implementasi jaringan syaraf tiruan multi layer

Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER
FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION
SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Pertiwi Surya Sari1) , Ina Agustina2), Ucuk Darusalam3)
1,2,3)
FTKI Program Studi Teknik Informatika Universitas Nasional
Jl. Sawo Manila, Pejaten Ps.Minggu Jakarta 12520
Email : [email protected])
Abstrak
Peramalan nilai kurs jual sangat penting dalam
kehidupan sehari – hari. Dalam penelitian ini, kami
mengajukan jaringan syaraf tiruan dengan algoritma
Backpropagation sebagai metode peramalan nilai kurs
jual SGD (Dollar Singapura) terhadap IDR (Rupiah
Indonesia). Hasil dari simulasi dapat memprediksi nilai
kurs jual di hari yang akan datang. Data kurs jual
dirubah dalam rentang 0.1 sampai 0.9. Simulasi
menggunakan neuron – neuron di layer masukan, layer
tersembunyi, layer keluaran dan target dari pelatihan
jaringan syaraf tiruan. Jadi, arsitektur yang digunakan
dalam perancangan adalah multilayer feedforward.
Dalam satu layer tersembunyi, diterapkan tiga fungsi
aktivasi (Sigmoid Biner, sigmoid bipolar, dan purelin)
dengan parameter 0.1 learning rate, 21 hidden neuron,
dan 2000 iterasi.
Selama enam bulan prediksi, simulasi
menunjukkan hasil mse terkecil diperoleh dengan
menggunakan fungsi aktivasi sigmoid bipolar. Saat
memprediksi bulan maret dengan arsitektur yang sama,
memperoleh hasil mse 1.0067e-05. Hasil tersebut sangat
mendekati batas toleransi max epoch 0.00001. Arsitektur
dikembangkan menjadi dua dan tiga layar tersembunyi
dengan fungsi aktivasi Sigmoid Bipolar. Hasil dari tiga
arsitektur tersebut mendekati target dengan perolehan
nilai MAPE terkecil adalah pada arsitektur satu layar
tersembunyi dengan nilai MAPE 13.2%. Perancangan
jaringan syaraf tiruan dibuat dengan software matlab,
kemudian diaplikasikan dalam GUI.
Kata Kunci: Jaringan syaraf tiruan, matlab, peramalan,
backpropagation
1. Pendahuluan
Transaksi valuta asing dilakukan untuk
mengurangi resiko dan juga mencari keuntungan jangka
pendek dari selisih kurs. Salah satu klasifikasi kurs adalah
kurs jual, yaitu harga saat bank menjual valuta asing.
Perubahan kurs SGD (Dollar Singapura) terhadap IDR
(Rupiah
Indonesia)
dimasa
mendatang
akan
menimbulkan resiko terhadap pelaku yang melakukan
transaksi dengan mata uang tersebut. Sehingga
pentingnya dilakukan prediksi atau peramalan nilai kurs
jual Dollar Singapura terhadap mata uang Rupiah.
Jaringan syaraf tiruan yang merupakan salah satu bagian
dari kecerdasan buatan dapat diimplementasikan untuk
peramalan dalam memprediksi kurs jual Dollar Singapura
terhadap Rupiah. Arsitektur jaringan yang dipakai adalah
jaringan syaraf dengan banyak lapisan (multi layer
network). Multi layer network terdiri dari lapisan input,
lapisan tersembunyi, dan lapisan output.
Pengambilan data diperoleh dari web Bank
Indonesia (www.bi.go.id). Pelatihan jaringan syaraf
tiruan akan menggunakan beberapa fungsi aktivasi yang
berbeda (fungsi aktivasi sigmoid biner, sigmoid bipolar,
purelin) untuk satu layer tersembunyi. Fungsi aktivasi
dengan nilai MSE terkecil dari pelatihan jaringan syaraf
tiruan, akan dijadikan fungsi aktivasi yang akan
diterapkan untuk dua dan tiga layer tersembunyi. Selisih
hasil prediksi perhari akan dianalisa selisih error dengan
data aktual menggunakan metode PE (percentage error)
dan MAPE (mean absolute percentage error).
Beberapa masalah yang terdapat dalam peramalan
dengan jaringan syaraf tiruan, yaitu:
1 Belum terdapatnya penelitian dalam memprediksi
kurs jual Dollar Singapura terhadap Rupiah.
