Matrik: Jurnal Manajemen.
Teknik Informatika, dan Rekayasa Komputer Vol.
No.
Juli 2022, pp.
503O512
ISSN: 2476-9843, accredited by Kemenristekdikti.
Decree No: 200/M/KPT/2020 DOI: 10.
30812/matrik.
Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan Crude Oil Price Prediction Using Artificial Neural Network Jhon Veri1 .
Surmayanti2 .
Guslendra3 Universitas Putra Indonesia YPTK Padang.
Indonesia
Informasi Artikel
ABSTRAK
Genesis Artikel:
Minyak mentah merupakan energi utama yang banyak digunakan pada berbagai industri di dunia sehingga harga minyak mentah sulit untuk diprediksi apalagi di Indonesia setelah adanya pencabutan subsidi minyak oleh pemerintah Indonesia sehinga diperlukan teknik prediksi yang akurat untuk memprediksi harga minyak mentah dunia, prediksi harga minyak mentah merupakan perkiraan harga minyak mentah di masa mendatang.
Tujuan dari penelitian ini adalah untuk menganalisis kinerja jaringan saraf tiruan dengan metode backpropagation dalam memprediksi harga minyak mentah.
Penelitian ini menggunakan satu parameter data dalam memprediksi harga minyak mentah yaitu data minyak mentah dari tahun 2018 sampai tahun 2020.
Pada kasus prediksi harga minyak mentah, jaringan saraf tiruan tata cara backpropagation dalam proses training bisa mengidentifikasi pola informasi yang diberikan dengan baik.
Pada proses training JST, terus menjadi kecil nilai sasaran error hingga iterasinya hendak terus menjadi besar serta tingkatan keakurasiannya pula terus menjadi besar.
Hasil pelatihan didapat nilai Mean Square Error (MSE) adalah 0,00099762 dengan 135 Epoch, pada pengujian jaringan diperoleh nilai MSE adalah 0,093336.
Dengan demikian nilai koefisien korelasi serta nilai MSE yang dihasilkan pada proses pengujian menampilkan kalau jaringan syaraf tiruan propagasi balik sangat baik berdasarkan kelompok kelas nilai MSE untuk memprediksi informasi harga minyak mentah.
Diterima, 09 Agustus 2021 Direvisi, 17 Maret 2022 Disetujui, 13 April 2022 Kata Kunci:
Akurasi
Jaringan Syaraf Tiruan Propagasi Balik Prediksi
ABSTRACT
Keywords:
Accuracy Artificial Neural Network Backpropagation Prediction Crude oil is the main energy that is widely used in various industries in the world so that crude oil prices are difficult to predict, especially in Indonesia after the removal of oil subsidies by the Indonesia government so that accurate prediction techniques are needed to predict world crude oil prices, crude oil price predictions are price estimates crude oil in the future.
The purpose of this study is to analyze the performance of an artificial neural network using the backpropagation method in predicting crude oil prices.
The crude oil price prediction estimate the future crude oil price.
In this study, the authors will analyze the performance of the artificial neural network with the backpropagation method in predicting crude oil prices.
The author will use one data parameter in predicting crude oil prices, namely crude oil data from 2018 to 2020.
In the case of crude oil price predictions, the backpropagation neural network method in the training process can recognize the data patterns given In the ANN training process, the smaller the target error value, the greater the iteration and the higher the level of accuracy.
The training results obtained that the MSE value was 0.
00099762 with 135 Epoch.
in the network testing the MSE value was 0.
Thus the correlation coefficient and MSE values generated in the testing process indicate that the backpropagation neural network is good enough to predict crude oil price data.
This is an open access article under the CC BY-SA license.
Penulis Korespondensi:
Jhon Very Program Studi Sistem Informasi Universitas Putra Indonesia YPTK Padang.
Indonesia Email: : jhon@upiyptk.
