BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1
Gambaran Umum Sistem Peramal Data mentah yang dimasukan oleh user akan masuk ke dalam preprocessing terlebih dahulu, dalam pre-processing ini data mentah akan diubah menjadi nilai-nilai yang sesuai dengan criteria J ST, hasilnya adalah pasangan data pelatihan dan data input pelatihan. Pasangan data pelatihan akan dimasukkan ke dalam jaringan syaraf dan di-training untuk mendapatkan nilai weight yang nantinya akan digunakan untuk melakukan peramalan dari data input pelatihan. Adapun diagram balok dari sistem JST dapat dilihat pada Gambar 3.1.
Training
Data mentah
Pre-processing data
Data pelati han
MLFN dengan algoritma bac kpropagation
Weight hasil training
Data peramalan
Forecasting
Hasil Peramalan Database hasil peramalan
Gambar 3.1 Diagram peramal nilai kurs dolar Amerika terhadap rupiah berbasis JST
43
44 3.2
Analisis Sistem Sebuah program aplikasi yang digunakan untuk melakukan peramalan membutuhkan dua langkah dasar, kemampuan menganalisis data runtut waktu (time series data) dan memilih metode peramalan terbaik yang sesuai dengan data runtut waktu tersebut. Dalam bidang forex, data runtut waktu yang diperlukan merupakan data historikal mengenai nilai pertukaran selama beberapa waktu terakhir, selain data-data historikal diperlukan pula data historikal lain yang mempengaruhi perubahan nilai forex yang terjadi, misalnya adalah data mengenai indeks harga saham, cadangan devisa, produk domestik bruto, volume ekspor-impor dan lainnya. Lewat data-data yang sudah dikumpulkan maka proses analisis data dapat dilakukan sesuai dengan metode yang telah ditentukan. Ada banyak metode yang dapat digunakan dalam meramalkan nilai forex di masa mendatang, misalnya adalah metode statistik, stokastik, maupun metode moving average. M etode-metode ini dahulu banyak dipakai ketika nilai pertukaran mata uang hanya dipengaruhi penawaran terhadap mata uang domestik dan permintaan terhadap mata uang luar negeri. Tetapi kini banyak hal yang mempengaruhi nilai mata uang selain permintaan dan penawaran antara dua mata uang yang bersangkutan, misalnya seperti faktor fundamental negara, permintaan dan penawaran antara mata uang lainnya, harga barang-barang dunia (minyak dan gas), serta lainnya. Hal ini telah menyebabkan metode-metode tadi tidak dapat memberikan peramalan yang memuaskan, sebab pola yang terjadi pada nilai pertukaran bukan lagi bersifat linear atau polynomial semata, juga bukan random namun bersifat sangat dinamis.
45 JST dalam kemampuannya mempelajari data-data input dan melihat hubungannya lewat weight dengan output merupakan metode pendekatan yang jauh lebih baik dan akan dapat memberikan hasil peramalan yang lebih baik daripada metode-metode lainnya. Dalam JST, input yang diperlukan untuk umpan bukan merupakan data mentah semata (penggunaan data mentah sebagai input juga dapat dilakukan namun bukan cara yang baik) tetapi data yang sudah diolah. Dalam pengolahannya dapat menggunakan metode-metode seperti stokastik maupun moving average, jadi pada dasarnya penggunaan metodemetode tradisional sebagai umpan bagi J ST akan meningkatkan performa JST. Dalam menganalisis sistem peramalan nilai kurs mata uang dolar Amerika terhadap rupiah, penulis menganalisis hal-hal penting diantaranya : 1. Perancangan aplikasi yang user interface. Dengan tampilan yang user interface maka pengguna dapat dengan mudah mengoperasi sistem. 2. M etode-metode yang dipakai dalam peramalan, penulis menggunakan metode moving average. 3. Data-data yang dipakai sebagai inputan yang dapat memberikan output yang lebih baik. Data yang digunakan diantaranya indeks saham gabungan, cadangan devisa, suku bunga BI dan lain-lain. 4. Proses peramalan memakan waktu yang lama apabila data-data yang dipakai sangat banyak dan peramalan dalam jangka waktu yang beberapa minggu. Dengan data sebagai inputan yang banyak maka hasil yang didapat akan lebih akurat.
46 Beberapa hal yang diperlukan di dalam analisa sistem JST agar dapat memberikan peramalan yang baik adalah feasibility study, penentuan variabel input, penentuan fungsi aktivasi, jumlah hidden layer yang dipakai dan model arsitektur jaringan yang sesuai.
