APLIKASI JARINGAN SYARAF TIRUAN DENGAN METODE PERAMBATAN BALIK UNTUK PERAMALAN HARGA DINAR DAN DIRHAM Gathut Nugroho 1), R. Rizal Isnanto 2), Ajub Ajulian Zahra 2) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln. Prof. Sudharto, Tembalang, Semarang, Indonesia ABSTRACT Gold and silver has now become one of the favorite forms of community as an investment and property value protection. and dirham which has an intrinsic element of gold and silver had become one as an investment alternative. Therefore, programs need to be made to predict the price of the dinar and dirham. This Final Project is designed to forecast price of dinar and dirham using neural networks and backpropagation. In this neural network using the training data and the testing data with a ratio of 3:1. Training data used as input and the training will stop when the value of the training parameters used have been met. Testing the neural network can be done using the training data and testing data. This test aims to determine the neural network performance by comparing simulation results with the actual target. Neural network with the best performance can be used for the forecasting process. In practice the data obtained by testing the best accuracy rate on each network. In the dinar (Rp) in combination with 3 hidden layer with neurons at 25, 30, and 5 with a learning rate of 10-6. At dinars (U.S. $) with a combination of 3 hidden layers of neurons at 25, 10, and 5 with a learning rate of 0.001. Then in dirham (U.S. $) in combination with 2 hidden layers of neurons at 40 and 30 with a learning rate of 10-6. Test data obtained in testing the accuracy of the best in each network. In the dinar (Rp) with a combination of 2 hidden layers of neurons at 45 and 30 with a learning rate of 10-6. At dinars (U.S. $) in combination with 3 hidden layers of neurons at 40, 10, and 5 with a learning rate of 0.001. Then in dirhams (U.S. $) in combination with 3 hidden layers of neurons at 40, 30, and 5 with a learning rate of 10-6. Keywords: forecasting, price of dinar and dirham, neural network. I. PENDAHULUAN 1.1 Latar Belakang atau emas memiliki kelebihan yang tidak dimiliki oleh investasi apapun di dunia. atau emas tidak akan turun nilainya. Begitu juga dengan perak atau dirham yang kecenderungan harganya selalu naik dari tahun ke tahun mengikuti perkembangan harga emas dunia. Harga emas dan perak yang selalu naik dari tahun ke tahun sebenarnya dikarenakan oleh nilai uang yang berkurang setiap tahunnya. Hal ini disebabkan oleh nilai uang yang tergerogoti oleh inflasi. Nilai inflasi yang rata-rata pertahunnya 10 % semakin memiskinkan sebagian masyarakat. Bahkan jika uang disimpan di bank yang bunga banknya rata-rata 5 % pun berarti nilai uang masih berkurang sebanyak 5 %. Dibandingkan dengan nilai emas yang selalu naik berkisar 20 % tiap tahunnya, mampu jauh mengatasi nilai inflasi tiap tahunnya yang berkisar 10 % tersebut. Sehingga investasi emas layaklah digunakan sebagai investasi maupun pelindung harta seperti, tabungan haji, dana pensiun, dana pendidikan, tabungan pernikahan, dan lain sebagainya Berdasarkan permasalahan di atas, timbul gagasan untuk merancang suatu sistem yang bisa meramalkan harga dinar dan dirham. Dengan 1) Mahasiswa jurusan teknik elektro UNDIP 2) Dosen jurusan teknik elektro UNDIP menggunakan jaringan syaraf tiruan yang memiliki tingkat akurasi yang tinggi dalam meramalkan harga dinar dan dirham satu hari ke depan. 