Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Copy of Copy of Implementasi Artificial Neural Network (ANN) Dengan Metode Backpropagation Dalam Peramalan Harga Logam Mulia Pada Emas B

No description
by

on 3 December 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Copy of Copy of Implementasi Artificial Neural Network (ANN) Dengan Metode Backpropagation Dalam Peramalan Harga Logam Mulia Pada Emas B

LATAR BELAKANG
Logam mulia pada emas batangan sedang marak dijadikan sebagai salah satu alat investasi oleh masyarakat sekarang ini. Faktor yang menyebabkannya adalah dikarenakan nilai emas yang cenderung stabil dari tahun ke tahun dan dianggap tidak terpengaruh oleh inflasi, dan sangat jarang harga emas turun, dan emas juga bisa digunakan untuk koleksi dan sebagai perhiasan
Pembatasan Masalah
1.Peramalan pergerakan harga logam mulia dilakukan untuk 2 bulan kedepan dimulai dari tanggal 22 Agustus 2010 sampai dengan 22 Oktober 2010.

2.Data yang digunakan adalah data harian pergerakan harga logam mulia pada emas batangan dari tanggal 26 Januari 2007 sampai dengan 21 Agustus 2010.

3.Hasil-hasil dari penelitian ini tidak mempertimbangkan pengaruh-pengaruh fundamental ekonomi yang terjadi.
PERUMUSAN MASALAH
STRUKTUR JARINGAN SYAFAR TIRUAN
JARINGAN SYARAF TIRUAN
Sistem pemroses informasi yang karakteristiknya menyerupai jaringan syaraf biologis manusia.
1.Bagaimana melakukan peramalan harga logam mulia pada emas batangan dengan menggunakan Backpropagation?

2.Seberapa besar tingkat keakuratan forecast atau ramalan yang dihasilkan oleh Backpropagation?
Implementasi Artificial Neural Network (ANN) Dengan Metode Backpropagation Dalam Peramalan Harga Logam Mulia Pada Emas Batangan
OLEH :
Hanifah Cahyani Utami

Pemroses informasi terjadi pada elemen sederhana (neurons)
Sinyal dikirimkan diantara neuron-neuron melalui penghubung
Penghubung antar neuron terdapat bobot yang memperkuat atau memperlemah sinyal
Setiap neuron menggunakan fungsi aktivasi untuk menentukan output
INPUT LAYER
HIDDEN LAYER
OUTPUT LAYER
ARSITEKTUR JARINGAN SYARAF TIRUAN
JARINGAN LAYAR TUNGGAL : Jaringan yang hanya memiliki satu layer
JARINGAN LAYAR JAMAK : Jaringan yang terdiri dari lebih dari satu layer
JARINGAN RECURRENT : Jaringan yang mirip dengan layer tunggal ataupun jamak akan tetapi sinyal mengalir dua arah, maju dan mundur
BACKPROPAGATION
Metode jaringan syaraf tiruan yang melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan
Mengubah bobot biasnya untuk mengurangi perbedaan antara output jaringn dan target output
Pelatihan akan terus dilakukan hingga bobot yang dicapai pada jaringan telah mencapai minimum error.
KONSEP PELATIHAN ANN BACKPROPAGATION
Belajar dari kesalahan
Memasukan secara feedforward pola-pola input
Menghitung kesalahan yang terjadi selama pelatihan
Mengatur bobot-bobot koneksi
FUNGSI AKTIVASI
Fungsi sigmoid biner tersebut didefinisikan sebagai berikut:

f(x)=1/(1+e^(-x) )

