432 1436 1 PB PDF
432 1436 1 PB PDF
2 Juli 2016
Harminto Mulyo
Fakultas Sains danTeknologi, UNISNU Jepara
minto@unisnu.ac.id
ABSTRACT
Gold is a precious metal that is valuable in the world that is soft, corrosion-resistant, malleable. The
investment experts often advise to invest in gold because gold is a classic hedge against inflation and
adds value in conditions of instability of currency exchange rate fluctuations. Gold price history data
from year to year tends to rise, it's interesting researchers to examine the data using a variety of
forecasting methods, including Statistical Technique and Data Mining Technique. Experiments were
performed to look for the smallest error value by using statistical techniques and data mining. From
the test results, the best statistical technique that uses a technique Single Moving Average with MSE
of 760.55. In the data mining technique using Neural Network Backprogration obtained RMSE of
+/- 22 730 6945.
ABSTRAK
Emas merupakan salah satu logam mulia yang bernilai di dunia yang bersifat lunak, tahan korosi,
mudah ditempa. Para pakar investasi seringkali menganjurkan untuk berinvestasi pada emas karena
emas merupakan sarana lindung nilai klasik untuk melawan inflasi dan menambah nilai dalam kondisi
ketidakstabilan fluktuasi nilai mata uang. Data riwayat harga emas dari tahun ke tahun cenderung
naik, hal tersebut menarik peneliti untuk menguji data menggunakan berbagai metode peramalan,
diantaranya Statistical Technique dan Data Mining Technique.Eksperimen dilakukan untuk mencari
nilai error terkecil dengan menggunakan teknik statistik dan data mining. Dari hasil pengujian, teknik
statistik terbaik yaitu menggunakan teknik Single Moving Average dengan MSE sebesar 760.55.
Pada teknik data mining dengan menggunakan metode Neural Network Backprogration didapat
RMSE sebesar 22.730 +/- 6.945.
70
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
kondisi ketidakstabilan fluktuasi nilai mata penting sebagai pegangan ketika memasuki
uang (Aprianti 2012). Investasi dalam emas dunia investasi yang penuh risiko dan
dibedakan menjadi dua jenis yaitu, investasi ketidakpastian. Salah satu pengetahuan
pada saham emas dan investasi pada emas penting dalam berinvestasi emas adalah
batangan. Harga saham open emas dari peramalan harganya. Peramalan harga emas
tahun 2000 sampai dengan 2013 nyaris tidak diperlukan bagi investor untuk mengetahui
pernah turun tajam. Data yang diperoleh dari kecenderungan harga emas di masa datang.
data.okfn.org yaitu pada bulan Januari 2000 Peramalan adalah proses perkiraan
harga emas US$ 284.59 per troy ounce dan (pengukuran) besarnya atau jumlah sesuatu
pada Desember 2013 harga emas mencapai pada waktu yang akan datang berdasarkan
US$ 1221.588 per troy ounce. Begitu juga data pada masa lampau (time series) yang
dengan harga emas batangan yang dianalisis secara ilmiah khususnya
menyesuaikan harga saham emas. Harga menggunakan metode statistika (Sudjana,
emas yang nyaris tidak pernah turun tersebut 2005).
melatarbelakangi minat beli investor terhadap Peramalan harga emas bertujuan untuk
emas. mengetahui peluang investasi harga emas di
Selain itu, faktor yang melatar- masa yang akan datang sehingga dapat
belakangi minat beli investor terhadap emas digunakan sebagai pertimbangan oleh
adalah pembelian emas yang melonjak tajam investor emas untuk mengetahui perubahan
oleh Negara China dan India. Ancaman inflasi harga emas.Metode peramalan sangat
masa depan akibat kebijakan cetak uang oleh banyak dan seringkali memerlukan asumsi
bank sentral negara-negara maju (kebijakan asumsi yang harus dipenuhi, namun terdapat
ini berakibat pada kehancuran nilai tukar mata juga model yang tidak memerlukan asumsi-
uang global) termasuk salah satu faktor yang asumsi salah satunya Neural Network (NN).