Journal homepage: https://journal.
id/index.
php/matrik PENDAHULUAN ISSN: 2476-9843 Sumber energi yang utama diseluruh negara yang ada didunia paling banyak menggunakan minyak mentah, hampir seluruh negara yang ada didunia menggunakan minyak mentah sebagai sumber daya energy.
Untuk dapat menggerakkan perekonomian dunia dari berbagai kegiatan diantaranya adalaha melakukan konsumsi dan produksi dalam rangka meningkatkan produktifitas pada bidang transportasi terutama pada sector industry.
Sebagaimana yang kita tahu, harga minyak di Indonesia sangat fluktuatif serta cenderung bertambah.
Harga minyak yang makin melonjak pasti jadi atensi nyaris segala negeri di dunia, baik negeri produsen .
minyak bumi ataupun negeri konsumen .
Hal tersebut dikarenakan peranan minyak mentah untuk menggerakkan Hasil analisis menunjukkan bahwa fluktuasi harga minyak mentah dunia dapat berdampak positif terhadap pertumbuhan ekonomi selama satu kuartal, dapat mendorong laju inflasi domestik selama satu tahun .
Pada tahun 2015 pemerintah Republik Indonesia membuat regulasi untuk mencabut subsidi dari Bahan Bakar Minyak yang berdapak pengaruhnya terhadap harga Bahan Bakar Minyak Mentah dunia secara langsung .
Akibat dikala Bahan Bakar Minyak yang tidak disubsidi oleh pemerintah Indonesia secara langsung merupakan pergantian biaya- biaya operasional yang menyebabkan tingkatan keuntungan aktivitas investasi hendak terkoreksi.
didalam APBN- P 2011 harga minyak mentah Indonesia diresmikan sebesar USD 95 per barel, tetapi antara Januari hingga dengan Desember 2011 rata- rata realisasi ICP sebesar USD 111, 55 per barel ataupun 17, 42% lebih besar dari perkiran yang ada di dalam APBN- P 2011.
ICP
pernah menggapai USD 123 per barel pada April 2011, setelah itu kembali menyusut serta terletak pada kisaran USD 109- 117 per barel .
Tidak hanya faktor-faktor fundamental semacam terdapatnya masa dingin ekstrim di Eropa serta Amerika, menyusutnya stok minyak mentah Amerika Serikat, terhentinya suplai minyak dari jalan pipa Trans- Alaska akibat kebocoran, aspek geopolitik semacam krisis politik di Timur Tengah serta jatuhnya Khadafi di Libya pula pengaruhi kenaikan harga minyak dan terdapatnya krisis ekonomi yang menyerang daerah Eropa serta Amerika.
Pengolahan informasi yang dilakukan oleh Jaringan Saraf Tiruan (JST) terinpirasi oleh paradigma cara kerja otak manusia secara biologis dengan elemen kunci pada struktur pengolahan system informasi yang terdiri dari sejumlah neuron-neuron yang saling berelasi dan bekerja secara simultan dalam penyelesaian suatu permasalahan yang dihadapi .
JST terdiri dari layer .
yang membentuk penyusunan dari JST itu sendiri dimana terdapat 3 bentuk layer yang membentuknya yaitu layer input .
apisan inpu.
, layer hidden .
apisan tersembuny.
, layer output .
apisan outpu.
yang merupakan konsep dasar dari struktur JST .
Layer tunggal terdiri dari layer input dan layer outuput ini membuat keterbatasannya dalam mengenali pola yang akan dihasilkan oleh karena itu diperlukan layer hidden yang terletak dianatara layer input dan layer output untuk dapat mengenali pola secara baik dan inilah yang merupakan kelemahan dari layer tunggal.
Cara kerja Algoritma Backpropagation melakukan pelatihan keseimbagan dalam mendapatkan pola dari jaringan yang digunakan sehingga dapat memberikan respon yang baik dan benar terhadap pola yang sama dengan pola yang dipakai pada waktu pelatihan .