3.2.1
Analisa Kebutuhan Sistem Beberapa hal telah dipelajari berkaitan dengan adanya program-program aplikasi dan metode-metode serupa yang bertujuan untuk melakukan peramalan, berikut ini didapati beberapa kesimpulan seperti: 1. Program aplikasi yang dibuat di luar negeri telah cukup dapat dipercaya untuk dapat memberikan proses pengambilan keputusan dengan tingkat kepercayaan yang tinggi. 2. Program aplikasi yang dibuat di dalam negeri belum dapat memberikan peramalan yang cukup akurat malahan seringkali merugikan transaksi pasar uang yang terjadi. 3. M etode-metode lainnya yang umum dipakai adalah metode M oving Average, M ACD, RSI, M omentum, Stochastic, ATR, CCI. Sama seperti program, metode ini dapat dipakai dengan baik untuk meramal nilai kurs mata uang asing terhadap mata uang asing lainnya sementara didalam negeri metode ini masih kurang baik. (www.forekmarket.com). Berikut ini beberapa perbandingan hasil peramalan yang pernah dilakukan terhadap nilai tukar kurs Dolar Amerika terhadap Rupiah:
47 1. M enurut Laporan Global Forex Outlook kuartal pertama tahun 2005 oleh IDEA Global (www.ideaglobal.com) Periode
Hasil perkiraan
Hasil sesungguhnya
Kuartal ke-1 2004
9000
9220
Kuartal ke-2 2004
8800
9260
Kuartal ke-4 2004
8500
9435
Hasil antara perkiraan dan kenyataan ini sangat jauh berbeda, untuk nilai tukar yang diperkirakan menguat namun kenyataan nilai tukar melemah, kerugian yang dialami akibat kesalahan peramalan sangatlah besar. 2. M enurut Bank of M ontreal Research, data diambil dari situs resminya (www.bmonesbittburns.com/economics/) Periode
Hasil perkiraan
Hasil sesungguhnya
September 2006
9075
9189
Desember 2006
9050
9030
Hasil ini juga kurang baik, untuk perkiraan akhir tahun bulan Desember memang mendekati, tetapi untuk bulan September hasilnya masih jauh berbeda dan hal ini juga akan menyebabkan kerugian yang cukup besar pula.
Dari dua contoh hasil peramalan yang tidak akurat ini mendorong penulis untuk melanjutkan penelitian dan membuat alat peramal dengan harapan bisa memiliki tingkat akurasi yang lebih baik.
48 3.2.2
Penentuan Variabel Input Variabel input yang akan dipakai untuk melatih sistem JST merupakan hal yang sangat signifikan dan amat berpengaruh terhadap unjuk kerja (performance) yang akan dihasilkan oleh sistem JST nantinya, bila variabel input tidak memiliki tingkat korelasi yang tinggi terhadap outputnya, maka sekalipun proses pelatihan telah dilakukan dan tingkat kesalahan sistem (system error) telah lebih kecil dari yang tingkat kesalahan yang diharapkan (target error), proses peramalan yang dilakukan akan menghasilkan sesuatu yang kurang sesuai dari harapan, bahkan akan memberikan hasil yang merugikan. Pemilihan variabel input harus didasarkan dengan tingkat korelasi yang tinggi dengan output; dimana dalam hal ini (peramalan kurs) yang diperlukan secara pasti adalah data historikal nilai kurs selama beberapa periode terakhir (disini penulis memakai data historikal satu tahun terakhir). Selain itu, perlu juga diperhitungkan hal-hal lain seperti faktor makro ekonomi dan faktor landasan ekonomi negara. Semenjak sistem JST merupakan sistem yang sangat bergantung terhadap fungsi aktivasi neuron, maka input yang akan diumpankan kepada sistem JST juga harus sesuai dengan nilai output dari fungsi aktivasi, disini penulis menggunakan fungsi aktivasi tangen hiperbolik dimana output dari fungsi ini adalah nilai antara -1 sampai 1, sehingga nilai input (sebagai sinyal pada layer pertama) haruslah memiliki nilai antara -1 sampai 1 juga, bila hasil yang diberikan diluar range nilai tersebut maka hal ini akan menyebabkan proses training berjalan dengan lebih lambat dari seharusnya bahkan memungkinkan terjadinya proses pelatihan yang tidak berhenti.
