PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844
[email protected] Binus University Jakarta, Indonesia
Hanson Citra Komp. Jakarta Garden City Casia V no. 216 089630691423
[email protected] Binus University Jakarta, Indonesia
Jeffry Antonio Jl. Jelambar Barat Blok B no 10ii 08999315356
[email protected] Binus University Jakarta, Indonesia
Dr. Ing. Sudarno Wiharjo Dosen Pembimbing
Binus University Jakarta, Indonesia
Abstrak
1
Tujuan dari tugas akhir ini adalah membuat aplikasi yang dapat melakukan prediksi nilai tukar mata uang rupiah terhadap mata uang asing yang dipengaruhi oleh faktor – faktor tertentu dengan pengembangan Jaringan Saraf Tiruan. Dalam aplikasi ini, Jaringan Saraf Tiruan diimplementasikan untuk memprediksi nilai tukar rupiah khususnya terhadap mata uang dolar Amerika (USD), dolar Singapura (SGD) dan yen Jepang (JPY) berdasarkan data historisnya. Selain itu, aplikasi ini juga menggunakan data berupa beberapa faktor yang mempengaruhi nilai tukar rupiah seperti inflasi, tingkat suku bunga, harga minyak mentah dan jumlah uang beredar. Metode yang digunakan untuk melatih Jaringan Saraf Tiruan tersebut adalah backpropagation dengan fungsi aktivasi sigmoid biner. Hasil dari aplikasi ini didapat tingkat akurasi dengan perhitungan Mean Absolute Percentage Error (MAPE) sebesar 98.77% untuk USD, 97.84%. untuk SGD dan 99.61% untuk JPY. Kesimpulan dari tugas akhir ini adalah Jaringan Saraf Tiruan dapat digunakan untuk prediksi nilai tukar rupiah terhadap USD, SGD, dan JPY. Kata kunci : jaringan saraf tiruan, prediksi, backpropagation, nilai tukar rupiah
Abstract The purpose of this thesis is to create applications that can perform predictive value of the rupiah against foreign currencies which are influenced by specific factors with the development of Artificial Neural Networks. In this application, Neural Networks implemented to forecast the exchange rates , especially against the U.S. Dollar (USD), Singapore Dollar (SGD) and the Japanese Yen (JPY) based on historical data. In addition, this application also uses the data in the form of several factors that affect the exchange rate as inflation, interest rates, oil prices and the money supply. The method used to train the Artificial Neural Network is backpropagation with binary sigmoid activation function . The results of this application with the level of accuracy obtained by Mean Absolute Percentage Error ( MAPE ) are 98.77 % for USD , 97.84 % for SGD and 99.61 % to JPY . The conclusion of this thesis is the Artificial Neural Network may be used for forecasting the exchange rate of rupiah against the USD , SGD , and JPY . Keywords : neural network, forecast, backpropagation, rupiah exchange rates
I. PENDAHULUAN Indonesia adalah negara berkembang dengan tingkat pertumbuhan ekonomi yang sangat tinggi dengan tingkat pertumbuhan yang sangat tinggi diantara negara-negara lain pada periode 20092013.Pemerintah Indonesia melalui Presiden pada pidato kenegaraannya 17 Agustus 2013 mencapai rata-rata 5.9% per tahun. Tingkat pertumbuhan ini menjadikan Indonesia menjadi negara dengan tingkat pertumbuhan ekonomi tertinggi kedua setelah Cina. Dalam hal ini, penulis ingin memprediksi nilai tukar rupiah terhadap mata uang asing di waktu yang akan datang. Untuk mencapai hal tersebut, penulis menggunakan model Jaringan Saraf