Jaringan Syaraf Tiruan merupakan suatu metode yang dapat mengatasi masalah untuk memprediksi harga minyak mentah dunia yang selalu berfluktuatif dengan kemampuan dapat mengenali pola citra, sinyal dan data sheet dan menggunakan algoritma pembelajaran (Suvervised Learnin.
yang terawasi .
, juga dapat memperkecil tingkat error dengan cara melakukan penyesuaian bobot berdasarkan perbedaan dari nilai target dan output yang ingin dicapai berdasarkan arsitektur jaringan yang terbaik .
Metode Backpropagationa juga layak diterapkan untuk memprediksi sebaran reservoir kandungan pasir pada minyak .
Begitu juga untuk memprediksi tekanan fluida dalam sumur minyak dengan menentukan jumlah layer yang ditetapkan .
Dengan demikian Metode Backpropagation merupakan metode yang dapat digunakan untuk memprediksi harga minyak mentah dunia.
Penggunaan Jaringan Syaraf Tiruan untuk memprediksi jumlah penduduk kedepannya sehingga pemerintah dapat merancang dan melakukan pengendalian jumlah penduduk dengan menggunakan program Keluarga Berencana (KB) aktif jalur pemerintah yang menggunakan Algoritma Backpropagation dengan menggunakan Arsitektur input,hidden, dan output .
Untuk memprediksi tingkat kemiskinan di Sulawesi Selatan dengan menggunakan Artificial Neural Network dengan Algoritma Resilent berdasarkan pola input,hidden dan output .
Sedangkan untuk memprediksi curah hujan setiap bulannya yang menggunakan metode Backpropagation dengan teknik Software Development Life Cycle (SDLC) Waterfall .
Berdasarkan penelitian untuk memprediksi harga kopi lokal yang menggunakan Backpropagation dengan menetapkan penelusuran error, pengambilan input, dan penyesuaian bobot .
Dengan adanya metode Backpropagation untuk menyelesaikan masalah yang berhubungan dengan peramalan dengan berbagai bentuk algoritma dengan tingkat akurasi yang berbeda maka perlu dilakukan penelitian untuk mendapatkan hasil peramalan yang optimal dengan menggunakan metode Backpropagation berdasarkan nilai alfa dan hidden neuron, dimana dari hasil penelitan yang dilakukan sebelumnya menggunakan metode Backpropagation lebih banyak menggunakan berdasarkan arsitektur jaringan yang terpilih.
Pada dasarnya JST merupakan sistem yang menerima input, proses informasi, serta setelah itu membagikan output yang berhubungan dengan input.
Keuntungan dari JST merupakan bisa digunakan buat mengambil informasi, mengetahui tren, serta pula bisa memprediksi pola yang tidak diberikan sepanjang pelatihan yang diucap dengan generalisasi .
Prediksi bisa dihitung memakai bermacam tata cara, salah satu tata cara prediksi yang kerap digunakan serta tumbuh dikala ini merupakan Backpropagation .
Walaupun mempunyai sebagian kelemahan semacam hasil pelatihan yang tidak konstan serta tidak dikenal secara perinci gimana hasil prediksi diperoleh, sebab tata cara ini tidak bisa membagikan data menimpa bobot yang sangat mempengaruhi diantara pola inputannya, tetapi tata cara ini pula mempunyai kelebihan.
Kelebihan metode ini sanggup memformulasikan pengalaman serta pengetahuan peramal, dan sangat fleksibel dalam pergantian ketentuan yang diperkirakan .
Jaringan Saraf Tiruan (Artificial Neural Networ.
pada umumnya telah banyak digunakan dari berbagi bidang ilmu karena dapat menyelesaikan masalah baik yang terstruktur maupun yang tidak terstruktur dan juga dapat mengikuti perkembangan teknologi Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 503 Ae 512 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer pada saat sekarang ini.
Jaringan saraf tiruan memiliki metodogi yang terbukti dan handal dalam penyelesaian masalah non-linier.
