IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR Pertiwi Surya Sari1) , Ina Agustina2), Ucuk Darusalam3) 1,2,3)

FTKI Program Studi Teknik Informatika Universitas Nasional Jl. Sawo Manila, Pejaten Ps.Minggu Jakarta 12520 Email : [email protected])

Abstrak Peramalan nilai kurs jual sangat penting dalam kehidupan sehari – hari. Dalam penelitian ini, kami mengajukan jaringan syaraf tiruan dengan algoritma Backpropagation sebagai metode peramalan nilai kurs jual SGD (Dollar Singapura) terhadap IDR (Rupiah Indonesia). Hasil dari simulasi dapat memprediksi nilai kurs jual di hari yang akan datang. Data kurs jual dirubah dalam rentang 0.1 sampai 0.9. Simulasi menggunakan neuron – neuron di layer masukan, layer tersembunyi, layer keluaran dan target dari pelatihan jaringan syaraf tiruan. Jadi, arsitektur yang digunakan dalam perancangan adalah multilayer feedforward. Dalam satu layer tersembunyi, diterapkan tiga fungsi aktivasi (Sigmoid Biner, sigmoid bipolar, dan purelin) dengan parameter 0.1 learning rate, 21 hidden neuron, dan 2000 iterasi. Selama enam bulan prediksi, simulasi menunjukkan hasil mse terkecil diperoleh dengan menggunakan fungsi aktivasi sigmoid bipolar. Saat memprediksi bulan maret dengan arsitektur yang sama, memperoleh hasil mse 1.0067e-05. Hasil tersebut sangat mendekati batas toleransi max epoch 0.00001. Arsitektur dikembangkan menjadi dua dan tiga layar tersembunyi dengan fungsi aktivasi Sigmoid Bipolar. Hasil dari tiga arsitektur tersebut mendekati target dengan perolehan nilai MAPE terkecil adalah pada arsitektur satu layar tersembunyi dengan nilai MAPE 13.2%. Perancangan jaringan syaraf tiruan dibuat dengan software matlab, kemudian diaplikasikan dalam GUI. Kata Kunci: Jaringan syaraf tiruan, matlab, peramalan, backpropagation 1. Pendahuluan Transaksi valuta asing dilakukan untuk mengurangi resiko dan juga mencari keuntungan jangka pendek dari selisih kurs. Salah satu klasifikasi kurs adalah kurs jual, yaitu harga saat bank menjual valuta asing. Perubahan kurs SGD (Dollar Singapura) terhadap IDR (Rupiah Indonesia) dimasa mendatang akan menimbulkan resiko terhadap pelaku yang melakukan transaksi dengan mata uang tersebut. Sehingga pentingnya dilakukan prediksi atau peramalan nilai kurs

