i
HALAMAN SAMPUL
PROPOSAL TESIS
MODEL PREDIKSI HARGA EMAS MENGGUNAKAN NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
Oleh : YUN SETIAWAN
P31.2013.01367
PROGRAM PASCASARJANA MAGISTER TEKNIK INFORMATIKA UNIVERSITAS DIAN NUSWANTORO
ii
UNIVERSITAS DIAN NUSWANTORO
PERSETUJUAN PROPOSAL TESIS
JUDUL : MODEL PREDIKSI HARGA EMAS MENGGUNAKAN
NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
NAMA : YUN SETIAWAN
NPM : P31.2013.01367
Proposal ini telah diperikasa dan disetujui untuk diseminarkan dihadapan Komite Seminar Proposal Tesis
Semarang, Maret 2015
iii ABSTRAK
Mengembangkan model yang tepat dan akurat terhadap prediksi harga emas sangat penting untuk menjalankan kegiatan berkaitan dengan perdagangan atau investasi emas. Dalam tulisan ini, model jaringan syaraf tiruan (JST) / Neural Network telah digunakan dan memiliki hasil yang lebih baik untuk memodelkan prediksi harga emas dibandingkan dengan model statistik tradisional ARIMA (autoregressive terintegrasi moving average) . [1]
Studi menunjukkan Neural Network memiliki hasil yang lebih baik dalam memprediksi seri waktu harga dibandingkan dengan bentuk linear atau bentuk fungsional non-linear untuk model pergerakan harga, dengan mengoptimalkan nilai parameter training cycle, learning rate pada Neural Network.
Dibutuhkan metode yang lebih baik untuk menentukan parameter ,dengan menerapkan Algoritma Genetika diharapkan dapat menjadi solusi
iv DAFTAR ISI
HALAMAN SAMPUL ... i
PERSETUJUAN PROPOSAL TESIS ... ii
ABSTRAK ... iii
DAFTAR ISI ... iv
DAFTAR GAMBAR ... vi
DAFTAR TABEL ... vii
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 3
1.3 Tujuan Penelitian... 3
1.4 Manfaat Penelitian... 3
BAB 2 TINJAUAN PUSTAKA ... 4
2.1 Penelitian Terkait ... 4
2.1.1 Modeling Gold Price via Artificial Neural ... 4
2.1.2 Gold Price Prediction Using Radial Basis Function Neural Network ... 4
2.1.3 Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada Prediksi Loyalitas Pelanggan ... 5
2.2 Landasan Teori ... 6
2.2.1 Neural Network ... 6
2.2.2 Algoritma Propagasi Balik ... 8
2.2.3 Algoritma Genetika ... 9
2.2.4 Harga Emas sebagai perbandingan moneter ... 10
v
BAB 3 METODOLOGI PENELITIAN ... 15
3.1 Metode Penelitian ... 15
3.2 Pengumpulan Data ... 15
3.3 Pengolahan Data Awal (Preprocessing Data) ... 17
3.4 Metode yang Diusulkan ... 17
3.5 Eksperimen dan Pengujian ... 18
3.6 Evaluasi dan Validasi Penelitian ... 19
JADWAL PENELITIAN ... 20
vi
DAFTAR GAMBAR
Gambar 1 Perceptron ... 7
Gambar 2 Struktur Neuron pada otak manusia ... 7
Gambar 3 Back Propagation ... 8
Gambar 2.4 Kerangka Pikir ... 13
vii
DAFTAR TABEL
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
Harga emas memainkan peran penting dalam ekonomi dan sistem moneter. Harga emas dan aset lainnya sering berkorelasi erat . Sebagai contoh, hubungan antara emas dan ekuitas biasanya negatif, karena investor biasanya mentransfer uang dari emas ke dalam tempat yang aman dari ekuitas selama masa booming dan sebaliknya pada saat krisis. Padahal, hubungan antara emas dan minyak biasanya positif dan ketegangan dapat mengangkat kedua harga minyak dan emas. [1]
Emas adalah simbol kekayaan dari jaman dahulu. Karena disintegrasi Bretton Woods Sistem pada tahun 1973, emas non-moneter yang membuatnya menjadi alat penting dari pasar keuangan. Pasar emas saat ini memiliki hasil tinggi dan risiko tinggi. Setelah kurun waktu yang lama, teori harga emas secara bertahap terbentuk. Namun, karena harga pasar emas dipengaruhi oleh banyak faktor, ada berbagai ketidakpastian. [2]