1.2 Tujuan Tujuan dari tugas akhir ini adalah sebagai berikut : 1. Meramalkan harga dinar dan dirham untuk satu hari ke depan dengan menggunakan data harga dinar dan dirham sebelumnya. 2. Menganalisis tingkat akurasi peramalan pada dinar dan dirham. 3. Menganalisis pengaruh parameter jaringan syaraf tiruan perambatan balik terhadap tingkat akurasi dalam meramalkan harga dinar dan dirham. 1.3 Batasan Masalah Untuk menyederhanakan pembahasan pada Tugas Akhir ini, masalah dibatasi sebagai berikut : 1. Data harga dinar dan dirham yang digunakan meliputi data dinar dalam kurs rupiah (Rp) dan dollar Amerika (US$) dan dirham meliputi data kurs dalam dollar Amerika (US$) dalam rentang 30 Agustus 2007 sampai dengan 5 Agustus 2011. 1
2. Tidak memperhitungkan keadaan ekonomi suatu negara seperti inflasi dan pertumbuhan ekonomi serta tidak membahas perhitungan secara ekonomi. 3. Peramalan atau prediksi yang dilakukan adalah prediksi harian. 4. Arsitektur jaringan syaraf tiruan yang digunakan adalah jaringan syaraf tiruan perambatan balik. 5. Metode algoritma pelatihan yang digunakan adalah trainlm (Levenberg-Marquardt). II. LANDASAN TEORI 2.1 Jaringan Syaraf 2. Jaringan Syaraf Tiruan [1][2][3] Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakterisitk mirip dengan jaringan syaraf biologi. Seperti halnya otak manusia, jaringan syaraf buatan juga terdiri dari beberapa neuron, dan ada hubungan antara neuronneuron tersebut. Neuron adalah unit pemrosesan informasi yang merupakan dasar dari operasi jaringan syaraf tiruan. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuronneuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 1 menunjukkan struktur neuron pada jaringan syaraf. Gambar 1. Struktur Neuron Jaringan Syaraf [1] Informasi (disebut dengan input atau masukan) akan dikirim ke neuron dengan bobot kedatangan tertentu. Masukan ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilainilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suati nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila masukan tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut diaktifkan, tapi jika tidak, maka neuron tersebut tidak diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan keluaran melalui bobot-bobot keluarannya ke semua neuron yang berhubungan dengannya. 3. Komponen-komponen Jaringan Syaraf Tiruan [4] Jaringan syaraf tiruan memiliki banyak neuron yang tersebar di seluruh bagiannya. Masing-masing neuron dikelompokkan ke dalam beberapa lapisan dan memiliki hubungan satu dengan yang lain yang 2 disebut dengan layer. Layer terdiri atas beberapa bagian, yaitu: 1. Lapisan Masukan (Input Layer) Lapisan ini merupakan tempat dimana seluruh bobot awal dimasukan (inisialisasi masukan) yang selanjutnya diproses untuk dikirimkan ke lapisan di atasnya. 2. Lapisan Tersembunyi (Hidden Layer) Lapisan ini merupakan lapisan di antara lapisan masukan dan lapisan keluaran. Disini bobot yang diterima dari lapisan masukan juga diproses untuk selanjutnya dikirim ke lapisan di atasnya yaitu lapisan keluaran. 3. Lapisan Keluaran (Output Layer) Lapisan ini merupakan lapisan akhir pada arsitektur jaringan dimana nilai keluaran dari jaringan dihasilkan. Pada lapisan ini ditetapkan nilai keluaran actual untuk dibandingkan dengan nilai keluaran target untuk mengetahui apakah jaringan sudah sesuai dengan hasil yang diinginkan. 