JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, 2016 ISSN: Abstrak I. PENDAHULUAN. Abstract

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, 2016 ISSN: 2541-5093

PREDIKSI JANGKA PANJANG KRISIS EKONOMI DI INDONESIA MENGGUNAKAN MODEL SISTEM DINAMIK DIOPTIMASI MENGGUNAKAN ALGORITMA GENETIKA SECARA ADAPTIF OLEH SISTEM FUZZY Fajri Rakhmat Umbara Fakultas MIPA, Jurusan Informatika, Universitas Jenderal Achmad Yani Jalan Terusan Jenderal Sudirman, Cimahi, Jawa Barat, Indonesia [email protected]

Abstrak Krisis ekonomi merupakan masalah yang sangat kompleks sekaligus menjadi ancaman bagi setiap Negara di dunia. Oleh karena itu dibutuhkan cara agar krisis ekonomi tersebut dapat dihindari, salah satunya adalah dengan sistem prediksi. Sistem prediksi dalam penelitian ini adalah untuk memprediksi krisis ekonomi di Indonesia dalam jangka panjang. Pendekatan analisis tren digunakan untuk melihat apakah suatu saat Indonesia akan mengalami lagi krisis ekonomi seperti yang telah dialami pada tahun 1998. Model pembuatan tren menggunakan pemodelan Sistem Dinamik, dimana akan dioptimasi menggunakan Algoritma Genetika yang di adaptif oleh Sistem Fuzzy. Data yang digunakan adalah data terurut waktu Produk Domestik Bruto dan Hutang Luar Negeri di Indonesia yang dikeluarkan oleh World Bank dari tahun 1970 sampai dengan masa pemerintahan Bapak Prof. Dr. H. Susilo Bambang Yudhoyono berakhir, yaitu tahun 2014. Pendekatan tren ini dipercaya mampu untuk mengantisipasi datangnya krisis ekonomi yang tentunya memang didasari oleh banyak sekali elemen – elemen yang terlibat didalamnya. Kata kunci : krisis ekonomi Indonesia, analisis tren, model sistem dinamik, algoritma genetik, sistem fuzzy

Abstract

Economic crisis is the complex problem and considered as a threat for many country in this world. A solution is needed for avoid this problem, such as a prediction system. In this research uses for prediction of economic crisis in Indonesia for long term with trend analysis approach. Trend model creates using System Dynamic Model and optimized by Genetic Algorithm Adaptive with Fuzzy System. Time series data such as Gross Domestic Product and External Debt from World Bank are needed for prediction, where data is from 1970 until Prof. Dr. H. Susilo Bambang Yudhoyono end of era, it is in 2014. Trend analysis believed to be able to anticipation future economic crisis in Indonesia certainly is constituted by many elements involved. Keywords : Indonesia economic crisis, tren analyst, sistem dynamic model, genetic algorithm, fuzzy system

I. PENDAHULUAN Krisis ekonomi di Indonesia pernah terjadi pada tahun 1998. Pada saat itu, Indonesia terkena dampak oleh krisis ekonomi yang terjadi di Thailand pada tahun 1997. Pada saat itu Hutang Luar Negeri nilainya lebih tinggi daripada Produk Domestik Bruto. Dalam sejarahnya, Indonesia sendiri sudah dipimpin oleh 7 orang presiden semenjak merdeka pada tahun 1945. Presiden yang saat ini menjabat adalah Bapak Ir. Joko Widodo. Masing – masing presiden Republik Indonesia yang memimpin

Jurnal Nasional JMII 2016

25


memiliki masalah perekonomian yang berbeda – beda.

1970 hingga 2014, yaitu sebanyak 45 data terurut waktu untuk tiap-tiap faktor dan disajikan pertahun.