2 Pengolahan data masukan (transformasi data sampai
penentuan pola data masukan) dalam memprediksi
nilai kurs sebaiknya dibedakan dengan pengolahan
data dalam memprediksi harga saham.
3 Penelitian terdahulu dalam memprediksi nilai tukar
uang USD ke UAD, hasil prediksi kurs per hari tidak
mendekati target dengan lr=0.5 dan epoch=8489.
4 Penelitian terdahulu dalam memprediksi harga saham,
jaringan syaraf tiruan tidak dapat memprediksi
perubahan dengan tepat jika terdapat data aktual yang
tiba – tiba naik jauh nilainya dari data sebelumnya.
5 Perlunya diterapkan perbandingan hasil MSE antara
penggunaan fungsi aktivasi yang berbeda (Sigmoid
Biner, Sigmoid Bipolar, Purelin) untuk memperoleh
arsitektur dan parameter terbaik jaringan syaraf tiruan.
6 Dalam memprediksi kurs, diperlukan perbandingan
nilai MAPE antara hasil prediksi JST penelitian
dengan JST penelitian lain (aplikasi pembanding)
untuk memperoleh keakuratan data.
3.8-25
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Tujuan dari penelitian yaitu:
1 Membangun aplikasi jaringan syaraf tiruan multi layer
feedforward dengan algoritma backpropagation yang
dapat memprediksi nilai kurs jual SGD terhadap IDR
berdasarkan pemodelan runtut waktu (time series).
2 User dapat melakukan input data masukan di input
layer dan data target dalam proses pelatihan jaringan
syaraf tiruan melalui format file excel yang telah
disediakan.
3 Jaringan
syaraf
tiruan
dengan
algoritma
backpropagation dapat memprediksi nilai kurs dengan
berbagai fungsi aktivasi (sigmoid biner, sigmoid
bipolar, sigmoid purelin) dan parameter terbaik dalam
penelitian.
4 Parameter jaringan syaraf tiruan dapat memprediksi
nilai kurs sampai MAPE terkecil 13.2% dengan
learning rate 0.1, 21 hidden neuron, dan 2000 iterasi.
Terdapat beberapa tahap pada metodologi
penelitian yang diterapkan dalam implementasi jaringan
syaraf tiruan multilayer feedforward dengan algoritma
backpropagation sebagai estimasi nilai kurs jual SGDIDR. Yaitu dari tahap identifikasi, perumusan tujuan,
perancangan, pelatihan dan pengujian aplikasi, analisa
parameter terbaik, analisa arsitektur terbaik, sampai
implementasi dan testing. Flowchart penelitian secara
umum digambarkan seperti berikut :
Pada jurnal, kurs yang diprediksi per hari tidak
mendekati target dengan lr=0.5 dan epoch=8489.
2. Pada jurnal prediksi harga saham menggunakan
jaringan syaraf tiruan (Kar, Abhishek.[2]), pelatihan
menerapkan satu, dua, tiga layar tersembunyi dengan
fungsi aktivasi unipolar sigmoid. Akurasi terbaik
berdasarkan kenaikan epoch terhadap RMS error
diperoleh dalam default 96%. Pada penelitian jurnal
tersebut, terdapat data aktual yang tiba – tiba naik
ekstrim dari data sebelumnya, dan jaringan syaraf
tiruan tidak dapat memprediksi perubahan dengan
tepat.
3. Pada jurnal prediksi harga saham menggunakan
jaringan syaraf tiruan multilayer feedforward network
dengan algoritma backpropagation (Setiawan,2008.
[3]) menghasilkan konfigurasi pelatihan parameter
terbaik dengan hidden node 50, learning rate 0.95,
batas tahun pelatihan 1998, nilai momentum 0.95 dan
toleransi MAPE 3.97%. Jika dibandingkan dengan
metode konvensional, hasil prediksi dengan jaringan
syaraf tiruan menghasilkan nilai MAPE dengan
keakuratan yang lebih baik.
Landasan Teori
Jaringan syaraf tiruan adalah sistem pemroses
informasi yang memiliki karakteristik mirip dengan
jaringan syaraf biologi. Salah satu aplikasi jaringan syaraf
tiruan adalah untuk meramalkan apa yang akan terjadi
dimasa yang akan datang berdasarkan pola kejadian yang
ada di masa yang lampau [4].
