Simulasi Artificial Neural Network untuk Menentukan Suhu Kritis ...
NEURAL NETWORK ENSEMBLES UNTUK PERAMALAN NILAI …/Neural...kemampuannya dalam memorisasi dan...
Transcript of NEURAL NETWORK ENSEMBLES UNTUK PERAMALAN NILAI …/Neural...kemampuannya dalam memorisasi dan...
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
NEURAL NETWORK ENSEMBLES
UNTUK PERAMALAN
NILAI TUKAR DOLLAR TERHADAP RUPIAH
oleh
NARISWARI SETYA DEWI
NIM. M0108022
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
2012
i
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ABSTRAK
Nariswari Setya Dewi, 2012. NEURAL NETWORK ENSEMBLES UNTUK
PERAMALAN NILAI TUKAR DOLLAR TERHADAP RUPIAH. Fakultas Ma-
tematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret.
Pada beberapa dekade terakhir, Neural Network (NN ) diperkenalkan seba-
gai salah satu metode peramalan time series untuk nilai tukar mata uang karena
kemampuannya dalam memorisasi dan generalisasi data sebelumnya. Penelitian
ini mengkaji ulang Neural Network Ensembles(NNE ) yang merupakan pengga-
bungan beberapa Neural Network(NN) dengan tujuan memperoleh peramalan
yang lebih baik.
Metode yang digunakan dalam penelitian ini adalah studi literatur dan ke-
mudian diterapkan pada data riil, yaitu data nilai tukar Dollar terhadap Rupiah
periode 5 Januari 2009 sampai dengan 31 Mei 2012. Guna mempermudah penye-
lesaian contoh kasus, peneliti menyusun program partisi sistematis untuk data
pelatihan.
Berdasarkan hasil pembahasan diperoleh kesimpulan bahwa prosedur pem-
bentukan NNE adalah membentuk NN tunggal untuk peramalan time seriesyang terdiri dari (i) pembagian data menjadi data pelatihan dan data penguji-
an, (ii) partisi data pelatihan menjadi subsampel dengan partisi sistematis, (iii)
transformasi data, dan (iv) pelatihan masing-masing subsampel dengan algori-
tma pembelajaran backpropagation. Selanjutnya penggabungan hasil pelatihan
dari masing-masing subsampel dengan metode simple average dan backpropa-gation. Arsitektur jaringan terbaik ditentukan berdasarkan MSE terkecil dari
pengujian. Penerapan NNE pada data nilai tukar Dollar terhadap Rupiah meng-
hasilkan nilai MSE yang cukup kecil. Oleh karena itu, NNE dapat digunakan
untuk peramalan nilai tukar mata uang.
Kata kunci : NNE, partisi sistematis, simple average, backpropagation
iii
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ABSTRACT
Nariswari Setya Dewi, 2012. NEURAL NETWORK ENSEMBLES FOR
EXCHANGE RATE FORECASTING OF DOLLAR TO RUPIAH . Faculty of
Mathematics and Natural Sciences, Sebelas Maret University.
In recent decades, Neural Network (NN) is introduced as a method for
currency exchange rates time series forecasting due to its ability to memorization
and to generalize of the previous data. This research reviewed the Neural NetworkEnsembles (NNE ) which is a merger of some Neural Network (NN) in order to
obtain a better forecasting.
The method used in this research was the study of literature and then would
be applied to real data, i.e data exchange rate of the Dollar against Rupiah period
January 5, 2009 until May 31, 2012. In order to solve the example case easier,
researchers compiled partitioning sistematic program to training data.
Based on the study it could be concluded that the procedure of NNE con-
struction is to construct single NN for time series forecasting i.e (i) the division of
the data into training data and testing data, (ii) partition the training data into
sub-samples with systematic partition, (iii) the transformation of data, and (iv)
training each sub sample with backpropagation learning algorithm. Then the re-
sult of each sub-sample training is combined using the simple average method and
backpropagation method. Best architecture is determined based on the minimum
MSE of the testing. Application NNE in the exchange rate of the Dollar against
the Rupiah data give small MSE. Therefore, NNE can be used for exchange rates
forecasting .
Keywords : NNE, partition sistematic, simple average, backpropagation
iv
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
MOTO
Maka sesungguhnya bersama kesulitan ada kemudahan, sesungguhnya bersama
kesulitan ada kemudahan (Al-Insyirah : 5-6)
Man Jadda Wa Jadda
v
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
PERSEMBAHAN
Karya ini kupersembahkan untuk
Ibu dan Bapakku tercinta,
Kakak Arditya Prayudi dan adik Andita Wahyu Prasetya.
vi
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT, yang telah melimpahkan
rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan skripsi ini. Selain
itu, penulis juga mengucapkan terimakasih kepada
1. Ibu Winita Sulandari, M.Si. sebagai Dosen Pembimbing I atas kesediaan,
motivasi, dan kesabaran yang diberikan dalam membimbing penulis dan Ba-
pak Supriyadi Wibowo, M.Si. sebagai Dosen Pembimbing II atas kesediaan
dan memotivasi penulis dalam penyusunan skripsi ini,
2. Raditya Teguh Anugraha, Kartini, Nanda, Iif, Lia, dan teman-teman mate-
matika FMIPA UNS angkatan 2008 atas kebersamaan dan semangat yang
diberikan,
3. Semua pihak yang telah membantu dalam penyusunan skripsi ini.
Semoga skripsi ini dapat bermanfaat bagi pembaca.
