Perumusan Masalah Pembatasan Masalah Tinjauan Pustaka

sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Salah satu metode dari jaringan syaraf tiruan yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan juga dapat digunakan untuk peramalan adalah metode backpropagation atau propagasi balik Puspitaningrum, 2006:125. Berdasarkan latar belakang tersebut, maka penulis tertarik untuk mengadakan penelitian mengenai “PERAMALAN NILAI TUKAR MATA UANG RUPIAH TERHADAP DOLAR AMERIKA SERIKAT TAHUN 2014 DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN MODEL BACKPROPAGATION” .

1.2. Perumusan Masalah

Permasalahan yang akan dibahas dalam penelitian ini adalah ”Bagaimana penggunaan jaringan syaraf tiruan model backpropagation untuk meramal nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat pada tahun 2014”.

1.3. Pembatasan Masalah

Agar permasalahan yang dikaji lebih fokus dan menjadi lebih jelas. Adapun pembatasan dalam penelitian ini adalah: 1. Peramalan pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat tersebut dilakukan untuk tahun 2014. 2. Data yang digunakan adalah data pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat mulai tahun 1985 – 2013. 3. Hasil penelitian tidak mempertimbangkan pengaruh-pengaruh fundamental ekonomi yang terjadi. Universitas Sumatera Utara

1.4. Tinjauan Pustaka

Menurut Siang 2005:2, Jaringan syaraf tiruan atau neural network adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Menurut Fausett 1994:3, jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut: 1. Pemrosesan informasi terjadi pada banyak elemen sederhana neurons. 2. Sinyal yang dikirimkan diantara neuron-neuron melalui penghubung- penghubung. 3. Penghubung antar neuron memiliki bobot yang akan memperlemah atau memperkuat sinyal. 4. Untuk menentukan keluaran output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan input yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas ambang. dan jaringan syaraf tiruan ditentukan oleh tiga hal, yakni: 1. Pola hubungan antar neuron arsitektur jaringan. 2. Metode untuk menentukan bobot penghubung metode training learning algoritma. 3. Fungsi aktivasi. Universitas Sumatera Utara Sebagai contoh, perhatikan arsitektur jaringan pada gambar berikut: Pada gambar 1.1 terlihat sebuah sel jaringan syaraf tiruan pada simpul � menerima masukan dari neuron 1, � 1 , � 2 , dan � 3 dengan bobot weight masing- masing adalah � , � 1 , � 2 , dan � 3 . Argumen fungsi aktivasi adalah net masukan kombinasi linear masukan dan bobotnya. Keempat sinyal neuron yang ada dijumlahkan sehingga diperoleh persamaan net = 1 � + � 1 � 1 + � 2 � 2 + � 3 � 3 . Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi keluaran model jaringan juga dapat digunakan sebagai dasar untuk merubah bobot. Backpropagation memiliki beberapa neuron yang ada dalam satu atau lebih lapisan tersembunyi. Gambar 1.2 adalah arsitektur backpropagation dengan � buah masukan ditambah sebuah bias, sebuah lapisan tersembunyi yang terdiri dari � neuron ditambah sebuah bias, serta � buah neuron keluaran. � �� merupakan bobot garis dari neuron masukan � � ke neuron lapisan tersembunyi � � � �0 merupakan bobot garis yang menghubungkan bias di neuron masukan ke neuron lapisan tersembunyi � � . � �� merupakan bobot dari neuron lapisan � 1 � 1 � 2 � 2 � � 3 � 3 Gambar 1.1. Sebuah Sel Jaringan Syaraf 1 � Universitas Sumatera Utara tersembunyi � � ke neuron keluaran � � � �0 merupakan bobot dari bias di lapisan tersembunyi ke neuron keluaran � � . Algoritma pelatihan untuk jaringan backpropagation dengan satu lapisan tersembunyi dengan fungsi aktivasi sigmoid biner adalah sebagai berikut: 1. Langkah 1 Inisialisasi semua bobot dengan bilangan acak kecil 2. Langkah 2 Jika kondisi penghentian belum dipenuhi, lakukan langkah 3-9 � �0 � 10 � �0 � 11 � �1 � �1 � 1 � � �� � �� � �� � 1 � � �� � �� � 1 � � �� � �� � 1 � � �1 � �1 � 11 � �0 � �0 � 10 � � � � � � � 1 � 1 1 � � Gambar 1.2. Arsitektur Jaringan Model Backpropagation � � � � � 1 1 � �� Universitas Sumatera Utara 3. Langkah 3 Untuk setiap pasang data pelatihan, lakukan langkah 4-9 Fase I : Propagasi maju 4. Langkah 4 Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya. 5. Langkah 5 Hitung semua keluaran di unit tersembunyi � � � = 1, 2,..., � �_��� � = � �� + � � � � �� � �=1 � � = ���_��� � � = 1 1 + � −�_��� � 6. Langkah 6 Hitung semua keluaran jaringan di unit � � � = 1, 2,..., � �_��� � = � �� + � � � � �� � � =1 � � = ��_��� � = 1 1 + � −�_��� � Fase II : Propagasi Mundur 7. Langkah 7 Hitung faktor � unit keluaran berdasarkan kesalahan di setiap unit keluaran � � � = 1, 2,…, � � � = � � − � � � ′ �_��� � = � � − � � � � 1 − � � � � = target keluaran � � merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya. Hitung perubahan bobot � �� dengan laju pemahaman ∆� �� = �� � � � , � = 1, 2, ⋯ , � ; � = 1, 2, ⋯ , � Universitas Sumatera Utara 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