49 Adapun pada akhirnya kami memutuskan hal-hal utama yang menjadi indikator kurs selain data historikal daripada nilai tukar kurs sendiri, hal-hal tersebut adalah: 1. Cadangan devisa dalam suata negara, data ini menunjukkan transaksi permintaan dan penawaran (ekspor-impor) antarnegara, data ini sangat mempengaruhi nilai kurs. Secara sederhana hubungan antara cadangan devisa dan nilai tukar kurs adalah semakin besar devisa berarti nilai tukar kurs akan semakin menguat (Yao, 2000) 2. Tingkat inflasi, data ini menunjukkan stabil-tidaknya perekonomian suatu negara secara keseluruhan, bila terjadi inflasi terus-menerus maka hal ini menandakan perekonomian yang sedang bergejolak 3. Suku bunga SBI menunjukkan kemampuan pemerintah dalam memberikan kebijakan berkaitan dengan turunnya nilai tukar kurs, bila terjadi peningkatan suku bunga berarti nilai tukar melemah 4. Transaksi pasar uang, menggambarkan hidup tidaknya pasar uang yang berada di suatu negara, bila nilai transaksi makin besar berarti menunjukkan tingkat kepercayaan yang semakin tinggi dan secara tidak langsung hal ini akan menyebabkan menguatnya nilai tukar 5. Nilai IHSG juga menjadi indikator, bila IHSG menguat berarti perekonomian dapat dikatakan membaik dan akan membawa nilai tukar kurs menguat M asih banyak faktor-faktor lainnya yang mempengaruhi pergerakan forex, namun karena kesulitan mendapatkan data-data kami hanya menggunakan
50 faktor-faktor yang kami anggap benar-benar mempengaruhi forex dengan tingkat signifikansi yang tinggi.
3.2.3
Penentuan Jumlah Hidden Layer Dalam arsitektur sistem seperti yang dapat dilihat pada Gambar 3.2, terlihat bahwa hidden layer hanya berjumlah satu dengan tiga neuron. Keberadaan hidden layer pada JST memiliki tujuan meningkatkan proses training dan meningkatkan performance JST secara signifikan, lantas mengapa hidden layer yang ada hanya satu dan bukan dua atau tiga? Hal ini diakibatkan beberapa hal, yaitu: a. Program aplikasi berbasis JST yang dibuat merupakan sistem dengan skala kecil (small scale system). b. Hasil penelitian membuktikan bahwa penambahan jumlah hidden layer belum tentu meningkatkan performance dari J ST, hal ini disebabkan perulangan
perhitungan
nilai yang sebenarnya tidak
diperlukan
(Haykin,1998). c. Dengan adanya penambahan hidden layer pada sistem berskala kecil berarti kita mencoba untuk memaksakan peningkatan korelasi antar satu input dengan input yang lain, input harus berkorelasi dengan output namun input tidak perlu berkorelasi dengan input lainnya.
3.2.4
Penentuan Output Output berhubungan langsung dengan fungsi aktivasi, sehingga target output dari pasangan data pelatihan juga harus memiliki range nilai yang sama
51 dengan output fungsi aktivasi yakni antara -1 sampai 1. Output pada sistem JST ini memiliki nilai yang malar (malar dalam hal ini bukan benar atau salah), nilai yang berarti secara kuantitatif, sehingga hasil akhir dari sistem ini adalah suatu angka prediksi yang mendekati angka nyata (M uis, 2006). Selain itu, hal ini juga menyebabkan kesimpulan yang didapat dari hasil output tidak dapat menyatakan trend pergerakan yang sedang berlangsung dalam jangka panjang. Salah satu hal yang tersulit dalam merancang sistem J ST adalah mengubah data mentah menjadi input / output dengan nilai range -1 sampai 1. Dalam hal ini, banyak cara ditawarkan untuk mengkonversi data menjadi nilai yang sesuai, beberapa diantaranya adalah normalisasi, statistika, moving average dan penyekalaan (pembahasan mengenai hal ini ada pada Bab 2). Disini data output dari pasangan data pelatihan yang kami gunakan adalah persentase perubahan dari nilai kurs; nilai antara nol sampai maksimal positif satu untuk nilai kurs yang melemah (nilai Rupiah melemah terhadap Dollar Amerika) dan nilai lebih kecil dari nol sampai minimal negatif satu untuk nilai kurs yang menguat (nilai Rupiah menguat terhadap Dollar Amerika).