Surakarta, Oktober 2012
Penulis
vii
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Daftar Isi
HALAMAN JUDUL . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
HALAMAN PENGESAHAN . . . . . . . . . . . . . . . . . . . . . . . ii
ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
MOTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
PERSEMBAHAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
DAFTAR TABEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
DAFTAR NOTASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii
I PENDAHULUAN 1
1.1 Latar Belakang Masalah . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Batasan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . 3
II LANDASAN TEORI 4
2.1 Tinjauan Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Neural Network . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Backpropagation . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2.1 Arsitektur Backpropagation . . . . . . . . . . . . 8
viii
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2.1.2.2 Fungsi Aktivasi Backpropagation . . . . . . . . . 8
2.1.2.3 Algoritma Levenberg-Marquadt(LM) . . . . . . . 10
2.1.3 Prosedur Neural Network untuk Peramalan Time Series . 11
2.2 Kerangka Pemikiran . . . . . . . . . . . . . . . . . . . . . . . . . 13
IIIMETODE PENELITIAN 14
IVPEMBAHASAN 16
4.1 Neural Network Ensembles . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Penerapan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
V PENUTUP 27
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
DAFTAR PUSTAKA 29
LAMPIRAN 31
ix
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Daftar Tabel
2.1 Keanalogan NN terhadap jaringan syaraf biologis[7] . . . . . . . . 6
4.1 Ilustrasi dari sampling data sistematik dengan vektor input 3 lag . 17
x
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
DAFTAR NOTASI
Σ : sigma
yti : variabel input ke-i pada waktu ke-t(i = 1, 2, . . . , n)
vij : bobot yang menghubungkan neuron input ke-i (i = 1, 2, . . . , n)
ke neuron ke-j (j = 1, 2, . . . , p) pada lapisan tersembunyi
v0j : bias antara lapisan input ke neuron ke-j (j = 1, 2, . . . , p) pada
lapisan tersembunyi
ψhj : fungsi aktivasi di neuron ke-j (j = 1, 2, . . . , p) pada lapisan
tersembunyi
wj : bobot yang menghubungkan neuron lapisan tersembunyi ke-j
(j = 1, 2, . . . , p) ke neuron pada lapisan output
w0 : bias antara lapisan tersembunyi ke neuron pada lapisan output
ψo : fungsi aktivasi di neuron pada lapisan output
z netj : nilai-nilai setelah penjumlahan input dan bobot-bobot pada
lapisan tersembunyi pada input ke-j
zj : output pada lapisan tersembunyi yang diproses pada neuron ke−j
y net : penjumlahan output pada lapisan tersembunyi zj dan bobot
lapisan tersembunyi ke lapisan output wj
yt : output pada waktu ke-t
E : jumlah kuadrat sesatan
H : matriks Hessian
η : parameter Marquardt
I : matriks identitas
J : matriks Jacobian yang terdiri dari turunan pertama eror
jaringan terhadap masing-masing komponen bobot dan bias
xii
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Bab I
PENDAHULUAN
1.1 Latar Belakang Masalah
Uang merupakan alat pembayaran umum yang diterima secara luas dan
berfungsi sebagai alat ukur [9]. Setiap negara memiliki mata uang yang digunakan
untuk menunjukkan harga barang dan jasa. Dalam perdagangan antar negara,
setiap negara yang terlibat menggunakan mata uang yang berbeda. Hal ini, tentu
saja menimbulkan masalah karena nilai mata uang suatu negara tidak dapat
ditukar dengan mata uang negara lain dengan nominal yang sama. Menurut
Krugman dan Maurice [5], nilai dari harga sebuah mata uang dari suatu negara
yang diukur atau dinyatakan dalam mata uang lainnya disebut nilai tukar mata
uang. Nilai tukar mata uang suatu negara merupakan salah satu indikator penting
dalam suatu perekonomian. Menurut Dewi [1] nilai tukar mempunyai implikasi
yang luas, baik dalam konteks ekonomi domestik maupun internasional, karena
hampir semua negara di dunia melakukan transaksi internasional.
Kemungkinan penurunan nilai tukar (depresiasi) atau kenaikan (apresiasi)
dari setiap mata uang terhadap mata uang lainnya dapat terjadi setiap saat.
Beberapa faktor penting, seperti pertumbuhan ekonomi, pengembangan perda-
gangan, suku bunga dan tingkat inflasi, berdampak signifikan terhadap fluktuasi
nilai tukar [9]. Fluktuasi-fluktuasi tajam pada nilai tukar mata uang merupakan
sumber resiko nilai tukar mata uang yang serius bagi investor, perusahaan dan
kalangan perbankan dalam transaksi internasional. Oleh karena itu, untuk meng-
urangi resiko tersebut diperlukan peramalan. Peramalan nilai tukar mata uang
merupakan tahapan awal yang penting sebelum dilakukan proses jual beli nilai
tukar mata uang yang nantinya menjadi acuan perekonomian dunia.
Pada beberapa dekade terakhir, Neural Network (NN ) diperkenalkan seba-
1
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
gai salah satu metode peramalan time series untuk nilai tukar mata uang karena
kemampuannya dalam memorisasi dan generalisasi dari data masa lalu [8]. Fau-
sett [2] menyatakan bahwa NN adalah sistem pemprosesan informasi yang memi-
liki karakteristik mirip dengan jaringan syaraf biologi yang saling berhubungan
antar neuron-neuron dimana tiap hubungan tersebut mempunyai bobot-bobot
koneksi. Metode dari NN yang dapat diaplikasikan dengan baik dalam bidang
peramalan adalah backpropagation. Metode pelatihan backpropagation pertama
kali dirumuskan Werbos (1974) dan dipopulerkan oleh Rumelhart dan McCle-
lland [2]. Backpropagation dapat melakukan perbaikan bobot hingga diperoleh
nilai output yang hampir sama dengan target. Kelebihan peramalan menggunak-
an NN adalah dapat mempelajari perilaku data tanpa asumsi-asumsi tertentu.
Moraga et al. [6] menyebutkan bahwa algoritma pembelajaran NN dapat me-
nyelesaikan permasalahan model time series nonlinear. Akan tetapi, kesalahan
dalam pengambilan sampel pada NN dapat menyebabkan kondisi overfitting, ya-
itu kondisi dimana jaringan hanya mampu menghasilkan output yang baik untuk
data pelatihan saja, tapi tidak untuk data pengujian.
Kondisi overfitting pada NN dapat diatasi dengan menggabungkan bebe-
rapa NN menjadi Neural Network Ensembles (NNE) [3]. Penelitian sebelum-
nya tentang NNE telah dilakukan oleh Zhang dan Berardi [15] dan Yu et al.
[13]. Zhang dan Berardi [15] mempartisi data pelatihan dengan partisi sistematis
menjadi beberapa subsampel. Masing-masing subsampel dilatih kemudian diga-
bungkannya dengan metode simple average. Sedangkan Yu et al. [13] melakukan
penggabungan dengan metode backpropagation. Dalam hal ini peneliti mengkaji
ulang dan menjabarkan prosedur pembentukan NNE metode simple average dan
backpropagation. Penerapan dilakukan pada nilai tukar Dollar terhadap Rupi-
ah periode 5 Januari 2009 sampai 31 Mei 2012 serta menyusun algoritma dan
program partisi data secara sistematis.
