ANALISIS EFEKTIFITAS METODE HIBRIDA NEURAL NETWORKS DAN FUZZY LOGIC UNTUK PERAMALAN VALUTA ASING

Prosiding Seminar Nasional Manajemen Teknologi VI Program Studi MMT-ITS, Surabaya 4 Agustus 2007

ANALISIS EFEKTIFITAS METODE HIBRIDA NEURAL NETWORKS DAN FUZZY LOGIC UNTUK PERAMALAN VALUTA ASING Aji Prasetya Wibawa*, Rully Soelaiman** *Universitas Negeri Malang Email : [email protected] **Institut Teknologi Sepuluh Nopember Surabaya.

ABSTRAK Dalam melakukan peramalan (forecasting) valuta asing jaringan Backpropagation 5-6-13-1 Levenberg-Marquardt menghasilkan pelatihan tercepat dengan 1895/30000 epoh dengan MSE 0.201112 dan tingkat akurasi (%B) 92.06349 %.Hasil peramalan akan dijadikan masukan logika fuzzy untuk mendapatkan keputusan akan menjual, menahan atau membeli valuta asing berdasarkan strategi one day sell. Tingkat akurasi sistem yang dibuat sebesar 85.71428571 %. Hasil simulasi transaksi menggunakan metode Hibrida Neural Network Fuzzy Logic (HNNFL) periode 2 April sampai dengan 30 April 2007 memberikan keuntungan sebesar 248,7 yen. Berdasarkan keuntungan yang diperoleh, metode ini lebih efektif dalam menentukan strategi perdagangan valuta asing dibandingkan metode yang lainnya Kata kunci: Valuta Asing, Peramalan, Neural networks, Fuzzy Logic PENDAHULUAN Perdagangan Forex (foreign exchange) di Indonesia dikenal dengan perdagangan valas (valuta asing). Perdagangan valas tidak ada bedanya dengan perdagangan lainnya, yaitu terjadi aktivitas pertukaran, di mana pemilik barang menyerahkan barangnya kepada pembeli, kemudian pembeli akan menyerahkan uang sebagai penukar barang yang didapatnya. Dalam perdagangan mata uang kedua belah pihak akan menyerahkan uang sebagai penukar tetapi uang tersebut berbeda asalnya. Dalam melakukan transaksi mata uang tidak lepas dari kepiawaian investor dalam menganalisis arah pergerakan mata uang tersebut. Ada dua metode analis yaitu analisis fundamental dan analisis teknikal. Analisis fundamental adalah analisis terhadap fundamental suatu negara pemilik mata uang , untuk dolar AS misalnya, akan dianalisis kondisi ekonomi, sosial dan politik AS. Sedangkan analisis teknikal hanya mengandalkan tren harga ke depan berdasarkan perkembangan harga masa lalu (forecasting). Dalam melakukan peramalan (forecasting) neural networks memiliki keunggulan dibandingkan dengan metode konvensional. Metode ini lebih fleksibel dalam hal beradaptasi dengan lingkungan dan memiliki kemampuan belajar yang baik. Neural networks mampu mendeteksi pola-pola dan trend dalam berbagai kumpulan data yang diberikan padanya termasuk data yang sangat tidak beraturan dan berubah-ubah. Namun neural networks lemah dalam hal menjelaskan sesuatu. Oleh karena itu perlu digabungkan dengan fuzzy logic yang memiliki kemampuan menjelaskan (explanation ability) yang baik. Penggabungan keduanya menghasilkan Hybrid Intelligent Systems yang diharapkan mampu menutupi kelemahan masing-masing metode. Pada dasarnya yang dilakukan oleh neural networks adalah memetakan pola-