Fungsi sigmoid bipolar didefinisikan dengan rumus sebagai berikut:

f(x)=2/(1+e^(-x) )-1

Fungsi identitas:
f(x)=x
PELATIHAN BACKPROPAGATION
FORWARD PROPAGATION
Menyalurkan input ke dalam jaringan dan tiap layer akan mengeluarkan output. Output dari satu layer akan menjadi input untuk layer berikutnya
Backpropagation
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer
Perubahan Bobot
Modifikasi bobot untuk menurunkan error yang terjadi.
METODE PENGUMPULAN DATA
Data yang digunakan merupakan data sekunder harga emas batangan pada logam mulia yang diperoleh dari salah satu website yang menyediakan data harga riel emas harian di pasar emas dunia dengan satuan harga dalam dolar yaitu www.kitco.com.
Data sekunder yang digunakan yaitu data harga emas batangan periode harian dari tanggal 26 Januari 2007 sampai dengan 21 Agustus 2010 dengan jumlah data sebanyak T=1304
Model Peramalan Artificial Neural Network Backpropagation
Membuat arsitektur ANN
Arsitektur ANN ini menggunakan 2 input, 1 output, dan 2 hidden layer dengan 6 neuron pada hidden layer pertama serta 5 neuron pada hidden layer kedua .

Menentukan pola data input dan target
Dalam penelitian ini, pola penentuan data input dan data targetnya didefinisikan dengan menjadikan hari pertama disimbolkan dengan x1, data hari ke dua x2, dan target adalah t.

Menentukan iterasi atau syarat kondisi yang ingin dicapai
Syarat adalah kondisi yang ingin dicapai dalam menggunakan jaringan syaraf tiruan sebagai alat untuk memecahkan suatu masalah. Pelatihan akan berhenti jika telah mendapatkan error < target error . Jika error tidak terpenuhi maka pelatihan akan berhenti pada maksimum epoh yang dimasukkan.
Model Peramalan Artificial Neural Network Backpropagation
Menentukan bobot awal dengan suatu bilangan random
Pemilihan bobot awal yang tepat akan mempengaruhi apakah jaringan mencapai titik minimum lokal atau global, dan seberapa cepat konvergensinya. Bobot yang menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya menjadi sangat kecil. Demikian pula nilai bobot awal tidak boleh terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil juga. Nilai bobot biasanya berkisar antara -0,5 sampai dengan 0,5 atau -1 sampai 1 atau interval lainnya.
Preprosessing data/ Normalisasi Data
Sebelum data input dan target yang diimplementasikan ke dalam jaringan harus terlebih dahulu melalui preprosessing data berupa penskalaan yaitu normalisasi data. Tujuannya agar jaringan syaraf dapat mengenali data yang akan menjadi masukan bobot-bobotnya. Data input dan target dilakukan penskalaan sehingga masuk dalam range tertentu.
Penskalaan dilakukan dengan menggunakan rumus :
Skala=(Nilai yang kan diskala-nilai minimum data)/(nilai maksimumdata-milai minimum data)
Model Peramalan Artificial Neural Network Backpropagation
Membangun arsitektur ANN backpropagation
Fase I : Feedforward Backpropagation
Fase II : Backpropagation
Fase III : Weight Update

Melakukan pelatihan jaringan backpropagation. Pelatihan akan berhenti jika telah mendapatkan error lebih kecil dari nilai target error yang telah ditentukan (error < target error). Jika error tidak terpenuhi maka pelatihan akan berhenti pada maksimum epoh yang dimasukkan. Setiap arsitektur mempunyai bobot akhir yang akan digunakan untuk bobot awal tahap pengujian. Pada tahap pelatihan ini jaringan akan memperhatikan parameter pembelajaran yang digunakan. Jika pelatihan tidak benar maka harus dilakukan penentuan parameter kembali dengan data yang sama dan nilai parameter yang berbeda.
Model Peramalan Artificial Neural Network Backpropagation
Setelah melakukan pelatihan jaringan, maka dilakukan pengujian jaringan. Pengujian jaringan dilakukan untuk mendapatkan arsitektur yang tepat untuk peramalan harga emas hari berikutnya. Jika pengujian jaringannya berhasil, maka dilakukan uji jaringan hingga menemukan hasil peramalan dengan akurasi tinggi. Jika pengujian jaringan tidak berhasil dalam arti nilai akurasi dari hasil peramalan rendah, maka ditentukan kembali nilai parameter dan dilakukan kembali pelatihan jaringan. Setelah mendapatkan hasil masing-masing pelatihan kemudian dibandingkan dan diambil kesimpulan arsitektur jaringan yang mempunyai nilai MSE terkecil.
Inisialisasi Bobot dan Bias ANN