2
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
1.2 Perumusan Masalah
Berdasarkan latar belakang, dapat disusun perumusan masalah yaitu ba-
gaimana prosedur pembentukan NNE dan penerapannya dalam peramalan nilai
tukar mata uang.
1.3 Batasan Masalah
Batasan masalah pada penelitian ini diberikan untuk membatasi ruang
lingkup pembahasan masalah yaitu jumlah neuron pada lapisan input adalah
i = 2, . . . , 5, dan jumlah neuron pada lapisan tersembunyi adalah j = 1, . . . , 5.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk menjelaskan dan menjabarkan prosedur
pembentukan NNE dan penerapannya dalam peramalan nilai tukar mata uang.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah prosedur NNE dapat digunakan untuk
peramalan data time series dan dapat memperkaya ilmu pengetahuan terkait
NNE sebagai pengembangan dari NN.
3
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Bab II
LANDASAN TEORI
Bab ini terdiri dari tinjauan pustaka dan kerangka pemikiran. Tinjauan
pustaka berisi penelitian-penelitian yang pernah dilakukan dan digunakan seba-
gai dasar dilaksanakannya kajian ini, serta teori-teori penunjang berisi definisi-
definisi yang digunakan dalam pembahasan. Kerangka pemikiran berisi alur pe-
mikiran dalam penelitian ini.
2.1 Tinjauan Pustaka
Neural Network (NN ) adalah sistem pemrosesan informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi [2]. Jaringan tersebut saling
berhubungan antar node atau simpul dimana tiap-tiap hubungan mempunyai bo-
bot koneksi yang dilatih untuk mencapai respon yang diinginkan. Fungsi jaringan
tersebut menggambarkan ketergantungan nilai data saat ini terhadap nilai data
sebelumnya. Dengan demikian, NN merupakan metode yang dapat diaplikasikan
untuk peramalan time series. Beberapa penelitian seperti Zhang et al. [14], Mo-
raga et al. [6], Resmana [8] dan Iwan [4] telah menggunakan NN sebagai metode
peramalan time series.
Menurut Hansen dan Salamon [3] penggabungan beberapa Neural Network
(NN ) dapat mengatasi kondisi overfitting yang kadang terjadi pada NN kare-
na kesalahan pengambilan sampel. Penelitian sebelumnya tentang NNE untuk
peramalan time series telah dilakukan oleh Zhang dan Berardi [15] dan Yu et
al. [13]. Pada penelitian ini, ditekankan terkait prosedur NNE lebih detail dan
penerapannya untuk peramalan nilai tukar Dollar terhadap Rupiah. Berikut ini
diberikan definisi dan teori yang mendukung pencapaian penelitian.
4
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2.1.1 Neural Network
Neural Network(NN ) diperkenalkan pertama kali pada tahun 1943 oleh
neurophysiologist Waren McCulloch dan logician Walter Pits. McCulloch dan
Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebu-
ah sistem jaringan akan meningkatkan kemampuan komputasinya. Bobot dalam
jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi
logika sederhana.
Menurut Fausett [2], NN dibentuk sebagai perluasan dari jaringan syaraf
biologi. Struktur jaringan pada Gambar 2.1 adalah bentuk standart dasar satuan
neuron jaringan otak manusia yang telah disederhanakan. Fungsi dendrit adalah
menyampaikan sinyal dari neuron ke neuron yang terhubung dengannya. Sebagai
output setiap neuron memiliki akson, sedangkan bagian penerima sinyal disebut
sinapsis.
Celah Sinapsis
Celah Sinapsis
Dendrit
Akson dari lainneuron Dendrit dari lainneuron
Akson
Soma
Gambar 2.1. Struktur dasar NN [2]
Seperti manusia, NN belajar dari suatu contoh karena mempunyai karakte-
ristik yang adaptif, yaitu dapat belajar dari data-data sebelumnya dan mengenal
pola data yang selalu berubah. Hal yang ingin dicapai dengan melatih NN adalah
keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud
kemampuan memorisasi adalah kemampuan NN untuk mengambil kembali seca-
ra sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah
kemampuan NN untuk menghasilkan respons yang bisa diterima terhadap pola-
pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya
telah dipelajari. Hal ini sangat bermanfaat jika dimasukkan data baru yang be-
lum pernah dipelajari, maka NN itu masih tetap dapat memberikan tanggapan
5
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Tabel 2.1. Keanalogan NN terhadap jaringan syaraf biologis [7]
Neural network Jaringan syaraf biologi
neuron soma
input dendrit
output akson
bobot sinapsis
yang baik, memberikan output yang paling mendekati [7]. Tabel 2.1. menunjuk-
kan keanalogan NN terhadap jaringan syaraf biologis.
Input
neuron-neuron
dari
bobot
Fungsi aktivasi
output
bobotoutput keneuron-neuron
Gambar 2.2. Struktur neuron pada NN [7]
Struktur neuron NN diperlihatkan pada Gambar 2.2. Satu sel syaraf terdiri
dari tiga bagian, yaitu fungsi penjumlah, fungsi aktivasi, dan output. Input akan
dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu
fungsi yang akan menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlah-
an kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu
melalui fungsi aktivasi setiap neuron. Selanjutnya neuron tersebut akan mengi-
rimkan output melalui bobot-bobot output ke semua neuron yang berhubungan
dengannya.
2.1.2 Backpropagation
Backpropagation merupakan model NN dengan banyak lapisan. Backpro-
pagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan
jaringan mengenali pola yang digunakan selama pelatihan serta kemampuan ja-
ringan dalam memberikan respon yang benar terhadap pola input yang serupa
6
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
(namun tidak identik) dengan pola yang dipakai selama pelatihan.
