ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN
SAHAM)
Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom Abstrak
Belakangan ini perkembangan saham mengalami peningkatan yang pesat. Hal ini dikarenakan saham memiliki nilai bisnis yang tinggi untuk mendapatkan keuntungan. Di sisi lain saham juga mempunyai resiko relatif tinggi jika dibandingkan dengan jenis investasi atau instrumen surat berharga. Pembuatan saham ini diharapkan dapat mebantu para investor dalam pengambilan keputusan . Dengan sistem ini, Para Investor dapat mengetahui nilai harga saham 1 hari kedepan. Dengan demikian, para investor dapat melakukan langkah-langkah antisipasi di masa mendatang.
Pada tugas akhir ini dikembangkan suatu sistem peramalan nilai harga saham yang berdasarkan data historis (time series) nilai harga saham dengan menggunakan Metode gabungan Jaringan Syaraf Tiruan Backpropagtion dan Algoritma Genetika. Pada permasalahan peramalan saham, Algoritma Genetika digunakan untuk membangun berbagai variasi arsitektur jaringan saraf tiruan, dan Backpropagation untuk melatih arsitektur jaringan saraf tiruan.
Data yang digunakan dalam pembangunan sistem ini adalah data historis(time series) milik perusahaan DOWJONES dari tahun 1985 sampai tahun 2002.
Kata Kunci : Jaringan Syaraf Tiruan, Algoritma Genetika, data time series
Abstract
Lately growth of natural share make-up of fast. This matter because of share have high business value to get advantage. On the other side share also have high risk relative in comparison with invesment type or marketable securities instrument. Making of this share [is] expected can assist [all] investor in decision making . With this system, Investor can know share price value 1 day to the fore. Thereby, all investor can do anticipatory stages steps in period to come.
At this final duty developed a system forecasting of share price value which pursuant to historical data (time series) share price value by using Artificial Method Network Nerve aliance [of]
Backpropagtion and Algorithm of Genetika. At problems of forecasting of share, Algorithm of Genetika used to develop;build various variation (of) artificial nerve network architecture, and Backpropagation to train artificial nerve network architecture.
Data which is used in development of this system is data of historis(time series) property of company of DOWJONES of year 1985 until year 2002
1
1. Pendahuluan
1.1
Latar Belakang
Belakangan ini perkembangan bisnis saham mengalami peningkatan yang pesat. Hal ini dikarenakan saham memiliki nilai bisnis yang tinggi untuk mendapatkan keuntungan. Di sisi lain saham juga mempunyai resiko relatif tinggi jika dibandingkan dengan jenis investasi atau instrumen surat berharga lainya. Peramalan harga saham sangat diperlukan oleh para investor pada khususnya, bidang perencanaan, penilaian performansi dalam pengambilan keputusan dan langkah-langkah antisipasi di masa mendatang. Oleh karena itu, perlu adanya peramalan yang akurat untuk dapat memprediksi apakah nilai dari harga saham tersebut akan tinggi atau akan turun dimasa yang akan datang.
Peramalan dilakukan untuk memprediksi suatu nilai dimasa yang akan datang dengan menggunakan analisis dan pengolahan data historis. Metode peramalan umumnya banyak dimanfaatkan dalam dunia usaha dan bisnis untuk membantu dalam memberikan gambaran masa depan. Dengan adanya gambaran tersebut diharapkan mampu membuat kebijakan – kebijakan dan penentuan keputusan. Dalam penyelesaian Tugas Akhir ini, metode yang digunakan adalah Jaringan syaraf tiruan(JST). Metode JST digunakan karena memiliki kemampuan dalam memprediksi harga saham memlaui proses pemebelajaran data historis saham. Dalam penggunaan JST diperlukan arsitektur jaringan dan bobot yang optimal sehingga JST mampu memprediksi nilai saham.
Proses pemebentukan arsitektur jaringan algoritma yang digunakan adalah algoritma genetika. Kelebihan menggunakan Algoritma genetika bisa membangun berbagai variasi arsitektur jaringan, yang dimungkinkan dari variasi arsitektur jaringan tersebut terdapat arsitektur jaringan yang optimal. Pada umumnya untuk membangun arsitektur jaringan dilakukan dengan cara trial-and-error.
Proses pembentukan bobot arsitektur jaringan algoritma yang digunakan adalah JST backpropagation. JST backpropagation mengunakan perubahan bobot secara heuristik dalam pencarian nilai optimum. Kelebihan menggunakan
Backpropagation mampu menangani arsitektur jaringan yang memiliki lebih dari satu
hidden layer. Pada proses Backpropagation terdiri dari beberapa fase yaitu fase maju, fase mundur, dan perubahan bobot. Prosess ini dilakukan berulang – ulang sampai tercapai kondisi berhenti. Bobot arsitektur jaringan diperoleh setelah proses backpropagation mencapai kondisi berhenti.
