Implementasi Metode Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Harga Emas
DOI:
https://doi.org/10.70309/ticom.v13i2.145Keywords:
Jaringan Saraf Tiruan, Prediksi Harga Emas, BackpropagationAbstract
Investasi logam mulia seperti emas telah menjadi salah satu perencanaan investasi yang cukup diminati oleh masyarakat di Indonesia. Komoditas seperti emas dapat dikatakan sebagai salah satu jenis utama yang banyak dipilih oleh para investor untuk mendapat keuntungan dalam jangka panjang. Namun bagi para investor pemula yang baru tertarik ke investasi ini akan menemui kesulitan dalam menentukan kapan saat yang tepat untuk melakukan pembelian atau menjual emas karena harganya yang cukup fluktuatif. Oleh sebab itu, tujuan dari kenapa dilakukan penelitian ini adalah dibuatnya sistem untuk bisa melakukan prediksi harga emas di masa depan sehingga dapat menjadi salah satu alat bantu untuk investor khususnya para pemula dalam mengambil keputusan untuk menjual atau membeli emas agar bisa mendapatkan keuntungan yang diinginkan. Dalam memprediksi harga emas diperlukan metode dengan akurasi yang cukup tinggi, karena itu penulis menggunakan suatu algoritma yaitu backpropagation yang merupakan salah satu metode prediksi dari jaringan saraf tiruan. Data yang digunakan dalam penelitian ini adalah kumpulan data harian naik turunnya harga emas mulai dari tanggal 2 januari 2019 sampai dengan 27 Juni 2024 dengan total 1814 data, kemudian data tersebut dibagi menjadi 2 bagian yakni data untuk pelatihan sebesar 80 persen dan data untuk pengujian sebesar 20 persen. Hasil dari beberapa variasi percobaan pada penelitian ini menunjukkan bahwa variasi yang memiliki akurasi paling baik adalah arsitektur dari JST backpropagation dengan jumlah untuk neuron input adalah 3, neuron hidden adalah 3 dan neuron output adalah 1 dengan parameter iterasi sebesar 1000, laju pembelajaran (nilai Alpha) adalah 0,3 dan Toleransi Eror adalah 0,0001 menghasilkan Mean Square Error (MSE) pada saat dilakukan proses pelatihan senilai 0,00031608, kemudian pada saat dilakukan proses pengujian memiliki nilai eror sebesar 0,587 dan tingkat akurasi sebesar 99,413%. Penelitian ini dapat dilanjutkan dengan membuat program yang bisa dioptimalisasi dengan fungsi pembelajaran lebih lanjut, contoh seperti Resilient Backpropagation, One-Step Secant, dan metode optimasi lainnya
References
N. Novyarni, E. Yuswantoro, and R. Harni, “Laba/Rugi Investasi Emas Derivatif Broker: Modal dan Biaya Transaksi.,” J. Akunt. dan Manaj., vol. 19, no. 01, pp. 49–61, 2022.
A. D. Pratama and M. S. Perdana, “Analisis Proses Pengambilan Keputusan Investor Generasi X Dan Milenial Pada Investasi Emas Berbasis Aplikasi Selama Pandemi Virus Corona,” J. Ilm. MEA, vol. 6, no. 1, pp. 1–13, 2022, [Online]. Available: https://repofeb.undip.ac.id/id/eprint/10060.
W. Satria, “Jaringan Syaraf Tiruan Backpropagation Untuk Peramalan Penjualan Produk (Studi Kasus Di Metro Electronic Dan Furniture),” Djtechno J. Teknol. Inf., vol. 1, no. 1, pp. 14–19, 2021.
J. Veri, S. Surmayanti, and G. Guslendra, “Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 503–512, Jul. 2022.
A. Michael and M. Garonga, “Prediksi Kunjungan Wisatawan Toraja Utara Menggunakan Jaringan Saraf Tiruan Backpropagation,” J. Dyn. Saint, vol. 5, no. 1, pp. 890–895, 2020.
D. R. Syaputra, M. A. Ansya, and M. H. Dwinanda, “Prediksi Harga Emas Menggunakan Algoritma Genetik Pada Platform Pegadaian,” Jurnal Riset Informatika dan Teknologi Informasi (JRITI), vol. 1, no. 2, pp. 53–56, 2023.
W. Andriani, Gunawan, and A. E. Prayoga, “Prediksi Nilai Emas Menggunakan Algoritma Regresi Linear,” Jurnal Ilmiah Informatika dan Komputer, vol. 28, no. 1, pp. 27–35, 2023.
R. Apriandi, et al, “Perancangan Aplikasi Prediksi Harga Emas, Perak, Dolar, Menggunakan Algoritma Regression Berbasis WEB,” JURSIMA (Jurnal Sist. Inf. dan Manajemen), vol. 10, no. 3, pp. 9–16, 2022.
F. Lawalata, E. Sediyono, and H. Purnomo, “Analisis Prediksi Jumlah Pasien Rawat Inap di Rumah Sakit GMIM Siloam Sonder Menggunakan Metode Triple Exponential Smoothing,” Jointer - J. Informatics Eng., vol. 2, no. 01, pp. 32–26, 2021.
D. P. Ardyansyah and U. T. Kartini, “Peramalan Beban Listrik Konsumen Jangka Pendek Menggunakan Metode Customer Baseline Load-Backpropagation Neural Network (CBL-BPNN),” Jurnal Teknik Elektro, vol. 9, no. 3, pp. 529-538, 2020.
D. Ardianto and U. T. Kartini, “Peramalan Daya Listrik Jangka Sangat Pendek Pembangkit Termal Berdasarkan Data Meteorologi Menggunakan Metode k-Nearest Neighbor-Artificial Neural …,” J. Tek. Elektro, pp. 101–109, 2019.
R. A. Nadir and R. N. Sukmana, “Sistem Prediksi Harga Emas Berdasarkan Data Time Series Menggunakan Metode Artificial Neural Network (ANN),” Digit. Transform. Technol., vol. 3, no. 2, pp. 426–437, 2023.
H. Wadi, Implementasi Jaringan Syaraf Tiruan Backpropagation menggunakan Matlab GUI: Studi Kasus Prediksi Kurs Jual Rupiah Terhadap USD. Turida Publisher, 2021.