Secara umum, Suhartono [11] menyatakan bahwa persamaan NN untuk
peramalan time series dengan algoritma pelatihan backpropagation dengan sa-
tu lapisan tersembunyi untuk perhitungan peramalan yt (output) menggunakan
input observasi masa lalu yt−1, yt−2, ..., yt−i ditulis dalam bentuk
yt = ψo(w0 +
p∑
j=1
wjψhj (v0j +
n∑
i=1
vijyti))
dengan
yti : variabel input pada waktu ke-t(i = 1, 2, . . . , n),
vij : bobot yang menghubungkan neuron input ke-i (i = 1, 2, . . . , n)
ke neuron ke-j (j = 1, 2, . . . , p) pada lapisan tersembunyi,
v0j : bias antara lapisan input ke neuron ke-j (j = 1, 2, . . . , p) pada la-
pisan tersembunyi,
ψhj : fungsi aktivasi di neuron ke-j (j = 1, 2, . . . , p) pada lapisan ter-
sembunyi,
wj : bobot yang menghubungkan neuron lapisan tersembunyi ke-j
(j = 1, 2, . . . , p) ke neuron pada lapisan output,
w0 : bias antara lapisan tersembunyi ke neuron pada lapisan output,
ψo : fungsi aktivasi di neuron ke-k pada lapisan output.
Beberapa notasi yang digunakan untuk memperjelas penjabaran proses al-
goritma backpropagation. Nilai-nilai penjumlahan dari hasil perkalian input dan
bobot-bobot yang menuju neuron ke-j (j = 1, 2, . . . , p) pada lapisan tersembunyi
dinyatakan dengan z netj dengan
z netj = v0j +
n∑
i=1
ytivij.
Output dari neuron ke-j (j = 1, 2, . . . , p) pada lapisan tersembunyi dinotasikan
dengan
zj = ψoj (z netj).
7
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Penjumlahan dari hasil perkalian output dari neuron ke-j (j = 1, 2, . . . , p) lapisan
tersembunyi zj (j = 1, 2, . . . , p) dan bobot lapisan tersembunyi ke lapisan output
wj dinotasikan dengan
y net = w0 +
p∑
j=1
zjwj .
Oleh karena itu, output pada waktu ke-t adalah yt dapat ditulis sebagai berikut.
yt = ψo(y net) = ψo(x1, x2, . . . , xn).
Bobot-bobot yang digunakan pada backpropagation diestimasi dari data de-
ngan meminimumkan jumlah kuadrat sesatan pada data pelatihan
E =1
2
m∑
t=1
(yt − yt)2.
Backpropagation merupakan algoritma untuk mendapatkan bobot-bobot pada
setiap lapisan yang dinotasikan dengan vij dan wj dengan cara meminimumkan
nilai dari kuadrat sesatan.
2.1.2.1 Arsitektur Backpropagation
Di dalam jaringan backpropagation, setiap neuron yang berada di lapisan
input terhubung dengan setiap neuron yang ada di lapisan tersembunyi. Hal
serupa berlaku pula pada lapisan tersembunyi. Setiap neuron yang ada di lapisan
tersembunyi terhubung dengan setiap neuron yang ada di lapisan output.
Gambar 2.3. menunjukkan arsitektur backpropagation dengan n buah in-
put (ditambah satu bias), satu lapisan tersembunyi yang terdiri dari p neuron
(ditambah satu bias), serta satu neuron output. vij merupakan bobot garis dari
neuron input ke neuron lapisan tersembunyi zj (vj0 merupakan bobot garis yang
menghubungkan bias di neuron input ke neuron lapisan tersembunyi zj). wkj
merupakan bobot dari neuron lapisan tersembunyi zj ke neuron output y (w0
merupakan bobot dari bias di lapisan tersembunyi ke neuron output zk).
2.1.2.2 Fungsi Aktivasi Backpropagation
Pada setiap lapisan NN terdapat fungsi aktivasi. Fungsi ini adalah fungsi
yang digunakan untuk membawa input menuju output yang diinginkan. Fungsi
8
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
yti
yt1
ytn
vij
vj0
z1
z2
zj
zp
wj
w0
Gambar 2.3. Arsitektur backpropagation
aktivasi inilah yang akan menentukan besarnya bobot. Dalam backpropagation,
fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu kontinu, terdi-
ferensial dengan mudah dan merupakan fungsi yang tidak turun. Fungsi aktivasi
yang memenuhi ketiga syarat tersebut sehingga sering digunakan dalam backpro-
pagation dan digunakan pada penelitian ini adalah fungsi linier (purelin), sigmoid
biner (logsig).
1. Fungsi linear (purelin). Fungsi linear atau purelin memiliki nilai input yang
sama dengan nilai output. Fungsi diperlihatkan pada Gambar 2.4.
-2 -1 1 2 x
-2
-1
1
2Ψx
Gambar 2.4. Fungsi linear (purelin)
Algoritma dari fungsi ini adalah
ψx = x.
9
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2. Fungsi sigmoid biner (logsig). Fungsi sigmoid biner atau logsig adalah fung-
si aktivasi yang membawa input ke output dengan perhitungan log-sigmoid.
Nilai output memiliki range 0 sampai 1. Fungsi sigmoid biner diperlihatkan
pada Gambar 2.5.
-4 -2 2 4 x
0.2
0.4
0.6
0.8
1.0Ψx
Gambar 2.5. Fungsi sigmoid biner (logsig)
Algoritma dari fungsi ini adalah
ψx =1
(1 + ex).
2.1.2.3 Algoritma Levenberg-Marquadt(LM)
Algoritma Levenberg-Marquadt(LM) merupakan pengembangan algoritma
pelatihan backpropagation standar. Pada algoritma Levenberg-Marquadt(LM),
proses update bobot dan bias menggunakan pendekatan matriks Hessian.
Langkah dasar algoritma Levenberg-Marquardt adalah penentuan matriks
Hessian untuk mencari bobot-bobot dan bias koneksi yang digunakan. matriks
Hessian merupakan turunan kedua dari fungsi kinerja terhadap masing-masing
komponen bobot dan bias. Untuk memudahkan proses komputasi, matriks Hes-
sian diubah dengan pendekatan secara iteratif pada masing-masing epoch selama
algoritma pelatihan berjalan. Proses perubahannya dilakukan dengan menggu-
nakan fungsi gradien. Jika fungsi kinerja yang digunakan berbentuk jumlah ku-
adrat eror, maka matriks Hessian dapat diestimasi dengan persamaan berikut.
H = JTJ + ηI
dengan
10
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
η : parameter Levenberg-Marquardt,
I : matriks identitas,
J : matriks Jacobian yang terdiri dari turunan pertama eror
jaringan terhadap masing-masing komponen bobot dan bias.