Jaringan saraf tiruan dimulai dari konsep cara kerja otak manusia dimana pada otak manusia terdapat neuron-neuron yang saling berhubungan secara non-linier.
Agoritma Backpropagation yang membentuk metode Gradient Desent berasal dari kumpulan jaringan yang telah dilatih dan membentuk salah satu arsitektur Artificial Neural Network yang dapat melakukan proses pembelajaran secara maju dan melakukan proses koreksi error secara mundur.
Metode ini banyak digunakan untuk permasalahan prediksi karena memilki kemampuan prediksi dengan tingkat akurasi yang sangat baik .
Penelitian ini bertujuan untuk menganalisis kinerja jaringan saraf tiruan metode backpropagation dalam memprediksi harga minyak mentah.
Penulis ingin mengetahui bagaimana kinerja jaringan saraf tiruan metode backpropagation dalam mengenali pola dalam memprediksi harga minyak mentah.
Banyak metode peramalan pada Algoritma Backpropagationa yang dipakai untuk proses perencanaan serta pengambilan keputusan, sesuatu ramalan berupaya memperkirakan apa yang hendak terjalin serta apa yang hendak jadi kebutuhan.
Penggunaan metode Backpropagation untuk memprediksi harga produksi minyak sawit dengan menggunakan arsitektur 5-10-11-12-13-1 .
Metode Backpropagation juga digunakan untuk memperkirakan Viskositas minyak mentah dinegara Nigeria .
, penggabungan Algoritma Backpropagation dengan Genetik Algoritma untuk memprediksi reservoir minyak dapat meningkatkan kemampan adaptasi dan generalisasi jaringan .
, kemampuan lain dari metode Backpropagation adalah mampu memprediksi kondisi pipa minyak mentah yang berada dibawah tanah dengan mengubah jumlah neuron yang tersembunyi .
, banyak model algoritma yang dikembangkan yaitu dengan menggunakan metode Multilayerperceptron-Backpropagation yang digunakan untuk memprediksi gesekan pada pipa minyak panas .
Ada banyak cara untuk mengoptimalkan kinerja Backpropagation, dalam penelitian ini dilakukan dengan cara mengkombinasikan neuron dengan nila alpha sehingga kinerja dari JST lebih optimal berdasarkan nilai MSE yang diperoleh lebih rendah sehingga error dapat diminimalkan dari hasil output jaringan yang terbentuk .
Struktur penulisan selanjutnya dari artikel ilmiah ini adalah: Metode Penelitian yang menjelaskan metode yang digunakan sampai kepada temuan yang didapatkan dimulai dari pengumpulan data, pre-processing data, pembangunan algoritma Backpropagation.
Hasil dan Analisis berupa pemrosesan Algoritma Backpropagation yang menggunakan nilai alpha dan disajikan dalam bentuk grafik serta tabel perhitungan.
Kesimpulan yang menjelaskan tentang hasil yang didapat berdasarkan permasalahan yang ada serta saran yang disampaikan untuk peneliti selanjutnya.
METODE PENELITIAN
Penelitian ini menggunakan Metode atau Algoritma Backpropagation.
Ada beberapa hal yang diperhatikan untuk meminimalkan error yaitu melakukan proses pelatihan dan pengujian terhadap data yang akan diolah, dalam hal ini maka peneliti menggunakan data dari harga minyak mentah negara Indonesia dari tahun 2018 2020.
Untuk melakukan proses prediksi terhadap harga minyak mentah tersebut dengan menggunakan Algoritma Backpropagation maka dilakukan langkah-langkah berikut:
Memisahkan informasi yang hendak digunakan selaku informasi pelatihan serta informasi uji.
Informasi harga minyak mentah tahun 2018- 2019 hendak digunakan selaku informasi pelatihan sepanjang perancangan JST, sebaliknya informasi tahun 2020 digunakan sebagi informasi pengujian.
ke sesi backward propagation hingga error menggapai ataupun lebih kecil dari sasaran Membuat perancangan JST yang berguna untuk proses prediksi harga minyak mentah dimulai dengan terlebih dahulu menentukan jumlah layer input dan jumlah layer hidden serta jumlah layer outuput untuk mendapatkan pola berdasarkan kepada data harga minyak mentah.