Arsitektur Jaringan Syaraf Tiruan terdiri dari [4]:
1. Jaringan Layar Tunggal (single layer network)
Dalam jaringan ini, sekumpulan input neuron
dihubungkan
langsung
dengan
sekumpulan
outputnya. Dalam beberapa model (misal perceptron),
hanya ada sebuah unit neuron output.
2. Jaringan Layar Jamak (multi layer network)
Jaringan layar jamak merupakan perluasan dari layar
tunggal. Dalam jaringan ini, selain unit input dan
output, ada unit-unit lain (sering disebut layer
tersembunyi).
3. Jaringan Reccurent
Model jaringan recurrent mirip dengan jaringan layer
tunggal ataupun ganda. Hanya saja, ada neuron ouput
yang memberikan sinyal pada unit input (sering
disebut feedback loop)
Gambar 1.Flowchart Penelitian Secara Umum
Beberapa Fungsi aktivasi yaitu [5]:
Tinjauan Pustaka
1. Pada jurnal prediksi nilai tukar uang USD ke UAD
(Maru’ao, Dini Oktaviani, 2010.[1]), penentuan data
input kurang tepat jika diolah seperti data saham. Pada
harga kurs, hanya terdapat satu nilai kurs dalam 1 hari.
Sehingga tidak terdapat harga pembukaan, penutupan,
harga tertinggi, harga terendah, dan volume seperti
harga saham.
Prediksi kurs sebaiknya hanya
dilakukan per hari, bukan perbulan dan perminggu.
1. Fungsi Linear (Identitas)
Fungsi linear memiliki nilai output yang sama dengan
nilai inputnya.
Rumus : y=x
……(1)
2. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang
dilatih
dengan
menggunakan
metode
backpropagation. Fungsi sigmoid biner memiliki nilai
pada range 0 sampai 1.
3.8-26
Seminar Nasional Teknologi Informasi dan Multimedia 2015
ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Rumus :
……(2)
dengan
……(3)
3. Fungsi Sigmoid Bipolar
Output dari fungsi ini memiliki range antara 1 sampai
-1.
Rumus :
……(4)
dengan
……(5)
2. Pembahasan
Data yang digunakan dalam peramalan adalah
nilai kurs jual SGD (Singapore Dollar) terhadap IDR
(Indonesian Rupiah). Data diperoleh dari web Bank
Indonesi (BI), yaitu www.bi.go.id. Berikut flowchart
pengumpulan data, transformasi data, sampai penentuan
pola input pada jaringan syaraf tiruan yang diterapkan
pada penelitian:
Gambar 3.Arsitektur jaringan satu layer tersembunyi
Pada gambar 3, terdapat tiga layer yaitu input
layer, first hidden layer, dan output layer. Pada input
layer, terdiri dari 20 pola data masukan. Per pola terdiri
dari 20 neuron (X1, X2, X3,…,X20). Signal dari setiap
neuron di input layer akan diteruskan ke neuron di
atasnya (first hidden layer) melalui jalur penghubung.
Tiap jalur penghubung dari neuron input ke neuron first
hidden layer memiliki bobot (w1). layar tersembunyi
pertama memiliki beberapa neuron dari Z1, Z2, …, Zn.
Banyaknya neuron pada first hidden layer sesuai dengan
parameter jaringan syaraf tiruan terbaik yang akan
diterapkan pada penelitian.
Setiap neuron di first hidden layer, akan dihitung
net dan outputnya. Output dari neuron Z1 sampai Zn akan
disimpan dalam variabel a1. Signal dari setiap neuron di
first hidden layer akan diteruskan ke output layer melalui
jalur penghubung. Tiap jalur penghubung dari neuron
fisrt hidden layer ke neuron output layer memiliki bobot
(w2). Output layer hanya memiliki satu neuron (Y1).
Pada neuron Y1 akan dihitung net dan outputnya. Output
neuron Y1 akan disimpan dalam variabel a2.