mempengaruhi kenaikan atau penurunan Model NN dibedakan menjadi 2, yaitu Feed
harga emas. Faktor yang mempengaruhi Forward Neural Network (FFNN), dimana
kenaikan atau penurunan harga emas yang proses pelatihan berjalan maju dari lapisan
lain adalah (1) krisis financial, (2) naiknya input menuju lapisan output selanjutnya,
permintaan emas di pasaran, (3) kurs dollar, Recurrent Neural Network (RNN) yang proses
(4) harga minyak, dan (6) situasi politik dunia. pembelajarannya paling sedikit ada satu
Agar tujuan investasi tercapai, maka koneksi umpan balik supaya terjadi proses
sebelum memasuki dunia investasi diperlukan siklis (Computing 2010). Yang termasuk
pengetahuan keuntungan dan risiko yang dalam kelas FFNN adalah Backpropagation
didapat ketika terjun di bidang investasi. Neural Network, Radial Basis Function
Harapan keuntungan dalam dunia investasi Network, General Regression Neural Network.
sering juga disebut sebagai return. Risiko Algoritma Backpropagation dalam FFNN
investasi bisa diartikan sebagai kemungkinan merupakan model yang sederhana jika
terjadinya perbedaan antara return aktual digunakan untuk menyelesaikan masalah data
dengan return yang diharapkan. Dua konsep time series. Salah satu data timeseries adalah
ini, risiko maupun return, bagaikan dua sisi harga emas.
mata uang yang se lalu berdampingan. Penggunaan FFNN untuk analisis
Artinya, dalam berinvestasi di samping data time series secara luas telah banyak
menghitung return yang diharapkan investor dilakukan, antara lain Edy Supriyanto (2004)
juga harus memperhatikan risiko yang menerapkan jaringan syaraf tiruan untuk
ditanggung (Halim 2005). Pengetahuan ini memprediksi harga saham (Suprianto 2004),
71
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
72
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
paling kecil. Untuk menentukan trend yang periode. Metode ini dapat digunakan untuk
paling baik adalah memilih trend yang meramalkan data dengan komponen trend
mempunyai nilai Standard Error paling linear. Prosedur menghitung rata-rata
kecil dan R-square yang paling besar. bergerak ganda:
Moving Average 1. Hitung rata-rata bergerak tunggal
Moving average (perataan bergerak) dapat 2. Hitung nilai penyesuaian yang
digunakan untuk memuluskan data deret merupakan selisih antara MA-tunggal
waktu dengan berbagai metode perataan, dengan MA-ganda,
diantaranya Single moving average (rata-rata di mana
bergerak tunggal) dan Double moving average
(rata-rata bergerak ganda). Untuk semua
3. Sesuaikan trend dari periode n ke n+m,
kasus dari metode tersebut, tujuannya adalah
jika anda ingin melakukan peramalan m
memanfaatkan data masa lalu untuk
periode ke depan
peramalan pada periode mendatang.
Ramalan untuk m periode ke depan adalah a n
Single Moving Average
– dimana ini merupakan nilai rata-rata yang
Moving Average (rata-rata bergerak tunggal)
disesuaikan untuk periode n- ditambah m kali
adalah metode yang merata-ratakan nilai dari
komponen trend bn.
t periode terakhir. Dengan kata lain, dengan
Exponential Smoothing
munculnya data yang baru, maka nilai rata-
Pada metode Exponential Smoothing
rata yang baru dapat dihitung dengan
(Pemulusuan Eksponensial), pada dasarnya
menghilangkan data yang tertua dan
data masa lalu dimuluskan dengan cara
menambahkan data yang terbaru. Metode ini
melakukan pembobotan menurun secara
untuk data yang stasioner dan data tidak
eksponensial terhadap nilai pengamatan yang
mengandung trend dan musiman.
lebih tua.
Jika diberikan N titik data dan diputuskan
Pada metode ini terdapat beberapa kategori,
menggunakan T pengamatan pada setiap
diantaranya:
rata-rata (“rata-rata bergerak berorde T”),
1). Pemulusan eksponensial tunggal (single
dinotasikan MA(T) maka keadaan yang
exponential smoothing);
ditemui adalah sebagai berikut:
2). Pemulusan eksponensial ganda (double
𝑌1 𝑌2 … … … … … … . . 𝑌𝑇 𝑌𝑇+1 … … … … … … . . 𝑌𝑁
exponential smoothing) dengan metode
Kelompok Inisialisasi Kelompok Pengujian
Brown;
3). Pemulusan eksponensial ganda (double
exponential smoothing) dengan metode
Holt; dan
4). Pemulusan eksponensial tripel (triple
exponential smoothing) dengan metode
Winter.