4. Apikasi Jaringan Syaraf Tiruan [2] Salah satu aplikasi jaringan syaraf tiruan adalah peramalan (forecasting), jaringan syaraf tiruan dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan dating berdasarkan pola kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. 5. Algoritma Pembelajaran Perambatan-Balik (Backpropagation) [1][2] Proses jaringan syaraf tiruan pembelajaran perambatan-balik ini merupakan contoh dari pembelajaran terbimbing (supervised learning). Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan. Gambar 2 menunjukkan Arsitektur Perambatan-balik. Gambar 2. Arsitektur Perambatan-balik[4]
2.2 dan Dirham [6][7][8] Standarisasi berat uang dan Dirham mengikuti Hadits Rasulullah SAW, Timbangan adalah timbangan penduduk Makkah, dan takaran adalah takaran penduduk Madinah (HR. Abu Daud). Pada zaman Khalifah Umar bin Khattab sekitar tahun 642 Masehi bersamaan dengan pencetakan uang Dirham pertama di Kekhalifahan, standar hubungan berat antara uang emas dan perak dibakukan yaitu berat 7 sama dengan berat 10 dirham. Kemudian setelah ditelti kadar karat pada dinar dan dirham maka, dinar adalah koin emas dengan kadar 22 karat atau 91,67 % dengan berat 4,25 gram karena pada masa dahulu belum tercipta teknologi yang dapat memurnikan emas sampai 24 karat atau 99,9 %. Atas dasar rumusan hubungan berat antara dinar dan dirham dan hasil penimbangan dinar di musium ini, maka dapat pula dihitung berat 1 dirham adalah 7/10 x 4,25 gram atau sama dengan 2,975 gram. III. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Gambaran Umum Gambar 3 merupakan diagram alir perancangan sistem. Mulai Pengambilan Data Pembuatan Basis Data Perancangan Jaringan Pelatihan Jaringan Pengujian dan Peramalan Selesai Gambar 3. Diagram alir perancangan sistem Data diperoleh dari kantor pusat Gerai, http://kitco.com, dan http://www.dgcsc.org. Kemudian setiap data dibagi menjadi 75% data latih dan 25% data uji. Data latih merupakan data yang digunakan dalam proses pelatihan, sedangkan data uji merupakan data baru yang tidak digunakan dalam proses pelatihan. 3.2 Pembuatan Basis Data Data yang telah diperoleh kemudian dibagi menjadi 75% data latih dan 25% data uji. Untuk harga dalam rupiah memiliki 1077 data latih dan 359 data uji. Dan untuk dan Dirham dalam dolar memiliki 746 data latih dan 249 data uji. Data itu dibagi menjadi 10 masukan dan 1 target. Harga masukan merupakan harga 10 hari sebelum data yang akan diramal/diprediksi. Sedangkan target merupakan harga yang akan diramal pada 1 hari kedepan. Jika harga Dirham dimulai dari hari kei-1 sampai hari ke-10, maka target atau hari yang akan diramal/diprediksi adalah hari ke-11. Dan jika harga Dirham dimulai dari hari hari ke-2 sampai hari ke-11, maka target atau hari yang akan diramal/diprediksi adalah hari ke-12. Begitu seterusnya. Data tersebut dimasukan dalam m-file dalam matlab untuk kemudian disimpan dalam format *.mat Pembuatan basis data seperti ini berlaku untuk data latih dan data uji. Namun data yang dipakai dalam proses pelatihan adalah data latih, sedangkan data uji digunakan sebagai masukan dalam peramalan harga untuk kemudian hasil prediksi dicocokan dengan target yang ada untuk kemudian dianalisis. 