Berikut flowchart pelatihan jaringan syaraf tiruan
algoritma backpropagation dengan satu layar tersembunyi
yang diterapkan pada penelitian estimasi nilai kurs jual
SGD-IDR :
Gambar 2.Flowchart Pengumpulan sampai
transformasi data
Terdapat dua tahap dalam penelitian estimasi nilai kurs
jual SGD-IDR, yaitu tahap pelatihan jaringan syaraf
tiruan dan tahap pengujian. Pada tahap pelatihan jaringan
syaraf tiruan dengan algoritma backpropagation memiliki
tiga fase, yaitu :
1. Fase Maju
2. Fase Mundur
3. Fase Perubahan Bobot
Berikut perancangan arsitektur jaringan syaraf tiruan
dengan satu layar tersembunyi yang diterapkan pada
penelitian :
3.8-27
ISSN : 2302-3805
Seminar Nasional Teknologi Informasi dan Multimedia 2015
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Langkah kedua yaitu, melakukan simulasi dengan
lr=0.1, epoch=2000, dan perubahan nh dari 1 nh sampai
25 nh. Berikut hasil simulasi dengan perubahan neuron
hidden :
Tabel 2. Simulasi dengan perubahan neuron hidden
NH
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Gambar 6.Flowchart pelatihan jaringan syaraf tiruan
dengan arsitektur satu layer tersembunyi
Parameter yang diterapkan untuk sistem jaringan
syaraf tiruan pada penelitian ini adalah jumlah hidden
neuron, learning rate, dan epoch. . Perubahan epoch dirandom mulai dari 100 sampai 2000 iterasi. Berikut hasil
simulasi dengan perubahan epoch :
Tabel 1. Simulasi dengan perubahan epoch
NH
1
1
1
1
1
1
1
1
1
1
1
LR
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
Epoch
100
300
500
700
900
1000
1300
1500
1700
1900
2000
MSE
2.25E-04
2.21E-04
1.36E-04
1.53E-04
1.79E-04
1.78E-04
7.01E-05
1.18E-04
9.54E-05
1.74E-04
6.87E-05
LR
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
Epoch
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
MSE
6.87E-05
9.91E-05
7.78E-05
3.34E-05
3.55E-05
4.46E-05
3.64E-05
4.22E-05
4.24E-05
4.28E-05
2.52E-05
3.26E-05
2.49E-05
2.73E-05
2.68E-05
2.70E-05
2.14E-05
1.75E-05
1.79E-05
1.65E-05
1.64E-05
1.72E-05
1.86E-05
1.67E-05
1.75E-05
Dari tabel diatas, terlihat bahwa dengan
bertambahnya jumlah hidden neuron dan jumlah hidden
neuron yang lebih besar dibanding neuron input akan
memperkecil nilai MSE. Hal ini berarti makin mendekati
batas nilai mse yang telah didefinisikan, walaupun tingkat
keakuratan mse dapat naik dan turun. Mse=0.000016404
dengan hidden neuron=21 pada tabel diatas merupakan
mse yang paling mendekati batas mse yang ditentukan
(0.00001), dengan tingkat selisih mse yaitu 6.40E-06.
Sehingga dapat disimpulkan bahwa parameter terbaik
yang akan diterapkan pada penelitian ini adalah Nh=21,
Lr=0.7, dan Epoch=2000.
Berikut merupakan penerapan dari parameter
jaringan syaraf tiruan (Nh=21, Lr=0.7, dan Epoch=2000)
di bulan Maret dengan menggunakan fungsi aktivasi
sigmoid bipolar pada pelatihan :
Pada penelitian, penulis menerapkan maximum
MSE (mean square error) yaitu 0.00001. MSE atau
kesalahan kuadrat rerata merupakan selisih dari output
dan target setiap pola, kemudian dikuadratkan. Hasil
kuadrat setiap pola dijumlah dan dibagi dengan
banyaknya pola disetiap iterasi. Dari tabel diatas, dengan
nh=1, lr=0.1 dan epoch=2000 menghasilkan mse=
0.000068728. Mse tersebut merupakan mse yang paling
mendekati 0.00001.
3.8-28
Gambar 7. Pelatihan jaringan syaraf tiruan dengan
arsitektur satu layer tersembunyi
ISSN : 2302-3805
Seminar Nasional Teknologi Informasi dan Multimedia 2015
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
Dari gambar diatas, hasil pelatihan jaringan syaraf tiruan
sangat mendekati target yang terlihat dari grafik dan MSE
1.0067e-05 yang mendekati batas toleransi Max MSE
0.00001. User dapat memperoleh hasil prediksi dengan
klik tombol Result. Berikut tabel hasil prediksi jaringan
syaraf tiruan pada bulan Maret :
bulan diantaranya menghasilkan nilai MSE terkecil pada
fungsi aktivasi Sigmoid Bipolar.
