aplikasi wavelet recurrent neural network...
TRANSCRIPT
1
APLIKASI WAVELET RECURRENT NEURAL
NETWORK UNTUK PREDIKSI DATA
TIME SERIES
Nama : Agus Sumarno
NRP : 1206 100 706
Jurusan : Matematika
Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
Abstrak
Model time series adalah salah satu teknik peramalan yang
digunakan untuk memprediksi data yang akan datang dengan menggunakan data historis, artinya bahwa apa yang terjadi di
masa mendatang merupakan fungsi dari apa yang terjadi pada
masa lalu. Pemilihan metode yang tepat dalam memprediksi data sehingga didapat suatu hasil ramalan yang akurat merupakan
masalah utama dalam peramalan. Salah satu metode peramalan
yang baik untuk prediksi data time series adalah dengan
menggunakan Artificial Neural Network (ANN), khususnya Recurrent Neural Network (RNN). Keunggulan RNN mempunyai
layer recurrent/loop feedback sehingga RNN lebih bagus
daripada feedforward statis khususnya dalam menyelesaikan masalah yang berhubungan dengan data time series.
Wavelet merupakan fungsi yang dapat mendekomposisi dan merekonstruksi data. Konsep ini digunakan untuk
memprediksi data time series. Peran dari wavelet pada prediksi
data time series yaitu untuk mendekomposisi data sebelum
diinputkan pada ANN, setelah proses ANN data direkonstruksi untuk mendapatkan hasil prediksi/peramalan.
2
Pada tugas akhir ini dibahas bagaimana Wavelet Recurrent
Neural Network (WRNN) digunakan untuk prediksi data time
series. Ada empat wavelet yang digunakan yatiu wavelet Haar,
db2, db3 dan db4. Untuk mengetahui hasil yang mendekati nilai sebenarnya diukur dengan menggunakan MSE, semakin kecil
nilai MSE berarti data semakin mendekati nilai sebenarnya. Dari
hasil uji coba perangkat lunak, model terbaik pada WRNN menggunakan wavelet db3 dengan arsitektur 2-3-1, nilai learning
rate = 0.02 dan nilai alpha = 0.3.
Kata Kunci: Real time recurrent learning, Recurrent Neural
Network, Time series, Wavelet
3
1. Pendahuluan
Peramalan merupakan suatu
proses untuk memprediksi kejadian ataupun perubahan di masa yang
akan datang. Dengan mendeteksi
pola dan kecenderungan data time series, dan memformulasikannya
dalam suatu model, maka dapat
digunakan untuk memprediksi data
yang akan datang. Model dengan akurasi yang tinggi menyebabkan
nilai prediksi cukup valid untuk
digunakan sebagai pendukung dalam proses pengambilan
keputusan.
Salah satu metode peramalan
yang berkembang saat ini adalah menggunakan Artificial Neural
Network (ANN) khususnya
Multilayer Perceptron dengan algoritma training Backpropagation
(Budi utomo, 2007), tetapi jaringan
yang lebih baik adalah Recurrent Neural Network (RNN), karena
RNN mempunyai loop feedback
sehingga bagus untuk pencocokan
data terurut. Recurrent Neural Network
membutuhkan penghubung dan
memori yang lebih besar dari pada jenis lainnya, sehingga perlu adanya
modifikasi atau menggabungkan
RNN dengan metode lainnya sesuai dengan masalah yang dihadapi,
antara lain penggabungan RNN
dengan EA dan PSO (Cai, dkk,
2004). Dalam analisis time series, analisis wavelet dan analisis fourier
adalah metode yang sangat berguna,
namun penelitian dengan
menggabungkan antara analisis fourier dan jaringan syaraf tiruan
untuk prediksi data time series telah
dilakukan (Mahmudah, 2006). Keunggulan dari analisis
wavelet adalah mampu
menganalisis data menjadi
komponen yang memiliki frekuensi berbeda melalui translasi
(pergeseran) dan dilasi (penskalaan)
dengan cara mendekomposisikan data, kemudian dianalisis sesuai
dengan skala resolusi atau level
dekomposisinya. Wavelet neural
network telah banyak digunakan untuk meramalkan harga minyak
(Youse, dkk, 2005), indeks saham
(Aussem and Murtagh, 1998 ) dan yang lainya, tetapi tidak banyak
aplikasi wavelet neural network
untuk peramalan data time series. Oleh karena itu, pada tugas akhir ini
analisis wavelet dan Recurrent
Neural Network digunakan untuk
prediksi data time series dengan Real-time recurrent learning
sebagai algoritma trainingnya yang
kemudian disebut Wavelet Recurrent Neural Network
(WRNN).