Krisis ekonomi merupakan masalah yang kompleks yang dihadapi oleh setiap Negara, tidak hanya di Indonesia. Pada tahun 1998, nilai tukar rupiah sempat jatuh dari Rp. 2400,00 menjadi Rp. 16.000,00 , maka tidak heran ketika itu banyak sekali perusahaan dan perbankan yang mengalami kebangkrutan. Selain itu, para investor asing juga enggan untuk menanamkan modalnya di Indonesia karena mereka beranggapan bahwa Indonesia tidak akan bisa keluar dari krisis ekonomi tersebut. Penelitian ini akan mencoba untuk memprediksi krisis ekonomi di endonesia jangka panjang (long term) dengan menggunakan data Produk Domestik Bruto (PDB) dan Hutang Luar Negeri (keduanya dalam Dolar Amerika) yang dikeluarkan oleh World Bank dari tahun 1970 sampai dengan tahun 2014 menggunakan pendekatan analisis tren dengan Model Sistem dinamik yang dioptimasi menggunakan Algoritma Genetika dan adaptif oleh Sistem Fuzzy.

Gambar 1. Data PDB dan Hutang Luar negeri (Dalam dolar Amerika) Dari Tahun 1970 Hingga 2014

Model Sistem Dinamik digunakan untuk membuat tren data yang kemudian akan dicocokkan (trend fitting) dengan data sebenarnya. Menurut J. W. Forrester, Model Sistem Dinamik memiliki persamaan :

II. KAJIAN LITERATUR Krisis ekonomi merupakan suatu keadaan yang komplex. Krisis tersebut dapat disebabkan oleh banyak hal, termasuk kebijakan pemerintah pun termasuk di dalamnya. Untuk itulah permasalahan krisis ekonomi biasanya hanya dilihat dari beberapa faktor yang sangat berpengaruh saja. Di Indonesia, banyak berita mengenai permasalahan krisis ekonomi, baik itu di televisi maupun surat kabar. Misalnya pada surat kabar elektronik Tempo (28-12-12), menjelaskan bahwa saat ini (tahun 2012), nilai hutang luar negeri hampir mencapai 30% dari PDB, yang berarti Indonesia hampir memasuki fase krisis ekonomi (Toni Prasentiantono). Permasalahan ekonomi di Indonesia tidak terlepas dari nilai PDB dan Hutang Luar Negeri, hubungannya masing-masing adalah bi-directional berdasarkan beberapa referensi. Maka dari itu, penelitian yang dilakukan kali ini menggunakan nilai-nilai tersebut untuk membuat model dalam memprediksi krisis ekonomi di Indonesia. Data yang dipergunakan merupakan data time series dari tahun

(1) Kemudian persamaan tersebut di dekatkan dengan Persamaan Diferensial orde 1, sehingga menjadi : (2) Dimana : x

= nilai parameter k pada waktu n+1

x

= nilai parameter k pada waktu n

x

= koefisien dinamik untuk parameter k

x

= salah satu paramer yang digunakan

Algoritma Genetika digunakan untuk mengoptimalisasikan variable koefisien dinamik dari Model Sistem Dinamik. Berikut adalah tahapan dari Algoritma Genetik secara umum :


26


Start

Population

Evaluation

Elitisme / Survivor Selection

Parent Selection

Finish

Gambar 4. Fungsi Trapesium

Dan untuk menghitung derajat keanggotaan pada fungsi trapesium menggunakan persamaan : Mutation

CrossOver

Gambar 2. Algoritma Genetika

Kemudian akan menggunakan Sistem Fuzzy untuk membuat Algoritma Genetika tersebut berperilaku adaptif. μ

Crisp Input

Gambar 5. Ilustrasi Fungsi Trapesium

Fuzzification Fuzzy Input

Fuzzy Rule

Inference Fuzzy Output

Trapesium(a,b,c,d) =

(3)

Dimana dapat dilihat dari gambar 5 : Output μ

Defuzification Crisp Value Gambar 3. Sistem Fuzzy Dengan Model Mamdani

x x

x = crisp input a,b,c,d = batas kaki fungsi trapesium

Didalam penelitian ini, Sistem Fuzzy berperan untuk mengubah – ubah nilai variabel Probabilitas Mutasi (Pm) yang digunakan setiap iterasi dalam Algoritma Genetika. Model fuzzy yang digunakan adalah model Mamdani. Untuk proses fuzzifikasinya dengan menggunakan centroid berdasarkan persamaan :

Untuk fungsi keanggotaan menggunakan fungsi trapesium dimana terdapat 3 buah nilai yaitu tinggi, sedang, dan rendah.

