Sistem Prediksi Harga Nilai Tukar Mata Uang Menggunakan Elman Recurrent Neural Network dengan Algoritma Genetika sebagai Metode Pembelajaran

Abstract

Soft computing belakangan ini marak dipergunakan untuk membantu manusia seperti pada bidang peramalan, klasifikasi, clustering dan bidang lain. Pada bidang peramalan forex dapat dilakukan dengan memanfaatkan Jaringan Syaraf Tiruan (JST) seperti Elman Recurrent Neural network (ERNN). JST memerlukan proses training yang memakan waktu lama untuk memberikan peramalan yang akurat. Berdasarkan paparan tersebut, penelitian ini berusaha memberikan alternatif solusi training agar waktu yang diperlukan semakin kecil tanpa mengurangi akurasi. Sehingga dapat melakukan Trading atau analisa pasar dengan lebih tepat.

ERNN dipilih karena proses pembelajaran yang cepat dan cocok untuk data time series dimana ERNN memiliki contex layer yang mengingat nilai t-1 sehingga mempercepat proses pembelajaran. Alternatif pembelajaran diusulkan dengan menggunakan Algoritma Genetika (Algen) karena kemampuan generalisasi Algen mampu melakukan pencarian pada ruang pencarian yang luas.

Penelitian ini menghasilkan Algoritma Genetika sebagai alternatif metode pembelajaran JST memberikan nilai error yang kecil dengan hasil prediksi yang lebih akurat dibandingkan BPTT. Selain itu dari sisi kecepatan pembelajaran, Algen mampu lebih cepat dibandingkan BPTT karena Algen memerlukan generasi yang sedikit walaupun tiap generasinya memerlukan waktu yang panjang. Namun kedua algoritma tidak dapat mencapai target error yang ditentukan yang berefek pada Dstat dari kedua algoritma belum mampu mencapai 60% sehingga belum dapat diterapkan pada industri.