jual Dollar Singapura terhadap mata uang Rupiah. Jaringan syaraf tiruan yang merupakan salah satu bagian dari kecerdasan buatan dapat diimplementasikan untuk peramalan dalam memprediksi kurs jual Dollar Singapura terhadap Rupiah. Arsitektur jaringan yang dipakai adalah jaringan syaraf dengan banyak lapisan (multi layer network). Multi layer network terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output. Pengambilan data diperoleh dari web Bank Indonesia (www.bi.go.id). Pelatihan jaringan syaraf tiruan akan menggunakan beberapa fungsi aktivasi yang berbeda (fungsi aktivasi sigmoid biner, sigmoid bipolar, purelin) untuk satu layer tersembunyi. Fungsi aktivasi dengan nilai MSE terkecil dari pelatihan jaringan syaraf tiruan, akan dijadikan fungsi aktivasi yang akan diterapkan untuk dua dan tiga layer tersembunyi. Selisih hasil prediksi perhari akan dianalisa selisih error dengan data aktual menggunakan metode PE (percentage error) dan MAPE (mean absolute percentage error). Beberapa masalah yang terdapat dalam peramalan dengan jaringan syaraf tiruan, yaitu: 1 Belum terdapatnya penelitian dalam memprediksi kurs jual Dollar Singapura terhadap Rupiah. 2 Pengolahan data masukan (transformasi data sampai penentuan pola data masukan) dalam memprediksi nilai kurs sebaiknya dibedakan dengan pengolahan data dalam memprediksi harga saham. 3 Penelitian terdahulu dalam memprediksi nilai tukar uang USD ke UAD, hasil prediksi kurs per hari tidak mendekati target dengan lr=0.5 dan epoch=8489. 4 Penelitian terdahulu dalam memprediksi harga saham, jaringan syaraf tiruan tidak dapat memprediksi perubahan dengan tepat jika terdapat data aktual yang tiba – tiba naik jauh nilainya dari data sebelumnya. 5 Perlunya diterapkan perbandingan hasil MSE antara penggunaan fungsi aktivasi yang berbeda (Sigmoid Biner, Sigmoid Bipolar, Purelin) untuk memperoleh arsitektur dan parameter terbaik jaringan syaraf tiruan. 6 Dalam memprediksi kurs, diperlukan perbandingan nilai MAPE antara hasil prediksi JST penelitian dengan JST penelitian lain (aplikasi pembanding) untuk memperoleh keakuratan data.

3.8-25

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Tujuan dari penelitian yaitu: 1 Membangun aplikasi jaringan syaraf tiruan multi layer feedforward dengan algoritma backpropagation yang dapat memprediksi nilai kurs jual SGD terhadap IDR berdasarkan pemodelan runtut waktu (time series). 2 User dapat melakukan input data masukan di input layer dan data target dalam proses pelatihan jaringan syaraf tiruan melalui format file excel yang telah disediakan. 3 Jaringan syaraf tiruan dengan algoritma backpropagation dapat memprediksi nilai kurs dengan berbagai fungsi aktivasi (sigmoid biner, sigmoid bipolar, sigmoid purelin) dan parameter terbaik dalam penelitian. 4 Parameter jaringan syaraf tiruan dapat memprediksi nilai kurs sampai MAPE terkecil 13.2% dengan learning rate 0.1, 21 hidden neuron, dan 2000 iterasi. Terdapat beberapa tahap pada metodologi penelitian yang diterapkan dalam implementasi jaringan syaraf tiruan multilayer feedforward dengan algoritma backpropagation sebagai estimasi nilai kurs jual SGDIDR. Yaitu dari tahap identifikasi, perumusan tujuan, perancangan, pelatihan dan pengujian aplikasi, analisa parameter terbaik, analisa arsitektur terbaik, sampai implementasi dan testing. Flowchart penelitian secara umum digambarkan seperti berikut :

Pada jurnal, kurs yang diprediksi per hari tidak mendekati target dengan lr=0.5 dan epoch=8489. 2. Pada jurnal prediksi harga saham menggunakan jaringan syaraf tiruan (Kar, Abhishek.[2]), pelatihan menerapkan satu, dua, tiga layar tersembunyi dengan fungsi aktivasi unipolar sigmoid. Akurasi terbaik berdasarkan kenaikan epoch terhadap RMS error diperoleh dalam default 96%. Pada penelitian jurnal tersebut, terdapat data aktual yang tiba – tiba naik ekstrim dari data sebelumnya, dan jaringan syaraf tiruan tidak dapat memprediksi perubahan dengan tepat. 3. Pada jurnal prediksi harga saham menggunakan jaringan syaraf tiruan multilayer feedforward network dengan algoritma backpropagation (Setiawan,2008. [3]) menghasilkan konfigurasi pelatihan parameter terbaik dengan hidden node 50, learning rate 0.95, batas tahun pelatihan 1998, nilai momentum 0.95 dan toleransi MAPE 3.97%. Jika dibandingkan dengan metode konvensional, hasil prediksi dengan jaringan syaraf tiruan menghasilkan nilai MAPE dengan keakuratan yang lebih baik. Landasan Teori Jaringan syaraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Salah satu aplikasi jaringan syaraf tiruan adalah untuk meramalkan apa yang akan terjadi dimasa yang akan datang berdasarkan pola kejadian yang ada di masa yang lampau [4]. Arsitektur Jaringan Syaraf Tiruan terdiri dari [4]: 1. Jaringan Layar Tunggal (single layer network) Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output. 2. Jaringan Layar Jamak (multi layer network) Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut layer tersembunyi). 3. Jaringan Reccurent Model jaringan recurrent mirip dengan jaringan layer tunggal ataupun ganda. Hanya saja, ada neuron ouput yang memberikan sinyal pada unit input (sering disebut feedback loop)