Tiruan atau disebut juga Artificial Neural Network (ANN) untuk membuat suatu aplikasi yang berguna untuk memprediksi nilai tukar rupiah terhadap mata uang asing dengan faktor – faktor tertentu yang mempengaruhi. Alasan utama dalam pemilihan metode Jaringan Saraf Tiruan ini karena metode ini merupakan suatu bentuk kecerdasan buatan yang sering dipakai dalam pengenalan pola. Dengan metode ini, komputer dapat mempelajari pola perubahan nilai tukar rupiah terhadap mata uang asing dari data yang sudah ada dan dapat digunakan untuk prediksi. Ada beberapa definisi dari Jaringan Saraf Tiruan : • Jaringan Saraf Tiruan adalah prosesor yang terdistribusi besar – besaran secara parallel yang dibuat dari unit proses sederhana, yang mempunyai kemampuan untuk menyimpan pengetahuan berupa pengalaman dan dapat digunakan untuk proses lain. JST menyerupai otak manusia dalam dua hal : 1. Pengetahuan didapat oleh jaringan dari lingkungan melalui proses pembelajaran. 2. Tenaga koneksi Interneuron, yang diketahui sebagai bobot sinaptik (synaptic weights), yang digunakan untuk menyimpan pengetahuan yang didapat (Haykin, 2009). • Jaringan Saraf Tiruan adalah proses sistem informasi yang mempunyai performa karakteristik yang jelas dalam kesamaannya dengan jaringan saraf dalam bidang biologi. JST sudah
2
dikembangkan sebagai generalisasi model matematika dari pengertian manusia atau saraf biologi, berdasarkan asumsi bahwa : 1. Proses informasi yang terjadi di banyak elemen sederhana yang disebut neuron. 2. Sinyal dikirimkan melalui hubungan koneksi di antara neuron – neuron. 3. Setiap hubungan koneksi mempunyai bobot yang saling berhubungan, di mana jaringan saraf yang khas memperbanyak sinyal yang ditransmisi. 4. Setiap neuron mengaplikasikan sebuah fungsi aktivasi (biasanya berupa non – linear) ke jaringan input-nya (jumlah dari bobot sinyal input) untuk menentukan sinyal output-nya. (Fausett,1994). Masalah yang ada dalam tugas akhir ini adalah perubahan nilai tukar rupiah tidak stabil. Hal ini disebabkan oleh berbagai faktor seperti inflasi, tingkat suku bunga bank, harga minyak mentah dunia dan jumlah uang beredar.(Wibowo & Amir, 2005). Untuk itu informasi nilai tukar rupiah sangat penting dalam dunia bisnis dan ekonomi. Dengan adanya prediksi nilai tukar rupiah maka para pelaku ekonomi dapat mengambil keputusan yang lebih baik. Ruang Lingkup pembahasan tugas akhir ini dibatasi dengan pengembangan Jaringan Saraf Tiruan untuk prediksi nilai tukar rupiah terhadap mata uang asing yang dipengaruhi oleh berbagai faktor yang telah disebutkan diatas. Dalam tugas akhir ini, mata uang asing yang digunakan adalah USD (Dolar Amerika), SGD (Dolar Singapura), dan JPY (Yen Jepang). Tujuan dari tugas akhir ini adalah untuk mengaplikasikan model Jaringan Saraf Tiruan untuk membuat aplikasi yang dapat melakukan prediksi nilai tukar mata uang rupiah terhadap mata uang asing yang dipengaruhi oleh faktor – faktor tertentu dengan pengembangan Jaringan Saraf Tiruan. Manfaat dari tugas akhir ini adalah mendapatkan hasil prediksi nilai tukar rupiah terhadap mata uang asing. Manfaat ini ditujukan kepada para pelaku ekonomi yang diharapkan dapat mengambil keputusan yang terbaik dari hasil prediksi yang didapat. Metodologi penelitian yang dipakai dalam mengembangkan aplikasi ini adalah 1. Studi Pustaka Studi pustaka yang dilakukan adalah dengan mempelajari kembali mata kuliah yang bersangkutan yaitu Jaringan Saraf Tiruan. Kemudian penulis juga mengambil data – data dari jurnal, buku, dan internet yang nantinya digunakan sebagai dasar teori untuk mendapatkan hasil yang diinginkan. 