Matriks Jacobian dapat dikomputasikan melalui teknik backpropagation stan-
dar. matriks Jacobian tersusun dari turunan pertama fungsi eror terhadap masing-
masing komponen bobot dan bias koneksi jaringan. Nilai parameter Levenberg-
Marquardt (η) dapat berubah pada setiap epoch. Jika setelah berjalan satu epoch
nilai fungsi eror menjadi lebih kecil, nilai η akan dibagi oleh faktor τ . Faktor
τ merupakan pengendali laju eror. Bobot dan bias baru yang diperoleh akan
dipertahankan dan pelatihan dapat dilanjutkan ke epoch berikutnya. Sebaliknya,
jika setelah berjalan satu epoch nilai fungsi eror menjadi lebih besar maka nilai η
akan dikalikan dengan faktor τ . Nilai perubahan bobot dan bias dihitung kembali
sehingga menghasilkan nilai yang baru.
2.1.3 Prosedur Neural Network untuk Peramalan Time
Series
Neural Network(NN) dapat diaplikasikan dengan baik untuk peramalan
(forecasting). Langkah-langkah membangun struktur jaringan untuk peramalan
dinyatakan sebagai.
1. Pembagian data
Aspek pembagian data harus ditekankan agar jaringan mendapat data pe-
latihan yang secukupnya dan data pengujian dapat menguji prestasi pela-
tihan yang dilakukan. Jumlah data yang kurang untuk proses pelatihan
akan menyebabkan jaringan tidak dapat mempelajari sebaran data dengan
baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan
melambatkan proses pemusatan (konvergensi). Data pelatihan yang berle-
bihan akan menyebabkan jaringan cenderung untuk menghafal data yang
11
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
dimasukkan.
2. Transformasi data
Sebelum dilakukan pelatihan pada jaringan yang akan digunakan untuk
peramalan terlebih dahulu dilakukan transformasi data. Sebab utama data
ditransformasikan adalah agar kestabilan sebaran data dicapai. Selain itu
berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang
digunakan dalam jaringan [10].
Berikut adalah rumus transformasi datanya
y′i =[ yi − ymin
ymaks − ymin
(a− b)]+b
dengan
ymin : nilai minimum dari seluruh data,
ymaks : nilai maksimal dari seluruh data,
a : nilai tertinggi interval,
b : nilai terendah interval.
3. Perancangan struktur jaringan yang optimum
Struktur jaringan ditentukan berdasarkan jumlah neuron input, jumlah la-
pisan tersembunyi, jumlah neuron lapisan tersembunyi dan jumlah neuron
lapisan output yang akan digunakan dalam jaringan. Belum ada aturan
yang pasti untuk menentukan jumlah lapisan tersembunyi dan jumlah neu-
ron input dalam setiap lapisan. Dalam beberapa penelitian, untuk menen-
tukan jumlah lapisan tersembunyi dan jumlah neuron input dalam setiap
lapisan dengan trial dan error (mencoba-coba), yaitu menguji beberapa
jaringan yang berbeda-beda dan memilih jaringan tersebut yang memiliki
nilai eror terkecil.
4. Memilih dan menggunakan struktur jaringan yang optimum
Jaringan yang dibangun akan dinilai keakuratan ramalannya. Aturan pe-
nilaian yang digunakan yaitu Mean Square Error (MSE). Nilai MSE di-
gunakan karena mengenal secara pasti signifikasi hubungan di antara data
12
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ramalan dengan data aktual melalui persentase dari data aktual serta indi-
kator positif atau negatif pada eror diabaikan
MSE =1
n
n∑
i=1
e2i =1
n
m∑
t=1
(yt − yt)2
Berdasarkan nilai MSE yang terendah dari proses pelatihan diperoleh ja-
ringan yang optimum. Keakuratan ramalan jaringan dilihat dari nilai MSE
dari proses pengujian.
2.2 Kerangka Pemikiran
Nilai tukar mata uang suatu negara merupakan salah satu indikator penting
dalam suatu perekonomian. Data nilai tukar mata uang merupakan jenis data
time series yang dapat dimodelkan dengan menggunakan NN. Moraga et al. [6]
menyebutkan bahwa algoritma pembelajaran NN dapat menyelesaikan permasa-
lahan model time series nonlinear. Akan tetapi, kesalahan dalam pengambilan
sampel pada NN dapat menyebabkan kondisi overfitting, yaitu kondisi dimana
jaringan hanya mampu menghasilkan output yang baik untuk data pelatihan saja,
tapi tidak untuk data pengujian.
Menurut Hansen dan Salamon [3] penggabungan beberapa NN menjadi
Neural Network Ensemble (NNE) merupakan cara yang efektif untuk mengatasi
masalah overfitting. Hal ini menjadi alasan model NNE dapat digunakan untuk
meramalkan nilai tukar mata uang. Penelitian sebelumnya tentang NNE untuk
peramalan nilai tukar mata uang telah dilakukan oleh Zhang dan Berardi [15]
dan Yu et al [13]. Dalam hal ini penulis akan mengkaji ulang dan menjabarkan
lebih detail mengenai prosedur pembentukan NNE serta menerapkannya dalam
peramalan nilai tukar mata uang Rupiah terhadap Dolar tanggal 5 Januari 2009
sampai 31 Mei 2012.
13
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Bab III
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah studi literatur yaitu
dengan mempelajari referensi yang berupa buku dan jurnal yang bersesuaian de-
ngan tujuan penelitian. Dalam penelitian ini algoritma pembelajaran yang digu-
nakan adalah algoritma backpropagation tipe Levenberg-Marquardt(LM). Jumlah
neuron pada lapisan input adalah i = 2, . . . , 5, dan jumlah neuron pada lapisan
tersembunyi adalah j = 1, . . . , 5. Adapun langkah operasional yang diperlukan
dalam penelitian adalah
1. mengkaji ulang beberapa jurnal terkait NN dan NNE,
2. membuat algoritma dan program partisi data sistematis,
3. penerapan prosedur NNE pada data nilai tukar Dollar terhadap Rupiah
periode 5 Januari 2009 sampai 31 Mei 2012,
(a) pembentukan NN tunggal yang terdiri dari
i. pembagian data menjadi data pelatihan dan data pengujian,
ii. partisi data pelatihan menjadi subsampel dengan partisi sistema-
tis,
iii. transformasi data dengan interval [0.1,0.9],
iv. pelatihan masing-masing subsampel dengan algoritma pembela-
jaran backpropagation tipe Levenberg-Marquardt(LM).