Untuk mendapatkan informasi terhadap harga minyak mentah pada tahun 2021 maka data masukannya merupakan data input 2018 2020 dengan target 2.
, demikian seterusnya.
Proses pengenalan pola didapatkan dengan teknik penyesuaian terhadap nilai weight .
dalam hal ini peneliti menggunakan nilai weight .
secara acak .
dalam perhitungannya pemberhentian penyesuaian terhadap weight dalam hal pengenalan pola didapat dari mengkuadratkan nilai error sampai mencapai target error.
Perhitungan terhadap error berdasarkan tahapan forward propagation, dimana bila error lebih tinggi dari target error maka akan proses pelatihan akan dilanjutkan pada iterasi berikutnya.
Proses Pengujian dilaksanakan untuk mendapatkan tingkat keakuratan dari sistem Jaringan Syaraf Tiruan dengan menggunakan Algoritma Backpropagation sedangkan proses prediksi adalah untuk mengetahui perkiraan harga minyak mentah pada tahun Prediksi Harga Minyak.
(Johon Ver.
ISSN: 2476-9843 Gambar 1 memperlihatkan kerangka pikir dari penelitian yang menggambarkan proses model yang digunakan sampai menghasilkan prediksi dan tingkat akurasi yang didapat:
Gambar 1.
Kerangka Pikir Penelitian Gambar 1 Memperlihatkan langkah-langkah yang dilakukan untuk menyelesaikan masalah dengan menggunakan metode Backpropagation berdasarkan pada nilai Alfa dan Hidden Neuran yang sudah ditetapkan, sehingga hasilnya adalahan nilai akurasi dari peramalan harga minyak mentah di indonesia dengan tahapan sebagai berikut:
Pengumpulan Data Pada sesi ini, penulis mengumpulkan informasi menimpa harga minyak mentah.
Informasi dalam riset ini informasi yang digunakan ialah informasi deret waktu( timeserie.
yang berisikan nilai- nilai variabel bersumber pada interval waktu tahunan serta bertabiat numerik.
Pre-processing Data Pre-processing informasi dicoba buat menciptakan informasi yang bermutu baik serta siap digunakan buat sesi berikutnya.
Ada sebagian informasi yang mempunyai missing value, noise, serta tidak tidak berubah- ubah.
Tahapan preprocessing informasi ialah tahapan di mana informasi yang sudah terkumpul diolah terlebih dulu sehingga informasi yang dipakai buat masukkan telah cocok dengan apa yang diperlukan.
Pada sesi ini dicoba proses cleaning, ialah penghapusan informasi yang mempunyai missing value sehingga informasi yang dipunyai mempunyai atribut yang lengkap.
Sehabis itu, dicoba normalisasi informasi memakai dengan tata cara min- max sehingga informasi bertabiat tidak berubah- ubah dengan nilai range( 0, .
Algoritma Backpropagation Pada tahapan ini, dicoba pembangunan algoritma backpropagation neural network dengan memakai bahasa pemrograman Informasi hendak dipecah jadi 2, ialah informasi latih serta informasi uji.
Arsitektur jaringan syaraf tiruan dalam riset ini memakai satu input layer, satu hidden layer, serta satu output layer.
Input layer mempunyai 12 node, ialah harga masing- masing bulan per tahunnya.
Output layer cuma mempunyai satu node ialah harga pada bulan terakhir buat bulan selanjutnya.
Sehingga bentuk arsitektur Backpropagation dari penelitian ini adalah:
Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 503 Ae 512 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer Gambar 2.
