RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM)

(1)

commit to user

i

PERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN

RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM)

oleh

SURYANTO WIBOWO M0107059

SKRIPSI

ditulis dan diajukan untuk memenuhi sebagai persyaratan memperoleh gelar Sarjana Sains Matematika

FAKULTAS MATEMATIKA DAN ILMUPENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET

(2)

commit to user

ii SKRIPSI

PERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN

RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM)

yang disiapkan dan disusun oleh

SURYANTO WIBOWO

Dra. Mania Roswitha, M.Si

NIP. 195206281983032001

Telah dipertahankan di depan Dewan Penguji Pada hari Senin, tanggal 21 Mei 2012 dan dinyatakan telah memenuhi syarat Anggota Tim Penguji Tanda Tangan

1. Bowo Winarno, S.Si, M.Kom

NIP. 198104302008121001

1. ...

2. Dra. Yuliana Susanti, M.Si

NIP. 196112191987032001

2. ...

Surakarta, Mei 2012 Disahkan oleh

Fakultas Matematika dan Ilmu Pengetahuan Alam

Dekan,

Prof. Ir. Ari Handono Ramelan, M.Sc. (Hons), Ph.D.

NIP. 196102231986011001

Ketua Jurusan Matematika,

Irwan Susanto, S.Si, DEA

(3)

commit to user

iii

ABSTRAK

Suryanto Wibowo, 2012.

PERAMALAN TIME SERIESNONLINEAR

MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM). Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret.

Pada beberapa tahun terakhir, Artificial Neural Network (ANN) telah diusulkan sebagai pendekatan alternatif untuk pemodelan dan peramalan

nonlinear time series. Radial Basis Function Network (RBFN) adalah ANN yang

telah banyak digunakan dalam peramalan nonlinear time series. Pada umumnya, banyaknya pusat RBFN sama dengan banyaknya data pelatihan. Dengan demikian, arsitektur dan bobot dari RBFN menjadi tidak efektif jika data pelatihan diambil dalam jumlah yang besar.

Self Organizing Map (SOM) merupakan ANN yang dapat digunakan untuk

mengurangi bobot dengan cara mengklaster pusat dari RBFN. Modifikasi dari

RBFN tersebut dikenal dengan RBFN-SOM. Pada penelitian ini, algoritma RBFN-SOM lebih ditekankan pada konstruksi algoritma dalam bahasa pemrograman

MATLAB. Program yang telah dihasilkan kemudian digunakan untuk meramalkan

data time series nonlinear. Contoh data yang digunakan dalam hal ini adalah data Indeks Harga Saham Gabungan (IHSG).

Hasil dari penelitian adalah algoritma RBFN-SOM, program RBFN-SOM

berbasis MATLAB dan peramalan contoh data IHSG. Algoritma RBFN-SOM

dengan batasan input dan pusat sebanyak 10 neuronterdiri atas : (a) pembagian data input RBFN-SOM, (b) penentuan winning neuron SOM, (c) pembaruan bobot

SOM, (d) perulangan pembaruan bobot SOM, (e) penentuan input dan target

RBFN, (f) penentuan nilai pusat dan spread RBFN, (g) penentuan nilai pusat dan

spread RBFN, (h) penentuan nilai mariks pada lapisan tersembunyi RBFN, (i)

penentuan nilai bobot optimum RBFN, (j) pembentukan model RBFN-SOM

terbaik, dan (k) peramalan data. Penerapan program RBFN-SOM untuk peramalan data Indeks Harga Saham Gabungan (IHSG) menunjukkan bahwa hasil peramalan tidak berbeda jauh dengan nilai aslinya.

(4)

commit to user

iv

ABSTRACT

Suryanto Wibowo, 2012.

NONLINEAR TIME SERIES FORECASTING

USING RADIAL BASIS FUNCTION NETWORK-SELF ORGANIZING MAP (RBFN-SOM). Faculty of Mathematics and Natural Sciences, Sebelas Maret University.

In recent years, Artificial Neural Network (ANN) has been proposed as a promising alternative approach to nonlinear time series modeling and forecasting. Radial Basis Function Network (RBFN) is an ANN which has been widely used for forecasting. Generaly, the number of centers of RBFN are equal to the number of training data. So that, the architecture and the weights of RBFN will be ineffective if the number of training data are large.