Gambar 1.Flowchart Penelitian Secara Umum

Beberapa Fungsi aktivasi yaitu [5]:

Tinjauan Pustaka 1. Pada jurnal prediksi nilai tukar uang USD ke UAD (Maru’ao, Dini Oktaviani, 2010.[1]), penentuan data input kurang tepat jika diolah seperti data saham. Pada harga kurs, hanya terdapat satu nilai kurs dalam 1 hari. Sehingga tidak terdapat harga pembukaan, penutupan, harga tertinggi, harga terendah, dan volume seperti harga saham. Prediksi kurs sebaiknya hanya dilakukan per hari, bukan perbulan dan perminggu.

1. Fungsi Linear (Identitas) Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Rumus : y=x ……(1) 2. Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1.

3.8-26

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Rumus : ……(2) dengan ……(3) 3. Fungsi Sigmoid Bipolar Output dari fungsi ini memiliki range antara 1 sampai -1. Rumus : ……(4) dengan

……(5)

2. Pembahasan Data yang digunakan dalam peramalan adalah nilai kurs jual SGD (Singapore Dollar) terhadap IDR (Indonesian Rupiah). Data diperoleh dari web Bank Indonesi (BI), yaitu www.bi.go.id. Berikut flowchart pengumpulan data, transformasi data, sampai penentuan pola input pada jaringan syaraf tiruan yang diterapkan pada penelitian:

Gambar 3.Arsitektur jaringan satu layer tersembunyi Pada gambar 3, terdapat tiga layer yaitu input layer, first hidden layer, dan output layer. Pada input layer, terdiri dari 20 pola data masukan. Per pola terdiri dari 20 neuron (X1, X2, X3,…,X20). Signal dari setiap neuron di input layer akan diteruskan ke neuron di atasnya (first hidden layer) melalui jalur penghubung. Tiap jalur penghubung dari neuron input ke neuron first hidden layer memiliki bobot (w1). layar tersembunyi pertama memiliki beberapa neuron dari Z1, Z2, …, Zn. Banyaknya neuron pada first hidden layer sesuai dengan parameter jaringan syaraf tiruan terbaik yang akan diterapkan pada penelitian. Setiap neuron di first hidden layer, akan dihitung net dan outputnya. Output dari neuron Z1 sampai Zn akan disimpan dalam variabel a1. Signal dari setiap neuron di first hidden layer akan diteruskan ke output layer melalui jalur penghubung. Tiap jalur penghubung dari neuron fisrt hidden layer ke neuron output layer memiliki bobot (w2). Output layer hanya memiliki satu neuron (Y1). Pada neuron Y1 akan dihitung net dan outputnya. Output neuron Y1 akan disimpan dalam variabel a2. Berikut flowchart pelatihan jaringan syaraf tiruan algoritma backpropagation dengan satu layar tersembunyi yang diterapkan pada penelitian estimasi nilai kurs jual SGD-IDR :

