Fakultas Ilmu Komputer
Universitas Brawijaya
5531
Prediksi Harga Bitcoin Menggunakan Metode Extreme Learning Machine
(ELM) dengan Optimasi Artificial Bee Colony (ABC)
Arjun Nurdiansyah1, Muhammad Tanzil Furqon2, Bayu Rahayudi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected] Abstrak
Bitcoin merupakan cryptocurrency paling populer yang saat ini sedang digemari sebagai sarana untuk investasi layaknya saham. Sifatnya yang tidak terpusat atau desentralisasi menyebabkan harga Bitcoin dapat mengalami inflasi sewaktu-waktu. Sehingga diperlukan metode yang dapat memprediksi harga Bitcoin secara akurat agar memudahkan pengambilan keputusan dalam transaksi jual beli Bitcoin. Metode ELM memiliki learning speed yang lebih baik daripada metode lain serta struktur yang sederhana, namun mempunyai kekurangan pada pemilihan bobot masukan dan bias yang dilakukan secara acak. Untuk mengatasi kekurangan tersebut digunakan metode ABC karena juga memiliki struktur yang sangat sederhana dan fleksibel. Oleh sebab itu, harga Bitcoin akan diprediksi menggunakan metode ELM-ABC. Penelitian ini menggunakan data time series harga Bitcoin dari bursa cryptocurrency Indodax mulai dari tanggal 01 Desember 2017 sampai 31 Agustus 2018. ABC berfungsi menghasilkan bobot masukan dan bias paling optimal pada tahap pelatihan ELM. Selanjutnya, bobot masukan, bias, dan bobot keluaran akan digunakan pada tahap pengujian ELM agar diperoleh hasil prediksi harga. Lalu, dihitung nilai evaluasi error dari hasil prediksi harga Bitcoin menggunakan MAPE. Hasil pengujian parameter ELM-ABC mendapatkan kombinasi terbaik yaitu jumlah fitur sebanyak 12, hidden neuron sebanyak 20, populasi lebah sebanyak 20, dan iterasi sebanyak 5. Kombinasi tersebut menghasilkan nilai rata-rata MAPE sebesar 1,96983% dan akurasi sebesar 98,03017%, sedangkan ELM sebesar 2,70401% dan 97,29599%.
Kata kunci: prediksi, optimasi, harga bitcoin, extreme learning machine, artificial bee colony, ELM-ABC Abstract
Bitcoin is the most popular cryptocurrency currently being favored as a means of investment like stocks. Its nature is not centralized or decentralized which causes the price of Bitcoin can experience inflation at any time. So we need a method to predict the price of Bitcoin accurately to make decisions in Bitcoin buying and selling transactions. The ELM method has better learning speed than other methods and a simple structure, but it has disadvantages in choosing input weights and biases randomly. To overcome these shortcomings, the ABC method is used because it also has a very simple and flexible structure. Therefore, the price of Bitcoin will be predicted using the ELM-ABC method. This research uses Bitcoin price time series data from the Indodax cryptocurrency exchange from 01 December 2017 to 31 August 2018. ABC functions to produce the most optimal input weights and biases for the ELM training stage. Furthermore, input weights, biases, and output weights will be used for ELM testing stages to obtain the prediction result prices. Then, error evaluation value calculated from the results of the Bitcoin price prediction using MAPE. The ELM-ABC parameter test results get the best combination of 12 features, 20 hidden neurons, 20 bee populations, and 5 iterations. The combination produces an average MAPE value of 1,96983% and an accuracy of 98,03017%, while ELM amounted to 2,70401% and 97,29599%.
Keywords: prediction, optimization, bitcoin price, extreme learning machine, artificial bee colony, ELM-ABC
1. PENDAHULUAN
Uang adalah alat tukar ekonomi yang memiliki bentuk bermacam-macam, ada yang
terbuat dari bagian tubuh hewan, logam mulia, batu berharga, dan saat ini berbentuk kertas. Dengan semakin majunya teknologi, muncul bentuk uang yang lebih canggih yaitu
Fakultas Ilmu Komputer, Universitas Brawijaya 2014). Cryptocurrency merupakan digital
currency yang menggunakan teknologi kriptografi dalam setiap proses transaksi data. Adanya cryptocurrency yang digunakan sebagai alternatif sistem pembayaran ternyata masih mempunyai masalah yang belum terpecahkan, yakni double spending problem dan byzantine
general problem. Hingga akhirnya pada tahun
2008 seorang ahli kriptografi bernama Satoshi Nakamoto membuat digital currency baru yang disebut Bitcoin untuk mengatasi masalah tersebut (Mulyanto, 2015).