Self Organizing Map (SOM) is the proposed ANN to reduce weights by clustering the centers. Then, modified of RBFN is called by RBFN-SOM. In this study, RBFN-SOM algorithm is more emphasized on the construction of the algorithm in MATLAB programming. The program that have been made is used to predict nonlinear time series data. Data which is used to be an example is Indeks Harga Saham Gabungan (IHSG).

The results of the study are the RBFN-SOM algorithm, RBFN-SOM MATLAB Program, and prediction of IHSG as an example data. The algorithm of RBFN-SOM, with maximum 10 neurons of input and center, consists of : (a) the distribution of input data RBFN-SOM, (b) the determination of the winning neuron, (c) the update of SOM weight, (d) the iteration of SOM weight update, (e) the determination of RBFN input and target, (f) the determination of the RBFN center and spread, (g) the determination of RBFN matrix on the hidden layer, (h) the determination of the RBFN optimum weights, (i) the determination of the best RBFN architecture, and (j) the data prediction. In implementation of the IHSG nonlinear time series forecasting, RBFN-SOM program shows that a forecast value is almost same with the real one.

Keywords :forecasting, time series, nonlinear, algorithms, Radial Basis Function Networks, Self Organizing Map.

(5)

commit to user

v

MOTTO

Tidak ada masalah yang tidak bisa diselesaikan selama ada komitmen,

(6)

commit to user

vi

PERSEMBAHAN

K arya ini dipersembahkan untuk

B apak, I bu, dan keluarga tercinta,

(7)

commit to user

vii

KATA PENGANTAR

Alhamdulillah, segala puji syukur kepada Allah SWT yang Maha Pengasih

lagi Maha Penyayang, dengan segala petunjuk-Nya sehingga penulis dapat

menyelesaikan skripsi yang berjudul “Peramalan Time Series Nonlinear

Menggunakan Radial Basis Function Network - Self Organizing Map

(RBFN-SOM)”. Dalam penyusunan skripsi ini, penulis telah banyak mendapatkan saran,

bantuan dan bimbingan dari berbagai pihak yang sangat bermanfaat baik secara

langsung maupun tidak langsung. Oleh karena itu, penulis mengucapkan banyak

terimakasih kepada

1. Ibu Winita Sulandari, M.Si selaku dosen pembimbing I atas kesediaan,

motivasi, dan kesabaran yang diberikan dalam membimbing penulis,

2. Ibu Dra. Mania Roswitha, M.Si selaku pembimbing II atas kesediaan, dan

motivasi yang diberikan dalam membimbing penulis,

3. Teman-teman Matematika FMIPA UNS atas kebersamaan dan semangat

yang diberikan,

4. Semua pihak yang membantu kelancaran penulisan skripsi ini.

Penulis berharap semoga skripsi ini bermanfaat bagi semua pembaca.

Surakarta, Mei 2012

(8)

commit to user

viii

DAFTAR ISI

Halaman

HALAMAN JUDUL ... i

HALAMAN PENGESAHAN ... ii

ABSTRAK ... iii

ABSTRACT ... iv

HALAMAN MOTTO ... v

HALAMAN PERSEMBAHAN ... vi

KATA PENGANTAR ... vi

DAFTAR ISI ... viii

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

DAFTAR NOTASI ... xii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

BAB II LANDASAN TEORI ... 4

2.1 Tinjauan Pusataka ... 4

2.2 Teori Penunjang ... 4

2.2.1 Artificial Neural Network (ANN) ... 4

2.2.2 Radial Basis Function Network (RBFN) ... 6

2.2.3 Metode Kuadrat Terkecil... 7

2.2.4 Self-Organizing Map (SOM) ... 8

2.2.5 Uji Linearitas Time Series ... 10

2.2.6 Akaike’s Information Criteria (AIC) ... 11

2.3 Kerangka Pemikiran ... 12

(9)

commit to user

ix

BAB IV PEMBAHASAN ... 14

4.1 Radial Basis Function Network - Self Organizing Map... 14

4.2 Pemrograman RBFN-SOM berbasis MATLAB ... 21

4.3 Peramalan Dengan program RBFN-SOM ... 58

BAB V PENUTUP ... 65

5.1 Kesimpulan ... 65

5.2 Saran ... 65

(10)

