Penerapan Data Mining Pada Penentuan Har

(1)

Penerapan Data Mining Pada Penentuan Harga

Jual Emas di Indonesia dengan Algoritma

Regresi Linier Sederhana

Riven Realino Konguasa

1

_{Mahasiswa program Studi Teknik Informatika Universitas Multimedia Nusantara}

Jl. Scientia Boulevard, Summarecon Gading Serpong, Tangerang, Banten

[email protected]

Abstract - Dalam dunia bisnis, komoditas emas merupakan salah satu pasar bisnis yang menjanjikan. dimana emas merupakan logam yang bernilai tinggi sehingga cocok untuk dijadikan investasi, dan dengan harga yang cenderung stabil. Tetapi dalam Dunia bisnis emas, orang orang haruslah tahu harga emas ketika ia ingin menjual atau membeli emas karena harganya yang terus berubah rubah setiap waktu. Oleh karena itu dibutuhkan sebuah prediksi harga jual emas pada hari berikutnya sebagai dasar harga hari tersebut. Salah satu cara untuk mempredikisi harganya adalah melalui Data mining / penambangan data. Data mining ada proses untuk menggali informasi yang berharga dari kumpulan data yang sangat besar dalam databse Dengan data mining, kita dapat menambang data untuk harga pasar emas dan dengan data hasil data mining maka kita dapat menentukan harga predikisi bagi harga emas pada hari berikutnya. Salah satu algoritma sederhana yang digunakan untuk menggali data adalah algoritma regresi linier sederhana.

Kata Kunci : Data mining, Regresi Linier Sederhana, Emas.

I. P

ENDAHULUAN

1.1 Latar Belakang

Emas merupakan salah satu logam mulia yang paling banyak diperdagangkan di dunia bisnis. Hampir setiap hari terjadi transakasi jual beli emas baik di toko emas kecil hingga tingkat perusahaan, baik dalam skala pembelian yang kecil maupun skala pembelian yang masif. Transaksi penjualan dan pembelian emas dianggap sebagai sebuah bisnis yang baik. Hal itu terjadi karena harganya yang tinggi dan walaupu

haganya naik turun, tetapi harga emas sering lebih cenderung stabil bila dibandingkan dengan perdagangan saham maupun perdagangan barang lainnya. Karena 2 hal itulah menyebabkan banyak orang yang melakukan transaksi jual beli emas untuk menjadi investasi dan untuk dijual kembali karena dapat menghasilkan keuntungan yang besar. Untuk melakukan suatu trasnaksi emas, baik penjual maupun pembeli harus memperhatikan harga emas yang selalu berubah setiap waktu dalam jarak menit. Hal itu tentu sangat membingungkan para penjual atau pembeli emas untuk menentukan kapan harus menjual atau membeli emas. Selain itu, Dengan semakin berkembangnya zaman, perkembangan dalam dunia pedagangan emas juga ikut berkembang sehingga kebutuhan akan informasi dan data mengenai harga emas juga meningkat dengan pesat. Sehingga metode – metode tradisional tidak memungkinan lagi untuk digunakan untuk memprediksi harga emas.. Oleh karena 2 hal itu maka diperlukan sebuah perangkat yang dapat memprediksi harga emas dari data data harga emas sebelumnya dan memunculkan harga predikisi yang dapat digunakan untuk mengambil keputusan.

Berdasarkan latar belakang inilah saya memutuskan untuk menulis jurnal ilmiah mengenai penerapan data mining pada penentuan harga emas dengan algoritma regresi linier sederhana. Diharapkan melalui jurnal ini makadapat membantu dalam mengembangan perangkat yang berguna untuk untuk melakukan penentuan harga prediksi emas yang lebih baik dan lebih akurat dari metode – metode yang sudah ada. Sehingga dapat membantu para penjual dan pembeli emas untuk mengambil keputusan dalam usaha mereka.

(2)

1.2 Rumusan Masalah

Permasalahan yang akan dibahas dalam hal ini adalah :

A) Bagaimana memprediksi harga emas dari data - data harga emas sebelumnya

B) Bagimana melakukan perhitungan harga emas untuk mendapatkan harga prediksi bagi emas

1.3 Tujuan penelitian

Tujuan yang ingin dicapai dalam hal ini adalah :

A) Mengolah data – data yang berasal dari database harga – harga emas sebelumnya menjadi sebuah harga prediksi untuk hari berikutnya

II. LANDASAN

TEORI

2.1 Data Mining

Secara Sederhana, Data Mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar (Davies, 2004). Data mining juga disebut juga sebagai rangkain prooses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu data (Pramudiono, 2007).

