Penelitian dengan judul “Pemodelan Wavelet Neural Network dengan Algoritma Genetika” dilakukan oleh Budi Warsito dibawah bimbingan Prof. Drs. Subanar, Ph.D., dan Dr. Abdurakhman, M.Si., pada tahun 2017.
Berikut ini merupakan intisari dari penelitian tersebut.
INTISARI
Neural Network (NN) merupakan salah satu model nonlinear yang banyak dikembangkan dalam pemodelan statistika terutama pada analisis data time series. Banyak penelitian yang telah dilakukan menunjukkan keunggulan model ini dibandingkan model-model yang lain. Namun demikian masih terdapat beberapa permasalahan dalam pemodelan NN untuk time series, diantaranya adalah penanganan pre processing data input, inkonsistensi hasil estimasi serta pemilihan arsitektur jaringan optimal. Untuk penanganan permasalahan pre processing data input dilakukan melalui pemisahan data berdasarkan komponen asli dan noise menggunakan dekomposisi wavelet. Koefisien wavelet hasil dekomposisi ini yang selanjutnya menjadi input bagi model NN. Transformasi wavelet yang digunakan untuk data time series adalah Maximal Overlap Discrete Wavelet Transform (MODWT) karena dalam setiap level dekomposisi terdapat koefisien wavelet dan skala sebanyak panjang data. Kelebihan ini mereduksi kelemahan pemfilteran dengan Discrete Wavelet Transform (DWT) yang tidak dapat dilakukan pada sebarang ukuran sampel. Permasalahan yang kemudian muncul adalah bagaimana menentukan level dekomposisi dan banyak koefisien pada setiap level. Pada penelitian ini kriteria Maximal Relevance Minimum Redundancy (mRMR) diterapkan pada transformasi MODWT untuk mendapatkan input optimal. Kriteria yang didasarkan pada nilai Mutual Information (MI) ini dipilih karena selain nilainya yang didasarkan pada relevansi antara variabel input dengan nilai target juga mempertimbangkan redundansi antar variabel input itu sendiri.
Input optimal yang diperoleh dari proses dekomposisi wavelet selanjutnya dijadikan sebagai input pada model NN. Model hybrid yang terbentuk dinamakan sebagai model Wavelet Neural Network (WNN). Penentuan banyak unit tersembunyi pada lapisan NN lebih mengedepankan aspek komputasi melalui seleksi beberapa arsitektur sederhana sampai yang lebih kompleks dan selanjutnya dipilih yang terbaik. Pada permasalahan yang berkaitan dengan inkonsistensi hasil estimasi parameter (bobot) yang sering hanya mencapai optimum lokal dilakukan melalui penggunaan algoritma genetika. Hasil analisis menunjukkan bahwa penambahan individu super akan membuat algoritma genetika konvergen ke nilai optimum global.
Ada dua kontribusi utama dari penelitian. Kontribusi pertama adalah pembentukan prosedur penentuan arsitektur optimal model WNN melalui pemilihan input koefisien wavelet hasil dekomposisi MODWT dengan kriteria mRMR. Kontribusi kedua adalah analisis konvergensi dari algoritma genetika pada pemodelan WNN. Selanjutnya model yang terbentuk diaplikasikan pada data time series, baik melalui pembangkitan secara random dengan model tertentu maupun data riil pada bidang finansial. Hasil kajian secara empiris menunjukkan bahwa algoritma genetika bekerja secara baik untuk mengestimasi parameter model WNN. Eksperimen yang dilakukan menunjukkan bahwa secara umum kestabilan dari hasil prediksi dengan optimasi algoritma genetika lebih baik dari metode konvensional, terutama pada data simulasi yang dibangkitkan dari model AR(2), GARCH dan model nonlinear. Analisis pada data riil bidang finansial juga menunjukkan kestabilan prediksi dengan algoritma genetika terutama untuk data training.
Kata kunci: Time series, MODWT, WNN, mRMR, algoritma genetika