Gambar 2.Flowchart Pengumpulan sampai transformasi data Terdapat dua tahap dalam penelitian estimasi nilai kurs jual SGD-IDR, yaitu tahap pelatihan jaringan syaraf tiruan dan tahap pengujian. Pada tahap pelatihan jaringan syaraf tiruan dengan algoritma backpropagation memiliki tiga fase, yaitu : 1. Fase Maju 2. Fase Mundur 3. Fase Perubahan Bobot Berikut perancangan arsitektur jaringan syaraf tiruan dengan satu layar tersembunyi yang diterapkan pada penelitian :

3.8-27

ISSN : 2302-3805

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Langkah kedua yaitu, melakukan simulasi dengan lr=0.1, epoch=2000, dan perubahan nh dari 1 nh sampai 25 nh. Berikut hasil simulasi dengan perubahan neuron hidden : Tabel 2. Simulasi dengan perubahan neuron hidden NH 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Gambar 6.Flowchart pelatihan jaringan syaraf tiruan dengan arsitektur satu layer tersembunyi Parameter yang diterapkan untuk sistem jaringan syaraf tiruan pada penelitian ini adalah jumlah hidden neuron, learning rate, dan epoch. . Perubahan epoch dirandom mulai dari 100 sampai 2000 iterasi. Berikut hasil simulasi dengan perubahan epoch : Tabel 1. Simulasi dengan perubahan epoch NH 1 1 1 1 1 1 1 1 1 1 1

LR 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

Epoch 100 300 500 700 900 1000 1300 1500 1700 1900 2000

MSE 2.25E-04 2.21E-04 1.36E-04 1.53E-04 1.79E-04 1.78E-04 7.01E-05 1.18E-04 9.54E-05 1.74E-04 6.87E-05

LR 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

Epoch 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000

MSE 6.87E-05 9.91E-05 7.78E-05 3.34E-05 3.55E-05 4.46E-05 3.64E-05 4.22E-05 4.24E-05 4.28E-05 2.52E-05 3.26E-05 2.49E-05 2.73E-05 2.68E-05 2.70E-05 2.14E-05 1.75E-05 1.79E-05 1.65E-05 1.64E-05 1.72E-05 1.86E-05 1.67E-05 1.75E-05

Dari tabel diatas, terlihat bahwa dengan bertambahnya jumlah hidden neuron dan jumlah hidden neuron yang lebih besar dibanding neuron input akan memperkecil nilai MSE. Hal ini berarti makin mendekati batas nilai mse yang telah didefinisikan, walaupun tingkat keakuratan mse dapat naik dan turun. Mse=0.000016404 dengan hidden neuron=21 pada tabel diatas merupakan mse yang paling mendekati batas mse yang ditentukan (0.00001), dengan tingkat selisih mse yaitu 6.40E-06. Sehingga dapat disimpulkan bahwa parameter terbaik yang akan diterapkan pada penelitian ini adalah Nh=21, Lr=0.7, dan Epoch=2000. Berikut merupakan penerapan dari parameter jaringan syaraf tiruan (Nh=21, Lr=0.7, dan Epoch=2000) di bulan Maret dengan menggunakan fungsi aktivasi sigmoid bipolar pada pelatihan :

Pada penelitian, penulis menerapkan maximum MSE (mean square error) yaitu 0.00001. MSE atau kesalahan kuadrat rerata merupakan selisih dari output dan target setiap pola, kemudian dikuadratkan. Hasil kuadrat setiap pola dijumlah dan dibagi dengan banyaknya pola disetiap iterasi. Dari tabel diatas, dengan nh=1, lr=0.1 dan epoch=2000 menghasilkan mse= 0.000068728. Mse tersebut merupakan mse yang paling mendekati 0.00001.

3.8-28

Gambar 7. Pelatihan jaringan syaraf tiruan dengan arsitektur satu layer tersembunyi

ISSN : 2302-3805

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Dari gambar diatas, hasil pelatihan jaringan syaraf tiruan sangat mendekati target yang terlihat dari grafik dan MSE 1.0067e-05 yang mendekati batas toleransi Max MSE 0.00001. User dapat memperoleh hasil prediksi dengan klik tombol Result. Berikut tabel hasil prediksi jaringan syaraf tiruan pada bulan Maret :

bulan diantaranya menghasilkan nilai MSE terkecil pada fungsi aktivasi Sigmoid Bipolar.

