75
BAB IV PEMBAHASAN
Pada bab ini akan dibahas proses pemodelan Fuzzy Backpropagation Neural Network
untuk memprediksi nilai tukar rupiah terhadap dollar Amerika, proses optimasi model Fuzzy Backpropagation Neural Network menggunakan Algoritma
Genetika, hasil optimasi model Fuzzy Backpropagation Neural Network menggunakan Algoritma Genetika, dan hasil prediksi nilai tukar rupiah terhadap
dollar Amerika menggunakan model Fuzzy Backpropagation Neural Network yang dioptimasi dengan Algoritma Genetika.
A. Model Fuzzy Backpropagation Neural Network untuk Memprediksi Nilai
Tukar Rupiah terhadap Dollar Amerika
Proses membangun model Fuzzy Backpropagation Neural Network untuk memprediksi nilai tukar rupiah terhadap dollar Amerika dilakukan dengan tahapan
sebagai berikut:
1. Menentukan input
Menurut Wutsqa dkk 2014: 79, Pada penelitian peramalan indeks harga konsumen pendidikan, rekreasi, dan olahraga, menggunakan model Feed Forward
Neural Network FFNN dengan input berdasarkan plot Autocorrelation Function
ACF memberikan hasil yang baik. FFNN adalah salah satu model dari Neural Network
dengan arsitektur banyak lapisan. Pada model FFNN tersebut dan model FBPNN pada skripsi ini menggunkan struktur NN yang sama sehingga pada
model ini penentuan input dilakukan dengan melihat plot ACF. Penentuan input
76 dilakukan dengan melihat banyaknya lag-lag yang signifikan pada plot ACF. Lag-
lag yang signifikan ditunjukkan oleh garis-garis vertikal yang berpotongan
dengan garis merah. Plot ACF masing-masing variabel diperoleh menggunakan bantuan software MINITAB 17. Plot ACF masing-masing variabel tersaji dalam
gambar 4.1 hingga gambar 4.4 berikut:
Gambar 4. 1
Plot ACF kurs nilai tukar rupiah terhadap dollar Amerika periode Januari 2006 sampai Juli 2016
Pada Gambar 4.1 menunjukkan plot ACF dari variabel kurs nilai tukar rupiah terhadap dollar Amerika periode Januari 2006 hingga Juli 2016. Pada plot
tersebut menunjukkan bahwa lag-lag yang signifikan yaitu pada lag 1, lag 2, lag 3, lag 4, lag 5, lag 6, lag 7, lag 8, lag 9 dan lag 10.
32 30
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
Autocorrelation Function for kurs Rp
with 5 significance limits for the autocorrelations
77
Gambar 4. 2
Plot ACF data inflasi Indonesia periode Januari 2006 hingga Juli 2016
Pada Gambar 4.2 menunjukkan plot ACF dari variabel inflasi di Indonesia periode Januari 2006 hingga Juli 2016. Pada plot tersebut menunjukkan bahwa
lag-lag yang signifikan yaitu pada lag 1, lag 2, lag 3, lag 4, dan lag 5.
Gambar 4. 3
Plot ACF Jumlah Uang Beredar JUB di Indonesia periode Januari 2006 hingga Juli 2016
Pada Gambar 4.3 menunjukkan plot ACF dari variabel jumlah uang beredar di Indonesia periode Januari 2006 hingga Juli 2016. Pada plot tersebut
menunjukkan bahwa lag-lag yang signifikan yaitu pada lag 1, lag 2, lag 3, lag 4, lag
5, lag 6, lag 7, lag 8, lag 9, lag 10 dan lag 11.
32 30
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
Autocorrelation Function for inflasi
with 5 significance limits for the autocorrelations
32 30
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
Autocorrelation Function for JUB triliun
with 5 significance limits for the autocorrelations
78
Gambar 4. 4
Plot ACF tingkat Suku Bunga Indonesia SBI periode Januari 2006 hingga Juli 2016
Pada Gambar 4.4 menunjukkan plot ACF dari variabel tingkat Suku Bunga Indonesia periode Januari 2006 hingga Juli 2016. Pada plot tersebut menunjukkan
bahwa lag-lag yang signifikan yaitu pada lag 1, lag 2, lag 3, lag 4, lag 5, lag 6, dan lag 7.
Dari plot ACF masing-masing variabel maka diperoleh 33 variabel input sebagai berikut:
1 X
1
: kurs lag ke 1 = data kurs ke t-1 2 X
2
: kurs lag ke 2 = data kurs ke t-2 3 X
3
: kurs lag ke 3 = data kurs ke t-3 4 X
4
: kurs lag ke 4 = data kurs ke t-4 5 X
5
: kurs lag ke 5 = data kurs ke t-5 6 X
6
: kurs lag ke 6 = data kurs ke t-6 7 X
7
: kurs lag ke 7 = data kurs ke t-7 8 X
8
: kurs lag ke 8 = data kurs ke t-8 9 X
9
: kurs lag ke 9 = data kurs ke t-9
32 30
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
Autocorrelation Function for SBI
with 5 significance limits for the autocorrelations
79 10 X
10
: kurs lag ke 10 = data kurs ke t-10 11 X
11
: inflasi lag ke 1 = data inflasi ke t-1 12 X
12
: inflasi lag ke 2 = data inflasi ke t-2 13
X
13
: inflasi lag ke 3 = data inflasi ke t-3 14
X
14
: inflasi lag ke 4 = data inflasi ke t-4 15
X
15
: inflasi lag ke 5 = data inflasi ke t-5 16
X
16
: JUB lag ke 1 = data JUB ke t-1 17
X
17
: JUB lag ke 2 = data JUB ke t-2 18
X
18
: JUB lag ke 3 = data JUB ke t-3 19
X
19
: JUB lag ke 4 = data JUB ke t-4 20
X
20
: JUB lag ke 5 = data JUB ke t-5 21
X
21
: JUB lag ke 6 = data JUB ke t-6 22
X
22
: JUB lag ke 7 = data JUB ke t-7 23
X
23
: JUB lag ke 8 = data JUB ke t-8 24
X
24
: JUB lag ke 9 = data JUB ke t-9 25
X
25
: JUB lag ke 10 = data JUB ke t-10 26
X
26
: JUB lag ke 11 = data JUB ke t-11 27
X
27
: SBI lag ke 1 = data SBI ke t-1 28
X
28
: SBI lag ke 2 = data SBI ke t-2 29
X
29
: SBI lag ke 3 = data SBI ke t-3 30
X
30
: SBI lag ke 4 = data SBI ke t-4 31
X
31
: SBI lag ke 5 = data SBI ke t-5 32
X
32
: SBI lag ke 6 = data SBI ke t-6
80 33
X
33
: SBI lag ke 7= data SBI ke t-7 Dengan variabel outputtargetnya adalah Y
t
= data kurs ke-t. Dimana t adalah
waktu pengamatan. Pada penelitian ini data yang digunakan sebanyak 127 pengamatan lampiran
1, sehingga t dimulai pada pengamatan ke 12 hingga ke 127 116 pengamatan.
2. Pembagian data