3.3 Perancangan Jaringan Syaraf Tiruan Dalam Tugas Akhir ini algoritma pembelajaran yang digunakan adalah perambatan-balik yang mana merupakan algoritma pembelajaran terbimbing yang membutuhkan data masukan dan data target. Berikut ini adalah spesifikasi dari program yang dirancang dalam Tugas Akhir ini : 1. Lapisan masukan : terdiri atas satu lapisan dengan 10 neuron yang merupakan 10 masukan data harga dinar atau dirham sebelumnya. 2. Lapisan tersembunyi : terdiri dari atas lapisan dengan jumlah neuron bervariasi tergantung masukan dari pengguna. 3. Lapisan keluaran : terdiri atas satu lapisan dengan satu neuron yang merupakan keluaran dari peramalan. 3.4 Pelatihan Jaringan Syaraf Tiruan Pada tahap pelatihan bertujuan untuk mendapatkan nilai bobot terbaik yang digunakan sebagai landasan bagi masukan data pada peramalan. Pada tahap ini pola masukan dirambatkan melalui lapisan masukan sampai ke lapisan keluaran. Nilai yang diperoleh dari proses perhitungan pola pembelajaran pada lapisan keluaran akan dicocokkan dengan pola keluaran target awal. Jika diperoleh perbedaan antara kedua nilainya maka akan muncul galat. Apabila nilai galat belum sesuai dengan yang diinginkan maka pelatihan akan terus 3
dilakukan dengan terus memodifikasi bobot sampai dihasilkan galat yang sesuai. Dalam melakukan pelatihan terlebih dahulu menentukan parameter-parameter untuk mendapatkan hasil yang optimal. Berikut parameterparameter yang digunakan. Dalam memberikan nilai pada parameterparameter tersebut dicari hasil yang paling optimal dengan mengkombinasikan nilai-nilai tersebut. Dengan cara coba-coba (trial and error) akan mendapatkan hasil yang diinginkan. 1. net.trainparam.epochs Merupakan parameter yang berfungsi untuk menentukan jumlah iterasi maksimum yang diinginkan. Besar nilai parameter menentukan hasil yang dicapai. Jika ditentukan iterasi sebesar 30000, maka pelatihan akan berhenti pada iterasi ke-30000. Tapi tentunya ini dipengaruhi juga oleh parameter-parameter yang lainnya. 2. net.trainparam.goal Merupakan parameter untuk menentukan galat (error) yang harus dicapai saat proses pelatihan jaringan. Jika ditentukan besarnya galat adalah 0,0002, maka pelatihan jaringan akan berhenti saat galat yang terjadi sebesar 0,0002. 3. net.trainparam.lr Merupakan parameter untuk menentukan konstanta belajar jaringan. Besarnya konstanta ini berkisar antara 0 1. 4. net.trainparam.min_grad Merupakan parameter untuk menentukan batas gradien maksimal yang dicapai saat pelatihan jaringan. Parameter-parameter tersebut saling berkaitan satu sama lainnya. Jika iterasi maksimum belum tercapai namun pelatihan sudah berhenti bisa jadi karena telah tercapainya parameter yang lainnya, misal parameter galat sudah mencapai nilai yang ditentukan atau jika gradient maksimum yang ditentukan telah tercapai. Begitu juga sebaliknya. Sehingga inilah proses yang dinamakan coba-coba dalam mencari hasil yang terbaik. 3.5 Pengujian Jaringan Dalam tahap pengujian jaringan yang sebelumnya telah dilatihkan dengan data latih beserta parameter-parameter yang telah ditentukan kemudian diuji untuk mengetahui kemampuan mengenali pola data baru yang diumpankan ke dalam jaringan. Hasil simulasi jaringan dikalikan kembali dengan nilai tertinggi dari data latih dan dibulatkan untuk mengetahui nilai sebenarnya dari hasil simulasi. Nilai ini kemudian dibandingkan dengan target latih. Persentase selisih terhadap target 4 sebenarnya kemudian dicari dan dirata-rata. Setelah proses ini, didapatkan tingkat kesalahan jaringan. Setelah diperoleh persentase kesalahan jaringan, maka dapat diperoleh persentase tingkat pengenalan jaringan syaraf tiruan tersebut. 