Arsitektur Bacpropagation dari Penelitian Gambar 2 menjelaskan bentuk arsitektur Backpropagation yang digunakan dalam penelitan ini dengan lapisan input sebanyak 12 node yang merupakan bulan untuk setiap tahunnya, selanjutnya lapisan hidden terdiri dari 1 node disertakan dengan bias, sedangakan lapisan output terdiri dari 1 node juga disertakan dengan bias, sehingga dapat dikatakan bahwa bentuk arsitektur yang dipakai dalam penelitian ini adalalah arsitektur dengan multi layer .
erlapisan banya.
Data Training Pada tahapan training informasi dicoba tata cara backpropagation neural network.
Informasi hendak dilatih sampai menggapai batasan eror yang di idamkan dengan memastikan jumlah neuron hidden layer, learning rate, maximum iteration.
Kala informasi telah menggapai batasan error yang sudah didetetapkan iterasi hendak menyudahi serta user bisa melaksanakan testing informasi maupun mengulang kembali proses training informasi.
Tetapi, apabila training loss pada pelatihan tidak bertambah lebih dari nilai error yang telah didetetapkan sepanjang 20 kali iterasi secara berentetan hingga proses pelatihan hendak menyudahi.
Nilai Alfa Adalah nilai alfa yang diberikan berkisar dari .
1, 0.
untuk mendapatkan Mean Square Error (MSE) dari kombinasi Hidden Neuron.
Hidden Neuron Adalah jumlah lapisan yang tersembunya dan akan digunakan untuk mendapatkan MSE dengan kombinasi nilai alfa yang telah di inputkan dalam bentuk bilangan numerik.
Hasil Data Training Adalah model yang dihasil dari data training yang menggunakan algoritma Backpropagation, yang selanjutnya digunakan untuk mendapatkan pola ke data testing .
Data Testing Sehabis melaksanakan proses training informasi, serta menginputkan nila alfa dan hidden neuron hingga dicoba pengujian informasi bersumber pada hasil pelatihan informasi.
Sistem hendak memakai model yang sudah ditaruh pada dikala pelatihan informasi.
Datatesting diperlukan buat menguji informasi yang telah dilatih dengan menyamakan terhadap informasi aslinya.
Akurasi Akurasi digunakan untuk melihat seberapa besar keakuratan model yang digunakan dengan menghitung terlebih dahulu nilai Mean Absolut Percentage Error (MAPE) sehingga dihitung selisihnya dalam bentuk persentase.
Hasil Prediksi Hasil prediksi berbentuk harga minyak mentah pada bulan selanjutnya, setelah itu dibanding dengan informasi sebetulnya.
Pada sesi ini bisa dilihat besarnya tingkatan ketepatan dalam memprediksi harga saham memakai tata cara backpropagation neural MSE digunakan buat mengevaluasi hasil prediksi yang dicoba oleh sistem dengan memakai informasi asli.
Prediksi Harga Minyak.
(Johon Ver.
ISSN: 2476-9843
HASIL DAN ANALISIS
Eksperimen yang dicoba pada studi ini memakai scenario dengan metode melaksanakan mix hidden neuron terhadap nilai Nilai hidden neuron yang digunakan ialah 6 sampai 12 sebaliknya nilai laju pelatihan yang diuji ialah 0,1 sampai 0,9.
Dengan nilai Epoch sebesar 10000 serta toleransi error 0,001 Hasil eksperimen mix hidden neuron terhadap nilai alpha disajikan pada Tabel Tabel 1.
Hasil Kombinasi hidden neuron dan alpha No.
Alpha Hidden (Neuro.
MSE (Trainin.
MSE (Testin.
161,944,444 0,66597222 No.
Alpha Hidden (Neuro.
MSE (Trainin.
MSE (Testin.
Bersumber pada hasil pengujian mix terhadap nilai alpha serta terhadap nilai hidden neuron diatas, sehingga diperoleh nilai MSE terkecil pada mix variabel pelatihan nilai alpha 0,05 serta nilai hidden neuron sebesar 12, sehingga mix ini digunakan selaku mix variabel buat proses berikutnya ialah proses prediksi pengaruh dari nilai alpha serta nilai hidden neuron terhadap MSE pelatihan yang dapat dijelaskan pada Gambar 3.