Selain sebagai symbol kekayaan , Emas adalah logam mulia yang digunakan sebagai standar untuk pertukaran moneter, walaupun juga digantikan oleh mata uang kertas pada saat ini. Namun minat perdagangan emas dan investasi telah muncul kembali baru-baru ini di dunia, mungkin karena stabilitas harga. [3]
Untuk tahun terakhir, ada peningkatan mencolok dalam minat investor emas. Hal ini disebabkan ketidakstabilan nilai tukar mata uang dan tren kenaikan harga emas. Banyak pemegang toko emas dalam bentuk koin emas atau batangan sebagai perlindungan terhadap inflasi atau gangguan kondisi perekonomian lainnya. Dengan demikian, prediksi harga Emas sekarang menjadi alat penting untuk membantu investor untuk memilih waktu yang tepat untuk melakukan jual beli atau transaksi emas. [3]
2
Banyak para ahli telah melakukan penelitian pada prediksi harga emas. Model matematika tradisional seperti Autoregressive Integrated Moving Average, adalah model telah digunakan untuk prediksi harga emas. Serta model Artificial Neural Network telah dikembangkan sebagai alat non-li Dewasa ini Neural Network telah diaplikasikan di berbagai bidang. Neural Network (NN) mempunyai struktur tersebar parallel yang sangat besar dan mempunyai kemampuan belajar, sehingga bisa melakukan generalisasi, yaitu bisa menghasilkan output yang benar untuk input yang belum pernah dilatihkan. Dengan kedua kemampuan pemrosesan informasi ini, NN mampu menyelesaikan masalah-masalah yang sangat kompleks, mulai dari klasifikasi, optimasi, kompresi, peramalan (forecasting), sistem kontrol, sistem pendeteksian kecurangan (intrusion detection systems), dan sebagainya. Pada umumnya, NN sangat sesuai untuk permasalahan yang bernilai kontinyu seperti pengenalan tulisan tangan, pengenalan wajah, prediksi harga emas dan sebagainya. [4]
Neural Network telah diaplikasikan di berbagai bidang dikarenakan neural network memiliki kelebihan-kelebihan sebagai berikut:
1. Dapat memecahkan problem non-linear yang umum dijumpai di aplikasi
2. Kemampuan memberikan jawaban terhadap pola yang belum pernah dipelajari (generalization).
3. Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut [4]
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom antar individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat mempengaruhi proses evaluasi: [4]
1. Kemampuan organisme untuk melakukan reproduksi.
2. Keberadaan populasi organisme yang bisa melakukan reproduksi.. 3. Keberagaman organisme dalam suatu populasi.
3
Algoritma genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang disebut populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus. Sebuah populasi baru kemudian mengganti populasi tua menggunakan operator diatas, dengan anggota terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes f(x) adalah fungsi bernilai operasi real pada kromosom (potensial solusi), bukan gen, sehingga x pada f(x) mengacu pada nilai numerik diambil oleh kromosom pada saat evaluasi fitnes.
1.2 Rumusan Masalah
Dari latar belakang masalah diatas , maka ingin disimpulkan seberapa akurat ketika metode Algoritma Genetika diterapkan pada Neural Network untuk memprediksi pergerakan harga Emas yang ada berdasar data series dari PT ANTAM (www.antam.com).
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mencari model yang lebih akurat atas hasil prediksinya dalam menerapkan Genetic Algorithm (GA) pada Neural Network (NN) dengan menentukan nilai parameter awal yaitu learning rate, momentum dan training cycle dalam memprediksi pergerakan harga emas .
