ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
Nama NPM Jurusan Pembimbing
Disusun oleh: : AKHMAD KAHFI : 20208077 : Akuntansi / S1 : Dr. Armaini Akhirson, SE., MMA
Latar Belakang Masalah
Suku Bunga dari Beberapa negara di Asia Tenggara (%) Indonesia (bi.go.id)
Malaysia Singapura (bnm.gov.my) (mas.gov.sg)
Thailand (bot.or.th)
Filipina (bsp.gov.ph)
2006
9,75
3,5
2,75
5
7,5
2007
8
3,5
0,13
3,25
5,4
2008
9,25
3,25
0,06
2,75
5,9
2009
6,5
2
0,01
1,25
4
2010
6,5
2,75
0,13
2
4
2011
6
3
0,02
3,25
4,5
Sumber: www.tradingeconomics.com
Latar Belakang Masalah
Suku bunga Bank Indonesia (BI Rate) adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh Bank Indonesia dan diumumkan kepada publik. BI Rate sebagai respon (stance) kebijakan moneter ditetapkan untuk mengarahkan pergerakan inflasi dan ekonomi ke depan agar tetap berada pada jalur pencapaian sasaran inflasi yang telah ditetapkan (konsistensi)
Adanya penurunan BI Rate yang cukup signifikan pada tahun 2009 dimaksudkan agar dapat membuka peluang pembiayaan terhadap kegiatan sektor riil, dan juga diperkirakan kegiatan investasi swasta akan semakin terdorong dikarenakan iklim investasi yang semakin membaik. Selain itu penurunan BI Rate juga untuk pencapaian sasaran inflasi yang rendah. Secara keseluruhan kemungkinan perkembangan faktor-faktor yang dapat mempengaruhi tingkat bunga BI Rate, diantaranya adalah inflasi, Jumlah Uang Beredar (JUB), PDB, nilai tukar rupiah, dan lain-lain.
Rumusan Masalah
Bagaimanakah bentuk inferensi fuzzy estimasi tingkat BI Rate berdasarkan variabel Nilai Tukar(Kurs USD/Rp), JUB, Inflasi, IHSG dan PDB dengan metode Adaptive Neuro Fuzzy? Bagaimanakah perbandingan estimasi tingkat BI Rate yang menggunakan metode ANFIS dengan tingkat BI Rate aktual? Bagaimanakah tingkat keakurasian dari ANFIS dalam mengestimasi BI Rate?
BATASAN MASALAH
TUJUAN PENELITIAN
Dalam penelitian ini penulis membatasi permasalahan dalam mengestimasi tingkat BI Rate ini dengan data makro ekonomi Indonesia dari 2006 hingga 2012 yaitu berupa beberapa variabel. Variabel yang menjadi perhatian dalam penelitian ini diantaranya adalah: Nilai Tukar (Kurs USD/Rp), Jumlah Uang yang Beredar (M2), Inflasi, IHSG dan PDB. Logika penalaran menggunakan Himpunan Fuzzy. Metode yang digunakan dalam memodelkan input-ouput adalah Adaptive Neuro Fuzzy Inference System (ANFIS).
Mengetahui bentuk inferensi fuzzy estimasi tingkat BI Rate berdasarkan variabel Nilai Tukar(Kurs USD/Rp), JUB, Inflasi, IHSG dan PDB dengan metode Adaptive Neuro Fuzzy. Mengetahui perbandingan estimasi tingkat BI Rate yang menggunakan metode ANFIS dengan tingkat BI Rate aktual. Mengetahui seberapa besar tingkat keakurasian dari logika fuzzy dalam mengestimasi BI Rate.