2. Kuesioner Penulis akan memberikan kuesioner sebagai acuan dalam pengembangan aplikasi yang sesuai dengan kebutuhan pengguna dan juga untuk evaluasi setelah aplikasi ini selesai dikembangankan. 3. Analisa dan Perancangan Analisa yang dilakukan untuk mendapatkan perancangan Jaringan Saraf Tiruan adalah a) Mengidentifikasi data – data input dan output untuk Jaringan Saraf Tiruan. b) Menganalisa kebutuhan aplikasi yang didapat melalui studi pustaka dan kuisioner di atas. c) Merancang Jaringan Saraf Tiruan yang sesuai dengan analisa di atas agar mendapatkan hasil yang optimal. 4. Evaluasi Setelah aplikasi ini selesai, maka akan dilakukan evaluasi untuk mengetahui seberapa tingginya tingkat akurasi dari prediksi yang telah dilakukan. Penulisan tugas akhir ini dibagi menjadi lima bab yang terdiri dari: 1. Pendahuluan Bab ini membahas tentang latar belakang masalah, rumusan masalah yang ada, ruang lingkup, tujuan dan manfaat dari tugas akhir ini, metodologi penelitian yang dipakai berikut dengan sistematika penulisan. Bab ini juga akan membahas teori – teori yang relevan dengan judul tugas akhir ini. 2. Metode Penelitian Pada bab ini dibahas metode yang digunakan dalam pengembangan aplikasi ini. Bab ini juga membahas perancangan tampilan aplikasi dan perancangan Jaringan Saraf Tiruan yang digunakan. 3. Hasil dan Pembahasan Bab ini berisi hasil uji coba terhadap aplikasi yang telah dibuat. Analisis akan dihubungkan dengan teori, konsep dan proses perancangan . Bab ini juga akan dibahas evaluasi terhadap aplikasi ini.
3
4. Simpulan dan Saran Kesimpulan akan berisi ringkasan dari pembahasan pada Bab sebelumnya yang akan dapat menjawab permasalahan yang disampaikan pada Bab 1. Saran akan berisi implikasi hasil rancangan dan usulan untuk pengembangan selanjutnya .
II. METODE PENELITIAN Tahapan awal dalam perancangan aplikasi ini adalah mencari tahu kebutuhan dasar user terhadap aplikasi ini melalui kuesioner. Data dari kuisioner tersebut akan menentukan bagaimana rancangan dasar dari aplikasi tersebut. Kemudian, akan dicari data input dan output yang dibutuhkan dalam aplikasi iniakan dikumpulkan. Data input dan output tersebut juga akan menentukan spesifikasi komponen JST yang akan dipakai. Dari rancangan aplikasi dan data input - output, akan dicari metode penyelesaian masalah yang mungkin terjadi. Setelah itu akan dilakukan ditentukan software yang dibutuhkan dan spesifikasi hardware yang dapat mendukung pembuatan aplikasi ini. Tahapan selanjutnya adalah perancangan aplikasi ini adalah perancangan JST melalui data input dan output yang telah tersedia. Dalam tahapan ini terdapat 3 proses penting yaitu normalisasi data input output, training terhadap JST dan proses forecast menggunakan JST yang sudah terlatih tersebut. Tahapan akhir adalah merancang UML (Unified Modelling Language) dan desain tampilan antar muka pengguna (user interface) / storyboard dari aplikasi. Dalam perancangan aplikasi ini telah dilakukan studi pustaka terlebih dahulu pada data - data input dan output yang dibutuhkan untuk fase training dan forecast. Data - data input berupa nilai tukar mata uang pada tahun-tahun sebelumnya dan faktor - faktor yang mempengaruhi perubahan nilai mata uang tersebut. Data yang dipakai merupakan data historis antara Januari 2011 sampai Desember 2013. Terdapat tiga mata uang asing yang akan diprediksi nilai tukarnya terhadap Rupiah yaitu Dolar Amerika, Dolar Singapura, dan Yen Jepang. Sedangkan untuk faktor - faktor tersebut antara lain, inflasi, tingkat suku bunga, harga minyak mentah dunia, dan jumlah uang yang beredar di Indonesia. Untuk data input akan dipakai dari rentang waktu 2 tahun yaitu tahun 2011 – 2012. Sementara data output yang dikehendaki berupa nilai tukar 3 mata uang asing tersebut pada tahun 2013. Data - data tersebut dari website - website resmi antara lain www.bi.go.id, www.esdm.go.id, dan www.bps.go.id. Proses training di aplikasi ini hanya memakai data yang dimasukkan sampai akhir pembuatan aplikasi ini. Akan tetapi, nilai valuta asing pada setiap harinya mengalami perubahan. Dengan demikian, ada masalah yang mungkin terjadi yaitu aplikasi ini harus bisa beradaptasi terhadap perubahan data yang terjadi setiap hari. Masalah perubahan data yang dihadapi misalkan data terbaru yang ada di database hanya sampai 1 Desember 2013 namun user ingin melakukan prediksi untuk tanggal 10 Desember. Maka dibutuhkan data sampai 9 Desember 2013 agar prediksi yang didapatkan lebih akurat. Oleh karena itu, pengguna dapat menambah kekurangan data dengan memasukkan databaru ke dalam aplikasi. Namun jika pengguna tidak memperbaharuinya, maka aplikasi ini akan membuatdata sementara secara otomatis dengan melakukan prediksi secara bertahap untuk mencari data yang kurang mulai dari tanggal 2 sampai 9 Desember. Data ini hanya bersifat sementara dan tidak akan disimpan ke dalam database. Pengembangan aplikasi ini menggunakan Jaringan Saraf Tiruan (JST) berjumlah 7 buah dengan perincian 4 JST untuk setiap faktor yang mempengaruhi, dan 3 JST prediksi setiap mata uang. Masing – masing JST memiliki 1 input layer, 1 hidden layer, dan 1 output layer. Jumlah input node dan output node pada proses training setiap JST akan dijelaskan dalam dua tabel berikut.
Nama
Tabel 2.1 Rancangan JST Faktor Input
Output
Inflasi
Per bulan selama 2 tahun (2 * 12 = 24 node)
1 bulan (1 node)
Tingkat Suku Bunga
Per bulan selama 2 tahun (2 * 12 = 24 node)
1 bulan (1 node)
4
Nama
Input
Output
Harga minyak mentah dunia
Per bulan selama 2 tahun (2 * 12 = 24 node)
1 bulan (1 node)
Jumlah Uang beredar
Per bulan selama 2 tahun (2 * 12 = 24 node)
1 bulan (1 node)
Dibawah ini gambar JST faktor sesuai dengan jumlah input dan output node dari tabel di atas.
Bias V(1*p)
1
1
X1
Bias W(1*m)
Z1 X2 Z2
Y1
X3
m Z17
Bobot V(n*p)
X24
Bobot W(p*m)
p
n Gambar 2.1 JST Faktor
Nama USD
SGD
JPY
Tabel 2.2 Rancangan JST Mata Uang Asing Input Nilai mata uang per hari selama 2 tahun + Nilai 4 Faktor per hari selama 2 tahun ( (2*365) + (4*2*12) = 730+96 = 826 node) Nilai mata uang per hari selama 2 tahun + Nilai 4 Faktor per hari selama 2 tahun ( (2*365) + (4*2*12) = 730+96 = 826 node) Nilai mata uang per hari selama 2 tahun + Nilai 4 Faktor per hari selama 2 tahun ( (2*365) + (4*2*12) = 730+96 = 826 node)
Output 7 hari (7 node)
7 hari (7 node)
7 hari (7 node)
Dibawah ini gambar JST mata uang asing sesuai dengan jumlah input dan output node dari tabel di atas.