Gambar 9. Resume MSE Semua Fungsi Aktivasi
Data
Pelatihan dengan Fungsi aktivasi Sigmoid Bipolar
diterapkan pada dua dan tiga layer tersembunyi. Berikut
hasil MAPE dengan tiga arsitektur jaringan syaraf tiruan:
Gambar 10. MAPE dengan Sigmoid Bipolar
Gambar 8. Tabel Prediksi Jaringan Syaraf Tiruan
Bulan Maret
Jika digambarkan dalam bentuk grafik, berikut
pebandingan prediksi JST dengan data aktual kurs Jual
SGD-IDR bulan Maret 2014:
Dari satu, dua, dan tiga layer tersembunyi dengan fungsi
aktivasi sigmoid bipolar, menghasilkan selisih nilai
MAPE yang tidak jauh berbeda disetiap bulannya. Dan
bulan Maret dengan arsitekture 1 layer tersembunyi
menghasilkan nilai MAPE terkecil yaitu 13.1950%.
3. Kesimpulan
Gambar 9. Grafik Prediksi Jaringan Syaraf Tiruan
Bulan Maret 2014
Pada bulan Maret, diperoleh selisih error dengan MAPE
sebesar 13.195%.
Penelitian dilakukan dengan
menggunakan beberapa fungsi aktivasi yang berbeda, dan
dari enam bulan data yang dilakukan pelatihan, empat
Hasil dari penelitian berupa prediksi kurs jual
dollar Singapura terhadap Rupiah di hari yang akan
datang. Arsitektur yang digunakan dalam perancangan
adalah multilayer feedforward. Pada arsitektur satu layer
tersembunyi diterapkan tiga fungsi aktivasi yang berbeda
(sigmoid biner, sigmoid bipolar, dan purelin) dengan lr
0.1, 21 hidden neuron, dan 2000 epoch. Dari enam bulan
yang diprediksi, empat bulan diantaranya memperoleh
MSE terkecil dengan fungsi aktivasi sigmoid Bipolar.
Bulan Maret dengan MSE 1.0067e-05 sangat mendekati
batas toleransi max epoch 0.00001. Arsitektur
dikembangkan menjadi dua dan tiga layar tersembunyi
dengan fungsi aktivasi Sigmoid Bipolar. Hasil dari tiga
arsitektur tersebut mendekati target dengan perolehan
3.8-29
Seminar Nasional Teknologi Informasi dan Multimedia 2015
STMIK AMIKOM Yogyakarta, 6-8 Februari 2015
nilai MAPE terkecil adalah pada arsitektur satu layar
tersembunyi dengan nilai MAPE 13.2%.
Daftar Pustaka
[1] Maru’ao, Dini Oktaviani. 2010. Neural Network Implementation in
Foreign Exchange Kurs Prediction.
[2] Kar, Abhishek. Stock Prediction using Artificial Neural Network.
Dept of Computer Science and Engineering, IIT Kanpur.
[3] Setiawan.2008. Prediksi Harga Saham Menggunakan Jaringan
Syaraf Tiruan Multilayer Feedforward Network dengan Algoritma
Backpropagation. Konferensi Nasional Sistem dan Informatika,
Bali (KNS&108-020).
[4] Siang, JJ. 2004. Jaringan Syaraf Tiruan & Pemrogramanannya
Menggunakan Matlab. Yogyakarta : Andi
[5] Kusumadewi, Sri, 2004. Membangun Jaringan Syaraf Tiruan
Menggunakan Matlab & Excel Link.Yogyakarta : Graha Ilmu
Biodata Penulis
Pertiwi Surya Sari, mahasiswa Fakultas Teknik
Komputer dan Informatika, Program Studi Teknik
Informatika, Universitas Nasional, Angkatan 2013.
Ina Agustina, dosen Fakultas Teknik Komputer dan
Informatika, Program Studi Teknik Informatika,
Universitas Nasional.
Ucuk Darusalam, dosen Fakultas Teknik Komputer dan
Informatika, Program Studi Teknik Informatika,
Universitas Nasional.
3.8-30
ISSN : 2302-3805