pola terdahulu, kemudian menemukan struktur yang dapat memetakan kondisi sekarang ke kondisi yang mungkin terjadi pada masa mendatang. Struktur ini dapat dihasilkan dengan melakukan suatu komputasi tertentu terhadap beberapa pola-pola yang ada. Hasil peramalan akan dijadikan masukan logika fuzzy untuk mendapatkan keputusan akan menjual, menahan atau membeli valuta asing. METODA Masalah peramalan adalah memperkirakan harga xn+1 berdasarkan data runtut waktu sebelumnya (x1, x2, x3,.......xn). Data-data runtut waktu berupa kurs US dollar terhadap Yen Jepang didapat dari situs http://b2b.thefinancials.com/data_download.asp. Data ini berupa data kurs penutupan harian selama tiga tahun. Peramalan hanya menggunakan metode analisis teknikal sehingga tidak menggunakan data-data fundamental seperti tingkat inflasi, ekspor, impor dan tingkat pengangguran. Data latih terdiri mulai tanggal 2 Oktober 2006 sampai dengan 30 Maret 2007 (6 bulan). Sedangkan data uji mulai tanggal 1 Februari 2007 sampai dengan 30 April 2007 (3 bulan). Sistem yang akan dibangun adalah Hibrida Neural Networks dan Fuzzy Logic (HNNFL). Sistem terdiri dari NN untuk peramalan dan Fuzzy Logic yang digunakan sebagai penentu strategi perdagangan valuta asing. Gambar 1 menampilkan model sistem yang akan dibuat.

Data Time Serries Kurs $/¥

Strategi Perdagangan Valas

Sistem Fuzzy N.N-Backpropagation

Gambar 1 Model Sistem Prediksi dan Strategi Perdagangan Valuta Asing Menggunakan Neural Networks dan Fuzzy Logic.

Gambar 2 Langkah-langkah dalam memilih arsitektur jaringan

ISBN : 978-979-99735-3-5 C-5-2


Pada penelitian ini metode peramalan yang digunakan adalah neural networks dengan arsitektur jaringan multi layer perceptron (backpropagation. Jaringan akan terdiri dari lapisan input, hidden layer dan output. Langkah-langkah dalam memilih arsitektur jaringan yang sesuai tampak pada Gambar 2 . Hasil peramalan akan digunakan sebagai masukan sitem fuzzy untuk pengambilan keputusan dalam perdagangan valuta asing. Untuk melakukan perancangan suatu sistem fuzzy perlu dilakukan beberapa tahapan sesuai Gambar 3.

Gambar 3 Perancangan sistem fuzzy

Untuk mengetahui efektifitas metode dilakukan simulasi perdagangan valuta asing dalam periode waktu 1 bulan (April 2007). Simulasi juga dilakukan pada metode SMA, NN-SMA, NN dan Fuzzy Logic secara terpisah sebagai pembanding. Metode yang paling efektif adalah metode yang memperoleh keuntungan terbesar dalam simulasi perdagangan. HASIL DAN DISKUSI Berdasarkan analisis korelasi arsitektur jaringan terdiri dari 5 neuron input ( T-1; T-2; T-3; T-4; T-5) dan 1 neuron output (T). Pelatihan jaringan menggunakan dua algoritma yaitu traingdx (penurunan gradien dengan momentum) dan trainlm (Levenberg-Marquardt). Parameter pelatihan ditentukan sebagai berikut: a. maksimum epochs=30000 b. mse=1e-10 c. momentum = 0.7 d. learning rate =0.03 Uji coba akan dilakukan pada dua arsitektur jaringan yang berbeda jumlah lapisan tersembunyi dan neuron yang ada di dalamnya. Tidak ada metode yang pasti dalam menentukan jumlah neuron pada lapisan tersembunyi. Pada uji coba ini penentuan jumlah neuron pada lapisan tersembunyi berdasar pendekatan (Gradojevic,2000) n+1 untuk hidden layyer 1 dan 2n+3 untuk layar tersembunyi ke-2 dengan n adalah jumlah neuron input. Berdasarkan pendekatan tersebut didapat arsitektur jaringan yang akan

