vi ABSTRAK
Setiap tahun pergerakan harga minyak dari waktu ke waktu selalu menjadi sorotan pelaku ekonomi dunia. Pada kenyataannya pergerakan harga minyak yang terjadi umumnya dapat dipahami dengan melihat pola kejadian di masa lalu. Penulis memaparkan perancangan sistem prediksi harga minyak mentah dunia menggunakan metode jaringan saraf tiruan backpropagation. Masukan dalam sistem ini adalah harga minyak mentah menurut harga pasar WTI (West Texas Intermediate). Pada sistem ini terdapat tahap pelatihan dan tahap prediksi. Tahap pelatihan digunakan untuk mempelajari pola masukan sebanyak 320 data harga minyak yang terbagi dalam empat neuron masukkan. Sedangkan tahap prediksi digunakan untuk menghasilkan pola harga minyak dengan merujuk pada data yang dihasilkan di tahap pelatihan. Data tersebut antara lain: bobot pelatihan, mean dan standart deviasi. Arsitektur jaringan terdiri dari empat lapisan, satu lapisan masukan, dua lapisan tersembunyi dan satu lapisan keluaran. Terdapat empat neuron pada lapisan masukan, 12 neuron pada lapisan tersembunyi pertama, delapan neuron pada lapisan tersembunyi kedua dan satu neuron pada lapisan keluaran. Dari proses pelatihan didapat nilai kesalahan terbesar 8.86 x 10-6 dengan jumlah epoch terbesar 45 iteration, laju pembelajaran 0.1 dan momentum 0.9. Pada tahap pelatihan secara keseluruhan, hasil pencapaian sistem diperoleh kecocokan 99.9%. Sedangkan, pada tahap prediksi jaringan saraf tiruan diperoleh selisih harga minyak berkisar antara 0.1826 hingga 5.951 dengan tingkat error RMSE sekitar 2.8996.
Katakunci: Jaringan Saraf Tiruan, Metode Backpropagation, Harga Minyak Mentah,
Kenaikan Harga Minyak, Prediksi
vii ARTIFICIAL NEURAL NETWORK IMPLEMENTATION FOR
PREDICTING THE WORLD CRUDE OIL PRICE MOVEMENT USING BACKPROPAGATION METHOD
ABSTRACT
Every year the oil price movement is always a highlight in the global economy. In fact the movement of oil price that occurred generally can be understood by looking at the pattern of events in the past. In this study, the Author designed a system to predict crude oil price using the backpropagation method of artificial neural network. Input of this system is the price of crude oil according to the market price of WTI (West Texas Intermediate). In this system, there are training and prediction phases. Training phase is used to learn the patterns of input which consisted of 320 oil price data distributed into four neurons. While the obtained prediction phase is used to produced oil price pattern based on parameter which is obtained during training phase such as: training weight, mean and standard of deviation. Network architecture consisted of four layers, one input layer, two hidden layers and one output layer. There are four neurons in the input layer, 12 neurons in the first hidden layer, eight neurons in the second hidden layer and one neuron in output layer. From the training process the largest obtained error is 8.86 x 10-6 with the maximum epoch reached was 45 iterations, the learning rate 0.1 and momentum 0.9. In training phase, in overall, the results of system was 99.9%. while, in the neural network artificial prediction phase, the different of oil price obtained in the range between 0.1826 to 5.951 with the RMSE error level of 2.8996.
Keywords: Artificial Neural Networks, Backpropagation method, Crude Oil Prices,
Rising Oil Prices, Forecasting
.