3.2.5
Penentuan Fungsi Aktivasi Fungsi aktivasi yang dipakai dalam JST harus disesuaikan dengan kebutuhan JST itu sendiri, dalam implementasinya untuk melakukan prediksi kurs, dimana nilai kurs bisa melemah (nilai persentase positif) maupun menguat (nilai persentase negatif) maka fungsi aktivasi yang dipakai harus mencakup range negatif (-1) dan positif (+1).
52 Fungsi aktivasi yang biasa digunakan untuk kebutuhan ini adalah fungsi logistik (sigmoid bipolar) dan tangen hiperbolik, namun disini penulis menggunakan tangen hiperbolik karena penggunaan dua variabel bebas akan meningkatkan unjuk kerja, berikut ini persamaannya: f ( x ) = a tanh(bx ),
(a , b) > 0
(3.1)
dimana a dan b adalah bilangan konstan bebas. Pada kenyataannya, fungsi tangen hiperbolik ini hanyalah merupakan fungsi logistik yang diskalakan dan dibiaskan, bila dibandingkan dengan fungsi logistik yang hanya memiliki satu variabel bebas maka fungsi ini lebih baik (LeCun,1993). Turunan pertama dari fungsi ini dinyatakan dalam persamaan: f '( x) =
b [a − f ( x )][a + f (x )] a
(3.2)
dimana penyederhanaannya adalah: f '( x) =
[
b 2 a −f a
2
(x )]
(3.3)
Fungsi tangen hiperbolik memiliki dua variabel konstan bebas dalam persamaan, sehingga diperlukan penentuan nilai bagi kedua variabel tersebut. Nilai yang paling cocok untuk a dan b adalah (LeCun,1993): a = 1.7159 dan b =
2 3
Dengan nilai ini maka f (1) = 1 dan f (− 1) = − 1 , pemetaan fungsi antara input dan output sangat tepat. Hasil adopsi nilai variabel a dan b menggantikan persamaan 3.1 menjadi: ⎛2 ⎞ f ( x ) = 1.7159 tanh⎜ x ⎟ ⎝3 ⎠
(3.4)
53 dan persamaan 3.3 menjadi:
[
f ' ( x ) = 0.3885 2.9443 − f
3.2.6
2
( x )]
(3.5)
Parameter Input Tiga dari lima parameter input jaringan syaraf ini menggunakan menggunakan metode M A yakni metode Exponential Moving Average (EM A) dan Moving Average Convergence Divergence (M ACD), sementara dua parameter lagi merupakan faktor X1 dan faktor X2. Faktor X1 merupakan nilai gabungan rata-rata ternormalisasi dari inflasi, kurs dan suku bunga SBI, sementara faktor X2 adalah nilai gabungan rata-rata ternormalisasi dari cadangan devisa, indeks harga saham gabungan (IHSG) dan transaksi pasar uang.
3.2.7
Arsitektur JS T Beserta Parameter EMA(n1)
EMA(n2)
MACD(n3)
X1
X2
Lapisan 1 Input Layer
Lapisan 2 Hidden Lay er
Gambar 3.2 Arsitektur JST dan parameter
Output Layer
54 Arsitektur dari sistem yang dibuat dapat dilukiskan seperti pada Gambar 3.2 berikut ini, parameter-parameter ini bukanlah harga mati melainkan dapat diganti-ganti sesuai perkembangan dari data historikal misalnya apabila trend berubah menjadi trend-trend jangka panjang, maka parameter input pertama dan kedua yang menggunakan metode EM A harus diganti dengan metode WM A sehingga peramalan akan berlangsung lebih baik.
3.3
Rumusan Permasalahan Berikut ini adalah rumusan daripada permasalahan-permasalahan yang ditemukan, yakni: 1. Tingkat akurasi peramalan Dolar Amerika – Rupiah dengan metodemetode lain masihlah rendah. 2. Penggunaan metode backpropagasi (jaringan syaraf) memerlukan datadata input yang secara signifikan mempengaruhi perubahan nilai, sehingga perlu diketahui faktor-faktor yang mempengaruhi tersebut. 3. Jaringan syaraf yang dibuat haruslah memiliki arsitektur dan fungsi aktivasi yang sesuai untuk melakukan pelatihan 4. Kebutuhan terhadap penggunaan aplikasi yang mudah (antarmuka yang bersahabat), mengingat kalangan pengguna yang sebagian besar tidak bergelut dalam bidang komputer.