1.4 Manfaat Penelitian
1. Manfaat umum dari hasil penelitian ini adalah pelaku moneter yang memerlukan informasi harga emas dapat menggunakan metode algoritma yang baik dan akurat sebagai alat untuk memprediksi harga emas.
4 BAB 2
TINJAUAN PUSTAKA 2.1 Penelitian Terkait
2.1.1 Modeling Gold Price via Artificial Neural
Hossein Mombeini and Abdolreza Yazdani-Chamzini menulis bahwa model Neural Network telah muncul sebagai alat pemodelan yang kuat yang dapat diterapkan untuk berbagai ilmiah dan atau rekayasa aplikasi, seperti: pola reorganisasi, klasifikasi,pengolahan data, dan pengendalian proses. Model Neural Network memiliki beberapa kelas unik yang membedakan mereka dari data lain sistem pengolahan termasuk kemampuan untuk bekerja dengan sukses bahkan ketika mereka pihak yang rusak, pemrosesan paralel, kemampuan untuk membuat generalisasi, dan sedikit kerentanan terhadap kesalahan dalam data . Jaringan saraf tiruan mensimulasikan mekanisme otak manusia untuk menerapkan perilaku komputasi. ANN dikembangkan berdasarkan jaringan saraf biologis,yang neuron adalah blok bangunan yang dasar. Sebuah neuron buatan adalah model dari neuron biologis. Sebuah neuron buatan menerima sinyal dari neuron lain, mengumpulkan sinyal-sinyal ini, dan ketika dipecat, mengirimkan sinyal ke semua neuron terhubung.
2.1.2 Gold Price Prediction Using Radial Basis Function Neural Network
5
Prediksi time series dilakukan berdasarkan hipotesis menyatakan bahwa ada hubungan yang kompleks yang mendasari antara nilai sekarang dalam seri waktu dan mereka nilai sebelumnya. Ada 3 kategori prediksi
o Metode Prediksi Obyektif - berdasarkan matematika dan perhitungan statistik o Metode Prediksi - berdasarkan pendapat ahli
o Ilmu / Metode Prediksi
2.1.3 Neural Network Dengan Algoritma Genetika sebagai Pemilihan Fitur Pada Prediksi Loyalitas Pelanggan
6 2.2 Landasan Teori
2.2.1 Neural Network
Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.
Fungsi dari Neural Network diantaranya adalah: o Pengklasifikasian pola
o Memetakan pola yang didapat dari input ke dalam pola baru pada output o Penyimpan pola yang akan dipanggil kembali
o Memetakan pola-pola yang sejenis o Pengoptimasi permasalahan o Prediksi
Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
7
Gambar 1 Perceptron
Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network. Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network, dan teori model resonansi adaptif.
Gambar 2 Struktur Neuron pada otak manusia
2.2.2 Algoritma Propagasi Ba Diperkenalkan oleh G.E. Hinton tipe yang dianggap paling baik (p Algoritma belajar BackPropagat algoritma belajar dari jaringan propagation dari error-nya. Sela atau sinyal masukkan dari luar, hidden layer (Z), masing-masing kemudian mengirim sinyal itu ke dengan fungsi aktifasinya yang dengan adanya pemberian pola in Pada propagasi balik perhitungan aktivasi y dengan n error tersebut dilakukan perhitun akan disebarkan mundur ke mas digunakan untuk memperbaiki fa selanjutnya dicari error dari kel input
8 Balik
on, E. Rumelhart dan R.J. Williams pada tahun 1 (powerfull).
ation atau biasa di kenal algoritma propagasi b n syaraf tiruan, terdiri dari dua proses, feed fo lama feed foward masing-masing unit masukka r, kemudian sinyal tersebut disebarkan masing-m ng hidden unit menghitung sesuai dengan fungsi ke masing-masing unit pada output layer untuk m ng akan menghasilkan sinyal keluaran sebagai
input tersebut.
