom berisi sejumlah gen,
yang mengkodekan informasi yang disimpan di dalam kromosom. Sebuah kromosom
berkembang biak melalui berbagai iterasi yang berulang-ulang yang disebut generasi. Pada setiap
generasi, kromosom-kromosom
yangofdihasilkan
akan
dievaluasi
menggunakan suatu pengukuran
Box-Cox Plot
suku bunga
bank
indonesia
Lower CL
Upper CL
yang disebut fitness. Pada AG, fitness biasanya
dapat
berupa fungsi objektif dariLam
masalah
yang
bda
2,00
(using 95,0% confidence)
akan dioptimalisasi. Untuk menghasilkan suatu generasi baru, dilakukan
penyeleksian
Estimate
-0,89
LowerCL
-1,36 akan
berdasarkan nilai1,75fitness untuk menentukan kromosom orang tua (parent)
yang
UpperCL
-0,45
menghasilkan kromosom
anak
(offspring)
yang
dibentuk
dengan
menggabungkan
dua
Rounded
Value
-1,00buah
1,50
kromosom orang tua yang terpilih
menggunakan
Box-Cox
Plot of C2operator kawin silang (crossover) dan
1,25
Lower CL
Upper CL operator mutasi. Setelah melalui beberapa
memodifikasi sebuah
kromosom
menggunakan
0,008
Lambda
1,00
(using 95,0% confidence)
generasi maka algoritma ini akan konvergen ke kromosom terbaik.
Estimate
0,89
0,007
0,75uji stasioneritas data suku bunga Bank Indonesia diperoleh
Berdasarkan
sebagai
LowerCLgrafik 0,45
Limit
UpperCL
1,36
0,006
berikut :
Rounded Value
1,00
0,50
-5
-4
-3 suku
-2 bunga
-1 Bank
0 Indonesia
1
2
1; Uji stasioneritas
varian
data
0,005
Lambda

0,004

Berdasarkan plot Box-Cox data suku bunga bank indonesia diperolah nilai
0,003
rounded
value -1,00 sehingga transformasi yang dilakukan adalah 1/data. Setelah
Limit
dilakukan
transformasi
data
diperoleh
plot
Box-Cox
data
suku bunga bank indonesia
0,002
-2
-1
0
1
2
3
4
5
sebagi berikut:
Lambda

Berdasarkan plot Box-Cox data suku bunga bank indonesia diperolah nilai
rounded value 1,00 dapat disimpulkan data sudah stasioner dalam varian.
2; Uji stasioneritas mean setelah data ditransformasi
Karena nilai probability 0.5109 > 0.05 maka dapat disimpulkan bahwa data
belum stasioner terhadap mean sehingga diperlukan differensi pada lag 1. Setelah
dilakukan differensi pada lag 1 diperoleh tabel sebagai berikut:

Karena nilai probability 0.0025 < 0.05 maka dapat disimpulkan bahwa data
stasioner terhadap mean sehingga tidak diperlukan differensi. Setelah sudah stasioner
dalam mean dan varian diperoleh plot PACF sebagai berikut:

Partial Autocorrelation Function for suku bunga bank indonesia

(with 5% significance limits for the partial autocorrelations)

1,0

Partial Autocorrelation

0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1

8
9
Lag

10

11

12

13

14

15

16

Berikut adalah hasil pelatihan dan pengujian dengan AG untuk beberapa ukuran
turnamen k dan pc . Ukuran populasi yang ditetapkan sebesar 50 kromosom
disertai kawin silang menggunakan penyilangan satu titik potong (single point crossover)
dan mutasi dengan default options pada Matlab yaitu dengan probabilitas mutasi ( pm )
0.01. Setelah mencapai 500 generasi diperoleh hasil mse training=11.3701 rmse
traning=3.3720 dan mse testing = 0.1162 dan rmse testing=0.3408.

Berdasarkan gambar diatas dapat dilihat bahwa proses AG dihentikan setelah

mencapai generasi ke 500. Selain itu nilai fitness yang dihasilkan telah konvergen dan
mencapai optimum global yaitu dengan nilai fitness terbaik sebesar 0.044035 dan ratarata nilai fitness sebesar 0.04428
Sedangkan nilai bobot atau parameter optimum yang diperoleh sebagai berikut:
Tabel 1.Bobot atau parameter optimum hasil Pelatihan
w bj
w ij
w bo
w jo
0.0210 -1.2704 -0.1880 0.0785
0.5109 -0.9016
-1.6893
0.2660 1.2361
2.1278

Dari bobot atau parameter yang telah optimum maka model FFNN untuk data
time series dapat dituliskan dalam bentuk persamaan sebagai berikut :

^
X t =0.1880+

0.0785
1.6893
+
1+ exp (( 0.0210+ 0.0785 X t1 ) ) 1+exp (( 0.51091.6893 X t 1) )

Berdasarkan grafik perbandingan target dan output pelatihan FFNN dengan AG

dapat diinterpretasikan bahwa pelatihan jaringan telah memberikan prediksi yang cukup
akurat yang ditunjukkan oleh kedekatan target (garis berwarna biru) dengan output (garis
berwarna merah).

Setelah dilakukan pelatihan dari jaringan FFNN dengan AG, masih dibutuhkan
evaluasi kinerja jaringan dengan pengujian jaringan FFNN dengan AG. Pengujian
dilakukan dengan menggunakan bobot yang sudah optimum dari proses pelatihan.
Berdasarkan grafik di atas, dapat diinterpretasikan bahwa pengujian jaringan sudah
menunjukkan hasil prediksi yang cukup akurat. Keakuratan tersebut dapat ditunjukkan
oleh kedekatan target (titik berwarna biru) dengan output (titik berwarna merah).

KESIMPULAN
Setelah dilakukan pelatihan dan pengujian FFNN dengan AG pada data Suku
Bunga Sertifikat Bank Indonesia dapat diperoleh kesimpulan sebagai berikut.
1; Diperoleh nilai nilai fitness terbaik sebesar 0.044035 dan rata-rata nilai fitness

sebesar 0.04428. Hal tersebut menunjukkan bahwa proses AG sudah mencapai proses
yang optimal.
2; Setelah mencapai 500 generasi diperoleh hasil mse training=11.3701 rmse
traning=3.3720 dan mse testing = 0.1162 dan rmse testing=0.3408.
3; Pada analisis secara visual menunjukkan bahwa proses AAG sudah akurat yang
dibuktikan dengan kedekatan target (garis berwarna biru) dengan output (garis
berwarna merah).
Berdasarkan kesimpulan yang telah didapat maka metode FFNN AG dapat
digunakan untuk meramalkan data suku bunga sertifikat Bank Indonesia untuk beberapa
periode ke depan.