TUGAS MARTIKULASI
TELEMATIKA
Oleh :
Muhammad Alfi
Mahyuarsony(1411601881)
PROGRAM
STUDI MAGISTER ILMU KOMPUTER (MKOM)
FAKULTAS
PASCASARJANA
UNIVERSITAS
BUDI LUHUR
2015
Tugas Kelompok JURNAL Ulasan Makalah
Kelompok :
1.
Budiman
2.
Joko Susilo
3.
Sopian
4.
Warsudi
5.
Alfi
6.
Anam
7.
Surya
Judul Makalah : Optimasi Data
Latih Menggunakan Algoritma Genetika untuk Peramalan Harga Emas Berbasis
Generalized Regression Neural Network.
Penulis : Gita Indah Marthasari
(Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Malang)
dan Arif Djunaidy (Jurusan Sistem Informasi, Fakultas Teknologi
Informasi, Institut Teknologi Sepuluh Nopemnber).
Jurnal : Jurnal SISFO, Institut
Teknologi Sepuluh Nopember. Volume
5, Nomor 1, Maret 2014, hlm. 62-69 (diunduh dari http://si.its.ac.id/data/sisfo_data/ pada tanggal 2 Februari 2015).
1.
Rumusan Permasalahan
Selain menggunakan metode tradisional (misal metode
ARIMA atau metode Theta), Jaringan Saraf Tiruan banyak digunakan untuk
melakukan peramalan. Berbagai model
Jaringan Saraf Tiruan dikembangkan untuk melakukan peramalan itu, model Radial
Basis Function Neural Network (RBFNN), Generalized Regression (GRNN). Terkait
dengan peramalan harga emas, beberapa penelitian menyimpulkan pendekatan
Jaringan Saraf Tiruan dapat mengurangi resiko pada transaksi emas dan dapat
menjadi alternatif pengganti model ARIMA.
Namun penggunaan RBFNN (jamak maupun tunggal) masih memiliki akurasi
yang kurang dibandingkan dengan model ARIMA. Penelitian Theodosiou menggunakan
GRNN dikombinasikan dengan mrtode Theta untuk peramalan runut waktu. Sebelum
diramalkan, data runut waktu didekomposisi (dipecah, diklasifikasikan) terlebih
dahulu menggunakan STL (Seasonal Trend Decomposition based on Loes) untuk
memisahkan data tren dan data musiman (seasonal). Problem yang dihadapi dalam
penggunaan GRNN untuk peramalan adalah ukuran GRNN akan bertambah seiring
dengan bertambahnya data latih. Permasalahan yang ingin dipecahkan dalam
penelitian ini adalah melakukan proses seleksi data latih terhadap GRNN,
sehingga menghasilkan strutur jaringan yang lebih efisien dan peramalan harga
emas yang lebih akurat. Dalam proses seleksi data latih ini GRNN akan
diintegrasikan dengan algoritma genetika.
2.
Teori yang digunakan
Generalized Regression Neural Network (GRNN) adalah
jaringan saraf tiruan yang didasarkan pada teori regresi non-linear. GRNN
merupakan jaringan saraf tiruan yang digunakan untuk melakukan peramalan
(forecasting). Topologi GRNN terdiri dari empat lapir, lapis masukan, lapis
basis radial (atau lapis pattern), lapis penggabungan dan lapir keluaran.
Algoritma Genetika merupakan teknik pencarian nilai
optimum secara stokastik berdasarkan prinsip dasar teori evolusi. Algoritma genetika melakukan proses
pencarian nilai optimum pada beberapa titik secara bersamaan (dalam satu
generasi). Iterasi selanjutnya dilakukan dengan pendekatan generasi ke generasi
yang mengalamai evolusi dengan jumlah anggota/kromosom setiap generasi
dipertahankan tetap. Algoritma genetika menggunakan hukum transisi
probabilistic untuk memilih solusi (kromosom) yang terus dipertahankan hidup
sesuai dengan ketentuan yang diinginkan (fitness function).
3.
Pemecahan Masalah
Dalam penelitian di atas, GRNN dikombinasikan dengan STL
dan GA (Genetic Algorithm). Tahap-tahapannya adalah sbb:
1. Tahap
1. Data harga emas harian dalam bentuk data runut waktu didekomposisi
menggunakan metode STL. Hasil dekomposisi adalah komponen data siklus-tren,
komponen data musiman dan komponen data residual (irregular).
2. Tahap
2. Meramalkan ketiga komponen hasil dekomposisi. Komponen data musiman dan
residual diprediksi menggunakan GRNN yang dikombinasikan dengan algoritma
genetika (GA), sedang data tren diprediksi menggunakan metode theta (karena
GRNN tidak sesuai untuk data tren). Langkah-langkah yang dilakukan :
-
Penyiapan data latih
-
Pengkodean kromosom
-
Evaluasi populasi
-
Seleksi, rekombinasi dan mutasi
3. Tahap
3. Hasil peramalan ketiga komponen digabungkan dengan algoritma JST
Propagasi Balik untuk memperolah nilai ramalan.
4.
Hasil dan Kesimpulan
Data emas yang digunakan sejumlah 2609, diambil dari 1
Januari 2003 s.d. 31 Desember 2012, nilai dalam dollar AS. Data 7 tahun awal
digunakan sebagai data latih, data 3 tahun terakhir digunakan sebagai data uji.
Hasil penelitian, tingkat peramalan menggunakan metode STL-GRNN-GA-Theta
(metode theta digunakan untuk data tren) menghasilkan tingkat akurasi yang
lebih baik disbanding dengan metode STL-GRNN-Theta dan ARIMA. Kombinasi dengan
GA juga berhasil memperkecil ukuran jaringan sebesar 50% dari ukuran semula.
5.
Batasan
Penelitian dibatasi pada modifikasi metode peramalan
berbasis STL-GRNN-Theta menjadi STL-GRNN-Theta berbasis algoritma genetika (STL-GRNN-GA-Theta).
Penelitian tidak membandingkan topologi jaringan saraf tiruan lain yang dapat
digunakan untuk melakukan proses peramalan, penelitian juga masih mengakomodasi
metode peramalan tradisional (Theta) karena keterbatasan kemampuan GRNN yang hanya
dapat digunakan untuk melakukan peramalan terkait data musiman dan residual.
6.
Tantangan
GA (Genetics Algoithm) yang digunakan untuk memilih data
latih masih membutuhkan waktu lama dalam pengaturan parameter. Model jaringan
saraf tiruan juga harus selalu dilatih setiap tahun untuk meramalkan data satu
tahun ke depan. Perlu diimplementasikan proses belajar berkelanjutan bagi model
ini. Penelitian juga terbatas dalam proses menggunakan potongan-potongan
program yang terpisah, belum terintegrasi dalam satu user interface. Penyediaan
user-interface yang terintegrasi akan memudahkan penerapan berbagai skenario
peramalan.