ISBN : 978-979-99735-3-5 C-5-3


digunakan untuk peramalan yaitu 5-6-1 dan 5-6-13-1 seperti pada Gambar 4 dan Gambar 5

Gambar 4 Arsitektur 5-6-13-1

Gambar 5 Arsitektur 5-6-1

Tiap-tiap arsitektur akan dilatih menggunakan data kurs harian dollar/yen periode 6 bulan (2 Oktober 2006 sampai dengan 30 Maret 2007) sebagai data latih. Arsitektur kemudian diuji dengan data uji periode 1 Februari April 2007 sampai dengan 30 April 2007 (3 bulan). Pada setiap uji coba himpunan data time series, dihitung akurasi hasil klasifikasi dari metode yang digunakan. Tingkat akurasi dihitung berdasarkan jumlah total hasil klasifikasi yang benar dibagi jumlah total data uji. Arsitektur dengan tingkat akurasi tertinggi akan digunakan untuk membentuk sistem hibrida. Pemilihan arsitektur jaringan berdasar pada kecepatan pelatihan (jumlah epoh) dan tingkat kebenaran peramalan (% B). Unjuk kerja neural network ditampilkan pada Tabel 1. Berdasarkan data Tabel 1 dipilih jaringan 5-6-13-1 (trainlm) dengan %B=92.06439%. Output jaringan yang terpilih digunakan sebagai masukan pengambilan keputusan dengan metode SMA dan Sistem Fuzzy. Tabel 1. Unjuk kerja jaringan Backpropagation untuk peramalan Arsitektur 5-6-1 5-6-13-1

Pelatihan Traingdx Trainlm Traingdx Trainlm

Epoh 30000 30000 30000 1895

ISBN : 978-979-99735-3-5 C-5-4

MSE 0.154249 0.147908 0.0642 0.347019

%B 42.85714 12.69841 36.50794 92.06349


Setelah mengetahui pergerakan valuta asing dengan neural networks, permasalahan yang dihadapi adalah adalah bagaimana menentukan strategi perdagangan valuta asing. Strategi perdagangan valuta asing dibuat dengan toolbox matlab menggunakan metode penalaran fuzzy Mamdani. Variabel yang digunakan adalah input (T dan T+1) serta output yang berupa strategi perdagangan. Nilai maksimum (121,97) sedangkan nilai minimum (116,150) sehingga menghasilkan interval [116,122]. Output berupa strategi perdagangan dengan interval [-1 1]. Daerah negatif berarti menjual $ sedangkan positif berarti membeli $. Hal ini berdasarkan strategi one day sell dimana jika tren naik (T+1>T) strategi yang dilakukan oleh trader adalah membeli dollar. Himpunan-himpunan fuzzy yang digunakan pada tiap-tiap variabel seperti terlihat pada Tabel 2. Klasifikasi domain fuzzy diperoleh dari wawanara dengan pelaku perdagangan valuta asing. Tabel 2 Himpunan Fuzzy

Variabel

T

T+1

STRATEGI

Nama Himpunan Fuzzy

Domain

'SangatRendah': 'Rendah': 'AgakRendah': 'Stabil': AgakTinggi': 'Tinggi': 'SangatTinggi': 'SangatRendah': 'Rendah': 'AgakRendah': 'Stabil': AgakTinggi': 'Tinggi': 'SangatTinggi':

'trimf',[116 116 117.8] 'trimf',[116.6 117.5 118.7] 'trimf',[117.5 118.4 119.3] 'trimf',[118.4 119 119.6] 'trimf',[118.7 119.6 120.5] 'trimf',[119.3 120.5 121.4] 'trimf',[120.2 122 122] 'trimf',[116 116 117.8] 'trimf',[116.6 117.5 118.7] 'trimf',[117.5 118.4 119.3] 'trimf',[118.4 119 119.6] 'trimf',[118.7 119.6 120.5] 'trimf',[119.3 120.5 121.4] 'trimf',[120.2 122 122] 'trimf',[-1 -0.6 -0.1] 'trimf',[-0.1 0 0.1] 'trimf',[0.1 0.6 1]

