Jurnal DISPROTEK Volume 7 No.

2 Juli 2016

STATISTICAL TECHNIQUE DAN PARAMETER OPTIMIZATION PADA

NEURAL NETWORK UNTUK FORECASTING HARGA EMAS

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.

Keywords: Parameter, Optimization, gold, Neural Network

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.

Kata Kunci: Parameter, Optimization, emas, Neural Network

Pendahuluan pasar modal, misalnya berupa saham,

Investasi pada hakikatnya merupakan obligasi, waran, opsi, dan lain-lain. Sedangkan
komitmen terhadap sejumlah sumber daya investasi pada aset-aset riil dapat berbentuk
pada saat ini dengan tujuan untuk pembelian aset produktif, pendirian pabrik,
mendapatkan keuntungan di masa depan pembukaan pertambangan, pembukaan
(Halim 2005). Umumnya investasi dibedakan perkebunan dan lainnya.
menjadi dua, yaitu investasi pada aset-aset Emas merupakan salah satu logam
finansial (financial assets) dan investasi pada mulia yang bernilai di dunia yang bersifat
aset-aset riil (real assets). Investasi pada lunak, tahan korosi, mudah ditempa. Para
aset-aset finansial dilakukan di pasar uang, pakar investasi seringkali menganjurkan untuk
misalnya berupa sertifikat deposito, berinvestasi pada emas karena emas
commercial paper, surat berharga pasar uang, merupakan sarana lindung nilai klasik untuk
dan lain-lain. Investasi juga dapat dilakukan di melawan inflasi dan menambah nilai dalam

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

Oman Somantri (2014) menggunakan NN Statistical Techniques Trend Linier

dengan Bootstrap Aggregating (Bagging) Trend dinyatakan sebagai fungsi sederhana
untuk Penentuan Prediksi Harga Listrik suatu garis lurus di sepanjang deret waktu
(Somantri et al. 2014). Oleh karena itu dalam yang diobservasi sehingga secara sistematis
artikel ini akan dikaji pemodelan dengan bentuk persamaannya adalah sebagai berikut:
menggunakan Statistical Technique dan 𝑇𝑡 = 𝑎 + 𝑏. 𝑌𝑡
Neural Network dengan Algoritma Dimana 𝑇𝑡 = nilai trend periode t
Backpropagation untuk data timeseries dan a = konstanta nilai trend pada periode dasar
aplikasinya pada data harga emas. b = koefisien garis arah trend setiap periode
𝑌𝑡 = variebel independen mewakili waktu dan
Tinjauan Pustaka diasumsikan bernilai integer 1,2,3 ... sesuai
Emas dengan urutan waktu terkait.
Pada umumnya orang memilih berinvestasi Metode yang dapat digunakan untuk
dalam bentuk emas untuk memperoleh menentukan persamaan trend linear
keuntungan (Aprianti 2012). Investasi emas diantaranya adalah metode kuadrat terkecil
dibedakan menjadi 2 yaitu, emas batangan (least square method). Metode ini memilih
dan saham emas (sertifikat). Keduanya nilai-nilai koefisien dalam persamaan trend (a
mempunyai peluang investasi dan resiko dan b) yang meminimumkan rata-rata
masing-masing. Berinvestasi dalam emas kesalahan kuadrat (mean square error) yaitu
batangan membutuhkan biaya untuk :
menyewa safe deposit box dan 𝑛 𝑌𝑡 𝑇𝑡 − 𝑌𝑡 𝑇𝑡
𝑏=
memungkinkan resiko lebih besar daripada 𝑛 𝑌𝑡2 − 𝑌𝑡 2
berinvestasi emas dalam bentuk saham. 𝑎 = 𝑌𝑡 − 𝑏𝑇𝑡
Dalam berinvestasi emas berbentuk saham, Trend Quadratic
investor hanya perlu keahlian membaca bursa Ada kalanya deret berkala mempunyai data
saham. kecepatan (bernilai) atau kelambatan
Konsep Dasar Time Series kenaikan pada tahap awal dan mengalami
Timeseries adalah pengamatan pada suatu kecepatan atau kenaikan yang lebih besar
variabel dari waktu lampau dan dicatat secara pada tahap deret berkala berikutnya atau
berurutan menurut urutan waktu dengan bisa dikatakan nilai data naik turun secara
periode yang tetap (Hanke 2005). Pada tidak sistematis. Dalam kasus seperti ini,
umumnya pencatatan ini dilakukan dalam trend nonlinear lebih baik digunakan dari
periode tertentu misalnya harian, bulanan, pada trend linear. Ada beberapa jenis trend
tahunan dan sebagainya, sedangkan analisis nonlinear, diantaranya:
time series adalah suatu metode kuantitatif Eksponensial
untuk menentukan pola data masa lampau 𝑇𝑡 = 𝑎𝑏 𝑦
yang telah dikumpulkan secara teratur. Jika Kuadratic
telah menemukan pola data tersebut, maka 𝑇𝑡 = 𝑎 + 𝑏𝑌𝑡 + 𝑐𝑌𝑡2
dapat digunakan untuk peramalan di masa Kubik
mendatang. Beberapa konsep dasar dalam 𝑇𝑡 = 𝑎 + 𝑏𝑌𝑡 + 𝑐𝑌𝑡2 + 𝑑𝑌𝑡3
analisis time series adalah Statistical Untuk menentukan trend yang paling tepat
Techniques dan Data Mining Forcasting maka harus dipilih trend yang mempunyai
Techniques (Mishra & Jain 2014). derajat kesalahan paling kecil yaitu
yangmempunyai selisih antara data asli
(actual) dengan hasil estimasi (trend) yang