(b) pembentukan NNE yang terdiri dari
i. penggabungan hasil pelatihan dari masing-masing subsampel de-
ngan metode simple average dan metode backpropagation,
ii. menguji hasil pelatihan dengan data pengujian,
14
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
iii. memilih dan menggunakan struktur jaringan berdasarkan nilai
Mean Square Error (MSE),
iv. melakukan peramalan dengan menggunakan struktur jaringan ter-
baik.
4. membuat kesimpulan.
15
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Bab IV
PEMBAHASAN
4.1 Neural Network Ensembles
Paradigma pembelajaran Neural Network Ensembles(NNE ) pertama kali
dikenalkan oleh Hansen dan Salamon(1990) dimana NNE merupakan pengga-
bungan dari beberapa NN. Proses pembentukan NNE adalah dengan membagi
data pelatihan menjadi beberapa subsampel berdasarkan n-input. Penggabung-
an NN menjadi NNE dapat menggunakan metode simple average dan metode
backpropagation. Dalam penelitian ini jumlah neuron pada lapisan input dibatasi
dengan i = 2, . . . , 5, dan jumlah neuron pada lapisan tersembunyi j = 1, . . . , 5.
Sebagai langkah awal untuk menentukan NNE, arsitektur jaringan terlebih da-
hulu ditentukan sesuai dengan batasan penelitian tersebut.
Gambar 4.1. Prosedur NNE
Pada Gambar 4.1. dijelaskan prosedur NNE dengan penjabaran sebagai
berikut.
16
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
1. Pembagian data
Seluruh data yang ada merupakan data pemodelan yang nantinya akan di-
gunakan untuk meramalkan. Sebagaimana telah disebutkan pada tinjauan
pustaka, data dibagi menjadi data pelatihan dan data pengujian. Kompo-
sisi data pelatihan dan data pengujian yang biasa digunakan [14]
• 90% data pelatihan dan 10% data pengujian,
• 80% data pelatihan dan 20% data pengujian,
• 70% data pelatihan dan 30% data pengujian,
• 60% data pelatihan dan 40% data pengujian.
2. Partisi data pelatihan
Pada penelitian ini akan digunakan partisi sistematis untuk membagi data
pelatihan. Skema partisi sistematis bergantung pada lag-lag input yang
digunakan dalam jaringan, data pelatihan dipartisi menjadi beberapa sub-
sampel. Untuk struktur jaringan lag ke-n, kelompok data pelatihan dibagi
menjadi sebanyak n yang ukurannya sama. Dalam skema ini, partisi data
ke-n dengan nilai target tersendiri dan vektor-vektor input dibuat dari data
asli yang telah ditetapkan. Masing-masing partisi data terdiri dari lag-n,
secara sistematis vektor-vektor input dipilih dari semua lag-n vektor-vektor
input dari kelompok data pelatihan. Misal sebagai gambaran dari partisi 3
lag NNE dapat dilihat pada Tabel 4.1.
Tabel 4.1. Ilustrasi dari sampling data sistematis dengan vektor input 3 lag
subsampel 1 subsampel 2 subsampel 3
Kasus Input Target Input Target Input Target
1 y1,1 = (y1, y2, y3) y1,1 = y4 y1,2 = (y2, y3, y4) y1,2 = y5 y1,3 = (y3, y4, y5) y1,3 = y6
2 y2,1 = (y4, y5, y6) y2,1 = y7 y2,2 = (y5, y6, y7) y2,2 = y8 y2,3 = (y6, y7, y8) y2,2 = y9...
......
......
......
t3
y t
3,1 = (yt5, yt4, yt3) y t
3,1 = yt2 y t
3,2 = (yt4, yt3, yt2) y t
3,2 = yt1 y t
3,3 = (yt3, yt2, yt1) y t
3,2 = yt
17
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Adapun program partisi data pelatihan menjadi 3 subsampel adalah sebagai
berikut.
%============ input data pelatihan ============
%identifikasi matrik subsampel y1
y sub1 = [ ];
by = 3;
for i = 1 : (ndata p/3)− 1;
j = 3 ∗ (i− 1);
y1 = data p(j + 1 : j + by, 1);
y sub1 = [y sub1, y1];
end
%identifikasi matrik subsampel y2
y sub2 = [ ];
for i = 1 : (ndata p/3)− 1;
j = 3 ∗ (i− 1);
y2 = data p(j + 2 : j + 1 + by, 1);
y sub2 = [y sub2, y2];
end
%identifikasi matrik subsampel y3
y sub3 = [ ];
for i = 1 : (ndata p/3)− 1;
j = 3 ∗ (i− 1);
y3 = data p(j + 3 : j + 2 + by, 1);
y sub3 = [y sub3, y3];
end
%============ target data pelatihan ============
y = [ ];
for i = 1 : (ndata p/3)− 1;
j = 3 + 3 ∗ (i− 1);
yt = data p(j + 1 : j + by, 1);
y = [y, yt];
end
%======= penggabungan matriks input dan target =======
%——–subsampel1——–
sub1 = [y sub1 y(:, 1)];
%——–subsampel2——–
sub2 = [y sub2 y(:, 2)];
%——–subsampel3——–
sub3 = [y sub3 y(:, 3)];
18
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
3. Transformasi data
Pada penelitian ini digunakan fungsi aktivasi sigmoid biner pada lapisan
tersembunyi yang memiliki range (0:1), sehingga data harus ditransforma-
sikan terlebih dulu ke dalam range ini. Untuk mencegah nilai berada di
asimtot biner maka data ditransformasikan pada range [0,1:0,9], sehingga
diperoleh
y′i =[ yi − ymin
ymaks − ymin
(a− b)]+b
=[ yi − ymin
ymaks − ymin
(0.9− 0.1)]+0.1
=[ yi − ymin
ymaks − ymin
(0.8)]+0.1
dengan
ymin : nilai minimum dari seluruh data,
ymaks : nilai maksimal dari seluruh data,
a : nilai tertinggi interval,
b : nilai terendah interval.