(4) Dimana : x

y = nilai crisp


27


x

μR(y) = derajat keanggotaan dari y

Algoritma Genetika digabungkan dengan Sistem Fuzzy Mamdani sehingga proses – proses yang dijalankan adalah : Sistem Fuzzy Algoritma Genetik

Parameter

Statistik

PDB dan Hutang Luar Negeri dari tahun 1970 sampai dengan 2014 yang digunakan sebagai data history. Terdapat 3 bagian utama dalam penelitian ini yaitu : 1) Normalisasi data, 2) Pembuatan model menggunakan Model Sistem Dinamik yang dioptimasi menggunakan Algoritma Genetika Adaptif oleh Sistem Fuzzy dengan acuan data history, 3) Pembangunan model tren di Indonesia selama 130 tahun, dari tahun 1970 hingga 2100 berdasarkan Model Sistem Dinamik yang telah dihasilkan. Normalisasi Data Time Series

Permasalahan

Membuat model Dinamik Sistem dengan Algoritma Genetika Adaptif oleh Sistem Fuzzy menggunakan data history

Model yang sudah di optimasi

Gambar 4. Algoritma Genetik Adaptif Dengan Sistem Fuzzy

Tren yang dihasilkan oleh Model Sistem Dinamik yang sudah di optimasi akan di cocokkan dengan data time series yang sesungguhnya, dalam hal ini dapat disebut juga dengan data history menggunakan (MAPE) sebagai parameter evaluasi. Adapun persamaan MAPE yang digunakan adalah :

Membuat tren selama 130 tahun

Gambar 5. Metodologi Penelitian

IV. HASIL PENELITIAN Variabel masukan untuk Algoritma Genetika adalah : ¾

Jumlah populasi (population): 2000

¾

Jumlah generasi : 100000

Dimana :

¾

Probabilitas mutasi (Pm) : 0.3

x

At = Data aktual

¾

Probabilitas cross-over (Pc) : 0.9

x

Ft = Data prediksi

x

n = panjang time series

Sedangkan untuk Sistem Fuzzy menggunakan 3 fungsi keanggotaan trapesium yaitu Fitnes Maksimum, Fitnes Minimum, dan Fitnes Rata – rata yang masing masing memiliki 3 buah nilai, yaitu tinggi, sedang, dan rendah dan 1 buah fungsi trapesium untuk proses inference yaitu nilai Probabilitas Mutasi yang akan di cari.

(5)

Indikator untuk menentukan apakah suatu kondisi dinyatakan krisis ekonomi atau tidak adalah apabila nilai Hutang Luar Negeri lebih tinggi dari nilai Produk Domestik Bruto, seperti yang terjadi pada Indonesia pada tahun 1998.

III. ANALISIS DAN PERANCANGAN Penelitian ini akan membuat model tren sampai dengan masa pemerintahan Bapak Prof. Dr. H. Susilo Bambang Yudhoyono dengan menggunakan data

Hasil penelitian dari parameter diatas menunjukan bahwa fitting history data dengan Model Sistem Dinamik menghasilkan MAPE total sebesar 0.3706. Grafik hasil fitting dapat dilihat dari gambar dibawah ini :


28


0.3706. Sistem Fuzzy juga sudah berjalan dengan baik untuk membuat Algoritma Genetik menjadi Adaptif nilai Probabilitas Mutasinya. Tren yang ditunjukkan pada hasil penelitian mengisyaratkan bahwa jika tren GDP dan Hutang Luar Negri tidak dapat diubah, maka pada tahun 2064, Indonesia akan mengalami krisis ekonomi yang sama seperti yang telah terjadi pada tahun 1998. Perubahan tren harus dilakukan, salah satunya adalah dengan kebijakan yang efektif. Gambar 7. Grafik Fitting Data History dengan Data Model

Untuk prediksi sampai dengan tahun 2100 menggunakan Data Model dapat dilihat dari gambar dibawah ini :

Penambahan parameter pemicu krisis ekonomi dapat ditambah untuk pengembangan penelitian ini dan berbagai metode analisis tren juga dapat digunakan untuk perbandingan hasil.