Bitcoin adalah cryptocurrency yang menggunakan jaringan peer-to-peer (P2P) dan perangkat lunak sumber terbuka (Nakamoto, 2008). Berbeda dengan digital currency lainnya, transaksi pada Bitcoin lebih mudah karena tidak memerlukan rekening bank, kartu kredit atau perantara. Bitcoin merupakan
cryptocurrency pertama, terbesar, paling popular serta tersedia diberbagai bursa
cryptocurrency diseluruh dunia (Feng, et al.,
2017). Menurut data dari www.indodax.com, pada tanggal 03 Februari 2014, harga Bitcoin masih Rp8.757.600,00 dan pada tanggal 07 Desember 2017, mencapai Rp297.500.000,00. Kenaikan harga tersebut disebabkan oleh meningkatnya transaksi jual beli Bitcoin sebagai suatu investasi. Prediksi harga merupakan salah satu strategi untuk memaksimalkan keuntungan dalam berinvestasi.
Prediksi dilakukan dengan cara memperkirakan sesuatu yang tampaknya akan berlangsung di masa depan berdasarkan data
time series atau informasi masa lalu. Sejumlah
penelitian telah dilakukan untuk memprediksi harga Bitcoin, salah satunya dilakukan oleh McNally, et al. (2018). Penelitian tersebut membandingkan metode Recurrent Neural
Network (RNN) dengan Long Short Term Memory (LSTM). Data yang digunakan adalah
harga open, high, low, dan close dari situs Coindesk pada tanggal 19 Agustus 2013 sampai 19 Juli 2016. Hasil dari penelitian menunjukkan bahwa LSTM memiliki akurasi sebesar 52,78% dan RMSE sebesar 6,87%, sedangkan RNN sebesar 50,25% dan 5,45%.
Dari penelitian tersebut dapat disimpulkan bahwa metode LSTM dan RNN masih belum cukup akurat, maka perlu dilakukan penelitian lain dengan metode yang berbeda. Extreme
Learning Machine (ELM) merupakan algoritma
jaringan syaraf tiruan (JST) yang berfungsi untuk melakukan prediksi. Penelitian yang
dilakukan oleh Huixuan, et al. (2015) membuktikan bahwa performa ELM lebih baik dibandingkan dengan Backpropagation dalam memprediksi gerak perputaran kapal pada tinggi gelombang 3,8 meter dengan sudut gelombang 30, 90, dan 150 derajat. Hal ini dibuktikan dengan nilai MSE sebesar 0,0103, 0,0210, dan 0,0178 untuk Backpropagation dan 1,5840e-004, 3,3847e-004, dan 5,4743e-05 untuk ELM.
Parameter ELM (bobot masukan dan bias) menjadi faktor penentu model yang dihasilkan. Namun, ELM memiliki sedikit kekurangan pada pemilihan bobot masukan dan bias yang dilakukan secara acak sehingga kurang optimalnya hasil prediksi. Kekurangan tersebut dapat diatasi dengan bantuan metode optimasi
Artificial Bee Colony (ABC) untuk menentukan
nilai yang tepat. ABC dipilih karena memiliki struktur yang sederhana dan fleksibel. Performa ABC dibuktikan dengan penelitian yang dilakukan oleh Pradnyana, et al. (2018) dalam memprediksi curah hujan menggunakan metode
Backpropagation dengan optimasi ABC. Hasil
penelitian menujukkan akurasi paling tinggi yang diperoleh sebesar 95% dan rata-rata MSE sebesar 0,03.
Berdasarkan uraian yang sudah disampaikan, penelitian ini akan melakukan prediksi harga Bitcoin menggunakan metode ELM-ABC. ELM digunakan untuk prediksi harga Bitcoin sedangkan ABC digunakan untuk inisialisasi bobot masukan dan bias ELM yang optimal.
2. LANDASAN KEPUSTAKAAN 2.1. Bitcoin
Bitcoin adalah mata uang digital berbasis kriptografi yang menghubungkan langsung pengguna tanpa adanya pihak ketiga atau biasanya disebut peer-to-peer (Nakamoto, 2008). Transaksi Bitcoin dilakukan secara komputasi menggunakan timestamp server sehingga urutan kronologis transaksi dapat dilihat oleh pengguna. Teknik kriptografi pada Bitcoin dapat memastikan bahwa Bitcoin hanya bisa digunakan oleh pengguna yang memilikinya. Satoshi Nakamoto mengembangkan Bitcoin menggunakan open
source software agar semua pengguna dapat
terlibat dalam proses pengembangan.
Bitcoin memiliki satuan yang biasa disebut BTC, untuk mempermudah pengguna 1 BTC
dibagi dengan 100.000.000 (0,00000001 BTC) karena jumlahnya yang terbatas 21.000.000 BTC. Dari kemudahan yang ditawarkan oleh Bitcoin menjadikan popularitasnya semakin naik dan menarik perhatian banyak orang. Harganya pun meningkat, kurang dari US$1 saat pertama kali diluncurkan menjadi US$710 pada pertengahan Desember 2013 (Khameswara & Hidayatullah, 2014). Saat ini Bitcoin sudah tersedia di banyak bursa
cryptocurrency sebagai salah satu sarana untuk
investasi layaknya saham.
