Temporal Sequence Processing Pada Data Nilai Tukar Great Britain Poundsterling (GBP) Terhadap United State Dollar (USD) Menggunakan Recurrent Self Organizing Map (RSOM)
Daftar Isi:
- Metoda analisa data secara statistik dapat diaplikasikan untuk mendapatkan pengertian terhadap proses-proses yang berubah waktu yang sangat kompleks untuk dimodelkan secara analitik. Data pertama-tama dikumpulkan dengan mengukur variabel-variabel. Observasi ini kemudian dianalisa dengan menerapkan metoda-metoda statistik untuk mengetahui karakter dari proses yang diobservasi. Tujuan utama dari penelitian ini adalah untuk menerapkan metoda neural network pada analisa data. Neural network mampu membuat model statistik, yang dapat diterapkan pada berbagai aplikasi, dari exploratory data analysis and visualizations hingga masalah regresi. Dalam pemodelan menggunakan neural network, tujuannya adalah untuk membangun sebuah model berdasarkan data observasi yang memiliki pengaruh paling signifikan pada proses yang diteliti. Dalam penelitian ini, neural network akan digunakan untuk melakukan Temporal Sequence Processing (TSP), khususnya dalam time series prediction. Proses yang dianalisa dalam penelitian ini adalah fluktuasi nilai tukar GBP (Great Britain Poundsterling) terhadap USD (United State Dollar). Motivasi utama dalam penelitian kasus time series adalah untuk memprediksi masa depan dan untuk mengetahui faktor-faktor apa yang paling berpengaruh. Tujuan Tugas Akhir ini adalah untuk membangun suatu model yang dapat menangkap karakter- karakter esensial dari proses dengan menggunakan data-data historical, kemudian menggunakan model tersebut untuk memprediksi masa depan, dalam hal ini adalah fluktuasi nilai tukar GBP terhadap USD. Dari hasil penelitian RSOM mampu mengenali pola temporal dalam fluktuasi nilai tukar GBP/USD dengan persentase kebenaran 71%. Semakin banyak pola input yang digunakan untuk melatih RSOM, maka kemampuan RSOM dalam mengenali pola akan semakin baik, tetapi jumlah epoch yang diperlukan untuk men-training RSOM akan semakin banyak.