Dalam penyelesaian permasalahan peramalan saham, Algoritma Genetika digunakan untuk membangun berbagai variasi arsitektur jaringan. Sedangkan pencarian nilai bobot arsitekur jaringan menggunakan JST backpropagation. Setiap arsitektur jaringan akan dilakukan proses pelatihan menggunakan JST backpropagation. Dengan penggabungan kedua buah algoritma tersebut maka akan terbentuk variasi JST. JST yang digunakan untuk melakukan peramalan nilai saham adalah JST mampu mengenali pola saat pelatihan dan mampu memprediksi nilai saham.
1.2
Perumusan Masalah
Beberapa permasalahan dalam tugas akhir ini dapat didefinisikan dalam berbagai hal berikut :
1. Bagaimana mengimplementasikan Algoritma Genetika dan Jaringan Syaraf Tiruan Backpropagation untuk membangun Jaringan Syaraf Tiruan.
2. Bagaimana penerapan Algoritma genetika dan Jaringan Syaraf Tiruan Backpropagation untuk peramalan nilai saham dalam satu hari kedepan.
3. Bagaimana menganalisis tingkat performansi dari Jaringan Syaraf Tiruan dengan menggunakan data latih dan data uji.
1.3
Tujuan
Tujuan yang hendak dicapai dalam tugas akhir dengan judul “Analisis Dan Implementasi Gabungan Algoritma Genetika dan Jaringan Saraf Tiruan Backpropagation (Study Kasus Peramalan Nilai Saham)” ini adalah:
1. Membangun Jaringan Saraf Tiruan dengan menggunakan gabungan Algoritma Genetika dan Jaringan Syaraf Tiruan Backpropagation.
2. Menerapkan Algoritma Genetika dan Jaringan Syaraf Tiruan Backpropagation untuk peramalan nilai saham.
3. Menganalisis tingkat performansi(MSE) sistem dalam mengenali data nilai saham dengan menggunakan data latih dan data uji nilai saham.
1.4
Batasan Masalah
Dalam implementasi tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut: 1. Data nilai saham yang diproses adalah data historis nilai saham milik
perusahaan DOWJONES dari tahun 1985 sampai tahun 2002.
2. Data input dan output pada jaringan hanya melibatkan data saham pada kolom
close .
3. Parameter Algoritma Genetika yang diobservasi adalah probabilitas crossover [0,6 0,7 0,8] dan probabilitas mutasi [0,001 0,005 0,01].
4. Parameter Backpropagation yang diobservasi adalah Learning Rate [0,01 0,05 0,1].
5. Nilai saham yang diprediksi hanya 1 hari kedepan. 6. Untuk membangun arsitektur jaringan:
• Unit Neuron Input [2..15]. • Unit Neuron Output [1] • Unit Hidden layer [1..2]. • Unit Neuron Hidden [1..63].
3
1.5
Metode Penyelesaian Masalah
Metode penelitian yang digunakan untuk memecahkan permasalahan dalam Tugas Akhir ini terdiri dari 6 tahap, yaitu:
1. Studi literatur
a. Pencarian referensi
Mencari referensi dari sumber-sumber yang layak, seperti informasi-informasi yang tersedia di internet yang berhubungan dengan materi dari metode Algoritma Genetika dan metode Backpropagation
b. Pendalaman materi
Mendalami materi Algoritma Genetika dan Jaringan Syaraf Tiruan Backpropagation.
2. Analisa kebutuhan sistem
Pada tahapan ini terjadi analisa kebutuhan dari sistem perangkat lunak yang akan dibangun, yaitu menganalisa permasalahan peramalan nilai saham yang akan diselesaikan dengan metode Algoritma Genetika dan jaringan saraf tiruan Backpropagation.
3. Tahap Pembangunan Model
Pada tahap ini akan dilakukan perancangan sistem dan perangkat lunak yang akan diimplementasikan baik itu berupa pemodelan masukan(input), penetapan keluaran(output), arsitektur jaringan, serta parameter-parameter lainnya. Perancangan sistem dan perangkat lunak ini nantinya akan dimodelkan dengan Data Flow Diagram(DFD).
4. Implementasi sistem
Pada tahap ini akan dilakukan implementasi jaringan syaraf tiruan dengan algoritma genetika sebagai algoritma untuk pencarian Arsitektur Jaringan dan pelatihan Arsitektur Jaringan mengunakan algoritma Backpropagation. Implementasi program menggunakan bahasa Matlab. Apabila dalam pemrograman ditemukan kesalahan, maka akan langsung diperbaiki.
5. Tahap Pelatihan dan Pengujian
Pada tahap ini akan dilakukan pelatihan dengan menggunakan algoritma genetika akan menggenerate beberapa macam Arsitektur Jaringan dan melakukan pencarian asitektur jaringan dan algoritma backpropagation akan melatih arsitektur. Setelah itu, jaringan akan diuji dengan pemberian input yang berbeda dengan data pelatihan sebelumnya.
6. Analisa Hasil Implementasi
Melakukan proses analisa terhadap nilai data hasil dari implementasi sistem, berdasarkan rancangan kerja sistem. Dari hasil analisa tersebut digunakan untuk menarik kesimpulan dari penelitian tugas akhir ini.