2.2. Normalisai dan Denormalisasi Data Normalisasi data diperlukan untuk pengolahan data agar sesuai dengan masukan dari JST, yaitu data biner (0 hingga 1) atau bipolar (-1 hingga 1). Metode Min-Max merupakan metode normalisasi yang paling sering digunakan. Metode ini melakukan transformasi linear terhadap data asli. Proses normalisasi data ditunjukkan pada Persamaan 1 (Leung, 2007). 𝑥𝑖′= 𝑥𝑖− 𝑥𝑚𝑖𝑛 𝑥𝑚𝑎𝑥− 𝑥𝑚𝑖𝑛 (1) Keterangan: 𝑥𝑖′ 𝑥𝑖 𝑛 𝑥𝑚𝑖𝑛 𝑥𝑚𝑎𝑥
= Nilai data normalisasi ke-i;
aai = 1, 2, 3, 4, …, n
= Nilai data ke-i;
aai = 1, 2, 3, 4, …, n
= Jumlah data = Nilai data terkecil = Nilai data terbesar
Untuk mengembalikan data seperti nilai awal digunakan metode denormalisasi yang ditunjukkan pada Persamaan 2.
𝑥𝑖 = 𝑥𝑚𝑖𝑛 + (𝑥𝑖′(𝑥𝑚𝑎𝑥− 𝑥𝑚𝑖𝑛 )) (2)
2.3 Extrme Learning Machine (ELM)
ELM adalah metode JST feedforward dengan single hidden layer atau biasa disebut
Single Layer Feedforward Neural Network
(SLFNs). Pada JST konvensional bobot masukan dan bias didapatkan dari proses pelatihan, namun pada ELM diperoleh secara acak. Oleh karena itu, learning speed yang dimiliki ELM sangat cepat dibandingkan metode JST konvensional lainnya serta adanya matriks Moore-Penrose Generalized Inverse yang meminimalkan nilai error (Huang, et al., 2006). ELM juga memiliki struktur yang
sederhana dan langkah-langkah yang pendek sehingga terhindar dari masalah overfitting,
underfitting, atau learning rate yang salah.
Berikut langkah-langkah pada tahap pelatihan ELM: (Cholissodin, et al., 2017) 1. Inisialisasi nilai acak untuk matriks bobot
masukan (𝑊𝑗𝑘) dengan rentang [-1,1]
berukuran 𝑗 (hidden neuron) x 𝑘 (neuron masukan) dan matriks bias (𝑏) pada rentang [0,1] berukuran 1 x 𝑗.
2. Menghitung matriks keluaran hidden layer (𝐻). 𝐻 = 1 1 + 𝑒𝑥𝑝−𝑋𝑡𝑟𝑎𝑖𝑛𝑊𝑇+ 𝑏(𝑜𝑛𝑒𝑠(𝑖𝑡𝑟𝑎𝑖𝑛,1),:) (3) Keterangan: 𝑋𝑡𝑟𝑎𝑖𝑛 𝑊𝑇 𝑖𝑡𝑟𝑎𝑖𝑛 𝑏 𝑏(𝑜𝑛𝑒𝑠(𝑖𝑡𝑟𝑎𝑖𝑛, 1), : )
= Matriks data latih = Matriks transpose
bobot masukan = Jumlah data latih = Matriks bias = Matriks bias sejumlah data latih 3. Menghitung matriks Moore-Penrose
Generalized Inverse (𝐻+).
𝐻+ = (𝐻𝑇𝐻)−1 𝐻𝑇 (4)
Keterangan:
𝐻𝑇 = Matriks transpose keluaran
hidden layer
4. Menghitung matriks bobot keluaran (𝛽̂).
𝛽̂ = 𝐻+ 𝑌 (5)
Keterangan:
𝑌 = Matriks target data latih 5. Menghitung hasil prediksi data latih (𝑌̂).
𝑌̂ = 𝐻 𝛽̂ (6)
6. Melakukan denormalisasi hasil prediksi data latih menggunakan Persamaan 2 dan menghitung evaluasi nilai error
menggunakan RMSE. 𝑅𝑀𝑆𝐸 = √1 𝑁∑(𝑌𝑖− 𝑌̂𝑖) 2 𝑁 𝑖=1 (7) Keterangan: 𝑌𝑖 𝑌̂𝑖 𝑁
= Nilai data target ke-i; i = 1,2,3,4, …, N
= Nilai prediksi data target ke-i; i = 1,2,3,4, …, N
= Jumlah data latih
Selanjutnya langkah-langkah pada tahap pengujian ELM adalah sebagai berikut:
Fakultas Ilmu Komputer, Universitas Brawijaya 1. Menggunakan nilai matriks 𝑊𝑗𝑘 dan
matriks 𝑏 sama seperti proses pelatihan serta matriks 𝛽̂ yang dihasilkan proses pelatihan.