3.6 Peramalan atau Prediksi dengan Jaringan Syaraf Tiruan Jaringan dengan tingkat pengenalan yang paling baik dalam proses pengujian digunakan dalam proses peramalan/prediksi, yaitu perkiraan harga pada masa akan datang. Dalam Tugas Akhir ini, tujuan peramalan/prediksi adalah untuk mengetahui harga dinar atau dirham pada masa akan datang dengan menggunakan data harga-harga terdahulu. Data harga-harga terdahulu ini diumpankan ke dalam jaringan syaraf tiruan yang telah disimpan dan diolah dengan bobot dan bias tertentu, sehingga didapatkan harga dinar atau dirham hasil simulasi. Harga atau Dirham hasil simulasi inilah yang disebut dengan harga atau Dirham hasil prediksi dengan jaringan syaraf tiruan. Pada Tugas Akhir ini, jumlah data terdahulu yang dibutuhkan adalah sebanyak 10 data terakhir. Hal ini karena pada proses pelatihan jaringan, telah ditentukan jumlah neuron masukan ke dalam jaringan adalah 10. Proses prediksi ini menggunakan data uji, yaitu data baru selain data latih yang sebelumnya tidak pernah diumpankan ke jaringan dalam proses pelatihan. Setelah jaringan dibuka, langkah selanjutnya adalah dengan memasukkan data 10 hari terakhir yang diinginkan. Hasil prediksi yang diperoleh adalah data pada hari ke-11. IV. PENGUJIAN DAN ANALISIS 4.4 Perbandingan Hasil Pengujian Data Latih dan Data Uji Kinerja tiap-tiap jaringan dapa diketahui dari tingkat akurasi peramalan dengan parameterparameternya. Tingkat akurasi dapat diketahui dari membandingkan keluaran dengan data latih dan data uji. 1. Perbandingan Data Latih Perbandingan data latih ini dilakukan dengan variasi jumlah neuron dan perubahan laju pembelajaran. Untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada satu lapisan tersembunyi dapat dilihat pada Tabel 1. Tabel 1. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada satu lapisan tersembunyi Hasil tingkat akurasi peramalan Parameter Pelatihan data latih (%) Dirham Neuron LP (Rp) 20 0,000001 99,199 99,2603 -
20 0,001 99,2051 99,2559-25 0,000001 99,188 99,2482-25 0,001 99,1924 99,2462-30 0,000001 99,1907 99,2677 99,1556 30 0,001 99,2053 99,2647 99,1473 35 0,000001 99,2029 99,2758 99,1835 35 0,001 99,1854 99,2523 99,2024 40 0,000001 99,1833 99,2817 99,182 40 0,001 99,1997 99,2694 99,1539 45 0,000001 99,2149 99,2614 99,1886 45 0,001 99,1834 99,2445 99,1873 50 0,000001 99,1854 99,2533 99,1872 50 0,001 99,2055 99,2854 99,1783 Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 5. Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik. Gambar 4. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 1 lapisan tersembunyi Dalam grafik Gambar 4 dan Tabel 1 ditampilkan bahwa, jaringan dinar (Rp) memilik tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 45 dengan laju pembelajaran 10-6 sebesar 99,2149%, jaringan dinar memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 50 dengan laju pembelajaran 0,001 sebesar 99,2854%, dan jaringan dirham memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 35 dengan laju pembelajaran 0,001 sebesar 99,2024%. Kemudian untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada dua lapisan tersembunyi dengan perubahan laju pembelajaran dapat dilihat pada Tabel 2. Tabel 2. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada dua lapisan tersembunyi Hasil tingkat akurasi peramalan Parameter Pelatihan data latih (%) Lapisan Tersembu nyi I II LP (Rp) Dirham 20 10 0,000001 99,2014 99,2621-20 10 0,001 99,1925 99,2639-20 20 0,000001 99,198 99,2635-20 20 0,001 99,1726 99,241-20 30 0,000001 99,1968 99,2848-20 30 0,001 99,196 99,2666-25 10 0,000001 99,184 99,278-25 10 0,001 99,208 99,2765-25 20 0,000001 99,1956 99,2628-25 20 0,001 99,1765 99,2683-25 30 0,000001 99,1973 99,2424-25 30 0,001 99,1914 99,2705-30 10 0,000001 99,1891 99,2425 99,1623 30 10 0,001 99,1808 99,2607 99,2207 30 20 0,000001 99,2002 99,2687 99,2182 30 20 0,001 99,1902 99,2599 99,1904 30 30 0,000001 99,1859 99,2678 99,1864 30 30 0,001 99,1829 99,2455 99,1986 35 10 0,000001 99,1848 99,2389 99,1881 35 10 0,001 99,1924 99,2784 99,2015 35 20 0,000001 99,1942 99,2729 99,193 35 20 0,001 99,1982 99,272 99,1821 35 30 0,000001 99,1891 99,2659 99,2033 35 30 0,001 99,1908 99,2931 99,1854 40 10 0,000001 99,1955 99,2433 99,1855 40 10 0,001 99,2036 99,2636 99,1938 40 20 0,000001 99,1866 99,2502 99,2261 40 20 0,001 99,19 99,2703 99,2376 40 30 0,000001 99,2133 99,2529 99,2436 40 30 0,001 99,1925 99,2992 99,2185 45 10 0,000001 99,1849 99,2641 99,1935 45 10 0,001 99,1914 99,2587 99,1677 45 20 0,000001 99,179 99,2724 99,1722 45 20 0,001 99,1971 99,2724 99,1649 45 30 0,000001 99,1978 99,2613 99,2029 45 30 0,001 99,1933 99,2816 99,2018 50 10 0,000001 99,2006 99,2781 99,1921 50 10 0,001 99,2079 99,2481 99,1855 50 20 0,000001 99,1774 99,2571 99,1784 50 20 0,001 99,2 99,248 99,2014 50 30 0,000001 99,1865 99,2799 99,2082 50 30 0,001 99,1973 99,2828 99,2088 5
Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 6 Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik. Gambar 5. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 2 lapisan tersembunyi Dalam grafik Gambar 5 dan Tabel 2 ditampilkan bahwa, jaringan dinar (Rp) memilik tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 10-6 sebesar 99,2133%, jaringan dinar memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 0,001 sebesar 99,2992%, dan jaringan dirham memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 40 dan 30 dengan laju pembelajaran 10-6 sebesar 99,2436%. Kemudian untuk perbandingan tingkat akurasi peramalan data latih tiap jaringan pada tiga lapisan tersembunyi dengan perubahan laju pembelajaran dapat dilihat pada Tabel 3. Tabel 3. Perbandingan tingkat akurasi peramalan data latih tiap jaringan pada tiga lapisan tersembunyi Hasil tingkat akurasi peramalan Parameter Pelatihan data latih (%) Lapisan Dirham Tersembunyi LP (Rp) I II III 20 10 5 0,000001 99,1903 99,2843-20 10 5 0,001 99,1812 99,2612-20 20 5 0,000001 99,1796 99,2516-20 20 5 0,001 99,1743 99,2606-20 30 5 0,000001 99,1863 99,2589-20 30 5 0,001 99,1996 99,2727-25 10 5 0,000001 99,1843 99,2662-25 10 5 0,001 99,1967 99,2993-25 20 5 0,000001 99,203 99,2636-25 20 5 0,001 99,1973 99,271-6 25 30 5 0,000001 99,2193 99,2482-25 30 5 0,001 99,1922 99,2467-30 10 5 0,000001 99,1931 99,281 99,203 30 10 5 0,001 99,2089 99,268 99,1911 30 20 5 0,000001 99,1989 99,2699 99,2046 30 20 5 0,001 99,1952 99,2876 99,2097 30 30 5 0,000001 99,1921 99,2862 99,186 30 30 5 0,001 