Data mining, sering disebut juga sebagai KKD (Knowlege Discovery In Database) yang dimana merupakan kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan atau pola atau hubungan dalam set data yang berukuran besat (Santoso, 2007).

Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait berbagai database besar (Turban, dkk, 2005).

Karakteristik data mining adalah sbagai berikut :

i) Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan

pola data tertentu yang tidak diketahui sebelumnya.

ii) Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunkana untuk membuat hasil yang lebih dipercaya.

iii) Data Mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi (Davies, 2004).

Berdasarkan beberapa pendapat para ahli, dapat kita tarik kesimpulan bahwa data mining adalah suatu cara untuk menggali informasi dari suatu kumpulan data yang sangat besar untuk menemukan informasi tersembunyi yang menarik dan belum pernah ditemukan yang digunakan untuk pengambilan keputusan. Sehingga biasanya hasil data mining akan digunakan bersama dalam program yang bersifat A.I (Artificial Intelligent), machine learning, statistik dan database. Beberapa metode yang digunakan dalam data mining adalah : klasifkasi, neural network, clustering, regresi linier , dll.

2.2 Tahap Data Mining

Sebagai sebuah rangkian proses, data mining dapat dibagi menjadi bebrapa tahap proses dimana tahap – tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantara.

Tahapan dalam melakukan data mining dapat dibagi menjadi 5, yaitu :

i) Pembersihan data :

(3)

ii) Integrasi Data :

Merupakan penggabungan data dari

berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan data mining tidak hanya berasal dari satu sumber, tetapi terdiri dari banyak sumber database dan file teks. Integrasi data dilakukan pada atribut yang menganalisisi entitas yang unik. Integrasi perlu dilakukan secara cermat karena kesalahan pada integrasi data menyebabkan hasil yang salah dan berbeda jau dengan harapan.

iii)Transformasi data :

Beberapa teknik data mining memerlukan format data yang khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai. Tahap inilah yang akan menentukan kualitas dari data mining.

iv)Aplikasi teknik data mining

Ini merupakan salah satu langkah dari proses data mining. Dimana teknik data mining akan diterapkan dan akan menghasilkan data atau informasi yang sesuai dengan yang dibutuhkan.

v) Evaluasi pola yang ditemukan:

Dalam tahap ini hasil dari teknik data mining berupa pola - pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesis yang ada memang tercapai. Bila hasil yang diperoleh tidak sesuai hipotesa, maka dapat dijadikan sebagai umpan balik untuk memperbaiki proses data atau mencoba metode data mining lainnya.

2.3 Algoritma Regresi Linier Sederhana

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga

dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.

Contoh penggunaan regresi linier sederhana :

a) Hubungan antara lamanya kerusakan mesin dengan kualitas produk yang dihasilkan

b) Hubungan Jumlah pekerja dengan jumlah output yang diproduksi

c) Hubungan antara suhu ruangan dengan cacat produksi yang dihasilkan.

Model Persamaan regresi linier sederhana adalah seperti berikut :

Y = a + bX

(1)

Dimana :

Y = Variabel Response atau variabel Akibat (Dependent).

X = Variabel Predictor atau Variabel faktor penyebab (Independent).

a = Konstanta

b = Koefisien regresi (kemiringan); besaran response yang ditimbulkan oleh predictor

untuk konstanta dapat dihitung dengan rumus :.

a = ∑ _{n ∑}∑ 22− ∑_{− ∑} 2∑ (2)

Untuk koefisien regresi dapat dihitung dengan rumus :

b =n ∑_{n ∑} 2− ∑_{− ∑} ∑2 (3)

Langkah – langkah untuk melakukan analisis Regresi Linier Sederhana adalah :

i) Tentukan tujuan dari melakukan analisis Regresi linier sederhana.

ii) Identifikasi Variabel faktor penyebab (predictor) dan variabel akibat (response) iii) Lakukan pengumpulan data

iv) Hitung X2_{, Y}2 _{, XY, dan Total dari masing} masing.