2. Tinjauan Pustaka
2.1 Time Series
Time Series adalah himpunan
nilai-nilai hasil pengamatan )(tX
4
yang diamati berdasar periode
waktu dan disusun untuk melihat
pengaruh perubahan dalam rentang waktu tertentu. Sedangkan data time
series merupakan data yang
dikumpulkan, dicatat atau diobservasi secara berurutan.
Ada 2 hal pokok yang perlu
diperhatikan dalam proses
menentukan data prediksi yang akurat dan bermanfaat.
1. Pengumpulan data yang
relevan berupa informasi agar dapat menghasilkan
prediksi yang akurat.
2. Pemilihan teknik prediksi
yang tepat dengan memanfaatkan informasi data
yang diperoleh seoptimal
mungkin. Hal lain yang perlu diperhatikan
pada prediksi data adalah bentuk
data, apakah data tersebut sudah stasioner atau tidak. Suatu data
time series disebut stasioner jika
distribusi bersama dari sejumlah n
observasi )( 1tX ,
)( 2tX ,.. )( ntX adalah sama dengan
distribusi bersama
dari )( 1 ktX , )( 2 ktX ,.... )( kntX ,
dimana n sebarang bilangan bulat
positif, variabel lag ( k ) adalah
perbedaan antara dua titik waktu,
yaitu 12 tt (Kuncoro,2001).
Pada tugas akhir ini untuk menghitung error dengan
menggunakan Nilai tengah
kesalahan kuadrat / mean squared
error (MSE) dengan cara sebagai berikut :
MSE = nen
i
i /1
2
2.2 Wavelet
2.2.1 Analisis Mulitresolusi
Sebelum dibahas mengenai
analisis multiresolusi dan fungsi wavelet terlebih dahulu dibahas
tentang fungsi skala.
Definisi 2.1
Fungsi skala dinyatakan dengan
)()( kttk k Z ,2L (2.1)
Dalam analisis wavelet terdapat dua
fungsi utama yang berperan yaitu
fungsi skala dan fungsi wavelet
. Pasangan fungsi ini yang
digunakan untuk mendekomposisi atau merekonstruksi data.
Definisi 2.2
Analisis multiresolusi dari 2L
adalah suatu barisan bersarang dari
sub ruang tertutup jV , yaitu
............... 21012 VVVVV
sedemikian hingga memenuhi :
1. 1jj VV
2. )(2 RLV j
3. jV = { 0 }
5
4. Fungsi )(tf jV
)2( tf 1jV , Zj
5. Fungsi )(tf 0V
)( ktf 0V , Zk
6. { )( kt , k Z }
membentuk basis
ortonormal untuk 0V .
2.2.2 Fungsi Wavelet
Dalam analisis multiresolusi
,1jj VV Zj
Misalkan jW adalah komplemen
ortogonal dari jV dalam 1jV , itu
berarti bahwa semua anggota jV
ortogonal kesemua anggota jW ,
dinotasikan
1jV = jV jW , Zj (2.2)
Maka (2.2) memenuhi
dttttt jljkjljk )()()(),(
= 0
untuk Zlkj ,, dan lk
dengan adalah notasi fungsi
wavelet.
Berdasarkan (2.2) didapatkan
001 WVV ............ (2.3)
Karena dalam analisis multiresolusi
,1jj VV maka (2.3) dapat
diperluas menjadi
1002 WWVV . (2.4)
Sehingga secara umum dapat
dinyatakan
1
0
0 jj
JJ
j
j VWWV (2.5)
dan 2LW j
J
j ............ (2.6)
dengan 0V adalah ruang awal yang
direntang oleh translasi – translasi
fungsi skala Zkkt ),( .