5
Bias V(1*p)
1
1
X1
Bias W(1*m)
Z1 X2
Y1 Z2
X3 Y7 Z558 Bobot W(p*m)
X826
Bobot V(n*p)
m
p
n Gambar 2.2 JST Mata Uang Asing Untuk menghitung jumlah node di hidden layer (p) di atas digunakan rumus p = (2/3* n) + m dengan n adalah jumlah node di input layer dan m adalah jumlah node di output layer (Boger, Z., and Guterman, H., 1997). Langkah pertama yang perlu dilakukan adalah dilakukan normalisasi terhadap data - data yang akan dipakai karena data - data tersebut tidak dapat langsung digunakan untuk JST. Training pada JST hanya bisa dilakukan jika data tersebut berkisar dalam rentang nilai tertentu bergantung pada fungsi aktivasi yang digunakan. Fungsi aktivasi yang digunakan dalam pengembangan aplikasi ini adalah sigmoid biner yang memiliki kisaran nilai 0 – 1. Rumus fungsi aktivasi sigmoid biner :
Dengan x adalah nilai yang ingin diaplikasikan fungsi aktivasi, dan yang digunakan selalu 1. Setelah data hasil normalisasi didapat maka data tersebut akan dimasukkan ke dalam JST setiap faktor dan setiap mata uang asing. Rumus untuk menghitung normalisasi data ( x’ ) yang dipakai adalah normalisasi Min-Max. Perhitungannya adalah sebagai berikut: Dengan x adalah data yang ingin dinormalisasi, high adalah nilai normalisasi tertinggi yang diinginkan sedangkan low adalah nilai normalisasi terendah, a adalah data minimum dan b adalah data maksimum. Langkah selanjutnya adalah melakukan training dengan algoritma backpropagation terhadap JST. Terdapat 2 kali fase training. Masing - masing 1 kali untuk setiap mata uang asing. Pertama - tama, 4 JST setiap faktor akan di-training terlebih dahulu. Setelah itu, langkah berikut ini berbeda tergantung mata uang. Misalkan training akan dilakukan terlebih dahulu terhadap mata uang USD. Input untuk
6
JST USD yaitu nilai mata uang USD akan dimasukkan beserta output dari 4 JST faktor sebagai input untuk JST USD. Dengan asumsi output yang dikeluarkan setiap 7 hari / 1 minggu selama 1 tahun maka jumlah set data yang ada adalah sebanyak 52 set. Jumlah ini adalah jumlah minggu dalam 1 tahun. Contoh set data untuk training mata uang: Training data 1 Input = Minggu ke-1 Januari 2011- Minggu ke-4 Desember 2012 Output = Minggu ke-1 Januari 2013 Training data 2 Input = Minggu ke-2 Januari 2011-Minggu ke-1 Januari 2013 Output = Minggu ke-2 Januari 2013 Training data 3 Input = Minggu ke-3 Januari 2011-Minggu ke-2 Januari 2013 Output = Minggu ke-3 Januari 2013 . . . Training data 52 Input = Minggu ke-4 Desember 2011-Minggu ke-3 Desember2013 Output = Minggu ke-4 Desember 2013
Algoritma Backpropagation untuk melakukan training terhadap suatu jaringan terdiri dari tiga tahap, yaitu feedforward dari pola input training, backpropagation dari error yang terkait, dan penyesuaian bobot. Langkah-langkah dalam algoritma backpropagation oleh Fausett (1994) adalah sebagai berikut Langkah 0: Inisialisasi bobot (set bobot pada nilai random yang kecil). Langkah 1: Ketika pada kondisi berhenti salah, lakukan langkah 2 – 9. Langkah 2: Untuk setiap pasangan training, lakukan langkah 3 – 8. Feedforward Langkah 3: Setiap unit input (Xi, i=1,. . . , n) menerima sinyal input Xi dan memancarkan sinyal ini kepada semua unit pada lapisan diatasnya (hidden unit) Langkah 4: Setiap hidden unit (Zj, j=1,. . . ,p) menjumlahkan bobot sinyal input.
