BAB 3 METODE PENELITIAN
Pada bab ini peneliti akan menunjukkan perolehan data kemudian menganalisis data dengan metode backpropagation jaringan syaraf tiruan dan metode ARIMA Box-
jenkins khususnya dalam bidang peramalan. Selain itu peneliti juga membandingakan hasil peramalan dengan menggunakan kedua metode tersebut sehingga dapat
diketahui metode mana yang paling baik digunakan dalam peramalan data pergerakan kurs rupiah terhadap dollar Amerika Serikat.
3.1 Pengumpulan Data
Data yang dikumpulkan merupakan data yang diperoleh dengan menggunakan metode dokumentasi. Pengumpulan data dimulai dengan tahap penelitian pendahuluan yaitu
melakukan studi kepustakaan dengan mempelajari buku-buku dan bacaan-bacaan lain yang berhubungan dengan pokok bahasan dalam penelitian ini. Data tersebut
diperoleh dari website Bank Indonesia di www.bi.go.id yakni data pergerakan kurs rupiah terhadap dollar AS mulai bulan Januari 2009 sampai Desember 2010 lampiran
A.
3.2 Analisis Data
3.2.1 Analisis Data dengan Metode Backpropagation Jaringan Syaraf Tiruan
Perancangan model peramalan pergerakan kurs rupiah terhadap dollar Amerika Serikat dengan metode backpropagation jaringan syaraf tiruan terdiri dari langkah-
langkah sebagai berikut :
Universitas Sumatera Utara
1. Menetapkan tujuan sistem Model jaringan yang dibangun digunakan untuk meramalkan pergerakan kurs
rupiah terhadap dollar Amerika Serikat dari bulan Januari sampai Pebruari 2010 berdasarkan data bulan Januari sampai Desember 2009 dengan software
Matlab 7.0. 2. Menentukan fungsi aktivasi
Fungsi tansig, sigmoid biner log sigmoid, dan purelin masing-masing digunakan sebagai fungsi aktivasi pada lapisan tersembunyi pertama, lapisan
tersembunyi pertama dan keluaran. 3. Transformasi Data
Data ditransformasi linear pada selang [0,1;0,9]. Oleh karena itu keluaran yang dihasilkan jaringan akan berada pada nilai 0 sampai 1. Untuk mendapatkan
nilai sebenarnya dari keluaran perlu dilakukan proses detransformasi linear. Nilai tranformasi linear, taburan data sebelum dan setelah tranformasi linear
terdapat pada lampiran 2, 3 dan 4. 4. Pembagian Data
Data pergerakan kurs rupiah terhadap dollar Amerika Serikat dari bulan Januari sampai Desember 2009 dibagi menjadi 80 data pelatihan dan 20
data pengujian. Datanya diambil berdasarkan hari kerja yakni senin sampai jum’at dalam setiap minggu. Terdapat 51 minggu di tahun 2009, terhitung dari
5 januari- 25 desember 2009. Sehingga data pelatihan 80 dari 51 minggu = 40,8 minggu, digenapkan menjadi 41 minggu 205 data dan 20 sisanya =
10,2 minggu digenapkan menjadi 10 minggu 50 data adalah data pengujian. 5. Perancangan arsitektur jaringan yang optimum
Peramalan pergerakan kurs rupiah terhadap dollar tersebut ditentukan oleh pergerakan 4 minggu sebelumnya setiap bulan, yakni 1 minggu, 2 minggu, 3
minggu dan 4 minggu sebelumnya. Sehingga Input sistem adalah pergerakan ke-t-15, t-10, t-5 dan t. Sedangkan target sistem adalah pergerakan ke-
t+5. Dengan demikian akan terdapat rentang data dari 16 hingga 250
Universitas Sumatera Utara
terdapat 235 data. Dari data tersebut akan digunakan sebanyak 185 data untuk dilatih lampiran B, sedangkan sisanya sebanyak 50 data akan
digunakan sebagai data lampiran C. Arsitektur jaringan dibentuk dari 5 input, lapisan tersembunyi pertama dengan 10 neuron, lapisan tersembunyi kedua
dengan 5 neuron dan 1 keluaran. 6. Penentuan koefisien laju pemahaman dan momentum
Dari percobaan trial and error koefisien laju pemahaman dan momentum masing-masing bernilai 0,5 dan 0,8 karena menghasilkan MSE terkecil.