Fungsi wavelet didefinisikan
sebagai :
1)2()( Vktdtk
k
dengan k
k
k cd 1)1( ............ (2.7)
Secara umum fungsi wavelet
didefinisikan sebagai berikut :
Zkjktt jj
kj ,),2(2)( 2/
, (2.8)
Untuk 1,0k maka persamaan
(2.7) didapat wavelet Haar :
)12()2()( ttt (2.9)
2.2.3 Dekomposisi dan Rekonstruksi
Dekomposisi
Untuk mencari dekomposisi dari fungsi skala
j
jj
kj Vktatf )2()( ,
diperlukan relasi wavelet dengan
fungsi skala. Relasi tersebut
dinyatakan dengan :
2/))()(()2( ttt (2.10)
2/))()(()12( ttt (2.11)
6
Dengan mengganti t dengan tj 12
pada persamaan (2.10) dan (2.11)
didapat relasi :
2/))2()2(()2( 11 ttt jjj (2.12)
2/))2()2(()12( 11 ttt jjj (2.13)
Berlaku untuk semua Rt .
Teorema 2.1 Dekomposisi Haar
Misalkan
j
jj
kj Vktatf )2()(
maka jf dapat didekomposisi
sebagai 11 jjj fwf diamana:
Zk
jj
kj ktbw )2( 11
1
1jW
Zk
jj
kj ktaf )2( 11
1
1jV
dengan 2
1221
j
k
j
kj
k
aab , dan
j
k
j
k
j
k aaa 122
1
Rekonstruksi
Dari hasil dekomposisi untuk
mendapatkan fungsi semula
dilakukan rekonstruksi dengan menggunakan Teorema 2.2 dibawah
ini.
Teorema 2.2
Misalkan
jjjj Wwwwwff ,1210 ......
dengan )(0 tf = Zk
k Vkta 0)( ,
)(' tw j = j
j
Zk
j
k Wktb )2( ''
untuk
jj '0 maka )(tf j =
Zk
j
jj
k Vkta )2(
dimana 'j
la secara berurutan
menyatakan : 2',1' jj dan
seterusnya sampai dengan jj ' ,
secara algoritma dapat dituliskan
sebagai :
2
la = ''
''
j
k
j
k
j
k
j
k
ba
ba
jika
jika
,
,
12
2
kl
kl
ganjil
genap
2.3 Artificial Neural Network
(ANN) Artificial Neural Network
(ANN) atau yang sering kita kenal
dengan Jaringan Syaraf Tiruan (JST) pada dasarnya mengambil ide
dari cara kerja jaringan syaraf
biologis. Salah satu pengambilan
ide dari jaringan syaraf biologis adalah adanya elemen – elemen
pemrosesan pada jaringan syaraf
7
tiruan yang saling terhubung dan
beroperasi secara paralel.
Seperti jaringan syaraf manusia, JST juga terdiri dari
neuron dan keterhubungan diantara
neuron-neuron. Pada JST istilah untuk menggantikan hubungan
tersebut adalah bobot. Informasi
berupa sinyal/data disimulasikan
sebagai harga yang spesifik pada bobot. Dengan cara mengubah-ubah
harga bobot artinya kita juga
mengubah-mengubah struktur hubungan antar neuron. Pada
Gambar 2.1 ditunjukkan struktur
dasar dari jaringan syaraf tiruan (
JST ) satu neuron yang menganalogikan sel syaraf biologis
dengan asumsi sebagai berikut :
1. cell body dinyatakan dengan node
2. Axon dinyatakan dengan path
3. Dendrit merupakan input 4. Axon yang menuju cell body
yang lain sebagai output.
Gambar 2.1 Analogi sel biologis
dengan satu neuron tiruan
Model dari jaringan syaraf tiruan
pada umumnya terdiri dari :
1. Masukan )( nx yang
berfungsi sebagai penerima sinyal.
2. Bobot koneksi )( jw untuk
menyimpan informasi.
3. Bias )( 0w yang berfungsi
mengatur daerah nilai
ambang.
4. Elemen pemroses ( J ) dan
fungsi aktifasi )( 1F untuk
memroses informasi.
5. Keluaran )( 1y sebagai
keluaran yang akan
menyampaikan hasil pemrosesan informasi ke sel
berikutnya.
Sistem JST disusun dengan menggunakan model matematis dari
jaringan biologi manusia.