3.4
Usaha Pemecahan Masalah Setelah melakukan analisa kebutuhan dan memperhatikan keberadaan permasalahan ini maka penulis mengusulkan usaha pemecahan masalah dengan
55 membuat sebuah program aplikasi peramal mata uang dengan menggunakan jaringan syaraf metode backpropagasi, program aplikasi ini diharapkan akan dapat melakukan peramalan dengan tingkat akurasi yang lebih baik daripada program aplikasi serupa lainnya ( tingkat akurasi > 60%).
3.5
Database Sistem Dalam analisa sistem JST ini, kami juga berpikir mengenai pentingnya keberadaan sebuah database yang berguna sebagai penyimpan data setelah peramalan selesai dilakukan. Beberapa pertimbangan dibutuhkannya database adalah: 5. Peramalan yang dilakukan akan berjalan lambat, membutuhkan waktu berjam-jam, sehingga apabila pengguna meninggalkan komputer saat melakukan peramalan maka database ini berguna untuk menyimpan data hasil peramalan. 6. Bila peramalan selesai dilakukan dan pengguna lupa mencatat hasil peramalan yang telah dilakukan atau menutup program sengaja maupun tidak maka database ini sudah menyimpan hasil peramalan dan dapat dibuka untuk melihat hasil peramalan tanpa perlu melakukan proses peramalan yang memakan waktu lama. Adapun database ini kami buat secara sederhana karena database berguna hanya sebagai penyimpan data yang berukuran kecil, database ini merupakan sebuah textfile. Berikut ini, tabel database pada perancangan sistem aplikasi kami:
56
3.6
No. 1 2
Nama Field Periode Nilai Peramalan
Tipe Data Small Integer Float
3
Persentase Kenaikan
Float
Deskripsi Periode peramalan Nilai peramalan Dolar terhadap Rupiah Nilai persentase kenaikan dari harga sebelumnya
Desain Sistem Dalam pembuatan program aplikasi ini, kami memakai pendekatan berorientasi objek, sehingga desain piranti lunak yang kami buat ini kami sajikan dalam bentuk pemodelan Unified M odeling Language (UM L) yaitu use case diagram, static structure diagrams (conceptual dan class diagram) dan interaction diagrams (sequence dan collaboration diagram). Dalam pendekatan berorientasi objek ini kami membuat beberapa kelas untuk dapat menggambarkan pemodelan dari piranti lunak ini, kelas-kelas yang dibuat adalah: 1. Kelas Proyek Skripsi Kelas ini berupa kelas yang mengatur keseluruhan dari program aplikasi ini, kelas ini membuat tampilan, memiliki atribut utama berupa objek dari kelas Data Pelatihan dan objek dari kelas Jaringan serta objek dari kelas Tampilan untuk mengatur tampilan windows. 2. Kelas Tampilan Kelas ini berfungsi untuk mengatur tampilan program aplikasi agar program aplikasi ini memiliki tampilan yang serupa dengan program aplikasi windows, kelas ini dipakai hanya sebagai pelengkap.
57 3. Kelas Data Pelatihan Kelas ini berfungsi untuk mengatur data-data yang dipakai dalam program, yakni: membaca data, mengkonversi dan menormalisasi data mentah agar menjadi pasangan data pelatihan yang valid; menghasilkan data yang akan menjadi input untuk melakukan proses peramalan, serta menyimpan hasil peramalan kedalam database. 4. Kelas Jaringan Kelas Jaringan ini digunakan untuk membuat jaringan syaraf, kelas inilah yang melakukan inisialisasi weight dan melakukan proses pelatihan (forward dan backward). 5. Kelas Neuron Kelas yang terakhir ini tidak berhubungan langsung dengan kelas Peramalan, namun objek dari kelas ini akan menjadi bagian dari kelas Jaringan. Kelas ini berisi nilai-nilai xinput, xoutput dan juga nilai error. Selain itu kelas ini memiliki method untuk melakukan perhitungan fungsi aktivasi dan juga fungsi turunannya.