7. Pemilihan arsitektur jaringan yang optimum sehingga siap digunakan pada peramalan.
Pengolahan data pergerakan kurs rupiah terhadap dollar Amerika Serikat dengan metode backpropagation jaringan syaraf tiruan dengan software Matlab 7.0
dapat diperlihatkan sebagai berikut : 1. Masukan data input dan target
Data=[…]; P=Data:,1:4;
T=Data:,5;
2. Preprocessing
[pn,meanp,stdp,tn,meant,stdt]=prestdP,T
3. Membangun jaringan Kemudian dibangun jaringan syaraf dengan metode pembelajaran gradient
descent dengan momentum traingdm :
net=newffminmaxpn,[10 5 1],{tansig,logsig,purelin},traingdm;
4. Set bobot awal secara acak Inisialisasi bobot awal dilakukan dengan bilangan acak dan dilakukan
sampai menghasilkan MSE paling kecil MSE ≥ 0. Dalam penelitian ini
Universitas Sumatera Utara
bobot yang sudah didapatkan sehingga menghasilkan MSE terkecil mendekati 0 adalah sebagai berikut :
Bobot awal lapisan input ke lapisan tersembunyi pertama : net.IW{1,1}=[…];
Bobot bias awal lapisan input ke lapisan tersembunyi pertama : net.b{1,1}=[…];
Bobot awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua : net.LW{2,1}=[…];
Bobot bias awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua :
net.b{2,1}=[…]; Bobot awal tersembunyi kedua lapisan output :
net.LW{3,2}=[…]; Bobot bias awal tersembunyi kedua ke lapisan output :
net.b{3,1}=…; 5. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu parameter
parameter yang digunakan sebagai berikut : net.trainParam.epochs
= 15000; net.trainParam.goal
= 0.01; net.trainParam.lr
=0.5; net.trainParam.show
= 200; net.trainParam.mc
= 0.8; 6. Kemudian dilakukan proses pelatihan :
net=trainnet,pn,tn;pause
Universitas Sumatera Utara
7. Proses pelatihan :
2000 4000
6000 8000
10000 12000
14000 10
-3
10
-2
10
-1
10 10
1
14849 Epochs T
ra in
in g
-B lu
e G
o a
l- B
la c
k Performance is 0.00999999, Goal is 0.01
Gambar 3.1 Hasil Pelatihan sampai 15000 epoh iterasi
Pada Gambar 3.1 terlihat bahwa performance jaringan telah goal berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai goalnya dimana 0,009 0,01
dan berhenti pada epoh ke-14849. 8. Untuk melihat bobot akhir :
BobotAkhir_Input = net.IW{1,1} BobotAkhir_Bias_Input=net.b{1,1}
BobotAkhir_Lapisan1=net.LW{2,1} BoobotAkhir_Bias_Lapisan1=net.b{2,1}
BobotAkhir_Lapisan2=net.LW{3,2} BobotAkhir_Bias_Lapisan2=net.b{3,1}
Universitas Sumatera Utara
9. Melakukan simulasi dan pengujian dilakukan terhadap data-data yang ikut dilatih :
an=simnet,pn; a=poststdan,meant,stdt;
H = [1:sizeP,2 T a T-a]; sprintf2d 9.2f 7.2f 5.2f\n,H
Hasilnya error E terkecil terletak pada data ke-24 yaitu sebesar 0,02, sedangkan terletak pada data ke-139 yaitu 190,69. Nilai MSE akhir pelatihan
sebesar 0,009. 10. Evaluasi output jaringan data pelatihan dengan target
Output jaringan dan target dianalisis dengan regresi linier menggunakan postreg :
[m1,a1,r1]=postrega,T Menghasilkan :
Gradient garis terbaik m1 : m1 = 0,9897
Konstanta : a1 = 108,0266
Persamaan garis untuk kecocokan terbaik : 0,9897T + 108,0266 Koefisien korelasi :
r1 = 0,9950 Koefisien korelasi bernilai 0,9950 mendekati 1, menunjukkan hasil yang baik
untuk kecocokan output jaringan dengan target Gambar 3.2
Universitas Sumatera Utara
0.9 0.95
1 1.05
1.1 1.15
1.2 1.25
x 10
4
0.9 0.95
1 1.05
1.1 1.15
1.2 1.25
x 10
4
T A
Best Linear Fit: A = 0.99 T + 108 R = 0.995
Data Points Best Linear Fit
A = T
Gambar 3.2 Hubungan antara target dengan output jaringan untuk data pelatihan
Untuk melihat
perbandingan anatara target dengan output jaringan :
pause plot[1:sizeP,2],T,bo,[1:sizeP,2],a,r;
titleHasil Pengujian Dengan Data Pelatihan: Targeto, Output; xlabelData Ke-;ylabelTargetOutput;pause
Selanjutnya perbandingan anatara target dengan output jaringan pada Gambar 3.3 Pada gambar tersebut, output jaringan o dan target sebagian
besar sudah berdekatan hampir semuanya menempati posisi yang sama. Hasil terbaik terjadi apabila posisi o dan target betul-betul berada pada posisi
yang sama.