2. Menghitung matriks keluaran hidden layer (𝐻). 𝐻 = 1 1 + 𝑒𝑥𝑝−𝑋𝑡𝑒𝑠𝑡𝑊𝑇+ 𝑏(𝑜𝑛𝑒𝑠(𝑖𝑡𝑒𝑠𝑡,1),:) (8) Keterangan: 𝑋𝑡𝑒𝑠𝑡 𝑊𝑇 𝑖𝑡𝑒𝑠𝑡 𝑏 𝑏(𝑜𝑛𝑒𝑠(𝑖𝑡𝑒𝑠𝑡, 1), : )
= Matriks data uji = Matriks transpose
bobot masukan = Jumlah data uji = Matriks bias = Matriks bias sejumlah data uji 3. Menghitung hasil prediksi data uji (𝑌̂).
𝑌̂ = 𝐻 𝛽̂ (9)
Keterangan:
𝛽̂ = Matriks bobot keluaran
4. Setelah semua selesai, maka hasil prediksi data uji juga dinormalisasi dan melakukan evaluasi nilai error menggunakan MAPE. 𝑀𝐴𝑃𝐸 = 1 𝑁 ∑ | 𝑌𝑖− 𝑌̂𝑖| 𝑌𝑖 𝑁 𝑖=1 × 100% (10) Keterangan: 𝑌𝑖 𝑌̂𝑖 𝑁
= Nilai data target ke-i; i = 1,2,3,4, …, N
= Nilai prediksi data target ke-i; i = 1,2,3,4, …, N
= Jumlah data uji
Langkah terakhir ialah menghitung nilai akurasi menggunakan Persamaan 11. 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 100% − 𝑀𝐴𝑃𝐸 (11) 2.4. Artificial Bee Colony (ABC)
ABC merupakan metode yang terinspirasi dari perilaku koloni lebah madu ketika mencari makan di alam (Izzah, 2013). Dalam koloni lebah terdapat tiga jenis lebah, yaitu employee,
onlooker, dan scout. Employee bertugas
mencari sumber makanan (food source) dan menghitung nektar. Kemudian employee akan memberi informasi letak sumber makanan pada
onlooker dengan melakukan tarian weggle
dalam sarang. Tarian tersebut digunakan koloni lebah untuk berkomunikasi mengenai kualitas dari sumber makanan dan onlooker bertugas menentukan yang terbaik dari setiap sumber makanan, sehingga jumlah onlooker sama
dengan jumlah sumber makanan. Selanjutnya
employee pada tempat sumber makanan akan
mencari sumber makanan baru pada area sekitar (neighborhood). Pada saat itulah employee berubah menjadi scout. Hal ini menyebabkan
employee, scout, dan sumber makanan memiliki
jumlah yang sama.
Berikut langkah-langkah metode ABC dalam melakukan optimasi: (Fei & He, 2015) 1. Lebah employee melakukan inisialisasi
posisi sumber makanan secara acak sejumlah populasi lebah employee dengan Persamaan 12 dan set nilai trial = 0 untuk setiap sumber makanan.
𝑥𝑖𝑗 = 𝑥𝑚𝑖𝑛𝑗+ 𝑟𝑎𝑛𝑑[0,1] × (𝑥𝑚𝑎𝑥𝑗− 𝑥𝑚𝑖𝑛𝑗) (12) Keterangan: 𝑥𝑖𝑗 𝑥𝑚𝑖𝑛𝑗 𝑥𝑚𝑎𝑥𝑗 𝑟𝑎𝑛𝑑[0,1] 𝑖 𝑗
= Posisi sumber makanan ke-i = Nilai batas bawah dari dimensi sumber makanan ke-j = Nilai batas atas dari dimensi sumber makanan ke-j = Bilangan acak rentang [0,1] = Jumlah sumber makanan = Jumlah dimensi sumber makanan
2. Lebah employee menghitung nilai fitness dari setiap sumber makanan dengan Persamaan 13. 𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖 = 1 1 + 𝑂𝑏𝑗 𝐹𝑢𝑛.𝑖 (13) Keterangan: 𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖 𝑂𝑏𝑗 𝐹𝑢𝑛.𝑖
= Nilai fitness sumber makanan ke-i
= Nilai RMSE
3. Selanjutnya lebah employee melakukan
update posisi pada setiap sumber makanan
𝑥𝑖𝑗 agar didapat sumber makanan baru
𝑥𝑖𝑗𝑛𝑒𝑤 menggunakan Persamaan 14 dan
menghitung nilai fitness-nya.