LANDASAN TEORI BI RATE
NILAI TUKAR UANG BEREDAR INFLASI
ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM)
IHSG PDB
FUZZY LOGIC
KERANGKA PIKIRAN
ESTIMASI BI RATE
IHSG
PDB
Yuliadi, 2008
BEI, 2008
McEachern, 2000
BERTAMBAH ATAU BERKURANG
JUB Manurung & Rahardja, 2004
MENGUAT ATAU MELEMAH
MENGUAT ATAU MELEMAH
INFLASI
Statistik Ekonomi dan Keuangan Indonesia
BERTAMBAH ATAU BERKURANG
KURS Manurung & Rahardja, 2004
BI (Moneter)
MENGUAT ATAU MELEMAH
http://sauder.ubc.ca
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) APLIKASI ESTIMASI BI RATE
Variabel Output
SAMPEL DAN PENGUMPULAN DATA
BI RATE VARIABEL
Jumlah sampel untuk checking data sebanyak 15.
Variabel Input Data yang digunakan merupakan data sekunder dari website bi.go.id
KURS
JUB
INFLASI
IHSG
PDB
Hasil Penelitian Input 1
Input 2
Input 3
Input 4
Input 5
Output 1
Cluster 1
8948
2348
6,33
3531,21
588938
6,5
Cluster 2
9299
1517
6,95
2359,21
506933
8,25
Cluster 3
9444
2062
2,41
2415,84
552970
6,5
Cluster 4
9129
1253
15,15
1351,65
465465
12,25
Cluster 5
8868
2678
4,42
3790,85
632056
6,5
Cluster 6
9078
1368
6,26
1757,26
467239
9,5
Cluster 7
11105
1874
9,17
1332,67
519088
8,75
Cluster 8
9347
1778
12,14
1832,51
538641
9,25
Dengan menetapkan range of influence sebesar 0,5, accept ratio sebesar 0,5 squash factor sebesar 1,25 dan reject ratio sebesar 0,15, maka terdapat 8 data pusat cluster dari matriks berukuran 75x6. Dari tabel output subtractive clustering diatas, terlihat bahwa pusat cluster pertama berada pada vektor November 2010 dengan rincian sebagai berikut: Nilai tukar (USD/Rp) pada posisi Rp8.948; Jumlah uang beredar sejumlah Rp2.348 triliun; Tingkat Inflasi sebesar 6,33%; Indeks Harga Saham Gabungan yaitu sebesar 3,531,21; PDB yaitu sebesar Rp588.938 milyar dan tingkat BI Rate sebesar 6,5%. Cluster kedua berada pada vektor September 2007 dengan rincian: Nilai tukar (USD/Rp) pada posisi Rp9.299; Jumlah uang beredar sejumlah Rp1.517 triliun; Tingkat Inflasi sebesar 6,95%; Indeks Harga Saham Gabungan yaitu sebesar 2.359,21; PDB yaitu sebesar Rp506.933 milyar dan tingkat BI Rate sebesar 8,25%.
Hasil Penelitian
Pada plot diatas, menjelaskan bahwa output yang dihasilkan sistem inferensi fuzzy tampak mengikuti arah data training. Data training ditunjukkan dengan simbol lingkaran sedangkan output sistem inferensi fuzzy ditunjukkan dengan simbol bintang. Selanjutnya dari proses training data akan dibentuk fuzzy rule sesuai jumlah pusat cluster yang ada yaitu 8 fuzzy rule.
Hasil Penelitian
Dilihat dari arsitektur ANFIS diatas terlihat bahwa 5 variabel input di hubungkan dengan simpul adaptif maupun non adaptif sesuai aturan fuzzy yang sudah dibentuk dengan penghubung “and” model sugeno orde satu yang nantinya akan menghasilkan 1 model output.
Hasil Penelitian BI Rate
BI Rate
Periode Aktual 2011
BI Rate
BI Rate
Aktual
ANFIS
Periode ANFIS
1
6,5
6,56
2012 1
6
5,86
2
6,75
6,63
2
5,75
5,91
3
6,75
6,71
3
5,75
5,76
4
6,75
6,74
5
6,75
6,82
6
6,75
6,78
7
6,75
6,67
8
6,75
6,84
9
6,75
6,68
10
6,5
6,38
11
6
6,18
12
6
5,93
Dari tabel diatas, dapat dihitung bahwa nilai rata-rata error sebesar 0,0964 hal ini menggambarkan hasil estimasi dari data yang sudah ditraining dengan ANFIS bisa dikatakan memiliki hasil tingkat akurasi yang tinggi.