REFERENSI [1]. Chen. G and Pham. T. T., Introduction to Fuzzy Set, Fuzzy Logic, and Fuzzy Control System. CRC Press LLC, United State. 2001. [2]. Chontanawat. J, Hunt. L. C, Pierse. R, Causality Between Energy Consumption and GDP : Evidence From 30 OECD and 78 Non-OECD Country. Surey Energy Economics Discussion paper Series. ISSN 1749-8384. 2006. [3]. Forrester, J. W., Economic Theory for The New Millennium. International System Dynamics Conference. New York. 2003.

Gambar 8. Grafik Prediksi Sampai Dengan Tahun 2100

Dari gambar diatas, dapat dilihat bahwa terdapat kondisi dimana Hutang Luar Negeri lebih tinggi daripada PDB yaitu pada tahun 2064, hasil tersebut dapat dilihat dari tabel dibawah ini : Tabel 1. Data Hasil Prediksi Tahun 2061 Sampai 2068 2061 0.92 5359 0.91 5938

2062 0.92 3198 0.91 9011

2063 0.92 1117 0.92 1272

2064 0.91 9126 0.92 2783

2065 0.91 7231 0.92 3609

2066 0.91 5439 0.92 3816

2067 0.91 3754 0.92 3468

2068 0.91 2176 0.92 2631

V. KESIMPULAN DAN SARAN Dari hasil penelitian diatas menunjukkan bahwa tingkat keberhasilan penelitian sudah cukup baik. Hal ini dapat dilihat dari nilai MAPE total sebesar

[4]. Herrera. F. and Lozano. M., Fuzzy Genetic Algorithm : Issues and Models. Dept. of Computer Science and A.I. University of Granada. Spain. [5]. Kaminsky. G, Lizondo. S, Reinhart. C. M., Leading Indicator of Currency Crisis. Munich Personal RePEc Archive No. 6981. University of Maryland. 2008. [6]. Malhotra. R. Singh. N, Singh. Y, Genetic Algorithm : Concepts, Design for Optimization of Process Controller. Canadian Center of Science and Education Vol.4 No. 2. 2011. [7]. Meadows. D. H, Meadows. D. L, Randers. J, Behrens III. W. W., The Limits To Growth. MIT. Universe Book. ISBN 0-87663-165-0. New York. 1972. [8]. Razzaqi. S & Sherbaz. S., Dynamic Relationship Between Energy and Economic Growth :


29


Evidance for D8 Country. The Pakistan development review PDR [s.n.], ISSN 00309729, ZDB-ID 2075544. - Vol. 50.2011, 4, p. 437-458. Islamabad. 2011. [9]. Roberts. , et al., Introduction to Computer Simulation : A System Dynamics Modelling Approach. Addison-Wesley. 1983. [10]. Saadah. S. Liong. T. H. Wijaya. A., Prediction System of Economic Crisis in Indonesia Using Time Series Analysis and System Dynamics Optimized by Genetic Algorithm. International Conference of Science, Engineering, and Technology. 2012.

[11]. Suyanto, Soft Computing : Membangun Mesin er-IQ Tinggi. Informatika. Bandung. 2008. [12]. Suyanto, Artificial Intelligence : Searching, Reasoning, Planning, Learning. Informatika. Bandung. 2011. [13]. Wu. Q. H, Cao. Y. J, Wen. J. Y., Optimal Reactive Power Dispatch Using Adaptive Genetic Algorithm. Electrical Power and Energy System Vol 20, No 8 pp 563-569. Elsevier Science. 1998.


30

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, 2016 ISSN: Abstrak I. PENDAHULUAN. Abstract

Recommend Documents