Persamaan matematika satu neuron pada Gambar 2.1 adalah sebagai
berikut : n
i
ijij xwxwxS1
00)(
))(()( xsfxy jj
2.3.1 Fungsi aktifasi
Fungsi aktifasi menentukan
bagaimana suatu neuron
menanggapi sinyal-sinyal masukan, sehingga terjadi aktivitas satu
neuron. Jika aktivitas neuron kuat,
8
maka neuron akan menghasilkan
sinyal keluaran yang dapat
dihubungkan ke neuron lain. Beberapa jenis fungsi aktifasi
yang sering digunakan untuk
mengaktifkan neuron diantaranya adalah sebagai berikut:
1. Fungsi sigmoid biner
xexf
1
1)(
2. Fungsi sigmoid bipolar
x
x
e
exf
1
1)(
2.3.2 Recurrent Neural Network
(RNN) RNN adalah jaringan yang
mengakomodasi output jaringan
untuk menjadi input pada jaringan itu lagi dalam rangka menghasilkan
output jaringan berikutnya.
Karakteristik RNN dari jenis
jaringan lainnya adalah adanya loop feedback yang memungkinkan
untuk menggunakan informasi dari
pola sebelumnya bersama dengan input saat ini sehingga dapat
menangani serangkaian data terurut.
Oleh karena itu RNN sering
digunakan untuk prediksi time series. Salah satu contoh arsitektur
dari Recurrent Neural Network
dapat dilihat pada gambar 2.2 yang terdiri dari 3 layer dengan
komposisi sebagai berikut yaitu:
1. Layer input terdiri dari n
neuron
2. Layer hidden terdiri dari m
neuron
3. Layer output terdiri dari k
neuron
dan loop feedback terjadi pada
neuron hidden yaitu dari neuron
hidden j ke neuron hidden j dan
dari neuron output ke neuron hidden
Gambar 2.2 Recurrent Neural
network
2.3.3 Real Time Recurrent
Learning Algoritma RTRL (Real Time
Recurrent Learning) secara
detailnya adalah sebagai berikut :
Langkah 0 : Inisialisasi bobot dari neuron
input i ke neuron hidden j
( ijw ), bobot dari neuron hidden
j ke neuron output k ( jkv ),
9
bobot recurrent yaitu dari bobot
dari neuron hidden j ke
neuron hiden j ( ju ), output
neuron hidden j ( jy ) dan
parameter yang digunakan yaitu
learning rate ( ) dan
momentum atau alpha( ).
Serta setting
0ijjjk wuv
Langkah 1 :
Mengulangi langkah 2 hingga
langkah 7 sampai kondisi akhir
iterasi dipenuhi. Langkah 2 :
Melakukan langkah 3 hingga 8
untuk masing-masing pasangan data pelatihan Fase
Feedforward
Langkah 3 : Masing-masing neuron input
( ix , pi ,........3,2,1 )
menerima sinyal masukan ix
dan sinyal tersebut disebarkan
ke neuron pada layer
selanjutnya (hidden layer). Langkah 4 :
Pada langkah ini Masing-
masing neuron hidden akan menjumlahkan sinyal inputnya :
p
k
kkjjjj txwtyuts1
)()1()(
untuk Nj ...,.........3,2,1
Kemudian menghitung nilai
output neuron hiden sesuai
dengan fungsi aktifasi yang
digunakan. p
k
kkjjjjj txwtyuftsfty1
))()1(())(()(
Selanjutnya output dari hidden layer dikirim ke neuron pada
layer selanjutnya.
Langkah 5 : Jika neuron selanjutnya adalah
neuron output maka masing-
masing neuron output akan menjumlahkan bobot sinyal
masukan. Berdasarkan Fungsi
aktifasi yang digunakan
sehingga didapatkan output jaringannya adalah :
N
j
jjkk tyvtz1
)()(
untuk Mk ......3,2,1
Langkah 6 : Masing-masing neuron output
( kz , Mk ......3,2,1 ) menghitung
error jaringan yaitu
membandingkan output jaringan
dengan target yang diinginkan
)()()( tztdtE kkk
Kemudian menghitung cost
function : M
k
k tEte1
2)(2
1)(
Langkah 7 :
Mengupdate bobot :
)()()1( tvtvtv ijijij
10
)()()1( twtwtw ijijij
)()()1( tututu ijijij
Langkah 8 :
Uji kondisi pemberhentian /
stop condition, yaitu dengan cara:
1. Membatasi jumlah iterasi
yang dilakukan, yaitu
membatasi perulangan dari langkah 3 sampai dengan
langkah ke 7
2. Dengan cara membatasi error.
3. Metode Penelitian Metode penelitian pembuatan
perangkat lunak untuk memprediksi
data time series dengan WRNN dan
RNN adalah sebagai berikut: 3.1 Sumber Data
3.2 Spesifikasi Hardware dan
Software 3.3 Prediksi data time series
a. Proses pada wavelet
b. Model Prediksi c. Struktur Inputan
d. menentukan Arsitektur
Jaringan
e. Simulasi. Perbedaan metode antara RNN dan
WRNN dapat dilihat pada diagram
alir Gambar 3.1
mulai
Input
data
Dekomposisi
Jaringan Saraf
Tiruan
Rekonstruksi
Output
WRNN
Selesai
mulai
Input
data
Jaringan Saraf
Tiruan
Output
RNN
Selesai
Gambar 3.1 Perbedaan metode antara RNN dan
WRNN
4. Perancangan dan Implementasi
perangkat lunak
4.1 Desain sistem atau perancangan perangkat lunak
a. Inputan data
b. Koefisien wavelet
c. Rancangan arsitektur jaringan
d. Rancangan data input-
output JST e. Rancangan metode training
f. Rancangan metode testing
4.2 Implementasi perangkat lunak a. Implementasi form muka
b. Implementasi wavelet
c. Implementasi JST 5. Hasil Simulasi dan Perbandingan
5.1 Simulasi Pada tugas akhir ini
dilakukan beberapa uji coba untuk
mengetahui bagaimana pengaruh inisialisasi bobot awal, arsitektur
jaringan serta nilai parameter
11
sehingga dapat ditentukan arsitektur
dan nilai parameter terbaik untuk
mendapatkan hasil ramalan yang optimal. Uji coba perangkat lunak
dilakukan dengan nilai learning rate
= 0.05, alpha = 0.02, maksimal iterasi = 200, dan error minimal =
0.0001. Pada wavelet Haar yang
ditunjukkan di Tabel 5.1, arsitektur
yang menghasilkan MSE paling kecil pada RNN adalah arsitektur
yang terdiri atas 1 neuron input, 3
neuron hidden, 1 neuron output atau dituliskan dengan 1-3-1, sedangkan
pada WRNN pada arsitektur 1-1-2.
Dengan mengkombinasikan
banyaknya neuron tiap layer, terlihat bahwa arsitektur
berpengaruh terhadap hasil yang
diperoleh dari proses training. Jika neuron output lebih dari satu, MSE
yang dihasilkan cukup besar,
sehingga pada tugas akhir ini hanya dituliskan beberapa kombinasi saja.
Tabel 5.1 Wavelet haar
Pada wavelet db2 MSE paling kecil
untuk RNN pada arsitektur 1-
3-1, sedangkan untuk WRNN adalah arsitektur 1-1-1. hasil
uji coba dapat dilihat pada
Tabel 5.2.
Tabel 5.2 Wavelet db2
Pada wavelet db3 MSE paling kecil
untuk RNN pada arsitektur 1-3-1,
sedangkan untuk WRNN arsitektur 2-3-1. hasil uji coba dapat dilihat
pada Tabel 5.3.
Tabel 5.3 wavelet db3
12
Pada wavelet db4 MSE paling kecil
untuk RNN maupun WRNN pada
arsitektur 1-3-1. Hasil uji coba dapat dilihat pada Tabel 5.4.
Tabel 5.4 Wavelet db4
Secara umum dari nilai error minimal yang diberikan (0,0001)
MSE yang dihasilkan WRNN lebih
kecil dari RNN sehingga model WRNN lebih baik dari pada model
RNN kecuali pada beberapa kasus
khusus terdapat nilai MSE RNN
lebih kecil dari WRNN yaitu pada arsitektur dengan neuron output
lebih dari satu diantaranya 1-3-2, 1-
3-3, 3-3-2 dan 3-3-3 tetapi MSEnya cukup besar, jadi hasil prediksi dari
arsitektur tersebut kurang optimal.