Double Moving Average
Data Mining Forecasting Techniques
Double Moving Average (rata-rata bergerak
Backpropagation merupakan salah satu
ganda) didasarkan pada
algoritma pembelajaran dalam jaringan saraf
perhitungan rata-rata
tiruan. Jaringan syaraf tiruan sendiri
bergerak yang kedua. Rata-rata bergerak
merupakan sebuah model yang mengadopsi
kedua dihitung dari rata-rata bergerak yang
cara kerja neuron secara biologi dengan fokus
pertama, dinotasikan dengan MA (T x T) yang
pada cara kerja saraf otak. Algoritma
artinya adalah MA(T) periode dari MA(T)
73
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
backpropagation menggunakan error output (yk ) dengan nilai target (t k ) untuk menentukan
untuk mengubah nilai bobot-bobotnya dalam besarnya error. Berdasarkan error ini dihitung
arah mundur (backward) (Kusrini 2009). Untuk faktor 𝛿𝑘 , di mana faktor ini digunakan untuk
mendapatkan error ini, tahapan propagasi mendistribusikan error dari output ke layer
maju (forward propagation) harus dikerjakan sebelumnya. Dengan cara yang sama, faktor
terlebih dahulu. Jaringan Backpropagation 𝛿𝑗 juga dihitung pada hidden unit zj , di mana
umumnya terdiri dari banyak lapisan yakni: faktor ini digunakan untuk memperbaharui
1. Lapisan input (1 buah) yang terdiri dari 1 bobot antara hidden layer dan input layer.
hingga n input. Setelah semua faktor 𝛿ditentukan, bobot
2. Lapisan tersembunyi (minimal 1 buah) untuk semua layer diperbaharui.
yang terdiri dari 1 hingga p unit Notasi yang digunakan dalam algoritma
tersembunyi. pelatihan:
3. Lapisan output (1 buah) yang terdiri 1 x = Data training input x =
hingga m unit output. (x1,…,xi,…,xn)
t = Data training untuk target output t =
(t1,…,tk,…,tm)
𝛼 = Learning rate yaitu parameter untuk
mengontrol perubahan bobot selama
pelatihan.
𝑋𝑖 = Unit input ke-i
𝑍𝑗 = Hidden unit ke-j
𝑌𝑘 = Unit output ke-k
𝑉𝑗 0 = Bias untuk hidden unit ke-j
𝑉𝑗𝑖 = Bobot antara unit input ke-i dengan
hidden unit ke-j
Gambar 2.1. Arsitektur Algoritma BPNN
𝑊𝑘0 = Bias untuk unit output ke-k
𝑊𝑘𝑗 = Bobot antara hidden unit ke-j
Algoritma pelatihan Backpropagation
dengan unit output ke-k
pada dasarnya terdiri dari 3 tahapan (Fausset
𝛿𝑘 = Faktor koreksi error untuk bobot wjk
1994) yaitu :
𝛿𝑗 = Faktor koreksi error untuk bobot vij
1. Tahap propagasi maju (feedforward)
m = Momentum
2. Tahap propagasi mundur (backward)
3. Tahap perubahan bobot dan bias
Tahap-tahap pelatihan:
Selama propagasi maju (feedforward), sinyal
1. Tahap 0: Inisialisasi bobot dan bias. Baik
masukan (xi ) akan menerima sinyal input dan
bobot maupun bias dapat diset dengan
akan menyebarkan sinyal tersebut pada tiap
sembarang angka (acak) dan biasanya
hidden unit (zj ), setiap hidden unit kemudian
angka di sekitar 0 dan 1 atau -1 (bias
akan menghitung aktivasinya dan mengirim
positif atau negatif).