mengaplikasikan fungsi aktivasi untuk menghitung sinyal output
Langkah 5:
dan mengirim sinyal ke semua unit di lapisan di atasnya (output unit). Setiap unit output (Yk, k = 1, . . . , m) menjumlahkan bobot sinyal input.
dan mengaplikasikan fungsi aktivasinya untuk menghitung sinyal output. Backpropagation Langkah 6: Setiap unit output (Yk, k = 1, . .. , m) menerima pola target sesuai dengan pola training input, menghitung informasi error. menghitung koreksi bobotnya (digunakan untuk memperbaharui wjk) menghitung koreksi bias (digunakan untuk memperbaharui w0k)
Langkah 7:
mengirim ke unit lapisan dibawahnya Setiap hidden unit (Zj , j = 1, . . . , p) menjumlahkan delta input (dari unit di lapisan atas).
7
dikalikan dengan turunan dari fungsi aktivasi untuk menghitung informasi error. menghitung koreksi bobot (digunakan untuk memperbaharui vij) dan menghitung koreksi bias (digunakan untuk memperbaharui v0j) Update bobot dan bias Langkah 8: Setiap unit output (Yk, k = 1, . .. , m) memperbaharui bias dan bobot (j = 0 , . . . . , p) Setiap hidden unit (Zj, j = 1, . . . , p) memperbaharui bobot dan bias (i = 0 , . . . . , n) Langkah 9:
Tes kondisi berhenti.
Algoritma aplikasi Setelah training, jaringan saraf backpropagation diaplikasikan dengan hanya menggunakan fase feedforward dari algoritma training. Langkah-langkahnya sebagai berikut oleh Fausett (1994): Langkah 0: Inisialisasi bobot (dari algoritma training). Langkah 1: Untuk setiap vektor input lakukan langkah 2-4. Langkah 2: Untuk i = 1, . . . , n set aktivasi untuk unit input xi. Feedforward Langkah 3: Untuk setiap j = 1, . . . , p
Langkah 4:
Untuk setiap k = 1, . . . , m
III.
HASIL DAN PEMBAHASAN
Pada tahap pengujian algoritma ini akan dilakukan pengujian terhadap tingkat akurasi dengan pertama – tama menghitung error/kesalahan yaitu perbedaan antara nilai yang didapat dari aplikasi dengan nilai yang sebenarnya. Sampel yang digunakan untuk menghitung kesalahannya adalah data nilai yang sebenarnya dari tanggal 1 Januari 2014 – 21 Januari 2014. Data selama 21 hari ini akan dibagi ke dalam 3 grup dengan masing-masing 7 data sesuai output dari aplikasi ini. Dibawah ini adalah masing – masing tabel untuk selisih antara nilai prediksi dengan nilai sebenarnya dari setiap mata uang . Max epoch yang digunakan adalah 10000. Batas error yang diinginkan adalah 0.0005.