liknya, masing-masing output unit dibandingka nilai target t untuk mendapatkan error, kemud ungan terhadap nilai δk. Selanjutnya harga error
asing-masing unit pada hidden layer. Selanjutny faktor pembobot antara unit output dengan unit
eluaran hidden untuk memperbaiki faktor pemb
Gambar 3 Back Propagation
1986, merupakan
i balik merupakan foward dan back kan menerima (X) masing unit pada si aktifasinya. Dan menghitung sesuai ai respon jaringan
9 o Type : feedforward.
o Neuron layers : 1 input layer, 1 atau lebih hidden layers dan 1 output layer. o Activation function : sigmoid.
o Learning methode : supervised.
o Learning algorithm : backpropagation.
o Penggunaannya : complex logical operations, patten classification, speech analysis.
2.2.3 Algoritma Genetika
Algoritma genetika adalah algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom antar individu organism. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat mempengaruhi proses evaluasi :
1) Kemampuan organisme untuk melakukan reproduksi
2) Keberadaan populasi organisme yang bisa melakukan reproduksi 3) Keberagaman organisme dalam suatu populasi
4) Perbedaan kemampuan untuk survive Tiga operator yang digunakan oleh algoritma genetika:
1. Seleksi Operator seleksi mengacu pada metode yang digunakan untuk memilih kromosom yang akan bereproduksi. Fungsi fitnes mengevaluasi setiap kromosom (kandidat solusi) dan kromosom terbaik, semakin besar solusi terbaik maka akan dipilih untuk bereproduksi.
2. Crossover Operator crossover yang melakukan rekombinasi, menciptakan dua keturunan baru dengan cara acak memilih lokus dan bertukar subsequence ke kiri dan kanan, lokus terdiri dari dua kromosom yang dipilih selama seleksi. Misalnya, 3. dalam representasi biner, dua string 11111111 dan 00000000 bisa akan menyeberang
10
4. Mutasi Operator mutasi acak mengubah bit atau digit pada khususnya lokus dalam kromosom, namun dengan probabilitas yang sangat kecil. Misalnya, setelah crossover, string anak 11111000 dapat bermutasi pada lokus ke dua menjadi 10111000. Mutasi memperkenalkan informasi baru untuk kolom genetik dan melindungi konvergen terlalu cepat terhadap situasi ke optimum lokal. Algoritma genetika berfungsi dengan iterative memperbarui koleksi potensi solusi yang disebut populasi. Setiap anggota populasi dievaluasi untuk nilai fitnes pada setiap siklus. Sebuah populasi baru kemudian mengganti populasi tua menggunakan operator diatas, dengan anggota terkuat dipilih untuk reproduksi atau kloning. Fungsi fitnes f(x) adalah fungsi bernilai operasi real pada kromosom (potensial solusi), bukan gen, sehingga x pada f(x) mengacu pada nilai numerik diambil oleh kromosom pada saat evaluasi fitnes. [4]
2.2.4 Harga Emas sebagai perbandingan moneter
Emas merupakan barang tambang yang bernilai tinggi. Harga emas dunia digunakan sebagai standar keuangan di banyak negara di dunia. Penggunaan emas dalam bidang moneter dan keuangan berdasarkan nilai absolut dari emas itu sendiri terhadap berbagai mata uang di seluruh dunia. Bentuk penggunaan emas dalam bidang moneter lazimnya berupa batangan emas dalam satuan troy ons atau sebesar 31,1035 gram. Selain dalam bidang moneter dan keuangan, emas biasa digunakan sebagai perhiasan. Banyak sekali model perhiasan yang terbuat dari campuran emas dan logam-logam lainnya seperti cincin, gelang, kalung, anting-anting, jam tangan, dan lain sebagainya.
11
Bank-bank sentral di dunia kini sudah mendiversifikasi cadangan devisa di negara mereka dengan emas. Tercatat, pembelian emas oleh Bank-bank Sentral global mencapai 534,6 metrik ton pada 2012 lalu. World Gold Council melaporkan kepemilikan emas global secara resmi meningkat menjadi 31.671,4 ton per Maret 2013.