Gambar 3.
Grafik Pengaruh Alpha dan Hidden Neuron terhadap MSE Pelatihan Bersumber pada gambar 3.
diatas yang menimpa pengaruh alpha serta hidden neuron terhadap nilai MSE pelatihan bisa disimpulkan kalau tidak ada korelasi yang konstan antara alpha serta jumlah hidden neuron dengan nilai MSE.
Campuran variable Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 503 Ae 512 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer pelatihan, jumlah informasi serta inisialisasi bobot dini jaringan hendak menyebabkan nilai MSE terendah bisa diperoleh pada nilai alpha serta jumlah hidden neuron yang tidak senantiasa sama.
Bersumber pada hasil pengujian mix terhadap nilai alpha serta terhadap nilai hidden neuron diatas, sehingga diperoleh nilai MSE terkecil pada mix variabel pengujian nilai alpha 0,07 serta nilai hidden neuron sebesar 7, sehingga mix ini digunakan selaku mix variabel buat proses berikutnya ialah proses prediksi pengaruh dari nilai alpha serta nilai hidden neuron terhadap MSE pengujian yang dapat dijelaskan pada Gambar 4.
Gambar 4.
Grafik Pengaruh Alpha dan Hidden Neuron terhadap MSE Pengujian Bersumber pada gambar 4 menimpa pengaruh alpha serta hidden neuron terhadap nilai MSE pengujian bisa disimpulkan kalau tidak ada korelasi yang konstan antara alpha serta jumlah hidden neuron dengan nilai MSE.
Campuran variable pengujian, jumlah informasi serta inisialisasi bobot dini jaringan hendak menyebabkan nilai MSE terendah bisa diperoleh pada nilai alpha serta jumlah hidden neuron yang tidak senantiasa sama.
Bersumber pada gambar 3 serta gambar 4 tersebut bisa didapatkan sebuah kesimpulan kalau nilai MSE pelatihan hendak terus menjadi rendah bersamaan dengan peningkatan nilai alpha serta jumlah hidden neuron.
Nilai alpha mempengaruhi terhadap nilai MSE pelatihan, perihal ini disebabkan guna dari nilai alpha buat memesatkan konvergensi.
Konvergensi ini mempengaruhi pada nilai output yang dihasilkan, apabila nilai konvergensi tercapai hingga selisih nilai output dengan informasi aktual hendak beda tipis ataupun apalagi nilainya dapat sama sehingga nilai MSE pelatihan yang dihasilkan terus menjadi rendah.
Sebaliknya jumlah hidden neuron mempengaruhi pada error yang dihasilkan, terus menjadi besar jumlah hidden neuron hingga terus menjadi kecil error yang Tabel 2.
Perbandingan Aktual dengan Prediksi No.
Bulan Nilai Aktual Nilai Prediksi No.
Bulan Nilai Aktual
Nilai Prediksi
18-Jan
18-Feb
18-Mar
18-Apr
18-May
18-Jun
18-Jul
18-Aug
18-Sep
18-Oct
18-Nov
18-Dec
19-Jan
19-Feb
19-Mar
19-Apr
19-May
19-Jun
24,264,092
23,974,471
20,465,903
38,547,699
22,553,109
22,994,653
25,011,758
24,264,092
29,954,661
19,917,160
35,184,909
25,211,477
21,650,163
29,841,430
23,031,069
19,821,283
31,031,209
19,955,340
28,166,817
27,877,196
24,368,628
42,450,424
26,455,834
26,897,378
28,914,483
30,018,343
33,857,386
23,819,885
39,087,634
29,142,020
25,552,888
33,744,155
26,933,794
23,724,008
34,933,934
23,858,065
19-Jul
19-Aug
19-Sep
19-Oct
19-Nov
19-Dec
20-Jan
20-Feb
20-Mar
20-Apr
20-May
20-Jun
20-Jul
20-Aug
20-Sep
20-Oct
20-Nov
20-Dec
24,264,092
20,262,998
21,970,794
23,929,520
18,929,148
22,443,747
22,116,857
30,796,781
31,413,577
25,123,282
39,524,672
36,002,562
22,963,927
21,084,349
31,097,318
37,097,318
20,772,537
20,060,092
31,301,438
24,165,723
25,873,519
27,832,245
22,831,873
26,346,472
26,019,582
34,699,506
35,316,302
29,026,007
43,427,397
39,905,287
26,866,652
24,987,074
35,034,078
41,000,043
24,675,262
23,962,817
Prediksi Harga Minyak.