Gambar 9. Resume MSE Semua Fungsi Aktivasi Data Pelatihan dengan Fungsi aktivasi Sigmoid Bipolar diterapkan pada dua dan tiga layer tersembunyi. Berikut hasil MAPE dengan tiga arsitektur jaringan syaraf tiruan:

Gambar 10. MAPE dengan Sigmoid Bipolar

Gambar 8. Tabel Prediksi Jaringan Syaraf Tiruan Bulan Maret Jika digambarkan dalam bentuk grafik, berikut pebandingan prediksi JST dengan data aktual kurs Jual SGD-IDR bulan Maret 2014:

Dari satu, dua, dan tiga layer tersembunyi dengan fungsi aktivasi sigmoid bipolar, menghasilkan selisih nilai MAPE yang tidak jauh berbeda disetiap bulannya. Dan bulan Maret dengan arsitekture 1 layer tersembunyi menghasilkan nilai MAPE terkecil yaitu 13.1950%. 3. Kesimpulan

Gambar 9. Grafik Prediksi Jaringan Syaraf Tiruan Bulan Maret 2014 Pada bulan Maret, diperoleh selisih error dengan MAPE sebesar 13.195%. Penelitian dilakukan dengan menggunakan beberapa fungsi aktivasi yang berbeda, dan dari enam bulan data yang dilakukan pelatihan, empat

Hasil dari penelitian berupa prediksi kurs jual dollar Singapura terhadap Rupiah di hari yang akan datang. Arsitektur yang digunakan dalam perancangan adalah multilayer feedforward. Pada arsitektur satu layer tersembunyi diterapkan tiga fungsi aktivasi yang berbeda (sigmoid biner, sigmoid bipolar, dan purelin) dengan lr 0.1, 21 hidden neuron, dan 2000 epoch. Dari enam bulan yang diprediksi, empat bulan diantaranya memperoleh MSE terkecil dengan fungsi aktivasi sigmoid Bipolar. Bulan Maret dengan MSE 1.0067e-05 sangat mendekati batas toleransi max epoch 0.00001. Arsitektur dikembangkan menjadi dua dan tiga layar tersembunyi dengan fungsi aktivasi Sigmoid Bipolar. Hasil dari tiga arsitektur tersebut mendekati target dengan perolehan

3.8-29

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

nilai MAPE terkecil adalah pada arsitektur satu layar tersembunyi dengan nilai MAPE 13.2%. Daftar Pustaka [1] Maru’ao, Dini Oktaviani. 2010. Neural Network Implementation in Foreign Exchange Kurs Prediction. [2] Kar, Abhishek. Stock Prediction using Artificial Neural Network. Dept of Computer Science and Engineering, IIT Kanpur. [3] Setiawan.2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan Algoritma Backpropagation. Konferensi Nasional Sistem dan Informatika, Bali (KNS&108-020). [4] Siang, JJ. 2004. Jaringan Syaraf Tiruan & Pemrogramanannya Menggunakan Matlab. Yogyakarta : Andi [5] Kusumadewi, Sri, 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link.Yogyakarta : Graha Ilmu

Biodata Penulis Pertiwi Surya Sari, mahasiswa Fakultas Teknik Komputer dan Informatika, Program Studi Teknik Informatika, Universitas Nasional, Angkatan 2013. Ina Agustina, dosen Fakultas Teknik Komputer dan Informatika, Program Studi Teknik Informatika, Universitas Nasional. Ucuk Darusalam, dosen Fakultas Teknik Komputer dan Informatika, Program Studi Teknik Informatika, Universitas Nasional.

3.8-30

ISSN : 2302-3805