KLASIFIKASI HARGA EMAS UNTUK INVESTASI EMAS

MENGUNAKAN ALGORITMA NAÏVE BAYES BERBASIS

PARTICLE SWARM OPTIMIZATION

Di Susun Oleh :
LATAR BELAKANG
Emas merupakan satu logam mulia berwarna kuning yang dapat
ditempa dan dapat dibentuk yang bernilai tinggi. Emas merupakan
nilai tukar yang digunakan di zama dahulu sebelum adanya uang
seperti saat ini. Emas juga bisa dijadikan sebagai investasi emas yang
bisa menguntungkan dan hanya memiliki sedikit resiko. Saat ini emas
dibagi menjadi dua jenis yaitu emas untuk perhiasan dan emas untuk
investasi. Investasi dalam emas yaitu investasi saham emas atau emas
berjangka.
Selain itu emas bentuk investasi liquid yang dapat diterima di wilayah
atau negara manapun dan mudah dalam melakukan pencairan dalam
waktu yang singkat. Ketika potensi imbalan (return) berinvestasi
dalam saham atau obligasi tidak lagi menarik dan dianggap tidak
mampu mengompensasi risiko yang ada, maka investor akan
mengalihkan dananya ke dalam aset riil seperti logam mulia atau
properti yang dianggap lebih layak dan aman. Proses invetasi
mengandung resiko dan ketidak pastikan. Investasi yang dapat
TUJUAN PENELITIAN
Adapun beberapa tujuan yang diinginkan pada pembuatan
skripsi ini adalah:
1. Melakukan klasifikasi terhadap data emas sehingga dapat
memberikan pengetahuan.
2. Dengan mengetahui investasi, maka dapat digunakan
sebagai rekomendasi terhadap investor untuk mencari
harga.
3. Memprediksi harga emas dan menentukan investasi emas
dengan algoritma Naïve Bayes dalam penentuan hasil
prediksi harga emas, data bisa di manfaatkan sebagai
sumber informasi dan pengetahuan dalam mengambil
keputusan berinvestasi.
Dalam melakukan analisa dan mencari pola data untuk dijadikan sebuah dataset
dalam memudahkan penelitian dan dapat berjalan dengan sistematis dan
memenuhi tujuan yang diinginkan maka dibuat langkah – langkah dalam tahapan
penelitian yang akan dilakukan berikut :
Data Selection
Data selection merupakan proses pemilihan data dari sekumpulan
data operasional yang ada sebelum masuk ke tahap mining data
maupun informasi. Pada tahap ini akan dilakukan langkah-langkah
sebagai berikut :
1. Diambil sampel data secara random dengan parameter atribut
pada data yang memiliki jumlah data terbanyak untuk dijadikan
dataset dan memastikan data emas yang dipilih layak dipakai
untuk dilakukan proses pemodelan.
2. Dilakukan seleksi atribut yang akan dipakai dan dianalisis,
karena pada data awal terdapat beberapa atribut yang tidak
dibutuhkan seperti atribut
3. yang digunakan.
4. Dataset ini setelah dikelompokkan maka didapatkan jumlah data
testing.
5. Dilakukan seleksi atribut yang akan dipakai dan dianalisis,
karena pada data awal terdapat beberapa atribut yang tidak
Data Pre-Processing

Data dapat diproses dan dijadikan dataset dalam penelitian ini data tersebut akan dibagi
menjadi data training, testing dan memisahkan data sesuai kebutuhan dalam penelitian ini
agar dapat model yang diperoleh, memiliki kemampuan generalisasi yang baik dalam
melakukan klasifikasi data, data training atau data testing adalah bagian dari data yang
dilatih untuk membuat prediksi atau menjalankan fungsi dari sebuah algoritma sesuai
dengan tujuannya dalam penelitian ini sehingga dapat melihat keakuratan atau performa
dari suatu data.