7. Penyusunan Laporan Tugas Akhir
1.6
Sistematika Penulisan
Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut :
1. Pendahuluan
Bab ini menguraikan tugas akhir ini secara umum, meliputi latar belakang masalah, perumusan masalah, tujuan, batasan masalah, dan metode yang digunakan.
2 Landasan Teori
Bab ini membahas mengenai uraian teori yang berhubungan dengan Saham, jaringan syaraf tiruan, serta algoritma genetika dan algoritma backpropagation dalam pencarian arsitektur jaringan yang mampu meramalkan nilai saham.
3 Analisis Sistem
Bab ini berisi analisis kebutuhan dari sistem dan masalah-masalah yang ada di dalamnya. Hasil analisis ini dituangkan ke dalam suatu sistem pemodelan secara terstruktur. Dari tahap analisis kemudian dilanjutkan ke tahap perancangan dan implementasi.
4 Implementasi dan Analisis Hasil Percobaan
Bab ini membahas mengenai pengujian hasil implementasi yang telah dilakukan pada bab sebelumnya. Pengujian dilakukan dengan membandingkan hasil implementasi dengan data aslinya. Tahap Pengujian dilanjutkan dengan tahap analisis hasil pengujian.
5 Kesimpulan dan Saran
Berisi kesimpulan dari penulisan Tugas Akhir ini dan saran-saran yang diperlukan untuk pengembangan lebih lanjut.
39
5. Kesimpulan dan Saran
5.1
Kesimpulan
Berdasarkan hasil implementasi, pengujian, dan analisis yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut :
1. Dengan penggunaan kombinasi nilai parameter probabilitas crossover 0.7 dan probabilitas mutasi 0.01 mampu menghasikan arsitektur jaringan yang terbaik yaitu 11 neuron input, 1 hidden layer dan 24 neuron hidden.
2. Arsitektur jaringan yang telah dibangun pada point(1) dilatih dengan learning rate yang optimal, untuk kasus ini learning rate yang optimal adalah 0.1. Dengan penggunaan nilai learning rate 0.1 mampu menghasilkan nilai fitness sebesar 11256.3402.
3. Pengujian performansi sistem menggunakan data latih dihasilkan nilai performansi 0.000364797. Sedangkan dengan menggunakan data validasi dan data uji masing – masing diperoleh 0.00218331 dan 0.00158151. Data yang dipakai dalam menentukan performansi sistem masih dalam bentuk data normalisasi. Nilai performansi menggunakan data validasi lebih besar daripada menggunakan data uji, karena sebaran data uji memiliki kemiripan dengan data latih.
5.2
Saran
Saran-saran untuk pengembangan tahap selanjutnya antara lain:
1. Dalam pencarian bobot JST perlu adanya teknik lain seperti menggunakan Algoritma Genetika. Bobot arsitektur jaringan direpresentasikan dalam bentuk kromosom dengan harapan JST yang terbentuk bisa memiliki nilai performansi yang lebih baik.
2. Untuk mendapatkan arsitektur jaringan yang lebih baik bisa mneggunakan algoritma optimasi yang lain seperti evolutionary strategy atau
evolutionary programming.
3. Studi kasus yang dibahas tidak hanya peramalan saham melainkan peramalan nilai jual atau nilai beli valuta asing, emas dan minyak bumi.
Powered by TCPDF (www.tcpdf.org)
Daftar pustaka
[1] Departemen Teknik Industri ITB.2003. Peramalan & Pengelolaan Demand. http:// www.Ispitb.org/peramalan.pdf. Laboratorium Sistem Produksi.
[2] Haykin, Simon. 1999. Neural Networks A Comprehensive Foundation. New Jersey : Upper Saddle River.
[3] Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta : Andi Offset.
[4] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan(Menggunakan
MATLAB & Excel Link). Yogyakarta : Graha Ilmu
[5] McCollum,Pete. An Introduction to Back-Propagation Neural Networks.
http://www.seattlerobotics.org/encoder/nov98/neural.html.
[6] Purnomo, Mauridhi Hery. Kurniawan, Agus. 2006. Supervised Neural Networks
dan Aplikasinya. Yogyakarta : Graha Ilmu.
[7] Ranjaliba. S, Lihardo. Prediksi Nilai Saham Menggunakan Metode Rough Adaptive Neuro-Fuzzy Inference System(RANFIS). Bandung : IT Telkom.
[8] Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan Matlab. Yogyakarta : Andi Offset.
[9] Suyanto. 2005. Algoritma Genetika dalam Matlab. Yogyakarta : Andi Offset. [10] Suyanto. 2008. Evolutionary Computation Komputasi Berbasis “Evolusi” dan
“Genetik”. Bandung : Informatika
[11] William,H. Hsu.2001. Multi-Layer Perceptrons and Backpropagation of Error. http:// http://www.kddresearch.org/Lecture-07-20010913.pdf.