Pada RNN arsitektur yang menghasilkan MSE paling kecil
adalah arsitektur 1-3-1, sehingga
untuk RNN arsitektur 1-3-1 yang
digunakan untuk uji coba
selanjutnya dalam menentukan nilai
parameter terbaik. Dari empat
wavelet yang digunakan pada WRNN wavelet db3 menghasilkan
MSE paling kecil dengan arsitektur
2-3-1, sehingga untuk WRNN arsitektur 2-3-1 inilah yang
digunakan untuk uji coba
selanjutnya dalam menetukan nilai
parameter terbaik. Pemilihan learning rate yang
sesuai akan dapat membantu
mendapatkan hasil ramalan yang optimal, Oleh karena itu pada tugas
akhir ini dilakukan uji coba
terhadap beberapa nilai learning
rate dan nilai alpha ( ). Nilai
learning rate yang diuji coba pada
tugas akhir ini berkisar antara 0.0001 sampai 0,9. Hasil dari uji
coba dapat dilihat pada tabel 5.5.
Tabel 5.5 Hasil uji coba RNN dan
WRNN dengan nilai nilai
Alpha ( ) = 0.02,
maximal iterasi = 200
RNN WRNN
13
Dari hasil yang diperoleh, Learning
rate yang menghasilkan MSE
paling kecil pada RNN adalah 0.3 dimana nilai MSE RNN = 1273.619
dan pada dan WRNN adalah 0.02
dimana nilai MSE WRNN = 594.3098. Dari nilai learning rate
( ), kemudian dilakukan uji coba
untuk mendapatkan nilai alpha.
Hasil dari uji coba dapat dilihat pada Tabel 5.6.
Tabel 5.6 Hasil uji coba RNN dan
WRNN dengan nilai
learning rate ( ) RNN =
0.3, WRNN = 0.02
maximal iterasi = 200.
RNN WRNN
Dari hasil diperoleh nilai MSE
terkecil untuk RNN adalah 0.9 dan untuk WRNN 0.3, sehingga pada
model RNN hasil prediksi yang
optimal didapatkan dengan
arsitektur 1-3-1, nilai learning rate = 0.3, dan nilai alpha = 0.9
sedangkan pada model WRNN hasil
prediksi yang optimal didapatkan
dengan arsitektur 2-3-1, nilai
learning rate = 0.02, dan nilai alpha
= 0.3. Gambar 5.1 menunjukkan
plot grafik validasi hasil training
antara data aktual dengan data ramalan pada RNN dan WRNN
untuk 70 % data awal, sedangkan
pada Gambar 5.2 ditunjukkan plot
grafik hasil testing antara data aktual dengan data ramalan pada
RNN dan WRNN untuk 30 % data
terakhir.
Gambar 5.1 Plot grafik validasi hasil
training antara data
aktual dengan data ramalan untuk 70 % data
awal.
Gambar 5.2 Plot grafik hasil testing
antara data aktual dengan data ramalan untuk 30 % data
terakhir.
14
Dari grafik dapat dilihat bahwa data
hasil ramalan untuk WRNN lebih
berhimpitan dengan data aktual dibandingkan dengan RNN, itu
menunjukkan bahwa data hasil
ramalan WRNN lebih baik dari RNN.
5.2 Perbandingan
Pada bagian ini dibandingkan beberapa hasil MSE yang didapat
antara WRNN dan RNN. Pertama
dibandingkan dengan ketentuan arsitektur dan parameter yang sama
yaitu arsitektur 1-1-1, 1-2-1 dan 1-
3-1 untuk nilai learning rate = 0.05,
alpha = 0.02 dan toleransi error = 0.0001, sedangkan perbandingan
yang kedua dengan ketentuan
mengambil nilai terbaik dari tiap model. Hasil perbandingan MSE
antara RNN dan WRNN dapat
dilihat pada Tabel 5.7 dan Tabel 5.8
Tabel 5.7 Perbandingan MSE RNN
dengan WRNN pada
masing-masing wavelet
Tabel 5.8 Perbandingan MSE RNN
dan WRNN untuk Arsitektur dan Parameter
terbaik
Dari Tabel 5.7 terlihat bahwa pada masing-masing wavelet yang
digunakan hasil MSE Wavelet
Recurrent Neural Network (WRNN) lebih kecil dari hasil MSE Recurrent
Neural Network (RNN), selain itu
pada Tabel 5.8 juga terlihat dengan
mengambil nilai terbaik pada masing-masing model, MSE pada
WRNN juga lebih kecil dari RNN,
sehingga dapat dikatakan bahwa hasil prediksi WRNN lebih baik
daripada hasil prediksi RNN.