Hasil Penelitian Perbandingan BI Rate Aktual dengan BI Rate ANFIS
0
2
4
6
BI Rate Aktual
8
10
12
14
16
BI Rate ANFIS
Grafik diatas menunjukkan perbandingan hasil output BI Rate model Adaptive Neuro Fuzzy dengan BI Rate yang sebenarnya, terlihat hanya beberapa titik perbedaan hasil antara estimasi dengan yang sebenarnya. Namun secara keseluruhan model mampu menerangkan hubungan inputoutput dengan baik. Hal ini ditunjukkan dengan pergerakan titik-titik mengikuti arah garis.
Hasil Penelitian Keakurasian Hasil Asumsi ANFIS 0,20 0,15 0,10 0,05 0,00
-0,05 0
2
4
6
8
10
12
14
16
-0,10 -0,15 -0,20
Error
Dari grafik diatas, dapat dilihat error negatif terbesar adalah -0,18 dan positif terbesar adalah 0,14. Sedangkan error negatif terkecil adalah -0,03 dan positif terkecil adalah 0,01. Error negatif terbesar terjadi pada bulan November 2011.
K E S I M P U L A N
S A R A N
Permodelan ANFIS yang telah diolah menghasilkan 8 aturan fuzzy (fuzzy rules) yang dapat memodelkan perilaku input-output antara variabel makro ekonomi (Rp, M2, Inflasi, IHSG, dan PDB) terhadap BI Rate. Secara keseluruhan, Adaptive Neuro Fuzzy Inference System (ANFIS) mampu melakukan training atas data dan memodelkan perilaku hubungan antara input dengan output secara baik, hal ini dibuktikan dengan rata-rata tingkat error mampu hampir mencapai nilai 0 yaitu sebesar 0,0964. Data training berhasil diuji dengan baik, hal ini ditunjukan dengan hasil output checking data yaitu mengalami selisih antara aktual dan estimasi tidak jauh dari nilai 0 yaitu antara -1 dan 1, sehingga selisih tersebut masih bisa dibilang cukup kecil..
1. Walaupun hasil yang diuji oleh penulis mendapatkan tingkat keakurasian dari hasil estimasi yang cukup tinggi yaitu sebesar 0,0964, namun penulis yang selanjutnya dengan penelitian sejenis kedepannya diharapkan untuk dapat memperbaiki dan lebih memperkecil tingkat error tersebut. 2. Berdasarkan hasil analisis dan pembahasan, tingkat error yang ada tersebut, kedepannya diharapkan dapat diperkecil dengan melibatkan variabel-variabel di luar makro ekonomi itu sendiri.
Kajian Penelitian Sejenis No
Nama 1
Syudastri
Tahun 2011
Judul
Kesimpulan
Estimasi tingkat
sistem fuzzy menghasilkan 9 aturan fuzzy yang bisa mendefinisikan kelakuan inputoutput. Hasil dari penelitan ini menunjukkan tingkat akurasi yang cukup tinggi dengan rata-rata tingkat error mampu mencapai 0 yaitu sebesar 0,6031 setelah di uji dengan data pada periode 20091-20113.
inflasi dengan pendekatan
adaptive neuro fuzzy.
Kajian Penelitian Sejenis No
Nama 2
Ayu Azmy Amalia dan Agus Maman Abadi
Tahun 2011
Judul
Kesimpulan
Prediksi Suku
berdasarkan 6 model
Bunga Bank
neuro fuzzy dengan FIS metode Sugeno orde
Indonesia (BI
nol yang dibangun
Rate)
untuk prediksi BI Rate,
menggunakan
model prediksi terbaik
model Neuro Fuzzy
adalah model prediksi dengan 5 variabel input, yaitu BI Rate 1 bulan, 2 bulan, 4 bulan, hingga 6 bulan sebelumnya, dengan nilai MAPE atas
TRD dan CHD berturuttur ut adalah 8.5% dan 14.22%, dan nilai MSE
atas TRD dan CHD berturut-turut adalah 0.99 dan 2.18