𝑥𝑖𝑗𝑛𝑒𝑤 = 𝑥𝑖𝑗+ 𝜙[−1,1] × (𝑥𝑖𝑗− 𝑥𝑘𝑗) (14) Keterangan: 𝑥𝑖𝑗𝑛𝑒𝑤 𝜙[−1,1] 𝑥𝑖𝑗 𝑥𝑘𝑗
= Posisi sumber makanan baru dari 𝑥𝑖𝑗
= Bilangan acak rentang [-1,1] = Posisi sumber makanan ke-i = Posisi sumber makanan ke-k tetangga dari sumber makanan ke-i, dimana k ≠ i
𝑖, 𝑗, 𝑘 ∈ {1,2,3, . . , 𝑚}
𝑚 = Jumlah sumber makanan Kemudian dilakukan evaluasi nilai fitness
dari 𝑥𝑖𝑗 dan 𝑥𝑖𝑗𝑛𝑒𝑤. Jika 𝑥𝑖𝑗𝑛𝑒𝑤> 𝑥𝑖𝑗,
maka 𝑥𝑖𝑗𝑛𝑒𝑤 akan menjadi sumber
makanan baru dan nilai trial di-reset menjadi 0. Jika sebaliknya, 𝑥𝑖𝑗 akan
dipertahankan dan nilai trial ditambah 1. 4. Lebah onlooker menghitung probabilitas
dari nilai fitness menggunakan Persamaan 15. 𝑃𝑖 = 𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖 ∑𝑚𝑖=1𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖 (15) Keterangan: 𝑃𝑖 𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖
= Probabilitas sumber makanan ke-i
= Nilai fitness sumber makanan ke-i
5. Lalu lebah onlooker akan memilih sumber makanan baru 𝑥𝑖𝑗𝑛𝑒𝑤2 dari 𝑥𝑖𝑗𝑛𝑒𝑤
menggunakan Roulette Wheel (RW). Setelah terpilih, dilakukan update posisi dan evaluasi nilai fitness seperti langkah 3. 6. Kemudian lebah scout menghitung nilai
trial dari setiap sumber makanan yang
dipilih oleh lebah onlooker. Jika nilai
maximum trial ≥ limit trial yang sudah ditentukan dan tidak ada perbaikan nilai
fitness, maka lebah scout akan mengganti
dengan sumber makanan baru menggunakan Persamaan 12, lalu reset nilai
trial menjadi 0. Jika maximum trial ≥ limit
trial dan terdapat perbaikan nilai fitness,
maka tidak perlu diganti, lalu reset nilai
trial menjadi 0. Jika maximum trial ≤ limit
trial, maka tidak perlu diganti dan nilai trial
tidak perlu di-reset.
7. Selanjutnya lebah scout menyimpan satu posisi sumber makanan terbaik (𝑥𝑔𝑙𝑜𝑏𝑎𝑙𝐵𝑒𝑠𝑡) yang sudah ditemukan.
8. Mengulangi langkah 3 sampai 7, jika iterasi
maximum yang sudah ditentukan belum
dicapai.
3. METODOLOGI 3.1. Data Penelitian
Data diambil dari bursa cryptocurrency Indonesia, yaitu Indodax. Data yang digunakan adalah harga close Bitcoin dalam mata uang rupiah mulai dari tanggal 01 Desember 2017 sampai 31 Agustus 2018 yang berjumlah 274 data. Tabel 1 menunjukkan sampel data harga Bitcoin.
Tabel 1. Data Harga Bitcoin
Tanggal Harga Tanggal Harga 01/08/2018 111700000 06/08/2018 102049000
02/08/2018 110894000 07/08/2018 98901000 03/08/2018 108977000 08/08/2018 92041000 04/08/2018 102998000 09/08/2018 96293000 05/08/2018 103303000 10/08/2018 91516000
3.2. Diagram Alir ELM-ABC
Gambar 1. Diagram alir ELM-ABC
Tahapan ELM-ABC dalam memprediksi harga Bitcoin adalah sebagai berikut:
Fakultas Ilmu Komputer, Universitas Brawijaya 2. Melakukan normalisasi data latih dan uji
menggunakan Persamaan 1.
3. Inisialisasi posisi sumber makanan sejumlah populasi lebah untuk nilai awal bobot masukan dan bias menggunakan Persamaan 12.
4. Pelatihan ELM pada setiap posisi sumber makanan untuk mendapatkan matriks bobot keluaran (𝛽̂) dan RMSE menggunakan Persamaan 2, 3, 4, 5, 6, dan 7.
5. Menghitung nilai fitness menggunakan Persamaan 13.
6. Update posisi sumber makanan menggunakan Persamaan 14. Lalu melakukan pelatihan ELM agar diperoleh nilai fitness. Selanjutnya membandingkan dan memilih sumber makanan terbaik berdasarkan nilai fitness.
7. Menghitung probabilitas nilai fitness dari posisi sumber makanan terbaik menggunakan Persamaan 15.
8. Update posisi sumber makanan terbaik yang dipilih dari Roulette Wheel
menggunakan Persamaan 14. Lalu melakukan pelatihan ELM untuk mendapatkan nilai fitness. Kemudian melakukan seleksi untuk mendapatkan sumber makanan terbaik yang memiliki nilai fitness terbaik.