6. Kesimpulan
Dari hasil uji coba perangkat
lunak diperoleh kesimpulan sebagai
berikut : 1. Dengan menggunakan data
harian kurs jual dolar terhadap
rupiah dari tanggal 1 Januari 2009 sampai dengan 30
Oktober 2009, dari empat
wavelet yang menghasilkan
model terbaik pada WRNN adalah wavelet db3 dengan
arsitektur 2-3-1, nilai learning
rate = 0.02 dan alphanya = 0.3,
15
sedangkan pada RNN
arsitektur terbaik adalah 1-3-1
dengan Nilai learning rate = 0.3 dan alphanya = 0.9.
2. Dengan menggunakan model
yang terbaik dari WRNN, hasil prediksi yang didapatkan
sudah mendekati nilai
sebenarnya.
3. Dari hasil MSE terbaik pada masing-masing model, MSE
WRNN lebih kecil dari MSE
RNN, jadi model prediksi WRNN lebih baik
dibandingkan dengan model
prediksi RNN.
DAFTAR PUSTAKA
Anton, H., Rorres, C. 2004.
“Aljabar Linear Elementer
(versi aplikasi)”. Edisi kedelapan-jilid 1. Alih Bahas:
Refina Indriasari, Irzam
Harmein. Editor: Amalia Safitri.
Erlangga, Jakarta. Aussem and Murtagh,F. 1998.
”Wavelet-based feature
extraction and decomposition strategies for financial
forecasting”, Journal of
Computational Intelligence in Finance, 6:5-12.
Budi utomo, Daryono. 2007.
”Wavelet-jaringan syaraf tiruan
untuk prediksi data time series”. Matematika ITS.Surabaya.
Burrus C, Sidney, Cs. 1998. ”
Introduction to Wavelets and
Wavelet Transform A primer”. Prentice Hall International, Inc.
Houston, Texas.
Cai, X., dkk. 2004. “Time Series Prediction with RNN using a
Hibrid PSO-EA Algorithm”,
University of missouri,Rolla.
Doya, K. 2002. ”Recurrent Network : Learning Algorithms”.
Kyoto
Fathi, Jamal and Mamedov,
Fakhraddin. 2004. ”Time series
predictions using combinations
of wavelets and neural
networks”. Near East University, North Cyprus,
Turkey.
Haykin, Simon. 1994 . ”Neural Networks A Comprehensive
Foundation”. Mc Master
University Hamilton, Ontario, Canada.
Kuncoro, M. 2001. “Metode
Kuantitatif, Teori dan Aplikasi
untuk Bisnis dan Ekonomi ”, Unit penerbit dan percetakan
AMP YKPN, Yogyakarta.
Loh Hwa, Ruey. 2003. ”Time Series Forecast with Neural network”.
Department of Electrical and
Computer Engineering, University of Queensland.,
Australia.
Mahmudah,Wilda.2006. ”Fourier –
recurrent neural network jenis elman untuk prediksi data time
16
series”. Matematika ITS,
Surabaya.
Makridakis. 1999. “Metode dan Aplikasi Peramalan”.
Binarupa Aksara, Jakarta.
Wang and Ding. 2003. “ Wavelet Network Model and Its
Application to the Prediction
of Hydrology”. Department
of Hydrology and Water Resources, Hydraulic School
of Sichuan University,
Chengdu, Sichuan 610065, China.
Youse, Shahriar., W .I, and
Reinarz.D. 2005. ” Wavelet-
based prediction of oil prices ”, Chaos, Solitons and
Fractals, 25:265-275.
Yunus, Mahmud. 2005. “Pengantar Analisis Fungsional”. Jurusan
Matematika FMIPA ITS.
Surabaya.