4. Pelatihan data dengan algoritma backpropagation
Masing-masing data input yang telah dipartisi sistematis dilatih dengan
algoritma backpropagation satu lapisan tersembunyi. Fungsi aktivasi yang
digunakan adalah sigmoid biner diantara lapisan input dan lapisan tersem-
bunyi dan fungsi aktivasi linear diantara lapisan tersembunyi dan lapisan
output. Langkah-langkah pelatihan NN dengan algoritma backpropagation
tipe Levenberg-Marquard dinyatakan sebagai.
Langkah 0 :
• Inisialisasi bobot awal dengan bilangan acak.
• Inisialisasi epoch 0, MSE 6= 0
• Tetapkan maksimum epoch, parameter Levenberg-Marquard (η >
0), faktor τ = 1 dan target eror
Langkah 1 Jika kondisi penghentian belum terpenuhi (epoch <maksimum
epoch atau MSE > target eror), dilakukan langkah 2.
19
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Langkah 2 :
• epoch = epoch + 1.
• Untuk setiap pasangan data pelatihan, dilakukan langkah 3.
Langkah 3 Output y menerima target pola yang berhubungan dengan po-
la input pelatihan. Jika diberikan n pasangan input data pelatihan
(yr, tr), r = 1, 2, ..., N , dengan yr adalah input dan tr target yang ak-
an dicapai. Kesalahan pada suatu data pelatihan ke-r didefinisikan
sebagai
er = tr − yr
dengan
er : kesalahan pada neuron output,
tr : target yang diinginkan,
yr : output jaringan.
Vektor kesalahan berukuran Nx1 disimbolkan dengan e yang tersusun
dari er, i = 1, 2, ..., N . Sehingga e dapat dituliskan e = [e1 e2 e3 . . .
eN ]T .
Misal bobot dan bias koneksi dinyatakan dalam vektor w, w merupa-
kan vektor berukuran ((2+n)p+1)x1 dengan n adalah jumlah neuron
input dan p adalah jumlah neuron tersembunyi. Sehingga w dapat
dituliskan w = [wj b2 vij b1j ]T .
Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi
w pada suatu data pelatihan ke-i menjadi
er = (tr − yr)
= (tr − f(yr, w)).
Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w)
berukuran Nx1 yang tersusun dari er(w), dengan r = 1, 2, . . . , N .
Menghitung fungsi jumlah kuadrat eror dengan persamaan
E(w) =1
2eT (w)e(w).
20
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Menghitung matriks Jacobian untuk vektor bobot dan bias koneksi
J(w) =[∂er∂w
]Nx((2+n)p+1
untuk r = 1, 2, . . . , N .
(a) Menghitung matriks Hessian untuk vektor bobot dan bias koneksi
H(w) = [JT (w)J(w) + ηI]((2+n)p+1)x((2+n)p+1).
(b) Menghitung perubahan vektor bobot dan bias dengan persamaan
berikut.
∆w = −[[H(w)]−1JT (w)e(w)]((2+n)p+1)x1.
(c) Menghitung vektor bobot dan bias baru
w(baru) = w(lama) + ∆w.
(d) Menghitung kesalahan yang terjadi oleh bobot dan bias koneksi
yang baru
E(w(baru)) =1
2e(w(baru))Te(w(baru)).
(e) Membandingkan E(w) dengan E(w(baru)).
• Jika E(w) ≤ E(w(baru)) maka didapatkan ηbaru = η ∗ τ dan
kembali ke langkah (a)
• Jika E(w)¿E(w(baru)) maka didapatkan ηbaru = η
τ
Sehingga w(t+ 1) = w(t) + ∆w.
Kembali ke Langkah 2.
5. Penggabungan hasil pelatihan
Setelah dilakukan pelatihan dari masing-masing subsampel, selanjutnya di-
lakukan penggabungan NN tunggal masing-masing subsampel dengan me-
tode simple average dan backpropagation.
21
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
(a) Metode simple average
Setelah bobot pada tahap pelatihan masing-masing subsampel dida-
pat, maka nilai pembobot tersebut digunakan untuk mengolah keselu-
ruhan data pelatihan untuk menghasilkan output yang sesuai. Output
dari keseluruhan data pelatihan digabungkan dengan metode simple
average dengan
yt =
∑n
i=1yti
n
dengan
yt : output prediktor NNE,
yti : output jaringan NN,
n : banyak jaringan NN.
(b) Metode backpropagation
Hasil dari pelatihan NN tunggal masing-masing subsampel yaitu yti
digunakan sebagai input kemudian dilakukan penggabungan dengan
backpropagation sehingga diperoleh persamaan peramalan NNE de-
ngan metode backpropagation yaitu
yt(x) = ψo′
k
(w′
0k +
p∑
j=1
w′jkψh′
j (v′0j +
n∑
i=1
v′ij yti))
dengan
yti : variabel input (i = 1, 2, . . . , n),
v′ij : bobot yang menghubungkan neuron input ke-i
(i = 1, 2, . . . , n) ke neuron ke-j (j = 1, 2, . . . , p) pada
lapisan tersembunyi,
v′0j : bias antara lapisan input ke neuron ke-j (j = 1, 2, . . . , p)
pada lapisan tersembunyi,
ψh′
j : fungsi aktivasi di neuron ke-j (j = 1, 2, . . . , p) pada lapisan
tersembunyi,
22
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
w′j : bobot yang menghubungkan neuron lapisan tersembunyi ke-j
(j = 1, 2, . . . , p) ke neuron pada lapisan output,
w′0
: bias antara lapisan tersembunyi ke neuron pada lapisan output,
ψo′
k : fungsi aktivasi di neuron pada lapisan output.
6. Pengujian jaringan
Jaringan yang telah dilatih diuji dengan data pengujian. Pengujian data
digunakan untuk menguji apakah NNE dapat bekerja dengan baik yai-
tu dengan memprediksi pola data yang dilatih dengan tingkat kesalahan
yang kecil. Pengujian NNE untuk metode simple average dilakukan de-
ngan mengolah data pengujian dengan bobot terbaik pada tahap pelatihan
masing-masing subsampel. Kemudian menghitung output sebanyak n sub-
sampel dengan metode simple average. Sedangkan pengujian NNE untuk
metode backpropagation, setelah bobot yang terbaik pada tahap pelatihan
didapat, maka nilai pembobot tersebut digunakan untuk mengolah data
masukan untuk menghasilkan output yang sesuai.