9. Menghitung nilai trial setiap posisi sumber makanan dan melakukan evaluasi.
10. Pengujian ELM menggunakan bobot masukan dan bias dari satu posisi sumber makanan terbaik serta matriks bobot keluaran (𝛽̂) dari pelatihan ELM menggunakan Persamaan 8 dan 9 untuk mendapatkan nilai prediksi.
11. Melakukan denormalisasi nilai prediksi menggunakan Persamaan 2.
12. Menghitung MAPE menggunakan Persamaan 10 dan akurasi menggunakan Persamaan 11.
13. Keluaran dari ELM-ABC adalah nilai prediksi, MAPE, dan akurasi.
4. HASIL PENGUJIAN
Pengujian pada penelitian ini dilakukan secara sekuensial, artinya semua parameter akan diuji satu per satu untuk mendapatkan kombinasi paling optimal. Parameter tersebut meliputi jumlah fitur, jumlah hidden neuron, jumlah populasi lebah, dan jumlah iterasi. Setiap parameter akan diuji sebanyak 5 kali, kemudian diambil nilai rata-ratanya.
Berikut nilai setiap parameter ELM-ABC yang digunakan dalam pengujian:
1. Data latih : 224 2. Data Uji : 30 3. Limit trial : 2 4. Fitur : 1-20 5. Hidden neuron : 1-20 6. Populasi lebah : 5-100 7. Iterasi : 5-100 4.1. Pengujian Jumlah Fitur
Gambar 2. Grafik Hasil Pengujian Jumlah Fitur
Berdasarkan hasil pengujian, didapatkan nilai rata-rata MAPE terkecil sebesar 29,64395% dengan jumlah fitur sebanyak 12. Pada Gambar 2 terlihat bahwa nilai rata-rata MAPE terbesar ketika jumlah fitur berjumlah 1 dan mulai stabil saat berjumlah 9. Semakin sedikit jumlah fitur, maka nilai MAPE yang dihasilkan akan besar. Kondisi tersebut terjadi karena jumlah fitur berbanding lurus dengan pola data yang dibentuk. Ketika jumlah fitur sedikit maka pola data yang terbentuk sedikit begitu pula sebaliknya. Akan tetapi, jumlah fitur yang berlebihan juga bisa mengakibatkan pola data yang dibentuk terlalu luas sehingga nilai MAPE mengalami kenaikan.
4.2. Pengujian Jumlah Hidden Neuron
Gambar 3. Grafik Hasil Pengujian Jumlah Hidden
Neuron
Berdasarkan hasil pengujian, didapatkan nilai rata-rata MAPE terkecil sebesar 2,427663% dengan jumlah hidden neuron
0 10 20 30 40 1 3 5 7 9 11 13 15 17 19 R at a-R at a MAP E (% ) Jumlah Fitur 0 10 20 30 40 1 3 5 7 9 11 13 15 17 19 R at a-rat a MAP E (% )
sebanyak 20. Pada Gambar 3 terlihat bahwa nilai rata-rata MAPE turun secara signifikan saat jumlah hidden neuron sebanyak 2. Dengan bertambahnya jumlah hidden neuron, maka penghubung antara input layer dan output layer yang terbentuk akan semakin beragam dan fleksibel. Sehingga kemampuan hidden neuron untuk mengambil keputusan dalam mengenali model data akan meningkat.
4.3. Pengujian Jumlah Populasi Lebah
Gambar 4. Grafik Hasil Pengujian Jumlah Populasi Lebah
Berdasarkan hasil pengujian, didapatkan nilai rata-rata MAPE terkecil sebesar 2,389916% dengan jumlah populasi lebah sebanyak 20. Ketika jumlah populasi lebah semakin banyak, maka ruang pencarian solusi akan semakin luas. Sehingga nilai MAPE paling optimal akan cepat ditemukan. Pada Gambar 4 terlihat saat jumlah populasi lebah sebanyak 10 sampai 20 nilai MAPE mengalami penurunan dan mulai naik terus-menerus ketika jumlah populasi bertambah. Kondisi tersebut menunjukkan bahwa jumlah populasi lebah yang banyak tidak selalu menghasilkan nilai MAPE yang kecil.
4.4. Pengujian Jumlah Iterasi
Gambar 5. Grafik Hasil Pengujian Jumlah Iterasi
Berdasarkan hasil pengujian, didapatkan nilai rata-rata MAPE terkecil sebesar 2.386308% dengan jumlah iterasi sebanyak 5.