10 Negara yang memiliki cadangan emas terbesar adalah :
1. Amerika Serikat Kepemilikan emas resmi : 8.133,5 ton, Prosentase emas dalam cadangan devisa : 75,6% AS memiliki volume cadangan emas terbesar pada 1952, ketika cadangannya mencapai 20.663 ton. Kepemilikan emas jatuh pertama kali di bawah angka 10K pada 1968. 2. Jerman . Kepemilikan emas resmi : 3.391,3 ton, Prosentase emas dalam cadangan devisa : 72,7% Jerman menjual emas di bawah Perjanjian Emas Bank Sentral (Central Bank Gold Agreement/CBGA) 1 dan 2 untuk keperluan pencetakan koin emas peringatan. Pada tahun pertama CBGA3 (2008 – 2009), Bundesbank menjual sekitar 6 ton emas, dan telah menjual 4,7 ton emas sejak September 2011. Belum ada perubahan dalam kepemilikan emas Jerman akhir-akhir, tetapi Bundesbank mengumumkan pada Januari akan memulangkan semua cadangan fisik di Paris dan New York Fed.
3. Italia . Kepemilikan emas resmi : 2.451,8 ton, Prosentase emas dalam cadangan devisa : 72,2% Italia tidak menjual emas di bawah CBGA 1 atau 2 dan telah mengumumkan tidak ada penjualan di bawah CBGA3. Namun pada 2011, bank-bank di Italia meminta Bank of Italy untuk membeli emas dan meningkatkan neraca mereka menjelang tes stres.
4. Perancis . Kepemilikan emas resmi : 2.435,4 ton, Prosentase emas dalam cadangan devisa : 69,2% Perancis menjual 572 ton emas di bawah CBGA 2,dan di luar perjanjian Perancis dilakukan transfer sekitar 17 ton kepada Bank for International Settlements sekitar tahun 2004 sebagai bagian dari pembelian saham BIS.
12
China dengan melihat pergerakan mata uangnya di dunia internasional. Negara ini juga berharap untuk membuat cadangan mata uang, menurut Financial Times.
6. Swiss . Kepemilikan emas resmi : 1.040, 1 ton, Prosentase emas dalam cadangan devisa : 10,5% Pada 1997, negara ini mengumumkan proposal penjualan sebagian dari cadangan emas negara itu karena dinilai sebagai “hal yang diperlukan untuk tujuan kebijakan moneter,” menurut World Gold Council. Negara ini memiliki surplus sekitar 1.300 ton emas dan mulai menjualnya pada Mei 2000. 1.170 ton terjual di bawah CB GA1, dan 130 ton yang di bawah CBGA2. Swiss telah mengumumkan tidak berencana untuk menjual emas di bawah CBGA 3.
7. Rusia Kepemilikan emas resmi : 969,9 ton, Prosentase emas dalam cadangan devisa : 9,8% Rusia telah membangun cadangan emasnya sejak 2006 untuk diversifikasi cadangan mata uang asing, dan untuk membantu membangun rubel sebagai mata uang cadangan internasional. Pada 2012, Rusia menambahkan kepemilikan 75 ton cadangan emasnya, yang sebagian besar dibeli dari dalam negeri.
8. Jepang Kepemilikan emas resmi : 765,2 ton, Prosentase emas dalam cadangan devisa : 3,2% Cadangan emas Jepang pada 1950 baru mencapai 6 ton. Bank Sentral baru mulai meningkatkan kepemilikan melalui pembelian emas secara drastis pada 1959, dengan menaikkan pembelian hingga 169 ton dari tahun sebelumnya. Pada 2011, Bank of Japan menjual cadangan emas negara tersebut senilai 20 triliun yen untuk meningkatkan perekonomian negara tersebut, dalam rangka menenangkan investor setelah bencana tsunami dan nuklir.
13 10. India
Kepemilikan emas resmi : 557,7 ton, Prosentase emas dalam cadangan devisa : 9,9% Reserve Bank of India diketahui membeli International Monetary Fund (IMF) dan menganggap emas sebagai investasi yang aman, tapi negara ini sangat jarang memberikan mengumumkan rencana pembelian emasnya. Sementara itu, pemerintah telah berusaha untuk mencegah orang membeli logam mulia. Hal itu dilakukan karena impor emas dinilai menjadikan India defisit.