'jual': 'tahan': 'beli':

Satuan USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY USD/JPY -

Tingkat akurasi sistem fuzzy yang dihasilkan adalah 85.71428571%. Nilai ini didapat dengan membandingkan strategi yang dihasilkan oleh sistem fuzzy dengan strategi one day sell. Tujuan penelitian ini adalah untuk mengetahui efektifitas metode Hibrida Neural Networks dan Fuzzy Logic (HNNFL). Untuk itu dilakukan simulasi perdagangan valuta asing mulai tanggal 2 April 2007 sampai dengan 30 April 2007. Hasil dari metode HNNFL akan dibandingkan dengan keuntungan yang didapat oleh metode yang lain. Metode tersebut adalah metode SMA, NNSMA, NN dan Fuzy Logic.Dalam melakukan simulasi perdagangan terdapat beberapa asumsi: a. Modal awal berupa $ 10 dan 1500 yen b. Transaksi yang dilakukan mengacu pada Dollar, beli berarti membeli dollar. c. Nilai nominal transaksi (membeli atau menjual) adalah 1 dollar. Berdasarkan keuntungan yang diperoleh, metode HNNFL terbukti lebih efektif dalam menentukan strategi perdagangan valuta asing dibandingkan metode yang lainnya. Metode HNNFL memunculkan strategi yang berbeda dengan metode SMA.

ISBN : 978-979-99735-3-5 C-5-5


Hal ini karena hasil peramalan NN (5-6-13-1) masuk dalam klasifikasi fuzzy yang berbeda sehinga strategi yang dimunculkan sistem fuzzy berbeda dengan sistem lainnya. Perbedaan strategi inilah yang menyebabkan perbedaan perolehan keuntungan seperti tampak pada 3. Tabel 3 Efektifitas berbagai metode dalam simulasi perdagangan $/yen periode 2 April 2007 sampai dengan 30 April 2007 Hari ke

QuoteDate

T

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

02-Apr-07 03-Apr-07 04-Apr-07 05-Apr-07 06-Apr-07 09-Apr-07 10-Apr-07 11-Apr-07 12-Apr-07 13-Apr-07 16-Apr-07 17-Apr-07 18-Apr-07 19-Apr-07 20-Apr-07 23-Apr-07 24-Apr-07 25-Apr-07 26-Apr-07 27-Apr-07 30-Apr-07

117.860 118.870 118.560 118.760 119.270 118.940 119.070 119.370 119.010 119.170 119.590 118.530 118.030 117.710 117.740 118.400 118.390 118.600 119.540 118.490 119.530 Laba/Rugi

SMA tahan beli jual beli beli jual beli beli jual beli beli jual jual jual beli beli jual beli beli jual beli 117.4

NN(5-6-13-1) SMA tahan jual jual beli jual jual beli beli jual beli jual jual jual beli beli jual jual beli beli jual beli -3.97

Strategi NN (2-3-7-1) beli jual beli beli jual beli beli jual beli beli jual jual jual beli beli tahan beli beli jual beli beli 8.55

Fuzzy beli jual beli beli jual beli beli jual beli beli jual beli beli beli beli beli beli beli jual beli beli 14.680

HNNFL jual beli beli jual jual tahan beli jual beli beli jual beli beli beli beli beli beli beli jual beli tahan 248.27