Pada Gambar 5 menunjukkan hanya dengan beberapa iterasi saja nilai MAPE paling optimal bisa didapatkan. Hal tersebut disebabkan adanya nilai limit trial yang berfungsi memberi batasan pada populasi lebah yang tidak ada peningkatan. Sehingga semakin banyak jumlah iterasi, maka posisi lebah terbaik dapat digantikan dengan posisi lebah baru. Oleh sebab itu, nilai rata-rata MAPE akan mengalami kenaikan ketika jumlah iterasi bertambah. 4.5. Pengujian Perbandingan ELM-ABC dengan ELM
Pengujian perbandingan metode ELM-ABC dengan ELM bertujuan untuk membandingkan metode mana yang memiliki nilai MAPE terkecil dan akurasi terbesar. Pengujian ini dilakukan sebanyak 1 kali untuk metode ELM-ABC dan 5 kali untuk metode ELM dengan menggunakan jumlah data latih sebanyak 224, jumlah data uji sebanyak 30, jumlah fitur sebanyak 12, jumlah hidden neuron sebanyak 20, jumlah populasi lebah sebanyak 20, dan jumlah iterasi sebanyak 5. Hasil pengujian tersebut ditunjukkan pada Tabel 2 dan Tabel 3.
Tabel 2. Hasil Pengujian Perbandingan MAPE Metode ELM-ABC dengan ELM
Percobaan ke- Mape (%) ELM-ABC ELM 1 1,96983 2,60649 2 1,96983 2,79233 3 1,96983 2,76017 4 1,96983 2,42192 5 1,96983 2,93912 Rata-rata (%) 1,96983 2,70401
Tabel 3. Hasil Pengujian Perbandingan Akurasi Metode ELM-ABC dengan ELM
Percobaan ke- Akurasi (%) ELM-ABC ELM 1 98,03017 97,39351 2 98,03017 97,20767 3 98,03017 97,23983 4 98,03017 97,57808 5 98,03017 97,06088 Rata-rata (%) 98,03017 97,29599 Berdasarkan hasil pengujian metode ELM-ABC memiliki nilai MAPE dan akurasi yang lebih baik daripada ELM. Pada Tabel 2 menunjukkan bahwa nilai rata-rata MAPE metode ELM lebih besar daripada ELM-ABC
2,36 2,38 2,4 2,42 2,44 2,46 5 15 25 35 45 55 65 75 85 95 R at a-rat a MAP E (% )
Jumlah Populasi Lebah
2,2 2,3 2,4 2,5 2,6 2,7 5 15 25 35 45 55 65 75 85 95 R at a-rat a MAP E( ^% ) Jumlah Iterasi
Fakultas Ilmu Komputer, Universitas Brawijaya dari 5 kali percobaan, yaitu sebesar 2,70401%. Sebaliknya pada Tabel 3 menunjukkan rata-rata nilai akurasi metode ELM-ABC lebih besar daripada ELM, yaitu sebesar 98,03017% dari 1 kali percobaan. Dari hasil tersebut terbukti bahwa ABC dapat menurunkan nilai MAPE dan meningkatkan nilai akurasi ELM. Grafik yang menggambarkan perbandingan MAPE dan akurasi ditunjukkan pada Gambar 6 dan Gambar 7.
Gambar 6. Grafik Hasil Pengujian Perbandingan MAPE Metode ELM-ABC dengan ELM
Gambar 7. Grafik Hasil Pengujian Perbandingan Akurasi Metode ELM-ABC dengan ELM
5. KESIMPULAN
Berdasarkan penelitian yang telah dilakukan didapatkan kesimpulan sebagai berikut:
1. Metode ELM-ABC dapat diterapkan untuk memprediksi harga Bitcoin. ABC berfungsi untuk melakukan optimasi bobot masukan dan bias pada tahap pelatihan ELM. Selanjutnya, bobot masukan, bias, dan bobot keluaran terbaik dari tahap pelatihan akan digunakan pada tahap pengujian ELM agar didapatkan hasil prediksi harga harian Bitcoin.
2. Hasil pengujian parameter pada metode ELM-ABC menghasilkan kombinasi nilai parameter terbaik yaitu jumlah fitur sebanyak 12, hidden neuron sebanyak 20, populasi lebah sebanyak 20, dan iterasi sebanyak 5. Kombinasi tersebut menghasilkan nilai rata-rata MAPE sebesar
2,386308%. Sehingga, terbukti metode ELM-ABC memiliki kinerja yang sangat bagus karena nilai MAPE < 10%.
3. Metode ELM-ABC terbukti memiliki nilai rata-rata MAPE dan akurasi yang lebih baik daripada metode ELM. Hal ini dibuktikan dengan nilai rata-rata MAPE ELM-ABC sebesar 1,96983% dan akurasi sebesar 98,03017%, sedangkan ELM sebesar 2,70401% dan 97,29599%.
Bagi peneliti yang akan melanjutkan penelitian ini dapat menggunakan fitur lain, seperti harga high atau low Bitcoin. Selain itu, bisa dilakukan pengujian jumlah data latih dan uji agar didapatkan komposisi jumlah data yang optimal. Tidak hanya itu, peneliti juga bisa mencoba menggunakan metode metaheuristik lain untuk mengoptimasi metode ELM.