(Johon Ver.
ISSN: 2476-9843 Campuran variabel yang sudah dihasilkan dari eksperimen tadinya hingga berikutnya hendak dicoba eksperimen akurasi sistem.
Akurasi sistem didapatkan dengan metode 100% dikurangi dengan nilai MAPE.
Nilai MAPE pada riset ini sebesar:
M AP E =
yi Oe $ M AP E = y 100% 264092Oe28.
060092Oe23.
I=1
y 100 = 16.
Sehingga didapatkan akurasi sistem sebesar = 100% MAPE = 100% - 16,40 % = 83,6%, artinya adalah keakurasian dari hasil peramalan harga minyak mentah dengan menggunakan metode Backpropagation dari penelitian ini secara keseluruhan adalah 83,6%, ini sangat dipengaruhi oleh jumlah data yang digunakan, dan juga pola yang digunakan .
Dalam hal membandingkan terhadap model dengan menggunakan aktual data terhadap data hasil prediksi dapat digunakan pada Gambar 5.
Gambar 5.
Grafik Perbandingan Nilai Target Dengan Nilai Hasil Prediksi Model Bersumber pada Gambar 5 diatas dapat dijelaskan bahwa harga minyak mentah yang diramalkan dengan menggunakan metode Backpropagation berdasarkan nilai Alfa dan Hidden Neuron memiliki tingkat akurasi yang sangat tinggi yaitu 83,6% berdasarkan data dari tahun 2018 sampai dengan data tahun 2020 untuk setiap bulannya di Indonesia, penelitian terhadap minyak mentah dengan menggunakan metode Backpropagation didapat nilai MAPE sebesar 29,43% .
sehingga tingkat akurasinya 100%-29,43% = 70,57%.
KESIMPULAN
Berdasarkan hasil penelitian maka dapat disimpulkan adalah Nilai variable pelatihan pada alfa 0,5 merupakan nilai MSE yang paling rendah dari hasil model prediksi yang didapatkan dari jumlah lapisan tersembunyi pada 12 neuron dengan nilai momentum yang didapat 0,5 dan epoch yang optimum sebesar 10000 serta error toleransinya sebesar 0,001.
Untuk nilai MSE trainingnya adalah didapatkan 0,00087347 dan nilai MSE testingnya sebesar 0,48477.
Ada pula tinggat Akurasi dari model yang dihasilkan adalah sebesar 83, 6%, sehingga bila metode Backpropagation yang menggunakan nilai alfa dan hidden neuron yang sudah ditetapkan maka akan menghasilkan tingkat akurasi yang sangat tinggi bila dibandingkan dengan hasil penelitian terdahulu, keterbaruan dari penelitian ini adalah penggunaan nilai alfa sebesar 0,5 pada metode Backpropagation yang dipakai.
Dalam penelitian ini masih banyak keterbatasan diantaranya jumlah data yang digunakan masih mengambil data harga minyak mentah di Indonesia belum melibatkan negara-negara OPEC yaitu negara-negara pengekspor minyak, juga jumlah lapisan hidden masih 1 node diharpkan peneliti lebih lanjut dapat menggunakan lapisan hidden lebih dari 1 node.
UCAPAN TERIMA KASIH