Analisis Performansi Algoritma Rough Adaptive Neuro-Fuzzy Inference System ~ Try Anything, Know Everything!

Judul : Analisis Performansi Algoritma Rough Adaptive Neuro-Fuzzy Inference System

Warih Maharani Departemen Teknik Informatika Institut Teknologi Telkom Bandung, Indonesia

E-mail: wrh@stttelkom.ac.id

Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) Yogyakarta, 21 Juni 2008

Abstrak

Rough adaptive neuro-Fuzzy Inference System (RANFIS) merupakan suatu metode yang menggabungkan antara teori rough set, sistem fuzzy dan sistem jaringan syaraf tiruan (JST). Sistem ini memiliki berbagai parameter yang berperan dalam menghasilkan evaluasi prediksi yang cukup baik. Paper ini menjelaskan tentang performansi learning dari algoritma JST, kemampuan prediksi dari algoritma fuzzy serta kemampuan rough set dalam menurunkan nilai error dari keluaran JST untuk memprediksi nilai saham. Hasil pengujian menunjukkan bahwa algoritma RANFIS yang melibatkan jaringan syaraf tiruan, sistem fuzzy dan Rough Set, mampu membangun suatu sistem peramalan nilai saham yang baik dengan kontribusinya masing-masing.

Keywords: Rough adaptive neuro-Fuzzy Inference System (RANFIS), rough set, fuzzy, jaringan syaraf.

Review:

Paper ini membahas tentang performansi dari JST, fuzzy dan rough set dalam memprediksi pergerakan nilai saham yang terjadi beberapa waktu mendatang. Beberapa faktor yang dianalisis meliputi analisis rough set, berupa desain jaringan, fungsi node dan faktor pembangkitnya serta analisis JST, berupa arsitektur JST dan parameter estimasinya.

Struktur penulisan:

1. Pendahuluan
2. Gambaran Umum Sistem
      2.1 Algoritma RANFIS
      2.2 Fuzzy Inference System
             2.2.1 Fungsi Keanggotaan
      2.4 Teori Rough Set
      2.5 Rough Neural Network
      2.6 Analisis Time Series
      2.7 Evaluasi sistem

3. Analisis Sistem
     3.1 Analisis Data
     3.2 Perancangan Sistem
     3.3 Training
4. Evaluasi Performansi
5. Kesimpulan

References

Pada bagian awal dari paper ini memberikan gambaran umum mengenai teori-teori yang diterapkan pada penelitian ini, yakni meliputi dasar teori algoritma Ranfis, Fuzzy Inference System, Teori Rough Set, Rough Neural Network, Analisis Time Series dan evaluasi sistem.

Metode Ranfis yang digunakan dalam paper ini adalah suatu metode yang dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data yang memungkinkan juga aturan-aturan untuk beradaptasi. Sistem ini menggunakan sinergi metode dari neuro dan fuzzy, dengan menambahkan dimensi lain pada kombinasinya yaitu Rough Set yang berdasarkan prinsip klasifikasi dalam suatu rangkaian hybrid. Rangkaian Jaringan Syaraf Tiruan berbasis neuron rough memiliki kemampuan learning berdasarkan data-data masukan, dan membantu sistem fuzzy dalam menentukan rule yang terbaik dalam memprediksi data, sedangkan rough set sendiri akan mengklasifikasikan data acak yang melewatinya. Metode RANFIS ini digunakan untuk menemukan suatu pola perubahan tertentu, dan akan selalu belajar dari kesalahan atau error sebelumnya, sehingga akan didapatkan nilai akurasi yang sangat baik.

Arsitektur jaringan RANFIS yang menggunakan 5 layer dan 15 neuron.

Pada bagian analisa sistem, paper ini menyajikan analisa data dengan proses peramalan menggunakan input data saham secara time series yang tersimpan pada file *.xls, yang kemudian diubah menjadi matriks inputan.

rancangan sistem dan jaringan ranfis yang digunakan seperti diagram blok di bawah ini.

Data yang dinormalisasi digunakan sebagai neuron inputan pada layer masukan dan sebagai neuron output pada layer keluaran. Paper ini menggunakan arsitektur rough adaptive neuro-fuzzy inference system yang terdiri dari input layer, hidden layer (3 layer) dan output layer. Inputnya berupa data time series yaitu harga penutupan indeks harga saham. Sedangkan targetnya adalah harga penutupan besok (t+1). Arsitektur sistem ini terdiri dari 5 layer : MF neuron (membership function) pada input layer, neuron rough yang melakukan proses AND, normalisasi dan agregasi pada hidden layer, dan neuron penjumlahan pada output layer.

Untuk menghasilkan jaringan RANFIS yang optimal dilakukan proses training yaitu forward dan backward training.

Data yang digunakan adalah data harga penutupan saham harian Dow Jones & Company (terdaftar pada New York Stock Exchange) dengan acuan waktu senin-jumat, dari tahun 1985 hingga 2002, yang diperoleh dari http://lib.stat.cmu.edu/datasets/. Data untuk training dari 2 Januari 1985 s/d 7 Maret 2000 sebanyak 3836 record. Training menggunakan jumlah epoch 300, target error 0 dan fungsi keanggotaan segitiga, trapesium, gauss dan bell yang masing-masing akan dibandingkan performansinya.

Hasil analisis training dan testingmenunjukkan bahwa jenis fungsi keanggotaan sangat mempengaruhi hasil peramalan, karena turutmengubah jaringan RANFIS. Pemberian parameterepoch juga mempengaruhi nilai error dan hasilperamalan. Semakin banyak epoch yang dilakukan maka error yang dihasilkan akan berkurang ataupun tetap pada angka tertentu. Untuk perubahan error target berpengaruh pada performansi jaringan, nilai

error yang dihasilkan akan naik dengan nilai < error yang diinginkan, hal ini memperbesar error namun mengurangi jumlah epoch yang dilakukan (berbanding lurus dengan lamanya training).

Kesimpulan dari paper ini:

Hasil yang diperoleh dari penelitian pada paper ini berdasarkan pada pengujian yang telah dilakukan dengan algoritma RANFIS untuk memprediksi nilai saham. Fungsi keanggotaan Fuzzy dapat mengakomodasi sinyal JST dalam proses training dengan menggunakan fungsi keanggotaan tersebut sebagai fungsi aktivasi yang melakukan proses FIS pada tiap layernya. Perhitungan rough set secara perumusan dapat mengurangi nilai sinyal acak. Jaringan RANFIS yang melibatkan JST, sistem fuzzy dan Rough Set, mampu membangun suatu sistem peramalan yang baik dengan performansi yang dihasilkan dalam RMSE yaitu 0.9836.

Daftar Pustaka yang digunakan untuk penelitian paper ini:

Chandana Sandeep, 2006, RANFIS: Rough Adaptive Neuro-Fuzzy Inference System, International Journal of Computational Intelligence, World Enformatika Society.
Fu Limin, 1994, Neural Networks in Computer Intelligence, McGraw-Hill: Singapore.
J. S. R. Jang, 1997, Neuro-fuzzy and Soft Computing, USA, Prentice-Hall.Inc.
Lingras Pawan, 1996, Rough Neural Networks, Canada, Algoma University College.
Michie D, 1994, Machine Learning, Neural and Statistical Classification.
Mittchell Tom, 1997, Machine Learning, Singapore, McGraw-Hill Co, inc.
Munakata Toshinori, 1996, Rough Control Application Of Rough Set Theory To Control, Germany, Fourth European Congress on Intelligent Techniques and Soft Computing
Z. Pawlak, 1995, Rough Sets, paper vol 58 : Association for Computing Machinery, Inc.