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

Adapun persamaan perubahan bobot (pasar London). Data bersumber dari

dengan momentum adalah sebagai Bundesbank, dalam dataset ini terdiri dari 2
berikut: attribute yaitu tanggal (date) dan harga (price)
𝑤𝑗𝑘 𝑡 + 1 = 𝑤𝑗𝑘 𝑡 + 𝛼𝛿𝑘 𝑧𝑗 + 𝜇 (𝑤𝑗𝑘 𝑡 − dengan 768 tuple (record). Harga tersebut
𝑤𝑗𝑘 𝑡 − 1 ) (14) merupakan harga emas murni dalam satuan
dan ons, dan jika diubah kesatuan gram yaitu
𝑣𝑖𝑗 𝑡 + 1 = 𝑣𝑖𝑗 𝑡 + 𝛼𝛿𝑘 𝑥𝑖 + 𝜇 (𝑣𝑖𝑗 𝑡 − 31.1034768 gram. Adapun contoh data

𝑣𝑖𝑗 𝑡 − 1 ) (15) tersebut yaitu:

Tabel 3.1. Data Harga Emas Bulanan
10. Tahap 9: Memeriksa stopping condition
Date Price
Jika stop condition telah terpenuhi, maka
pelatihan jaringan dapat dihentikan. 01/11/1950 34.73

Untuk menentukan stopping condition 01/12/1950 34.72

terdapat dua cara yang biasa dipakai, 01/01/1951 34.72
yaitu: 01/02/1951 34.73
 Membatasi iterasi yang ingin 01/03/1951 34.73
dilakukan 01/04/1951 34.73
Misalnya jaringan akan dilatih 01/05/1951 34.73
sampai iterasi yang ke-500. Yang 01/06/1951 34.73
dimaksud dengan satu iterasi adalah ................... ............
perulangan tahap 3 sampai tahap 8 ................... ............
untuk semua training data yang ada. 01/10/2013 1314.402
 Membatasi error 01/11/2013 1277.417
Misalnya menentukan besar Mean
01/12/2013 1221.588
Square Error antara output yang
dikehendaki dan output yang
Tahapan Eksperimen
dihasilkan oleh jaringan.
Pada artikel ini, beberapa tahapan digunakan
Setelah pelatihan selesai, backpropagation
dalam ekperimen untuk mendapatkan sebuah
network (BPNN) dianggap telah pintar
model terbaik menggunakan Statistical
sehingga apabila jaringan diberi input tertentu,
Technique dan Neural Network
jaringan akan menghasilkan output seperti
Backpropagation dengan mengoptimasi
yang diharapkan. Cara mendapatkan output
parameter.
tersebut adalah dengan
mengimplementasikan metode Forcasting Statistical Technique

backpropagation yang sama seperti proses

DATASET
pelatihan, tetapi hanya pada bagian umpan
majunya saja
Trend Moving Exponential
Forecasting
Analysis Average Smoothing
Metodologi
Data Harga Emas Bulanan
Sumber data untuk eksperimen
Evaluation MSE
diambil dari
http://data.okfn.org/data/core/gold-prices/.
imana dalam dataset ini mendefinisikan harga Gambar 3.1. Proposed Method for Statistical
emas bulanan sejak tahun 1950 dalam USD Technique

76
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016

Forcasting Neural Network Moving Average (DMA), Exponential

Smoothing (ES) didapat nilai sebagai berikut:
DATASET

Tabel 4.1. Hasil Eksperimen Menggunakan

Teknik Statistik
Parameter TR TQ SMA DMA ES
Prepocessing Windowing
Optimation Mean Squared 54388.99 39225.455 760.55 864.26 2182.84

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

7 500 0.1 0.1 23.431 +/- 7.106

8 500 0.1 0.1 22.730 +/- 6.945
9 500 0.1 0.1 24.629 +/- 5.274
10 500 0.1 0.1 27.170 +/- 5.054
11 500 0.1 0.1 23.763 +/- 5.918

