Arsitektur dan Model Fuzzy Feed forward Neural Network Untuk Time Series

72 pembelajaran fuzzy melalui proses fuzzyfikasi. Pada Fuzzy FFNN, unsur utama pada neural network menggunakan pendekatan logika fuzzy untuk memetakan permasalahan dari input yang beragam menuju output yang diharapkan. FFNNmerupakan jaringan syaraf yang arsitekturnya termasuk dalam jaringan lapisan jamak multi layer network. FFNNmempunyai tiga unit lapisan, yakni lapisan input, lapisan tersembunyi, dan lapisan output. Algoritma pembelajaran dalam FFNNinimenggunakan algoritma backpropagation. Input yang digunakan adalah inputfuzzy dengan fungsi keanggotaan kurva-S pertumbuhan. Fungsi aktivasi yang digunakan dalam penulisan tugas akhir ini yaitu fungsi sigmoid biner pada lapisan tersembunyi karena memiliki nilai pada range 0 sampai 1, sedangkan fungsi aktivasi pada lapisan output yaitu fungsi sigmoid biner. Gambar 3. 2. Arsitektur Jaringan Feed Forward Neural Network dengan Algoritma Backpropagation 73 Berdasarkan Gambar 3.2, merupakan neuron pada lapisan input yang berupa inputfuzzy, merupakan neuron pada lapisan tersembunyi, dan merupakan neuron lapisan output. Sedangkan merupakan bobot yang menghubungkan neuron pada lapisan input dengan neuron pada lapisan tersembunyi dan merupakan bobot yang menghubungkan neuron pada lapisan tersembunyi dengan neuron pada lapisan output. Bobot bias pada lapisan input dinotasikan dengan , sedangkan bobot bias pada lapisan tersembunyi dinotasikan dengan . Pada jaringan fuzzy FFNN, lapisan input menerima sinyal dan meneruskan sinyal tersebut ke semua unit lapisan tersembunyi. Jumlah dari sinyal-sinyal input berbobot diaktivasi menggunakan fungsi aktivasi sigmoid biner persamaan 2.13 sehingga diperoleh sinyal . Setelah diperoleh sinyal , sinyal dikirimkan ke semua unit lapisan output. Jumlah dari sinyal-sinyal terbobot diaktivasi menggunakan fungsi aktivasi sigmoid biner persamaan 2.13 sehingga diperoleh output .Secara sistematis, fuzzy FFNNmenggunakan algoritma backpropagation dapat dirumuskan sebagai berikut : Lapisan input ke lapisan tersembunyi : ∑ 3.1 74 ∑ 3.2 Lapisan tersembunyi ke lapisan output : ∑ 3.3 ∑ 3.4 Persamaan 3.4 merupakan persamaan sisitematis untuk FFNN.

B. Membangun Jaringan Fuzzy Feed Forward Neural Network

Dalam membangun jaringan fuzzy FFNN terdapat beberapa langkah. Langkah- langkah tersebut sebagai berikut.

1. Penentuan Input Jaringan

Langkah awal dalam membangun sebuah jaringan yaitu penentuan input jaringan. Sebelum menentukan input jaringan, maka ditentukan variabel yang digunakan dalam tugas akhir ini. Variabel yang digunakan dalam tugas akhir ini merupakan variabel yang mempengaruhi nilai IHSG. Variabel yang mempengaruhi IHSG antara lain Indeks Harga Saham Gabungan periode sebelumnya, Indeks Negara Lain, Tingkat Bunga, Tingkat Inflasi, dan Kurs Valuta Asing. Dalam tugas akhir ini, Indeks Negara Lain menggunakan Indeks Dow Jones yang berasal dari Amerika Serikat dan Indeks Hang Seng yang berasal dari Hongkong. Data nilai Indeks Dow Jones, Indeks Hang Seng, dan IHSG diambil dari situs 75 finance.yahoo.com. Sedangkan untuk Kurs Valuta Asing digunakan Nilai Tukar Rupiah terhadap USD. Untuk data Tingkat Bunga, Tingkat Inflasi, dan Kurs Valuta Asing diambil dari www.bi.go.id . Data yang diambil yaitu berupa data bulanan yaitu dari bulan Januari 2007 sampai dengan bulan Juli 2016. Data yang diambil sebanyak 115 data. Setelah variabel ditentukan, maka langkah selanjutnta yaitu penentuan input jaringan. Penentuan input jaringan ditentukan dengan melihat plot autokorelasi ACF dan plot autokorelasi parsial PACF yang signifikan. Plot-plot ACF dan PACF dikatakan signifikan jika ada garis yang melewati selang kepercayaan garis putus- putus merah. Plot ACF dan PACF dari masing-masing variabel diperoleh dengan menggunakan software MINITAB. 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n Plot ACF untuk Data IHSG Gambar 3. 3 . Plot ACF untuk Data Indeks Harga Saham Gabungan dari bulan Januari 2007 s.d. Juli 2016.