Pembangkitan bilangan random untuk menentukan bobot dan bias inisialisasi yang akan dipakai menggunakan distribusi uniform. Distribusi ini memiliki parameter khusus yaitu nilai maximum dan nilai minimum. Karena bobot dan bias awal disyaratkan adalah bobot awal yang kecil, maka nilai minimum adalah -0,5 dan nilai maximum 0,5. Jika diperlukan kita bisa melakukan dengan memberi nilai interval sendiri.
Nilai Kondisi
Nilai kondisi atau syarat adalah nilai tujuan yang ingin dicapai. Dalam jaringan syaraf tiruan, nilai tujuan adalah nilai peramalan yang memiliki nilai galat atau error yang sangat kecil dengan melakukan iterasi berbagai macam bobot yang berbeda-beda. Nilai kondisi error yang digunakan adalah≤ 0,005.
Pelatihan Artificial Neural Network (ANN) Backpropagation
Penskalaan atau Normalisasi
Menghitung Nilai Output Pada Neuron Hidden Layer
Menghitung Nilai Keluaran Pada Output
Sebelum dilakukannya pelatihan ANN maka data yang digunakan diskalakan terlebih dahulu. Skala sangat dibutuhkan dalam jaringan syaraf tiruan yang menggunakan fungsi aktivasi sigmoid biner, sigmoid bipolar, dan purelin. Hal ini dikarenakan fungsi sigmoid biner menggunakan nilai basis natural logaritma exponential. Data masukan dan data target dilakukan penskalaan sehingga masuk dalam range tertentu.
Analisis Data Pelatihan Artificial Neural Network (ANN)
Pelatihan ANN backpropagation akan berhenti jika telah mendapatkan error yang lebih kecil dari target error . Jika error tidak terpenuhi maka error akan berhenti pada maksimum iterasi atau iterasi yang dimasukkan. Banyaknya input pada input layer juga berpengaruh untuk keakuratan prediksi oleh ANN. Data input juga dipakai untuk data pelatihan guna mencari bobot yang optimal. Setiap arsitektur mempunyai bobot akhir yang dihasilkan berdasarkan bobot awal dan data input. Pada pelatihan ANN, data input dan target masing-masing mempunyai 1041 data. Iterasi yang ditentukan pada skripsi ini sebanyak 20000 kali. Pada iterasi ke 194 nilai error tujuan telah tercapai dengan nilai perubahan error terjadi setiap 20 iterasi.
Gambar Grafik Hasil Data pelatihan
LATAR BELAKANG
Peramalan terhadap harga emas sangat diperlukan bagi para investor untuk mengambil keputusan dalam berinvestasi untuk memperoleh keuntungan yang besar