sinyal (zj ) ke tiap unit output. Kemudian setiap
2. Tahap 1: Jika stopping condition masih
unit output (yk ) juga akan menghitung
belum terpenuhi, jalankan tahap 2-9
aktivasinya (yk ) untuk menghasilkan respons 3. Tahap 2: Untuk setiap data training,
terhadap input yang diberikan jaringan. lakukan tahap 3-8
Saat proses pelatihan (training), 4. Tahap 3: Setiap unit input (𝑋𝑖 , i=1,…,n)
setiap unit output membandingkan aktivasinya
menerima sinyal input 𝑋𝑖 dan menyebarkan
74
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
𝑚
sinyal tersebut pada seluruh unit pada 𝛿_𝑛𝑒𝑡𝑗 = 𝑘=1 𝛿𝑘 𝑊𝑗𝑘 (8)
hidden layer. Kemudian hasilnya dikalikan dengan
5. Tahap 4: Setiap hidden unit (𝑍𝑗 , j=1,…,p) turunan dari fungsi aktivasi yang
akan menjumlahkan sinyal-sinyal input digunakan jaringan untuk menghasilkan
yang sudah berbobot, termasuk biasnya: faktor koreksi error 𝛿𝑗 , di mana:
𝑛
𝑍 _ 𝑛𝑒𝑡𝑗 = 𝑉0𝑗 + 𝑖=1 𝑋𝑗 𝑉𝑖𝑗 (1) 𝛿𝑗 = 𝛿 _ 𝑛𝑒𝑡𝑗 𝑓 ′ (𝑧 _ 𝑛𝑒𝑡𝑗 ) = 𝛿 _ 𝑛𝑒𝑡𝑗 𝑧𝑗 (1 _ 𝑧𝑗 )
dan memakai fungsi aktivasi yang telah (9)
ditentukan untuk menghitung sinyal output Faktor 𝛿𝑗 ini digunakan untuk menghitung
dari hidden unit yang bersangkutan: koreksi error (∆𝑉𝑖𝑗 ) yang nantinya akan
1
𝑧𝑗 = 𝑓 𝑧_𝑛𝑒𝑡𝑗 = − 𝑍 _𝑛𝑒𝑡 𝑗 (2) dipakai untuk memperbaharui 𝑉𝑖𝑗 , di mana:
1+𝑒
lalu mengirim sinyal output ini ke seluruh ∆𝑉𝑖𝑗 = 𝛼𝛿𝑗 𝑋𝑖 (10)
unit pada unit output Selain itu juga dihitung koreksi bias
6. Tahap 5: Setiap unit output (𝑦𝑘 , k=1,…,m) ∆𝑉0𝑗 yang nantinya akan dipakai
akan menjumlahkan sinyal-sinyal input untuk memperbaharui 𝑉0𝑗 , di mana:
yang sudah berbobot termasuk biasnya: ∆𝑉0𝑗 = 𝛼𝛿𝑗 (11)
𝑝
𝑦 _ 𝑛𝑒𝑡𝑘 = 𝑊0𝑘 + 𝑗 =1 𝑍𝑗 𝑊𝑗𝑘 (3) 9. Tahap 8: Pembaharuan bobot dan bias:
dan memakai fungsi aktivasi yang telah Setiap unit output (𝑌𝑘 ,k=1,…,m) akan
ditentukan untuk menghitung sinyal output memperbaharui bias dan bobotnya dengan
dari unit output yang bersangkutan: setiap hidden unit:
1
𝑦𝑘 = 𝑓 𝑦_𝑛𝑒𝑡𝑘 = (4) 𝑊𝑗𝑘 𝑏𝑎𝑟𝑢 = 𝑊𝑗𝑘 𝑙𝑎𝑚𝑎 + ∆𝑊𝑗𝑘 (12)
1+𝑒 − 𝑦 _𝑛𝑒𝑡 𝑘
7. Tahap 6: Propagasi balik error Demikian pula untuk setiap hidden unit
(backpropagation of error). akan memperbaharui bias dan bobotnya
Setiap unit output (𝑦𝑘 ,k=1,…,m) menerima dengan setiap unit input:
suatu target (output yang diharapkan) yang 𝑉𝑖𝑗 𝑏𝑎𝑟𝑢 = 𝑉𝑖𝑗 𝑙𝑎𝑚𝑎 + ∆𝑉𝑖𝑗 (13)
akan dibandingkan dengan output yang Pada standar backpropagation, perubahan
dihasilkan: bobot didasarkan atas gradien yang terjadi
𝛿𝑘 = 𝑡𝑘 − 𝑦𝑘 𝑓′ (𝑦 _ 𝑛𝑒𝑡𝑘 ) = 𝑡𝑘 − untuk untuk pola yang dimasukkan saat itu.