Minya
k USD Euro IHSG S&P500 Emas
53.5 14385 15,964.50 6209.12 2,752.06
56.59 14385 16,027.90 6209.12 2,788.86 1,287.10
58.81 14417 16,028.60 6104.11 1,281.00
59.14 14380 16,043.20 6033.14 2,802.39 1,277.10
59.16 14360 16,103.40 6098.97 2,802.39 1,284.95
58.77 14360 16,129.00 6098.97 2,802.39 1,284.15
58.63 14360 16,126.10 6098.97 2,802.39 1,284.15
58.63 14451 16,126.10 6057.35 2,826.06 1,283.60
57.91 14513 16,167.00 6032.7 2,822.24 1,285.40
Data Transformation
Tahap Data Transformation merupakan proses mengubah format data awal
menjadi sebuah format data standar untuk proses pembacaan data dengan
algoritma pada program maupun tool yang digunakan. Berikut adalah hasil
pengolahan data awal setelah melawati tahapan diatas untuk dijadikan dataset
pada tahap selanjutnya.
Minyak USD Euro IHSG S&P500 Emas
53.5 14385 15,964.50 6209.12 2,752.06 1,305.80
56.59 14385 16,027.90 6209.12 2,788.86 1,287.10
58.81 14417 16,028.60 6104.11 2,783.02 1,281.00
59.14 14380 16,043.20 6033.14 2,802.39 1,277.10
59.16 14360 16,103.40 6098.97 2,802.39 1,284.95
58.77 14360 16,129.00 6098.97 2,802.39 1,284.15
58.63 14360 16,126.10 6098.97 2,802.39 1,284.15
58.63 14451 16,126.10 6057.35 2,826.06 1,283.60
57.91 14513 16,167.00 6032.7 2,822.24 1,285.40
Data Uji
Data yang digunakan pada penelitian ini menggunakan
angka/numerik, sehingga harus dicari terlebih dahulu nilai
dan standar deviasi setiap variabel nya. Dan untuk
pembagian label terbagi 2 yakni Naik dan Turun berdasarkan
klasifikasi pada data training dan testing penelitian ini
menggunkan algoritma naïve bayes yang mana yang akan
mendapatkan hasil nilai accuracy, precision, dan recall serta
prediksi yang dapat digunakan dalam pengambilan
keputusan ketika berinvestasi emas. Sumber data sebagai
objek pada penelitian ini adalah data harga emas dalam
kurun waktu 4 bulan. Data yang digunakan dalam penelitian
ini terdiri dari atribut atau variabel seperti,Minyak, USD,
Euro, IHSG ,S&P500,Emas.
Pembahasan dilakukan guna untuk mendapatkan nilai accuracy,
precision, untuk algoritma naïve bayes, memprediksi, klasifikasi dos ,
recall. Pengertian akurasi adalah tingkat kedekatan hasil prediksi
dengan hasil fakta. Presisi adalah tingkat ketepatan antara informasi
yang diminta oleh pengguna dengan jawaban yang diberikan oleh
sistem. Serta recall adalah tingkat keberhasilan sistem dalam
menemukan kembali sebuah informasi.
Perhitungan dari algoritma naïve bayes, akurasi dilakukan dengan
cara jumlah TP + TN dibagi jumlah total data testing yang diuji.

No Algoritma Accucry Percision Recall

1 Naïve Bayes 84.17% 84.21% 82.76%
2 PSO 88.33% 89.29% 86.21%
Analisa Hasil
Hasil dari pengujian data sampel yang diutarakn yaitu sebanyak 120
data , kemudian hasil dari data emas menyatakan tingkat ke
accuracy, recall dan persicion naïve bayes, tingkat accurcy 84.17
%, Recall 84,21 % dan Percision 82.76 % putuskan dalam
klasifikasi prediksi naïve bayes. Model model for label attribute
Prediksi Naïve Bayes,hasil dari penelitian ini merupakan
rangkuman hasil percobaan dari algoritma tersebut dalam
menghasilkan hasil optimal dalam prediksi emas dalam inevestasi,
mengetahui hasil perhitungan Analisa data emas dengan cara
mengkasifikasikan data emas dalam bentuk label naik dan turun
menggunakan metode naïve bayes berbasis particle swarm
optimization dengan membandingkan pengujian pertama
menggunakan metode naïve bayes dan yang kedua menggunakan
metode naïve bayes berbasis fitur particle swarm optimization dan
hasil dari fitur particle swarm optimization dapat meningkatkan
accuracy 88.33%.
Kesimpulan

Berdasarkan hasil pengujian dengan menggunakan algoritma Naïve Bayes dapat diambil
suatu kesimpulan sebagai berikut :
1. Pendekatan metode klasifikasi dapat diterapkan dalam menganalisis harga emas
berdasarkan tingkat komoditi harga minyak dunia dan dollar.
2. Pengujian data sampel yang diutarakn yaitu sebanyak 120 data , kemudian hasil dari
data emas menyatakan tingkat ke accuracy, recall dan persicion naïve bayes, tingkat
accurcy 84.17 %, Recall 84,21 % dan Percision 82.76 % putuskan dalam klasifikasi
prediksi naïve bayes. Model model for label attribute Prediksi Naïve Bayes,hasil dari
penelitian ini merupakan rangkuman hasil percobaan dari algoritma tersebut dalam
menghasilkan hasil optimal dalam prediksi emas dalam inevestasi, pengujian prediksi
harga emas yang cukup akurat agar para investor bisa melakuukan investasi emas
sesuai dengan perencanaan yang telah dibuat dan hasil dari fitur particle swarm
optimization dapat meningkatkan accuracy 88.33%.
3. Hasil pengujian memiliki keunggulan dalam optimasi sistem pengenalan pola dengan
kemampuan generalisasi yang baik data emas yang baik dalam prediksi meskipun
dilatih dengan himpunan data atribut dan kelas yang berbeda sehingga dapat
mengambil keputusan dalam berinvestasi emas.
 
Saran
Berdasarkan penelitian yang dilakukan, penulis dapat
memberikan beberapa saran sebagai berikut:
1. Diharapkan penelitian berikutnya mampu meningkatkan
trend accuracy, precision, dan recall prediksi yang lebih
tinggi yaitu menggunakan model yang berbeda.
2. Perlu adanya penelitian lebih lanjut dengan melakukan
pengujian dengan metode lain maupun komparasi
C.50, ,K-NN, Menambahkan jumlah dataset, sampel atau
atribut penelitian, sehingga dapat meningkatkan hasil
accuracy, precision, dan recal.
3. Menambahkan referensi-referensi baik itu dari penelitian
terdahulu maupun teori agar penelitian yang dihasilkan
bisa lebih baik lagi.
TERIMAKASIH