Peramalan terhadap harga emas dapat dilakukan dengan menggunakan salah satu metode Artificial Neural Network yaitu Backpropagation
Hasil Analisis Data Pelatihan
Berdasarkan pada grafik data pelatihan, target dan output jaringan dianalisis dengan regresi linier pada scilab sehingga menghasilkan nilai korelasi sebesar 0,99762, dimana koefisien korelasi mendekati 1, menunjukkan hasil yang baik untuk kecocokan keluaran jaringan dengan target.
Analisis Data Pengujian Artificial Neural Network (ANN)
Setelah melewati tahap pelatihan, tahap yang dilakukan selanjutnya adalah tahap pengujian. Proses pelatihan pada metode backpropagation dilakukan untuk mendapatkan gambaran dan pembelajaran tentang data yang dimasukkan. Latihan ini berupa memasukkan nilai iterasi, error tujuan, maksimum kenaikan nilai kondisi, learning rate, dan jumlah iterasi yang akan ditunjukkan kemajuannya serta nilai momentum.
Pada proses pengujian kali ini, jaringan dilakukan untuk mendapatkan arsitektur yang tepat untuk peramalan harga emas beberapa waktu yang akan datang. Langkah-langkah yang dilakukan pada tahap pengujian ANN sama dengan halnya pada pelatihan ANN, hanya saja berbeda pada variabel input dan target. Variabel input yang dipakai adalah data yang tidak ikut dilatih. Bobot dan bias yang digunakan untuk pengujian ANN adalah bobot dan bias yang digunakan pada pelatihan ANN.
Data pengujian terdiri dari 2 input dan 1 target dimana masing-masing input dan target mempunyai 100 data
Grafik Hasil Data pengujian
Hasil Data Pengujian
Berdasarkan pada gambar grafik data pengujian, target dan output jaringan dianalisis dengan regresi linier pada scilab sehingga menghasilkan koefisien korelasi bernilai 0,93003 dan mendekati nilai 1. Nilai korelasi tersebut telah menunjukkan hasil yang baik untuk kecocokan keluaran jaringan dengan target. Dibandingkan dengan hasil pelatihan, data pengujian lebih kecil dari data pelatihan.
Tabel Hasil Peramalan Harga Logam Mulia Pada Emas Batangan
Grafik Hasil Data Peramalan Harga Emas
Hasil Peramalan Harga Emas Menggunakan Artificial Neural Network (ANN)
Arsitektur yang digunakan untuk peramalan harga emas adalah arsitektur yang digunakan pada proses pengujian. Bobot dan bias yang digunakan pada data pengujian adalah bobot dan bias pada data pelatihan.
Hasil Peramalan Harga Logam Mulia Pada Emas Batangan
KESIMPULAN
1.Hasil peramalan harga logam mulia pada emas batangan untuk dua bulan kedepan dari data histori yang digunakan yaitu dari tanggal 22 Agustus 2010 sampai dengan 22 Oktober 2010 adalah sebagai berikut
Tabel Hasil Peramalan Harga Logam Mulia Pada Emas Batangan
KESIMPULAN
Nilai Mean Square Error (MSE) pada saat pelatihan dan pengujian dengan ANN adalah 0,005 didapatkan pada iterasi ke 194, maka nilai MSE yang dihasilkan sudah memenuhi nilai kondisi yang diinginkan yaitu nilai MSE≤0,005 artinya kesalahan yang terjadi tidak terlalu besar.
Nilai korelasi pada data pelatihan bernilai 0,99762 sedangkan nilai korelasi pada data pengujian bernilai lebih kecil dari data pelatihan yaitu 0,93003. Dari masing-masing nilai korelasi data pelatihan dan data pengujian mempunyai nilai korelasi yang sangat tinggi mendekati 1. Hal tersebut menunjukkan hasil yang baik untuk kecocokan keluaran jaringan dan target.
SARAN
1.Untuk penelitian selanjutnya lebih dikembangkan lagi variasi algoritma pelatihan supaya didapatkan hasil yang optimal dengan waktu pelatihan yang lebih singkat.

2.Penentuan error , learning rate, momentum serta jumlah iterasi dikembangkan kembali untuk penelitian selanjutnya sehingga dapat menghasilkan prediksi yang lebih akurat.

3.Program peramalan selanjutnya dengan objek penelitian yang berbeda diperbaiki kembali agar dapat menghasilkan program peramalan yang secara langsung menghasilkan ramalan untuk masa yang akan datang tanpa harus memasukkan kembali data histori
THANK YOU FOR YOUR ATTENTION
WASSALAMU'ALAIKUM WR WB
^__^
Feedforward Propagation
Feedforward Propagation
Feedforward Propagation
FASE BACKPROPAGATION
FASE BACKPROPAGATION
FASE WEIGHT UPDATE
ALGORITMA PENGUJIAN NEURAL NETWORK BACKPROPAGATION
Arsitektur Backpropagation
Pada proses pelatihan data, Layer yang ditentukan dalam pelatihan terdapat 2 hidden layer dengan 1 layer output, dimana hidden layer 1 memiliki 6 neuron dan hidden layer 2 memiliki 5 neuron.
Proses penghitungan nilai output pada hidden layer 1 dan 2 diasumsikan sama dengan jumlah neuron yang berbeda. Nilai keluaran pada neuron hidden layer dihitung dengan menggunakan rumus :
Pelatihan Artificial Neural Network (ANN) Backpropagation
Pelatihan Artificial Neural Network (ANN) Backpropagation
Full transcript