Berdasarkan hasil eksperimen

pencarian jumlah windowing terbaik, maka
Gambar 4.1. Windowing Data Harga Emas
didapatkan hasil windowing terbaik adalah 8
Bulanan
dengan hasil RMSE sebesar 22.730 +/- 6.945
seperti pada Tabel 4.1. Tahapan selanjutnya
Parameter Optimation
adalah mencari jumlah neuronhidden terbaik
Parameter Optimation digunakan untuk
yang diterapkan pada model, adapun hasilnya
mencari nilai learning rate dan momentum
adalah seperti pada Tabel 4.2.
paling optimal yang akan digunakan untuk
menguji data Neural Network. Dari hasil
Tabel 4.3. Hasil Eksperimen neuron hidden
eksperimen didapat nilai learning rate dan
Terbaik
momentum terbaik adalah 0.1. Berikut hasil Lear
Hidd Training Mome
parameter optimation yang didapat dari ning RMSE
en cycles ntum
pengujian rapidminer. rate
2 500 0.1 0.1 24.357 +/- 6.990
3 500 0.1 0.1 27.113 +/- 7.287
4 500 0.1 0.1 24.638 +/- 7.684
5 500 0.1 0.1 25.050 +/- 8.294
6 500 0.1 0.1 22.730 +/- 6.945
7 500 0.1 0.1 24.500 +/- 7.682
8 500 0.1 0.1 23.347 +/- 7.055
9 500 0.1 0.1 28.534 +/- 9.143
10 500 0.1 0.1 27.169 +/- 8.476
10 500 0.1 0.1 28.811 +/- 13.379
Gambar 4.2. Parameter Optimation

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

Tabel 4.1. +/- 6.945.

Tabel 4.2. Hasil Eksperimen Pencarian Validasi dan Evaluasi Data

Windowing Terbaik Setelah didapatkan nilai RMSE yang

Train terbaik yang didapatkan pada Neural Network,
Lear Mom
Windo ing kemudian pengujian dilanjutkan untuk mencari
ning entu RMSE
wing cycle harga pada waktu yang akan datang (step
rate m
s ahead). Dari pengujian tersebut peramalan
2 500 0.1 0.1 24.107 +/- 7.086
harga untuk bulan Desember 2015 didapat
3 500 0.1 0.1 23.646 +/- 5.432
4 500 0.1 0.1 23.366 +/- 5.946
nilai 664.34 sehingga jika ditransformasikan
5 500 0.1 0.1 24.263 +/- 5.606 ke Rupiah sebesar Rp. 291.476,-.
6 500 0.1 0.1 25.977 +/- 6.252

78
Jurnal DISPROTEK Volume 7 No. 2 Juli 2016

Simpulan Hanke, J.E., 2005. Business Forecasting 8th

Eksperimen dilakukan untuk mencari Edition 8th ed., United States of
nilai error terkecil dengan menggunakan Amerika: Pearson Education, Inc.
teknik statistik dan data mining. Dari hasil Kusrini, E.T.L., 2009. Algoritma Data Mining.
pengujian, teknik statistik terbaik yaitu In Data Mining. Yogyakarta: CV. ANDI
menggunakan teknik Single Moving Average OFFSET, pp. 1–209.
dengan MSE sebesar 760.55. Pada teknik Mishra, N. & Jain, E.A., 2014. Time Series
data mining dengan menggunakan metode Data Analysis for Forecasting – A
Neural Network Backprogration didapat RMSE Literature Review. , 4(1972), pp.1–5.
sebesar 22.730 +/- 6.945. Penggunaan, P., Zaitun.
Somantri, O., Sasmito, G.W. & Sungkar, M.S.,
Daftar Pustaka 2014. Optimalisasi Neural Network
Aprianti, M., 2012. Anti Rugi Dengan dengan Bootstrap Aggregating ( Bagging
Berinvestasi Emas, Yogyakarta: Pustaka ) untuk Penentuan Prediksi Harga Listrik.
Baru Press. , 1(2), pp.185–192.
Computing, S., 2010. Fundamentals of Neural Sudjana, 2005. Metoda Statistika 6th ed.,
Networks Soft Computing Fundamentals Bandung: PT. Tarsito.
of Neural Networks Soft Computing. Suprianto, E.D.Y., 2004. Penerapan jaringan
Fausset, L., 1994. Fundamentals of Neural syaraf tiruan untuk memprediksi harga
Network. Architectures, Algorithms, and saham.
Appliacations.
Halim, A., 2005. Analisis investasi 2nd ed. R.
Untung, ed., Jakarta: Salemba Empat.

79