Tanggal 2014/01/01 2014/01/02 2014/01/03 2014/01/04 2014/01/05 2014/01/06 2014/01/07 2014/01/08 2014/01/09
Tabel 3.1 Selisih nilai USD Nilai Prediksi Nilai Sebenarnya 11949.94 12331.00 11949.54 12303.00 12025.13 12287.00 11983.24 12287.00 11990.62 12287.00 12018.66 12291.00 12063.46 12323.00 12141.81 12290.00 12133.00 12324.00
Selisih -381.06 -353.46 -261.87 -303.76 -296.38 -272.34 -259.54 -148.19 -191.00
8
Tanggal 2014/01/10 2014/01/11 2014/01/12 2014/01/13 2014/01/14 2014/01/15 2014/01/16 2014/01/17 2014/01/18 2014/01/19 2014/01/20 2014/01/21
Nilai Prediksi 12219.77 12170.88 12200.49 12216.20 12262.74 12147.88 12143.17 12230.00 12178.50 12210.27 12224.07 12273.09
Nilai Sebenarnya 12258.00 12258.00 12258.00 12107.00 12107.00 12137.00 12178.00 12188.00 12188.00 12188.00 12171.00 12183.00
Selisih -38.23 -87.12 -57.51 109.20 155.74 10.88 -34.83 42.00 -9.50 22.27 53.07 90.09
Tanggal 2014/01/01 2014/01/02 2014/01/03 2014/01/04 2014/01/05 2014/01/06 2014/01/07 2014/01/08 2014/01/09 2014/01/10 2014/01/11 2014/01/12 2014/01/13 2014/01/14 2014/01/15 2014/01/16 2014/01/17 2014/01/18 2014/01/19 2014/01/20 2014/01/21
Tabel 3.2 Selisih nilai SGD Nilai Prediksi Nilai Sebenarnya 9439.3 9720.16 9401.66 9733.39 9352.00 9696.18 9390.43 9696.18 9449.03 9696.18 9423.72 9691.69 9418.27 9717.69 9510.36 9676.40 9428.41 9683.35 9348.77 9647.41 9418.38 9647.41 9515.35 9647.41 9454.88 9580.60 9457.66 9580.60 9487.89 9552.93 9405.99 9559.62 9314.92 9573.48 9384.11 9573.48 9501.64 9573.48 9430.57 9543.64 9436.48 9554.54
Selisih 280.86 331.73 344.18 305.75 247.15 267.97 299.42 166.04 254.94 298.64 229.03 132.06 125.72 122.94 65.036 153.63 258.56 189.37 71.844 113.07 280.86
Tanggal 2014/01/01 2014/01/02 2014/01/03 2014/01/04 2014/01/05 2014/01/06 2014/01/07 2014/01/08 2014/01/09 2014/01/10 2014/01/11 2014/01/12 2014/01/13 2014/01/14 2014/01/15 2014/01/16 2014/01/17
Tabel 3.3 Selisih nilai JPY Nilai Prediksi Nilai Sebenarnya 11676.27 11704.79 11665.55 11687.09 11677.36 11773.67 11683.03 11773.67 11678.17 11773.67 11684.36 11779.76 11679.37 11818.36 11676.27 11723.74 11665.55 11744.97 11677.36 11690.99 11683.03 11690.99 11678.17 11690.99 11684.36 11716.83 11679.37 11716.83 11676.27 11628.82 11665.55 11619.12 11677.36 11686.64
Selisih -28.52 -21.54 -96.31 -90.64 -95.5 -95.4 -138.99 -47.47 -79.42 -13.63 -7.96 -12.82 -32.47 -37.46 47.45 46.43 -9.278
9
Tanggal 2014/01/18 2014/01/19 2014/01/20 2014/01/21
Nilai Prediksi 11683.03 11678.17 11684.36 11679.37
Nilai Sebenarnya 11686.64 11686.64 11707.39 11649.46
Selisih -3.61 -8.47 -23.03 29.91
Dari data tabel diatas dapat dihitung keakuratan dari prediksi yang dilakukan. Untuk mengukur keakuratan dari nilai prediksi akan digunakan rumus Mean Absolute Percentage Error (MAPE). Perhitungan dengan MAPE adalah sebagai berikut
dengan n adalah banyak data,
i
adalah nilai yang diprediksi dan yi adalah nilai sebenarnya .