𝑦𝑘 𝑦𝑘 (1 _ 𝑦𝑘 ) (5) Modifikasi yang dapat dilakukan adalah
Faktor 𝛿𝑘 ini digunakan untuk menghitung melakukan perubahan bobot yang
koreksi error (∆𝑊𝑗𝑘 ) yang nantinya akan didasarkan atas arah gradien pola tearkhir
dan pola sebelumnya (disebut momentum)
dipakai untuk memperbaharui 𝑊𝑗𝑘 , di
yang dimasukkan. Penambahan
mana:
momentum dimaksudkan untuk
∆𝑊𝑗𝑘 = 𝛼𝛿𝑘 𝑧𝑗 (6)
menghindari perubahan bobot yang
Selain itu juga dihitung koreksi bias ∆𝑊0𝑘
mencolok akibat adanya data yang sangat
yang nantinya akan dipakai untuk
berbeda dengan yang lain. Dengan
memperbaharui 𝑊0𝑘 , di mana:
penambahan momentum, bobot baru pada
∆𝑊0𝑘 = 𝛼𝛿𝑘
waktu ke (t+1) didasarkan atas bobot pada
(7)
waktu t dan (t-1). Di sini harus
Faktor 𝛿𝑘 ini kemudian dikirimkan ke layer
ditambahkan 2 variabel baru yang
di depannya.
mencatat besarnya momentum untuk 2
8. Tahap 7: Setiap hidden unit (𝑍𝑗 , j=1,…,p)
iterasi terakhir.
menjumlah input delta (yang dikirim dari
layer pada tahap 6) yang sudah berbobot:
75
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
76
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
Error (MSE)
Harga dibulan 849.43 1177.0033 1249.50 1249.50 1350.98
Desember 2015
Neural Network
Forecasting
Backpropagation
Pengujian terbaik diperoleh Single
Moving Average dengan Mean Squared Error
sebesar 760.55, untuk peramalan multi step
ahead terlihat peramalan pada bulan
Evaluation RMSE
desember 2015 yaitu sebesar US$ 1249.50
/ons. Harga peramalan ini adalah harga emas
dunia, namun harga tersebut dapat
Gambar 3.2. Proposed Method for Neural
ditransformasikan ke dalam harga emas
Network Backpropagation
Indonesia dengan persamaan sebagai
berikut :
Seperti yang telihat pada Gambar 3.2,
metode yang diusulkan adalah optimasi
𝑎𝑟𝑔𝑎 𝑒𝑚𝑎𝑠 𝐼𝑛𝑑𝑜𝑛𝑒𝑠𝑖𝑎 𝑔𝑟𝑎𝑚
parameter pada Neural Network. Dataset
𝑎𝑟𝑔𝑎 𝑒𝑚𝑎𝑠 𝑑𝑢𝑛𝑖𝑎
yang berasal dari data.okfn.org kemudian = 𝑥 𝑘𝑢𝑟𝑠 𝑑𝑜𝑙𝑎𝑟
31.1
dilakukan windowing untuk menjadikan dengan demikian peramalan harga emas di
dataset menjadi mulvariate yang nantinya Indonesia pada bulan Desember 2015 adalah:
akan dimasukan sebagai data testing dan 𝑎𝑟𝑔𝑎 𝑒𝑚𝑎𝑠 𝐼𝑛𝑑𝑜𝑛𝑒𝑠𝑖𝑎 𝑔𝑟𝑎𝑚 =
data training pada model. Validasi data 1249 .50
𝑥 13645 =548213.1
31.1
dilakukan dengan menggunakan 10 Fold
dari hasil tersebut harga emas bulan
Cross Validation untuk mengetahui nilai
Desember 2015 adalah Rp. 548.213 per
performance prediction yaitu nilai Root Mean
gram.
Sequared Error (RMSE) dari model yang kita
buat berdasarkan dataset yang diolah.
Windowing data Harga Emas Bulanan
Optimasi Parameter dilakukan pada data
Windowing adalah proses untuk memecah
training sebelum dimasukan kedalam Neural
data menjadi beberapa attribut. Data yang
Network untuk mendapatkan nilai akurasi
terbentuk diubah menjadi “cross-sectional”
yang lebih baik.
format. Berikut data hasil windowing
menggunakan window size 8, step size 1 dan
Hasil Dan Pembahasan
horizon 1.
Statistical Technique Trend Linier
Dari pengujian data harga emas bulanan
dengan menggunakan software zaitun time
series (Penggunaan n.d.) menggunakan
teknik Trend Linier (TR), Trend Quadratic
(TQ), Single Moving Average (SMA), Double
77
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
Pengujian Model dengan Neural Network Pada Tabel 4.2 diperlihatkan hasil
Pada tahapan eksperimen pertama adalah RMSE dengan jumlah neuron hidden terbaik
dengan mencari jumlah windowing terbaik pada Neural Network yaitu 6 neuron hidden
pada Neural Network, diperlihatkan pada dan mendapatkan RMSE sebesar 22.730
78
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016
79