KESIMPULAN Simpulan yang didapat dari penelitian ini adalah 1. Peramalan kurs valuta asing menggunakan Neural Network menggunakan 5 neuron input (T-1;T-2;T-3;T-4;T-5) dan 1 neuron output (T). Lapisan tersembunyi terdiri dua lapisan yang terdiri dari 6 neuron pada lapisan 1 dan 13 neuron pada lapisan 2. Pelatihan dengan algoritma trainlm (LevenbergMarquardt) menghasilkan pelatihan tercepat dengan 1895/30000 epoh. MSE sebesar 0.201112 dengan tingkat akurasi (%B) 92.06349 %. 2. Strategi perdagangan valuta asing dibuat dengan toolbox matlab menggunakan metode penalaran fuzzy Mamdani. Variabel yang digunakan adalah input (T dan T+1) serta output yang berupa strategi perdagangan. Strategi yang digunakan dalam system fuzzy adalah one day sell yaitu membandingkan kondisi valuta asing hari ini dengan kondisi keesokan harinya. Terdapat tiga kategori strategi perdagangan yaitu jual, beli dan tahan. Tingkat akurasi sistem yang dibuat sebesar85.71428571 %. 3. Hasil simulasi transaksi menggunakan metode Hibrida Neural Network Fuzzy Logic (HNNFL) periode 2 April sampai dengan 30 April memberikan

ISBN : 978-979-99735-3-5 C-5-6


keuntungan sebesar 248,7 yen. Berdasarkan keuntungan yang diperoleh, metode ini lebih efektif dalam menentukan strategi perdagangan valuta asing dibandingkan metode yang lainnya. Dengan metode ini para pelaku perdagangan valuta asing akan mendapatkan keuntungan yang lebih banyak dibanding menggunakan metode Standar Moving Average (SMA) DAFTAR PUSTAKA Arsyad, Lincoln.(2001) Peramalan Bisnis. Edisi Pertama. BPFE, Yogyakarta. Budiarta, Heli Charisma.(2006) Mengenal valuta asing. Gajahmada University Press. Demuth, Howard. Mark Baele (2001) Neural Network Tool Box, For use with MATLAB, The Mathworks Gelley, Ned. Roger Jang (2005) Fuzzy Logic Tool Box, For use with MATLAB, The Mathworks Gradojevic, Nikola. Jing Yang. (2000). The Application of Artificial Neural Networks to Exchange Rate Forecasting: The Role of Market Microstructure Variables. Bank of Canada Working Paper. ISSN 1192-5434.Canada Kamruzzaman, Joarder. Ruhul A Sarker. (2003). Comparing ANN Based Models with ARIMA for Prediction of Forex Rates. ASOR Bulletin, Volume 22 Number 2, June 2003 Kutsurelis, Jason E.(1998) THESIS: Forecasting Financial Markets using Neural Networks: an Alalysis of Methods and Accuracy. NAVAL Postgraduate School. Monterey. California Kusumadewi, Sri.(2002) Analisis dan Desain Sistem Fuzzy menggunakan Tool Box Matlab. Graha Ilmu, Yogyakarta. Kusumadewi,Sri. Hari Purnomo (2004) Aplikasi Logika Fuzzy untuk Pengambilan Keputusan. Graha Ilmu. Yogyakarta. Negnevitsky,Michael.(2005). Artificial Intelligence, A Guide to Intelligent Systems. Second Edition. Pearson Education, England. Shien Lin,Chin.(2002) Can the Neuro Fuzy Model Predict Stock Indexes Better than its Rivals?Providence University Siang, Jong Jek. (2005) Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Andi Ofset,Yogyakarta. Trippi, Robert R (1996)Neural Networks in Finance & Investing.MC Graw-Hill Inc. Widiatmodjo, Sawidji dkk.(2005)”Cara Gampang Cari Duit dari Rumah ,Forex On-line Trading Tren investasi Masa Kini”. PT Gramedia. Jakarta www.Belajarforex.com Xiaoyu, Liu(2002)Timeserries Prediction based on Fuzzy Principles based on Fuzzy Principles.Electrical and Computer Engineering Florida State University.

ISBN : 978-979-99735-3-5 C-5-7

ANALISIS EFEKTIFITAS METODE HIBRIDA NEURAL NETWORKS DAN FUZZY LOGIC UNTUK PERAMALAN VALUTA ASING

Recommend Documents