Dibawah ini adalah tabel hasil perhitungan setiap mata uang dengan MAPE dengan 3 set data
Tanggal 2014/01/01-07 2014/01/08-14 2014/01/15-21 Rata - rata
Tabel 3.4 Hasil Perhitungan MAPE USD SGD 2.47% 3.06% 0.91% 1.97% 0.30% 1.49% 1.23% 2.16%
JPY 0.69% 0.28% 0.21% 0.39%
Dari tabel di atas diperoleh MAPE sebesar 1.23% untuk USD, 2.16%untuk SGD dan 0.39% untuk JPY. Ini berarti terjadi penyimpangan 1.23% dari USD, 2.16% dari SGD, dan 0.39% dari JPY terhadap nilai sebenarnya. Dari hasil perhitungan MAPE di atas dapat dihitung tingkat akurasinya dengan perhitungan 100% dikurangin nilai MAPE sehingga dapat dilihat bahwa hasil JPY adalah yang paling akurat di antara ketiga mata uang tersebut dengan tingkat akurasi 99.61% diikuti oleh USD dengan 98.77% dan terakhir SGD dengan 97.84%. Dari tingkat akurasi di atas, hasil yang didapat oleh JPY dapat dikatakan cukup memuaskan sedangkan hasil dari USD dan SGD masih perlu ada peningkatan lagi. Berdasarkan hasil evaluasi ini, Jaringan Saraf Tiruan cocok digunakan untuk prediksi nilai tukar rupiah terhadap mata uang asing yang dipengaruhi oleh faktor inflasi, tingkat suku bunga, harga minyak mentah dan jumlah uang beredar dengan data historis dari 3 tahun belakangan. Namun, perlu diperbaiki kekurangan tersebut agar hasil yang didapat menjadi lebih baik lagi. Beberapa cara yang dapat dilakukan antara lain: • Penambahan atau pengurangan jumlah faktor - faktor. Mencari faktor – faktor mana yang perlu dipertahankan dan tidak dari pengaruhnya terhadap hasil dari aplikasi ini Mencari faktor – faktor lain yang berpengaruh besar terhadap perubahan nilai tukar rupiah • Mengubah jumlah input node dan output node - Mengurangi data historis menjadi 1 atau 2 tahun sehingga dapat meningkatkan akurasi karena pola data yang semakin baru.
IV.SIMPULAN DAN SARAN Berdasarkan hasil yang didapat oleh aplikasi, didapat beberapa kesimpulan dari tugas akhir ini yaitu: 1. Jaringan Saraf Tiruan dapat digunakan untuk prediksi nilai tukar Rupiah terhadap 3 mata uang asing yaitu Dolar Amerika, Dolar Singapura dan Yen Jepang. 2. Jaringan Saraf Tiruan dapat digunakan untuk prediksi nilai tukar rupiah yang dipengaruhi oleh inflasi, tingkat suku bunga, harga minyak mentah dan jumlah uang beredar dengan akurasi USD 98.77%, SGD 97.84% dan JPY 99.61%.
10
Untuk penelitian selanjutnya, dapat disarankan untuk ditambahkan dan dicoba beberapa alternatif berikut : 1. Pilihan mata uang yang lebih banyak. 2. Jumlah node input dan output di Jaringan Saraf Tiruan dapat diubah untuk mengetahui apa pengaruhnya terhadap tingkat akurasi. 3. Selain itu, dapat pula dicari tahu faktor – faktor mempengaruhi lain yang dapat ditambahkan.
REFERENSI Boger, Z. & Guterman, H. (1997). Knowledge Extraction from Artificial Neural Networks Models. IEEE Systems, Man and Cybernetics Conference. 3030-3035. Fausett, L. (1994), Fundamentals of neural networks. (1st Edition). New Jersey: Prentice Hall. Haykin, S. (2009), Neural networks and learning machines. (3rd Edition). New Jersey: Pearson Education. Wibowo, T & Hidayat, A. (2005). Faktor- faktor yang mempengaruhi nilai tukar rupiah. Kajian Ekonomi dan Keuangan, 9(4), 17-41.
RIWAYAT PENULIS Danny Horia lahir di Medan pada 16 Agustus 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada Tahun 2014. Hanson Citra lahir di Medan pada 20 November 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada Tahun 2014. Jeffry Antonio lahir di Jakarta pada tanggal 19 Agustus 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2014
11