2.2.5 Kerangka Pikir
Pada penelitian ini , dataset yang digunakan bersumber dari PT ANTAM (www.antam.com) dengan mengambil data dari awal bulan Januari tahun 2000 hingga bulan Desember tahun 2014. Metode yang diusulkan adalah menggunakan Metode Neural Network berbasis Algoritma Genetika dengan pemilihan parameter untuk meningkatkan akurasi prediksinya sehingga memprediksikan harga emas yang lebih baik. .
Gambar 2.4 Kerangka Pikir
14
15 BAB 3
METODOLOGI PENELITIAN 3.1 Metode Penelitian
Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut :
1. Pengumpulan Data
Pengumpulan data merupakan langkah awal pada suatu penelitian. Data yang digunakan pada penelitian ini adalah berupa data time series.
2. Pengolahan Awal
Pengolahan Awal (Preprocessing) merupakan tahap untuk mempersiapkan data yang telah diperoleh dari tahap pengumpulan data, yang akan digunakan pada tahap selanjutnya. 3. Metode yang diusulkan
Tahapan ini akan membahas metode yang akan digunakan pada penelitian. 4. Eksperimen dan pengujian
Tahapan in akan membahas tahapan penelitian dan teknik pengujian yang akan digunakan. 5. Evaluasi dan Validasi Penelitian
Tahapan ini akan membahas hasil evaluasi dari eksperimen yang telah digunakan, menggunakan Cross k-fold validation.
3.2 Pengumpulan Data
16
Adapun dataset real yang belum diolah adalah seperti pada tabel dibawah ini :
Table 1 History harga Emas Harian dari PT ANTAM (www.antam.com)
Date High Low Close Value Freq Avg.
12/30/2014 1,105 1,055 1,065 18,926,062,500 1,001 1,069
12/29/2014 1,120 1,090 1,095 28,700,093,000 1,566 1,102 12/24/2014 1,105 1,025 1,085 72,439,298,500 3,831 1,074
12/23/2014 1,035 980 1,025 45,140,948,000 2,526 1,019
12/22/2014 990 970 985 6,164,993,500 868 981
12/19/2014 980 965 980 5,782,501,500 879 974
12/18/2014 985 965 965 7,776,201,000 1,280 972
12/17/2014 985 960 980 14,592,845,500 1,559 981
12/16/2014 980 945 970 17,791,661,000 1,975 964
12/15/2014 970 955 955 8,327,614,000 946 959
12/12/2014 975 955 970 6,066,086,000 691 966
12/11/2014 970 955 955 5,688,603,500 590 960
12/10/2014 985 965 965 11,345,875,500 885 974
12/9/2014 975 955 965 4,179,338,500 1,158 967
12/8/2014 970 950 960 10,847,965,500 910 957
12/5/2014 990 965 965 11,343,427,500 1,077 972
12/4/2014 995 970 980 11,274,443,500 1,009 982
12/3/2014 1,000 975 975 8,721,093,000 772 983
17 3.3 Pengolahan Data Awal (Preprocessing Data)
Untuk mempermudah penggunaan data, maka disederhanakan menjadi 3 kolom saja seperti tabel dibawah ini :
Table 2 Datasheet yang akan diproses
Date Close Value
12/30/2014 1,065 18,926,062,500
12/29/2014 1,095 28,700,093,000
12/24/2014 1,085 72,439,298,500
12/23/2014 1,025 45,140,948,000
12/22/2014 985 6,164,993,500
12/19/2014 980 5,782,501,500
12/18/2014 965 7,776,201,000
12/17/2014 980 14,592,845,500
12/16/2014 970 17,791,661,000
12/15/2014 955 8,327,614,000
12/12/2014 970 6,066,086,000
12/11/2014 955 5,688,603,500
12/10/2014 965 11,345,875,500
12/9/2014 965 4,179,338,500
12/8/2014 960 10,847,965,500
dan seterusnya…. dan seterusnya…. dan seterusnya….
