regresi sehingga tidak memerlukan penjelasan mengenai variabel dependen dan independen. Metode ini juga tidak melihat pola-pola data seperti pada time series
decomposition atau data yang akan diprediksi tidak perlu dipecah menjadi komponen trend, seasonal, atau siklis. Sehingga metode ARIMA Box-Jenkins juga cocok
digunakan pada peramalan kurs rupiah terhadap dollar AS. Berdasarkan uraian
tersebut penulis mengambil judul “Perbandingan Jaringan Syaraf Tiruan Backpropagation Dan Metode Deret Berkala ARIMA Box-Jenkins Sebagai
Metode Peramalan Kurs Rupiah Terhadap Dollar Amerika Serikat”.
1.2 PERUMUSAN MASALAH
Permasalahan yang akan dikaji dalam penelitian ini adalah sebagai berikut : 1. Bagaimana melakukan peramalan kurs rupiah terhadap dollar Amerika
Serikat dengan menggunakan jaringan syaraf tiruan backpropagation? 2. Seberapa besar tingkat keakuratan ramalan yang dihasilkan oleh jaringan
syaraf tiruan backpropagation dibandingkan dengan metode deret berkala ARIMA Box-Jenkins?
1.3 PEMBATASAN MASALAH
Untuk mencegah meluasnya permasalahan yang ada dan lebih terarah, maka dilakukan pembatasan, batasan-batasan itu antara lain :
1. Peramalan pergerakan kurs rupiah terhadap dollar AS tersebut dilakukan untuk 2 bulan kedepan bulan Januari dan Pebruari 2010.
2. Data yang digunakan adalah data pergerakan kurs rupiah terhadap dollar AS mulai bulan Januari 2009 – Pebruari 2010 dari website Bank Indonesia
www.bi.go.id. 3. Hasil-hasil dari penelitian ini tidak mempertimbangkan kejadian-kejadian
luar biasa yang mungkin mempengaruhi hasil peramalan tersebut. 4. Hasil-hasil dari penelitian ini tidak mempertimbangkan pengaruh-pengaruh
fundemental ekonomi yang terjadi.
Universitas Sumatera Utara
1.4 TINJAUAN PUSTAKA
Menurut Siang 2005, jaringan syaraf tiruan JST merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST
dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. 2. Sinyal
dikirimkan diantara
neuron-neuron melalui
penghubung- penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanya bukan fungsi linier yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang treshold.
JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron disebut arsitektur jaringan
b. Metode untuk menentukan bobot penghubung disebut metode training learning algoritma
c. Fungsi aktivasi fungsi transfer Sebagai contoh, perhatikan neuron Y pada gambar berikut :
Gambar 1.1 Sebuah Sel Syaraf Tiruan
X
1
X
2
X
3
Y
w
1
w
2
W
3
Universitas Sumatera Utara
Y menerima input dari neuron x
1
, x
2
, dan x
3
dengan bobot hubungan masing- masing adalah w
1
, w
2
dan w
3
. Ketiga impuls neuron yang ada dijumlahkan net = x
1
w
1
+ x
2
w
2
+ x
3
w
3
. Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = fnet. Apabila nilai fungsi akivasi cukup kuat, maka sinyal akan diteruskan. Nilai
fungsi aktivasi keluaran model jaringan juga dapat dipakai sebagai dasar untuk merubah bobot.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 1.2 adalah arsitektur backpropagation dengan n buah masukan
ditambah sebuah bias, sebuah layar tersembunyi yang terdiri dari p unit ditambah sebuah bias, serta m buah unit keluaran. v
ji
merupakan bobot garis dari unit masukan x
i
ke unit layar tersembunyi z
j
v
j0
merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi z
j
. w
kj
merupakan bobot dari unit layar tersembunyi z
j
ke unit keluaran y
k
w
k0
merupakan bobot dari bias di layar tersembunyi ke unit keluaran y
k
.
Universitas Sumatera Utara
Gambar 1.2 Arsitektur backpropagation
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi dengan fungsi aktivasi sigmoid biner adalah sebagai berikut :
a. Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil b. Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah
2-9
c. Langkah 2 : Untuk setiap pasang data pelatihan lakukan langkah 3-8
