8. Langkah 8 Hitung faktor
� unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi
�
�
� = 1, 2, ..., � �_���
�
= � �
�
�
�� �
�=1
Faktor � unit tersembunyi:
�
�
= �_���
�
�
′
��_���
�
� = �_���
�
�
�
�1 − �
�
� Hitung perubahan bobot
�
��
∆�
��
= ��
�
�
�
, � = 1,2, … , � ; � = 0,1, … , �
Fase III : Perubahan Bobot
9. Langkah 9 Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit
keluaran, yaitu: �
��
���� = �
��
���� + ∆�
��
, � = 1, 2, ⋯ , � ; � = 0, 1, 2, ⋯ , �
Perubahan bobot garis yang menuju ke unit tersembunyi adalah: �
��
���� = �
��
���� + ∆�
��
, � = 1, 2, ⋯ , � ; � = 0, 1, 2, ⋯ , �
Setelah pelatihan selesai dilakukan, jaringan bisa digunakan untuk pengenalan pola. Dalam hal ini, hanya propagasi maju langkah 5 dan 6 saja yang
digunakan untuk menentukan keluaran jaringan.
1.5. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengetahui hasil ramalan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat pada tahun 2014.
Universitas Sumatera Utara
1.6. Kontribusi Penelitian
Hasil penelitian ini diharapkan berkontribusi bagi:
1. Penulis a. Meningkatkan wawasan dalam bidang nilai tukar mata uang.
b. Sebagai penerapan ilmu dari mata kuliah yang telah diperoleh.
2. WisatawanPengamat pasar valuta asing a. Dapat mengetahui pergerakan nilai tukar mata uang Rupiah terhadap
Dolar Amerika Serikat pada tahun 2014. b. Menjadi bahan pertimbangan bagi para pengamat valuta asing dalam
mengambil keputusan yang tepat.
3. DepartemenUniversitas a. Dapat dijadikan sebagai bahan studi kasus bagi pembaca dan acuan bagi
mahasiswa. b. Dapat memberikan bahan referensi bagi pihak perpustakaan.
c. Dapat berfungsi sebagai bahan bacaan yang dapat menambah ilmu pengetahuan bagi pembacanya.
1.7. Metodologi Penelitian
Metodologi penelitian dalam penelitian ini adalah:
1. Merancang sistem peramalan nilai tukar mata uang menggunakan jaringan syaraf tiruan model backpropagation, langkah-langkahnya sebagai berikut:
a. Menetapkan Tujuan Sistem Model jaringan yang akan dibangun mampu mempelajari pola serta
mengidentifikasikan data nilai tukar mata uang, dan selanjutnya digunakan untuk peramalan.
Universitas Sumatera Utara
b. Memperoleh Data Data diperoleh dari buku Kajian Ekonomi dan Keuangan di Perpustakaan
Kantor Perwakilan Bank Indonesia Wilayah IX SUMUT ACEH, pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat
mulai tahun
1985 – 2013.
c. Transformasi Data Masukan Transformasi data masukan bertujuan untuk menyesuaikan nilai range
data dengan logsigmoid threshold function dalam sistem backpropagation. Ini berarti nilai kuadrat masukan harus berada pada
range 0 sampai 1. Sehingga range masukan yang memenuhi syarat adalah nilai data masukan dari 0 sampai 1 atau dari –1 sampai 1. Oleh karena itu
keluaran yang dihasilkan pun akan berada pada range 0 sampai 1, untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses
detransformasi.
d. Merancang Arsitektur Jaringan Merancang arsitektur jaringan bertujuan untuk memperoleh komposisi
jumlah neuron, elemen masukan, lapisan tersembunyi, dan nilai parameter training yang optimal. Langkah-langkah untuk membangun
model jaringan data ini adalah: 1 Membentuk data pelatihan training dan pengujian testing.
2 Penentuan jumlah lapisan tersembunyi dan jumlah neuron ditentukan secara trial and error sampai dicapai error minimumnya.
e. Menentukan Fungsi Aktivasi Bentuk khusus dari suatu fungsi aktivasi dalam kasus ini tidak akan
mempengaruhi performa suatu jaringan. Namun, dasar karakteristik data yang berfluktuasi kuat dan dilihat dari tujuan sistem jaringan yaitu untuk
dapat mengatasi perubahan yang mendadak, maka fungsi aktivasi hendaknya bersifat smooth dan terdiferensial. Berdasarkan hal itu, maka
dipilih fungsi aktivasi log sigmoid sigmoid biner.
Universitas Sumatera Utara
f. Penentuan koefisien laju pemahaman � dapat dilakukan dengan trial
and error untuk memperoleh nilai bobot yang paling optimum agar Mean Squared Error MSE jaringan dapat diperbaiki.
g. Mendapatkan model pelatihan yang baik digunakan untuk mendapatkan
peramalan.
h. Peramalan data nilai tukar mata uang untuk data pelatihan dan data
pengujian.
i. Grafik perbandingan antara data asli dengan peramalan menggunakan
jaringan syaraf tiruan model backpropagation.
2. Jaringan yang dibangun akan dinilai keakuratan peramalannya. Kaedah penilaian yang akan digunakan adalah Mean Square Error MSE. Ketepatan
model diukur secara relatif menggunakan MSE yang didapat dari persamaan berikut ini:
��� = � �
� 2
� =
� �
�
− ��
� 2
�
� �=1
� �=1
Makridakis, 1999:59
keterangan: �
= bilangan ramalan �
�
= nilai aktual pada waktu �
��
�
= nilai ramalan pada waktu �
3. Peramalan data nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat tahun 2014.
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.6. Jaringan Syaraf Tiruan