3.4 Metode yang Diusulkan
18
Algoritma Genetika memilih berbagai metode optimasi untuk mendapatkan output dengan kesalahan yang kecil. Menggunakan algoritma genetika yang meminimumkan nilai RMSE. Proses evolusi pada algoritma genetika meliputi proses seleksi, perkawinan silang (crossover) dan mutasi terhadap sekelompok individu dalam satu populasi untuk menghasilkan keturunan yang lebih baik. Beberapa kriteria yang diatur dalam penggunaan algoritma genetika diantaranya adalah metode seleksi, teknik kawin silang, probabilitas kawin silang dan mutasi, serta jumlah generasi. Garis besar pemecahan masalah tersebut digambarkan pada diagram alir berikut.
Gambar 3.1 Metode yang diusulkan
3.5 Eksperimen dan Pengujian
19 3.6 Evaluasi dan Validasi Penelitian
20
JADWAL PENELITIAN
Pada penelitian ini, telah ditentukan penjadwalan atas pengumpulan data, pengolahan awal, evaluasi serta validasi penelitian dilakukan tahun 2015, seperti pada tabel dibawah ini :
Table 3 Jadwal Penelitian
Kegiatan Februari Maret April Mei
21
DAFTAR PUSTAKA
[1] H. M. a. A. Yazdani-Chamzini, "Modeling Gold Price via Artificial Neural Network," Journal of Economics, Business and Management, Vol. 3, No. 7, Jul. 2015.
[2] W. D. Jian-hui Yang, "A New Prediction Method of Gold Price: EMD-PSO-SVM ," JOURNAL OF SOFTWARE, VOL. 9, NO. 1, Jan. 2014.
[3] M. B. N. S. M. R. A. J. S. S. A. Shamsul Faisal Mohd Hussein, "Gold Price Prediction Using Radial Basis Function Neural Network," Faculty of Electrical Engineering, Universiti Teknologi Malaysia (UTM).
[4] S. Wibowo, "NEURAL NETWORK DENGAN ALGORITMA GENETIKA SEBAGAI PEMILIHAN FITUR PADA PREDIKSI LOYALITAS PELANGGAN," Vol : XXI, No : 2, 2014.
[5] V. Varahrami, "Recognition of good prediction of gold price between MLFF and GMDH neural network," Journal of Economics and International Finance Vol. 3(4), pp. 204-210, Apr. 2011.
[6] A. Y. a. A. S. Z. Ismail, "Forecasting Gold Prices Using Multiple Linear Regression Method," American Journal of Applied Sciences 6 (8): 1509-1514, 2009.
[7] N. S. Pedrudee Ongsritrakul, "Apply Decision Tree and Support Vector Regression to Predict the Gold Price," Department of Computer Science. Faculty of Science.
[8] A. G. M. MaryMalliaris, "Time Series andvNeuralvNetworksvComparisonon Gold, Oil and the Euro," in Proceedings of International JointConferenceon Neural Networks, , June 14-19, Atlanta, Georgia, USA, 2009.
[9] E. 0. B. a. J. E. Dayhoff, "Neural Network Training Techniques for a Gold Trading Model". [10] S. W. Dechun Huang, "The Real Diagnosis Analysis of The Correlation Relations Between
22 (ICNC 2010), 2010.
[11] C. J. Rongda, "Analysis on the Impact of the Fluctuation of the International Gold Prices on the Gold Stocks in Chinese Shanghai and Shenzhen A-share," in 2013 Sixth International Conference on Business Intelligence and Financial Engineering.
[12] S. M. Mahsa KangaraniFarahani, "Comparison Between Artificial Neural Network and Neuro-Fuzzy for Gold Price Prediction," in 13th Iranian Conference on Fuzzy Systems (IFSC), 2013.
[13] J. Shuai, "Research on WNN Modeling for Gold Price Forecasting Based on Improved Artificial Bee Colony Algorithm," Volume 2014, Article ID 270658,10 pages.