commit to user

x

DAFTAR TABEL

Halaman

Tabel 4.1 Bobot pengklasteran SOM pada arsitektur RBFN-SOM(2,5,1) ... 60

Tabel 4.1 Bobot pengklasteran SOM pada arsitektur RBFN-SOM(2,5,1) ... 61

Tabel 4.3 Nilai AIC untuk k = 1 sampai dengan k = 5 ... 63

Tabel 4.4 Nilai AIC untuk k = 6 sampai dengan k = 10 ... 63

Tabel 4.5 Bobot SOM optimum pada arsitektur RBFN-SOM(1,9,1) ... 64

(11)

commit to user

xi

DAFTAR GAMBAR

Halaman

Gambar 2.1 Arsitektur sederhana ANN ... 5

Gambar 2.2 Arsitektur RBFN dengan 3 lapisan ... 6

Gambar 2.3 Arsitektur SOM ... 9

Gambar 4.1 Arsitektur sederhana RBFN-SOM ... 14

Gambar 4.2 Arsitektur lengkap RBFN-SOM ... 15

Gambar 4.3 Flowchart algoritma pembagian data RBFN-SOM ... 22

Gambar 4.4 Flowchart algoritma pengklasteran SOM ... 23

Gambar 4.5 Flowchart algoritma pembentukan model RBFN-SOM ... 24

Gambar 4.6 Flowchart algoritma pemilihan arsitektur terbaik ... 25

Gambar 4.7 Flowchart algoritma pembentukan model RBFN-SOM terbaik ... 26

Gambar 4.8 Fowchart peramalan data ... 27

Gambar 4.9 Plot time series ... 60

Gambar 4.10 Plot pengklasteran SOM arsitektur RBFN-SOM(2,5,1) ... 61

Gambar 4.11 Plot gabungan (t,y_t)_dan(t,yˆ_t)pada arsitektur RBFN-SOM(2,5,1)... 62

Gambar 4.12 Plot (y_t,yˆ_t)pada arsitektur RBFN-SOM(2,5,1) ... 62

Gambar 4.13 Plot gabungan (t,y_t)_dan(t,yˆ_t)pada arsitektur RBFN-SOM(1,9,1) .... 64

(12)

commit to user

x : Koefisien matriks pada input ke-i dan pelatihan ke-j

: Eucledian norm

k

c : Pusat neuron ke-k pada lapisan tersembunyi RBFN

) ( _j k x

 : Fungsi aktivasi radial basis neuron ke-k pada lapisan tersembunyi ke-j

h

N : Banyaknya neuron pada lapisan tersembuyi

 : Spread

max

d : Jarak euclid maksimum antar pusat dari pada lapisan tersembuyi RBFN

j

y

ˆ

: Nilai peramalan pada output ke-j

j

x : Vektor input data pelatihan ke-j

k

w : Bobot penghubung antara neuron ke-k pada lapisan tersembunyidan neuronlapisan output RBFN

0

w : Bobot bias

e : Nilai eror

j i

h_, : Koefisien matriks pada alapisan tersembunyi

y 

: Vektor target pada lapisan output RBFN

b

H : Matriks pada lapisan tersemb unyi

w : Vektor bobot RBFN

t

N : Banyaknya data pelatihan

k

g : Fungsi topological neighbourhoodSOM untuk bobot ke-k

 : Lebar topological neighbourhood SOM

) (e_p

 : Fungsi koefisien laju pembelajaran terhadap epoch

t : Periode timeseries

t

f : Fungsi autoregresif pada uji RESET

t

X : Data input ke-t pada uji RESET  : Parameter fungsi autoregresif

t

y : Nilai asli ke-t

t

(13)

commit to user

xiii m

a : Koefisien penaksir eror

t

r : Eror dari fungsi et

u

N : Banyaknya data uji

w

N : Banyaknya bobot ANN

j

y : Target data pelatihan ke-j

j

yˆ : _{Output data pelatihan ke-}_j

k

v : Vektor bobot SOM pada klaster ke-k

b : Vektor bias pada lapisan tersembunyi RBFN y



: Vektor target pada lapisan output

w

v : Winning neuron

p

e