7. Memilih dan menggunakan struktur jaringan yang optimum
Jaringan yang dibangun akan dinilai keakuratan ramalannya. Aturan peni-
laian yang digunakan adalah berdasarkan nilai Mean Square Error (MSE).
Nilai MSE adalah
MSE =1
n
n∑
i=1
e2i =1
n
m∑
t=1
(yt − yt)2.
Berdasarkan nilai MSE yang terendah dari proses pelatihan diperoleh ja-
ringan yang optimum. Keakuratan ramalan jaringan dilihat dari nilai MSE
dari proses pengujian.
4.2 Penerapan
Pada penelitian ini, prosedur NNE akan diterapkan dalam peramalan data
nilai tukar mata uang. Data nilai tukar mata uang yang digunakan adalah data
sekunder nilai tukar mata uang Dollar terhadap Rupiah pada tanggal 5 Januari
23
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2009 sampai dengan 31 Mei 2012 yang bersumber dari situs www.bi.go.id dan
terlampir pada Lampiran 1.
Pada umumnya data nilai tukar mata uang memiliki pola fluktuatif. Hal
tersebut dapat dilihat berdasarkan plot time series pada Gambar 4.2.nila
i tu
kar
Dolla
r te
rhadap R
upia
h
Gambar 4.2. Plot time series data nilai tukar mata uang Dollar terhadap Rupiah
pada 5 Januari 2009 sampai dengan 31 Mei 2012
Sesuai prosedur NNE, langkah awal data dibagi menjadi data pelatihan
dan data pengujian untuk seluruh kemungkinan arsitektur yang ada. Keseluruh-
an data berjumlah 840 data. Pembagian data dalam penelitian ini adalah 60%
data pelatihan dan 40% data pengujian. Jadi jumlah data pelatihan dan data
pengujian adalah 504 dan 336.
Langkah selanjutnya, mempartisi data pelatihan sebanyak n-input sehingga
menjadi n-subsampel. Masing-masing subsampel ditransformasikan dengan range
[0,1:0,9].
Data dari masing-masing subsampel dilatih dengan algoritma pelatihan bac-
kpropagation Levenberg-Marquadt. Pada pelatihan data subsampel target eror
yang diharapkan sebesar 0,0001 dan maksimum epoch sebanyak 1000. Dari hasil
pelatihan akan didapat bobot terbaik dan output hasil pelatihan dari masing-
masing subsampel.
Setelah dilakukan pelatihan NN masing-masing subsampel selanjutnya di-
lakukan penggabungan NN dengan metode simple average dan backpropagation.
24
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pelatihan hingga pengujian dilakukan dengan jumlah neuron pada lapisan in-
put adalah i = 2, . . . , 5, dan jumlah neuron pada lapisan tersembunyi adalah
j = 1, . . . , 5 yang terlampir pada Lampiran 2.
Hasil pelatihan dan pengujian didapatkan arsitektur jaringan terbaik de-
ngan MSE terkecil dari pengujian pada metode simple average adalah 3-2-1,
sedangkan dengan metode backpropagation adalah 2-2-1. Selanjutnya dilaku-
kan pengecekan hubungan linieritas antara data uji sebagai target dengan nilai
peramalannya ditampilkan pada Gambar 4.3. Terihat bahwa hasil peramalan dan
data uji berbanding lurus atau linier yang berarti peramalan mendekati data as-
li. Untuk mengetahui besarnya pengaruh variabel independen terhadap variabel
dependen secara simultan atau bersama-sama dihitung R2. Dari masing-masing
metode yaitu simple average dan backpropagation didapatkan R2 sebesar 97, 8%
dan 97, 4%.
0.90.80.70.60.50.40.30.20.10.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.90.80.70.60.50.40.30.20.10.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
data uji data uji
pe
ram
ala
n
pe
ram
ala
n
Gambar 4.3. Hubungan linearitas pada metode simple average(kiri) dan metode
backpropagation(kanan)
Grafik peramalan in-sample dan out-sample untuk nilai tukar Dollar terha-
dap Rupiah ditampilkan pada Gambar 4.4 dan Gambar 4.5. Peramalan in-sample
merupakan peramalan dengan menggunakan keseluruhan data pelatihan dan pe-
ngujian sedang peramalan out-sample merupakan peramalan untuk data baru ya-
itu data pada periode 1 Juni sampai 31 Agustus 2012 [12]. Nilai MSE peramalan
in-sample dan out-sample dengan metode simple average sebesar 1, 24685x10−4
dan 1,722x10−2. Nilai MSE peramalan in-sample dan out-sample dengan metode
backpropagation sebesar 1, 49075x10−4 dan 1,750x10−2 .
25
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
26
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Bab V
PENUTUP
5.1 Kesimpulan
Penggabungan NN dapat dilakukan dengan menggunakan metode simple
average dan backpropagation. Prosedur pembentukan NNE dinyatakan sebagai
1. pembentukan NN tunggal yang terdiri dari
(a) pembagian data menjadi data pelatihan dan data pengujian,
(b) partisi data pelatihan menjadi subsampel dengan partisi sistematis,
(c) transformasi data,
(d) pelatihan masing-masing subsampel dengan algoritma pembelajaran
backpropagation tipe Levenberg-Marquardt(LM).
2. pembentukan NNE yang terdiri dari
(a) penggabungan hasil pelatihan dari masing-masing subsampel dengan
metode simple average dan metode backpropagation,
(b) menguji hasil pelatihan dengan data pengujian,
(c) memilih dan menggunakan struktur jaringan berdasarkan nilai Mean
Square Error (MSE),
(d) melakukan peramalan dengan menggunakan struktur jaringan terbaik.
Penerapan NNE pada data nilai tukar Dollar terhadap Rupiah menghasil-
kan nilai MSE yang cukup kecil dan memiliki hubungan yang linier antara target
dan hasil peramalan. Kedua metode juga memberikan hasil peramalan mendekati
data asli, sehingga NNE dapat digunakan untuk peramalan nilai tukar mata uang.
27
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
5.2 Saran
Pada penelitian ini, hanya diteliti tentang Neural Network Ensembles(NNE)
dengan metode pelatihan backpropagation. Oleh karena itu, bagi pembaca yang
tertarik untuk mengembangkan skripsi ini, disarankan untuk meneliti Neural Ne-
twork Ensembles(NNE) dengan metode Radial Basis Function(RBF).
28