Universitas Sumatera Utara
20 40
60 80
100 120
140 160
180 200
0.9 0.95
1 1.05
1.1 1.15
1.2 1.25
x 10
4
Hasil Pengujian Dengan Data Pelatihan: Targeto, Output
Data Ke- T
a rg
e t
O u
tp u
t
Gambar 3.3 Perbandingan antara target dengan output jaringan untuk data pelatihan
Selanjutnya pengujian akan dilakukan terhadap data-data yang tidak ikut dilatih Data pengujian sebanyak 50 data pada tabel. Misalnya data cek
disimpan pada matriks Q untuk input data t-15, t-10, t-5 dan t, serta matriks TQ untuk target yakni data t+5.
11. Input baru Q akan di tes, dengan target PQ
Cek=[…]; Q=Cek:,1:4;
TQ=Cek:,5; 12. Normalisasi input baru
Sebelumnya dilakukan normalisasi terlebih dahulu dengan trastd, hasil simulasi didenormalisasi dengan poststd.
Qn = trastd Q,meanp,stdp; bn = sim net,Qn;
b = poststd bn,meant,stdt; L=[1:sizeQ,2 TQ b TQ-b];
Universitas Sumatera Utara
sprintf2d 11.2f 9.2f 7.2f\n,L
Sehingga menghasilkan output ramalan selama dua bulan kedepan periode januari 2010 sampai februari lampiran E kolom ramalan.
Dari data pengujian ini telah diperoleh peramalan nilai output data selama dua bulan kedepan. Untuk melihat hubungan antara target dengan output jaringan untuk data pengujian
seperti terlihat pada Gambar 3.4 berikut ini :
9300 9350
9400 9450
9500 9550
9600 9650
9100 9200
9300 9400
9500 9600
9700 9800
T A
Best Linear Fit: A = 0.308 T + 6.37e+003 R = 0.249
Data Points Best Linear Fit
A = T
Gambar 3.4 Hubungan antara target dengan ouput jaringan untuk data pengujian
Pada Gambar 3.4 terlihat bahwa hasil pengujian yang dilakukan berdasarkan semua input data dan bentuk jaringan pada proses pelatihan. Untuk melihat perbandingan antara
target dengan output jaringan dapat dilihat pada Gambar 3.5 berikut ini :
Universitas Sumatera Utara
5 10
15 20
25 30
35 40
45 50
9100 9200
9300 9400
9500 9600
9700 9800
Hasil Pengujian Dengan Data Pelatihan: Targeto,Output
Data Ke- T
a rg
e t
O u
tp u
t
Gambar 3.5 Perbandingan antara target dengan output jaringan untuk data pengujian.
Pada Gambar 3.5 memperlihatkan bahwa output o dan target hampir mirip dalam penyebaran datanya, namun keduanya tidak terlalu berdekatan. Hampir
tidak mungkin kedua posisi antara output dan target benar-benar berada pada posisi yang sama. Sehingga output ramalan tidak terlalu mendekati target. Meskipun
demikian peramalannya tetap bisa digunakan.
3.2.2 Analisis Data dengan Metode ARIMA Box-Jenkins