DAFTAR PUSTAKA
Cholissodin, I., Soebroto, A.A., Hanum, L. dan Caesar, C.A. 2017. Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa (PE) Menggunakan ELM-PSO Di UPT Pembibitan Ternak dan Hijauan Makanan Ternak Singosari-Malang, [e-jurnal] 4(1), p.
31-36. Tersedia melalui: Jurnal Teknologi Informasi dan Ilmu Komputer <http://jtiik.ub.ac.id/ index.php/jtiik/article/view/223/> [Diakses 02 September 2018]
Fei, S. dan He, Y. 2015. Wind Speed Prediction
Using The Hybrid Model of Wavelet Decomposition and Artificial Bee Colony Algorithm-Based Relevance Vector Machine, [e-jurnal] Tersedia di:
<https://www.sciencedirect.com/scienc e/article/pii/S014206151500201X> [Diakses 19 Oktober 2018]
Feng, W., Wang, Y. dan Zhang, Z. 2017.
Informed Trading In The Bitcoin,
[e-jurnal] Tersedia di: <https:// www.sciencedirect.com/science/article/ pii/ S1544612317306992> [Diakses 06 Agustus 2018]
Huang, G., Zhu, Q. dan Siew, C. 2006. Extreme
Learning Machine: Theory and Applications, [e-jurnal] Tersedia di:
<https://www.sciencedirect.com/scienc e/article/pii/S0925231206000385> [Diakses 06 Agustus 2018] 0 2 4 1 2 3 4 5 R at a-rat a MAP E( % ) Percobaan ELM-ABC ELM 96 97 98 99 1 2 3 4 5 R at a-rat a Ak u ras i( % ) Percobaan ELM-ABC ELM
Huixuan, F., Yuchao W. dan Hongmei, Z. 2015. Ship Rolling Motion Prediction
Based on Extreme Learning Machine,
[e-jurnal], p. 3468-3472. Tersedia melalui: IEEE <https:// ieeexplore.ieee.org/document/7260174/ > [Diakses 06 Agustus 2018]
Indodax.com, 2018. Bitcoin Market. [online] Tersedia di: <https://indodax.com/ market/BTCIDR> [Diakses 21 Agustus 2018]
Izzah, A., Dewi, K. dan Mutrofin, S. 2015.
Hybrid Artificial Bee Colony : Penyelesaian Baru Pohon Rentang Berbatas Derajat, [online] Tersedia di:
<https://www.researchgate.net/publicati on/259609579_HYBRID_ARTIFICIA L_BEE_COLONY_PENYELESAIAN _BARU_POHON_RENTANG_BERB ATAS_DERAJAT> [Diakses 11 Agustus 2018]
Khameswara, T.D. dan Hidayatullah, W., 2014.
Bitcoin Uang Digital Masa Depan.
[e-book]. Serpong. Tersedia melalui: Komunitas Indonesia Open Source <http://125.160.17.21/forum/index.php > [Diakses 20 Agustus 2018]
Leung, K.M., 2007. Tandon School of
Engineering Polytechnic Institute.
[Online] Tersedia di: <http:// cis.poly.edu/~mleung/FRE7851/f07/pre paringData.pdf> [Diakses 03 September 2018]
McNally, S., Roche, J. dan Caton, S. 2018.
Prediction the Price of Bitcoin Using Machine Learning, [e-jurnal], p.
339-343. Tersedia melalui: IEEE <https://ieeexplore.ieee.org/document/8 374483/> [Diakses 10 Agustus 2018] Mulyanto, F. 2015. Pemanfaatan
Cryptocurrency Sebagai Penerapan Mata Uang Rupiah Kedalam Bentuk Digital Menggunakan Teknologi Bitcoin, [online] Tersedia di: <https://www.researchgate.net/profile/F erry_Mulyanto/publication/301593262_ Pemanfaatan_Cryptocurrency_Sebagai _Penerapan_Mata_Uang_Rupiah_Keda lam_Bentuk_Digital_Menggunakan_Te knologi_Bitcoin/links/5720c81808aed0 56fa291b11/Pemanfaatan- Cryptocurrency-Sebagai-Penerapan- Mata-Uang-Rupiah-Kedalam-Bentuk- Digital-Menggunakan-Teknologi-Bitcoin.pdf> [Diakses 20 Agustus 2018]
Nakamoto, S. 2008. Bitcoin: A Peer-to-Peer
Electonic Cash System, [online] Tersedia di: <https://bitcoin.org/ bitcoin.pdf> [Diakses 19 Agustus 2018] Pradnyana, I.P.B.A., Soebroto, A.A dan Perdana, R.S. 2018. Peramalan Curah
Hujan Menggunakan Metode Jaringan Saraf Tiruan Dengan Optimasi Algoritma Bee Colony, [e-jurnal] 2(10),
p. 3624-3631. Tersedia melalui: Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer <http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/ view/2687> [Diakses 11 Agustus 2018]