58 3.6.1
Use Case Diagram
JST System
Giv e Input Pre-Processing
«extends»
User Data Processing
«extends» Training «extends»
Giv e Output Forecasting
Sav e to Database
Gambar 3.3 Use Case Diagram
59 3.6.2
Conceptual Diagram
1
peramal 1
1 1 Jaringan
DataPelatihan 1 1
1
Tampilan
* Neuron
Gambar 3.4 Conceptual Diagram
60 3.6.3
Sequence Diagram
peramal
tampilan
data
jaringan
neuron
gantiTampilan Message1 cekInputError() message Error konv ersi() hasil konversi normalisasi() hasil normalisasi inv erse() hasil inv erse cariInput_Output() InputTraining & Output Training
inisialisasiWeight buatNeuron:=buatNeuron() f orward backward f orecast sav eToDatabase message Error
Gambar 3.5 Sequence Diagram
61 3.6.4
Collaboration Diagram
tampilan () an pil m Ta nti a g
Peramal in isi al isa f o ba rw si W f o ck w ar d ei g rec a () h t() as rd( t() )
c ekInputE rror() konv ersi( ) normalis asi() invers e() cariI nput_O ut sa v eToD put () ata base data
() euron uat N b : = n Neuro buat
jaringan
Gambar 3.6 Collaboration Diagram
neuron
62 3.6.5
Class Diagram
Peram al
1
1
-is part of
Jaringan #neuron : Neuron #weight : double #jmlLayer : i nt #jmlLapisanWeight : int #jmlNeuron : int #sys temErrorTemp : doubl e #sys temError : double #alpha : doubl e +forecast() +forward() +bac kward() +inisialisasiWeight() 1
-consists
-jaringan : Jaringan -data : DataPelatihan -tampilan : Tampilan +buatPanelHor() +buatPanelVer() +buatGUI() +setEnabled() +actionPerformed() +cekKondisiLanjut() : bool +main() 1
-consists
1
-is part of
Tampilan +gantiTampilan()
-consists *
-is part of
Neuron #x_in : double #x_out : doubl e #error : double +buatNeuron() : N euron +fungsi() +fungsiTurunan() : double
Gambar 3.7 Class Diagram
-consists 1
1
-is part of
DataPelatihan #nilai #inputTraining #outputTraining #inputPeramalan #jmlDataInput +cariInput_Output() +normalisasi() +konversi() +cariMACD() +cariEMA() +rata_rata() +inverse() +cekInputError() +saveToDatabase()
63 3.4 Rancangan Layar Rancangan layer ini merupakan gambaran kasar dari halaman-halaman yang dirancang dalam suatu sistem dalam penulisan skripsi ini, seperti terlihat pada gambar 3.6. Rancangan layer dalam sistem yang dibuat terbagi dalam 2 bagian yaitu:
Proyek Skripsi : Program Per amalan Kurs D ollar Amerika - Rupiah Peramalan Input ke- 1
Inputan ke-1
Input ke- 2
Inputan ke-2
Input ke- 3 . . .
Inputan ke-3
Input ke- n
Inputan ke-n
Hasil Peramalan
Minggu ke-
Output A
Output B
Output C
Grafik Hasil Peramalan
Periode Data Input A
minggu
Periode Peramalan Input B
minggu
FORECAST
Gambar 3.8 Rancangan Layar Program Peramalan
Keterangan: 1. Inputan ke-1 sampai inputan ke-n adalah input yang dimasukkan oleh user, user memasukkan file berisi data-data mentah seperti data historikal kurs, transaksi pasar uang, dan lainnya. Tipe input ini adalah file browser.
64 2.
Input A adalah inputan user mengenai lama data yang menjadi input untuk training, satuan dalam minggu. Tipe input ini adalah drop down menu (combo box).
3. Input B adalah inputan user mengenai lama peramalan yang mau dilakukan, satuan dalam minggu. Tipe input ini adalah drop down menu (combo box), nilainya antara satu sampai delapan. 4. FORECAST adalah tombol untuk memulai training dan melakukan peramalan sekaligus. Setelah proses peramalan selesai dilakukan maka pada bagian kanan akan keluar hasil peramalan. 5. Output A adalah output seperti dengan Input C, nilai dipilih oleh user untuk mengetahui peramalan dalam waktu kedepan. Tipenya adalah drop down menu dengan nilai antara satu sampai dengan nilai yang dipilih di Input C. 6. Output B adalah output berupa hasil peramalan dalam nilai kurs Rupiah terhadap Dollar Amerika. Tipenya adalah textfield yang tidak dapat diedit. 7. Output C adalah output berupa hasil peramalan dalam nilai persentase sesuai perubahan terhadap kurs yang terjadi. Tipenya adalah textfield yang tidak dapat di-edit..