99,1902 99,2512 99,2041 35 10 5 0,000001 99,1872 99,2642 99,2278 35 10 5 0,001 99,2008 99,2535 99,1585 35 20 5 0,000001 99,1865 99,2648 99,1879 35 20 5 0,001 99,1865 99,2502 99,1389 35 30 5 0,000001 99,1994 99,2363 99,2065 35 30 5 0,001 99,183 99,2713 99,2127 40 10 5 0,000001 99,1877 99,2472 99,2257 40 10 5 0,001 99,1781 99,2818 99,2011 40 20 5 0,000001 99,1857 99,2965 99,1974 40 20 5 0,001 99,1939 99,2508 99,1472 40 30 5 0,000001 99,2026 99,2664 99,1779 40 30 5 0,001 99,1909 99,2841 99,1756 45 10 5 0,000001 99,1846 99,2476 99,2145 45 10 5 0,001 99,1914 99,2556 99,143 45 20 5 0,000001 99,1887 99,2705 99,2052 45 20 5 0,001 99,1806 99,2801 99,2273 45 30 5 0,000001 99,1948 99,2642 99,1879 45 30 5 0,001 99,1974 99,2546 99,1957 50 10 5 0,000001 99,1942 99,2616 99,179 50 10 5 0,001 99,1912 99,2599 99,1852 50 20 5 0,000001 99,1949 99,2479 99,1861 50 20 5 0,001 99,1902 99,2743 99,1831 50 30 5 0,000001 99,1864 99,2523 99,1568 50 30 5 0,001 99,2065 99,2645 99,1677 Untuk melihat tingkat akurasi dengan tampilan grafik pada Gambar 7. Dalam grafik batang tersebut dapat dilihat bahwa, dengan perubahan laju pembelajaran pada satu lapisan tersembunyi saat diperbesar tidak menjamin tingkat akurasinya juga akan lebih baik. Gambar 6. Grafik perbandingan tingkat akurasi data latih tiap jaringan pada 3 lapisan tersembunyi
Dalam grafik Gambar 11 dan Tabel 3 ditampilkan bahwa, jaringan dinar (Rp) memiliki tingkat akurasi terbaiknya pada jumlah neuron lapisan tersembunyi sebanyak 25,30, dan 5 dengan laju pembelajaran 10-6 sebesar 99,2193%, jaringan dinar memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 25, 10, dan 5 dengan laju pembelajaran 0,001 sebesar 99,2993%, dan jaringan dirham memilik tingkat akurasi terbaiknya dengan jumlah neuron lapisan tersembunyi sebanyak 35, 10, dan 5 dengan laju pembelajaran 10-6 sebesar 99,2278%. Pada Tabel 4 akan ditunjukkan hasil tingkat akurasi terbaik untuk tiap-tiap jaringan. (Rp) Dirham 45 0,000001 99,2149 40 30 0,000001 99,2133 25 30 5 0,000001 99,2193 Terbaik 50 0,001 99,2854 40 30 0,001 99,2992 25 10 5 0,001 99,2993 Terbaik 35 0,001 99,2024 40 30 0,000001 99,2436 Terbaik 35 10 5 0,000001 99,2278 4.4.2 Perbandingan Data Uji Perbandingan data uji ini dilakukan dengan variasi jumlah neuron dan perubahan laju pembelajaran. Dengan cara yang sama, maka didapatkan kumpulan hasil terbaik yang didapatkan pada pengujian data uji untuk tiap-tiap jaringan seperti ditunjukkan pada Tabel 5 Tabel 4. Perbandingan hasil terbaik tingkat akurasi pada data latih Parameter Pelatihan Tingkat Lapisan Akurasi Keterangan Jaringan Laju Tersembunyi Data Pembelajaran I II III Uji (%) Tabel 5. Perbandingan hasil terbaik tingkat akurasi pada data uji Kombinasi Tingkat Lapisan Laju Akurasi Keterangan Jaringan Tersembunyi Pembelaj Data Uji I II III aran (%) (Rp) Dirham 40 0,001 98,7506 40 10 0,000001 98,7941 Terbaik 45 30 5 0,000001 98,7909 20 0,000001 99,1116 35 10 0,001 99,0472 40 10 5 0,001 99,206 Terbaik 45 0,000001 98,4192 45 30 0,000001 98,8419 Terbaik 40 30 5 0,000001 98,8349 V. PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari hasil pengujian dan pembahasan dari tiap-tiap jaringan adalah sebagai berikut : 1. Peningkatan jumlah lapisan tersembunyi dan neuron tersembunyi tidak mempengaruhi tingkat akurasi yang didapatkan. 2. Pembesaran laju pembelajaran tidak mempengaruhi tingkat akurasi yang didapatkan. 