(4)

vi) Buatlah model persamaan regresi linier sederhana

vii) Lakukan prediksi atau peramalan terhadap Variabel Faktor Penyebab atau Variabel akibat.

III. P

EMBAHASAN

3.1 Implementasi Data Mining

Pada subbab ini, akan dilakukan implementasi dan pengujian terhadap prediksi harga emas. Hal ini betujuan untuk mneguji apakah dengan algoritma regresi linier sederhana, kita dapat menentukan harga prediksi emas yang tepat.

Tabel 1 merupakan contoh dari data emas yang diupdate setiap 1 jam sekali selam 10 jam

Jam Harga Beli Harga Jual

Total 5.352.000 5.429.000

Tabel 1

Dari data tersebut kita dapat mencari X2_{, Y}2_{, XY,} dan total dari masing masing

Jam X2 _Y2 _XY

Total 2.865.798 .000.000 berdasarkan rumus, sehingga kita mendapatkan angka :

a = 7,54377

b = 1,27252

Setelah itu masukkan ke dalam Rumus persamaan Regresi linier sederhana

Y = 7,54377 + 1,27252X (4)

IV. KESIMPULAN

(5)

dibandingkan dengan data yang yang ada maka terlihat perbedaan yang cukup signifikan dimana data yang sudah ada mempunyai nilai yang lebih kecil dibandingkan dengan data yang diprediksi. Oleh karena itu, dapat dikatakan bahwa algortima data mining dengan regresi linier sederhana kurang efektif dikarenakan ada nya perbandingan pebedaan yang cukup signifikan . hal itu juga dipengarihi oleh sedikitnya data yang diambil sebagai contoh sehingga kurang maksimal.

.

V. D

AFTAR

P

USTAKA

Untuk artikel yang diterbitkan dalam jurnal terjemahan, tuliskan terlebih dahulu rujukan hasil terjemahannya, diikuti dengan jurnal aslinya [6].

[1] Pengertian data mining menurut para ahli.

Tersedia dalam

http://www.apapengertianahli.com/2014/09/ pengertian-data-mining-apa-itu-data-mining.html [diakses 21 maret 2016]

[2] Wirdasari, Dian dan Calam , Ahmad.

Penerapan data mining untuk mengolah data penempatan buk di perpustakaan SMK TI PAB 7 Lubuk Pakam dengan Metode Association Rule. Tresedia dalam :

http://lppm.trigunadharma.ac.id/public/fileJu rnal/hpM77-Jurnal-Dian-AhmadCalam.pdf

[ diakses 18 Maret 2016]

[3] Sutrisno, Afritudi, dan Widianto. Penerapan

Data Mining pada Penjualan Menggunakan Metode Clustering Studi kasus PT. Indomarco Palembang .Tersedia dalam :

http://eprints.binadarma.ac.id/78/1/PENERA PAN%20DATA%20MINING%20PADA%2 0PENJUALAN%20MENGGUNAKAN%20

METODE%20CLUSTERING%20STUDY %20KASUS%20PT.%20INDOMARCO%2

0PALEMBANG.pdf [Diakses 19 maret

2016]

[4] Tampubolon, Kennedi , Saragih, Hoga, dan Reza, Bobby. Implementasi Data Mining Algoritma Apriori pada Sistem Persediaan Alat – Aalat Kesehatan . Tersedia dalam :

http://vokasi.uho.ac.id/statistika/assets/downl oad/15121204230717.%20Jurnal%20Kenen dy.pdf [ Diakses 21 Maret 2016]

[5] Kho, Dikson. Analisis regresi Linier Sederhana (Simple Linear Regression).

Tresedia dalam :

http://teknikelektronika.com/analisis-regresi-linear-sederhana-simple-linear-regression/

[diakses 19 Maret 2016]

.

[6] Supriyanta. Data Mining. Tersedia dalam :

http://www.supriyanta.com/p/data-mining.html [Diakses 21 Maret 2016]

[7] Suryani, Indah. Penerapan Exponential

Smoothing untuk Transformasi data dalam Meningkatkan Akurasi Neural network pada Prediksi Harga Emas. Tersedia dalam :

http://journal.ilmukomputer.org/index.php/ji s/article/view/57/40 [ Diakses 20 Maret 2016]

[8] Hansun, Seng Software Development,

References & citations. Diakses dalam :

http://elearning.umn.ac.id/pluginfile.php/362