103 -0,4147 1,9122 -0,3909 0,4092 -1,1424 -0,6249 -1,1687
0,3926 1,3018 -0,5936 0,4364 -0,5044 0,1021 1,1963 0,1203
-1,0368 -0,8571 -0,1699 -0,1917 -0,8658 0,1807 1,2665 -0,2512
-0,2046 -2,2015 -0,7745 -1,3933 -0,3862 0,5256 1,5233 1,7985
-0,1169 -0,3202 0,8175 0,4902 0,7653 0,7783 -1,4803 0,5404
-0,0915 -0,7603 -0,6936 1,2815 -0,8097 -1,2368
8. Pembentukan Populasi Baru
Setelah langkah-langkah diatas selanjutnya adalah membentuk populasi di generasi selanjutnya. Anak-anak yang terbentuk di proses sebelumnya akan
menggantikan posisi induknya di populasi baru di generasi selanjutnya. Individu dengan nilai fitness tertinggi pada generasi sebelumnya juga akan dipertahankan
di generasi selanjutnya. Setelah pembentukan populasi baru, dilakukan proses evaluasi fitness hingga mutasi. Proses ini barjalan hingga mencapai jumlah
generasi yang ditentukan. Pada penelitian ini dilakukan beberapa percobaan untuk mendapatkan bobot
yang optimal. Berikut hasil percobaan yang dilakukan:
Tabel 4. 11
Hasil percobaan Algoritma Genetika
Percobaan ke- Ukuran
populasi Jumlah
generasi Nilai fitness
1 25
200 0,1674
2 25
500 0,1703
3 25
1000 0,1679
4 25
2000 0,1724
5 30
200 0,1698
6 30
500 0,1750
7 30
1000 0,1771
8 30
2000 0,1769
9 40
200 0,1698
10 40
500 0,1718
11 40
1000 0,1807
12 40
2000 0,1766
104 dari hasil percobaan tersebut diperoleh nilai fitness yang optimal yaitu 0,1807.
Grafik hasil percobaan dengan MATLAB R2013a dapat dilihat pada gambar 4.10 berikut:
Gambar 4. 10
Grafik hasil percobaan algoritma genetika Program MATLAB yang diginakan dapat dilihat pada lampiran 15. Untuk
populasi akhir dapat dilihat pada lampiran 16 . Nilai bobot hasil optimasi algoritma genetika dapat dilihat pada lampiran 17. Bobot tersebut kemudian
digunakan untuk menghitung nilai MAPE pada data training dan testing. MAPE hasil perhitung terlihat pada tabel 4.10 berikut:
Tabel 4. 12
Perbandingan nilai MAPE
Model MAPE output dalam
derajat keanggotaan himpunan fuzzy
MAPE output dalam bentuk rupiah
training testing
training testing
FBPNN tanpa optimasi dengan Algoritma Genetika
6,0611 5,3052
1,3191 2,3529
FBPNN yang dioptimasi dengan Algoritma Genetika
5,5333 5,0910
1,2399 2,2515
105 Pada tabel 4.12 terlihat bahwa bobot hasil optimasi FBPNN menggunakan
Algoritma Genetika memberikan nilai MAPE yang lebih kecil dibanding bobot FBPNN tanpa optimasi dengan Algoritma Genetika. Output dari model FBPNN
yang telah dioptimasi dapat dilihat di lampiran 18 output dalam bentuk derajat keanggotaan himpunan fuzzy dan lampiran 19 output dalam bentuk rupiah.
Scatterplot nilai kurs asli dan kurs prediksi dari model FBPNN yang telah
dioptimasi dengan Algoritma Genetika tersaji dalam gambar berikut:
Gambar 4. 11
Scatterpot kurs asli dan peramalan data training
106
Gambar 4. 12
Scatterpot kurs asli dan peramalan data testing Selanjutnya error hasil peramalan akan diuji apakah telah white noise atau
belum. Pengujian ini dilakukan dengan melihat plot ACF dan PACF dari error yang dihasilkan dari model FBPNN yang telah dioptimasi dengan Algoritma
Genetika pada data training dan testing. Plot ACF dan PACF dari error tersebut tersaji pada gambar berikut:
Gambar 4. 13
Plot ACF dari error model FBPNN yang telah dioptimasi dengan Algoritma Genetika
107
Gambar 4. 14
Plot PACF dari error model FBPNN yang telah dioptimasi dengan Algoritma Genetika
Dari gambar 4.11 dan gambar 4.12, plot ACF dan PACF terlihat bahwa semua lag
berada dalam selang kepercayaan, berarti error bersifat acakrandom. Sehingga model FBPNN yang telah dioptimasi dengan Algoritma Genetika
digunakan sebagai model peramalan nilai tukar rupiah terhadap dollar Amerika.
C. Peramalan Nilai Tukar Rupiah terhadap Dollar Amerika