3. Pada pengujian terhadap data latih didapatkan bahwa, pada jaringan harga dinar (Rp) didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 20, 30, dan 5 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 99,2193%. Pada jaringan harga dinar didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 25, 10, dan 5 dengan laju pembelajaran 0,001 didapatkan tingkat akurasi sebesar 99,2993%. Dan untuk jaringan harga dirham (US $) ddidapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 40 dan 30 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 99,2436%. 4. Pada pengujian terhadap data latih didapatkan bahwa, pada jaringan harga dinar (Rp) didapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 40 dan 10 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 98,7941%. Pada jaringan harga dinar didapatkan kombinasi terbaik dengan 3 lapisan tersembunyi dengan neuron sebanyak 40, 10, dan 5 dengan laju pembelajaran 0,001 didapatkan tingkat akurasi sebesar 99,206%. Dan untuk jaringan harga dirham (US $) ddidapatkan kombinasi terbaik dengan 2 lapisan tersembunyi dengan neuron sebanyak 45 dan 30 dengan laju pembelajaran 0,000001 didapatkan tingkat akurasi sebesar 98,8419%. 5.2 Saran 1. Perlu dilakukan penelitian lanjutan untuk peramalan harga dinar dan dirham untuk periode peramalan mingguan dan bulanan. 2. SSebaiknya menambahkan parameter lainnya seperti, tingkat inflasi, harga minyak dan komoditas pada umumnya, dan permintaan emas dan perak yang mempengaruhi harga dinar dan dirham agar diperoleh hasil peramalan yang lebih akurat. 7
DAFTAR PUSTAKA [1] Kusumadewi, S. dan S. Hartati, NEURO- FUZZY Integrasi Sistem Fuzzy dan Jaringan Saraf edisi 2, Graha Ilmu, Yogyakarta, 2010. [2] Siang, J. J., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, 2005. [3] Kusumadewi, S., Membangun Jaringan Syaraf Tiruan menggunakan MATLAB & EXCEL LINK, Penerbit Graha Ilmu, Yogyakarta,2004. [4] Kusuma, F. F. W., Aplikasi Jaringan Saraf Tiruan Perambatan Balik Untuk Peramalan Harga Saham, Skripsi S-1, Universitas Diponegoro, Semarang, 2011. [5] Luthfianto, R., Peramalan Jumlah Penumpang Kereta Api Di Stasiun Semarang Tawang dengan Jaringan Saraf Tiruan Metode Perambatan Balik (Backpropagation), Skripsi S-1, Universitas Diponegoro, Semarang, 2011. [6] Kurniawan, E. J., Think! Berpikir, Muslim Kaya Hari Ini, Super Kaya di Masa Depan, Asma Nadia Publishing House, Jakarta, 2010. [7] ---, http://geraidinar.com/2008/02/mengenaldinar-islam.html, Oktober 2011. [8] ---, dan dirham, http://geraidinar.com, Oktober 2011. [9] ---, Delapan Hal yang Harus Diketahui Tentang Emas,http://geraidinar.com/2008/02/delapa n-hal-yang-harus-diketahui.php, Oktober 2011. [10] Salim, J., Jangan Investasi Sebelum Baca Buku Ini!,Transmedia Pustaka, Jakarta, 2011. [11] Sugiharto, A., Pemrograman GUI dengan Matlab, Penerbit Andi, Yogyakarta, 2006. BIODATA PENULIS Gathut Nugroho, lahir di Jakarta pada tanggal 29 September 1988. Penulis menempuh studinya di SD Islam Hidayatullah Semarang, SMP Islam Hidayatullah Semarang, SMA Islam Hidayatullah Semarang. Saat ini penulis sedang menyelesaikan studi strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi. Menyetujui, Dosen Pembimbing I, R. Rizal Isnanto, ST., MM., MT. NIP.197007272000121001 Dosen Pembimbing II, Ajub Ajulian Zahra, ST., MT. NIP. 197107191998022001 8