b. Sistem Testing : digunakan untuk melakukan pengecekan data hasil
prediksi hari ini dari data hasil pelatihanTraining dengan data riil yang ada di website resmi Bank Indonesia.
c. Sistem Prediksi : Digunakan untuk memprediksi nilai mata uang yang
akan dihasilkan. Baik sistem pelatihan Training ataupun sistem prediksi memiliki proses
pengolahan data tersendiri. Untuk sistem pelatihan meliputi proses normalisasi data, kemudian proses training dengan Quickpropagation, setelah itu akan
dilakukan proses update bobot dan perhitungan error yang kemudian akan digunakan untuk sistem prediksi. Di sistem prediksi juga terdapat beberapa
proses. Yang pertama adalah proses feedforward, lalu proses update bobot serta perhitungan error yang baru, kemudian proses denormalisasi dari data-data hasil
prediksi untuk mendapatkan hasil prediksi mata uang tersebut. Untuk garis besar program adalah user akan meng-inputkan nilai dari kurs
jual serta kurs beli hari ini dari mata uang yang akan diprediksi. Kemudian inputan tersebut akan melewati proses normalisasi agar diperoleh nilai yang sesuai
untuk penghitungan fungsi aktivasi. Setelah itu sistem akan men-training dengan menggunakan JST dari data yang telah ada, sehingga diperoleh bobot JST baru
dari hasil Training yang kemudian disimpan menjadi suatu bentuk file baru untuk data prediksi. Kemudian sistem akan masuk ke proses utama, yaitu prediksi kurs
mata uang yang nantiny hasil prediksi akan di-denormalisasi sehingga diperoleh nilai kurs beli dan kurs jual esok hari yang valid. Hasil dari prediksi bisa berupa
hasil per hari ataupun hasil dari range tanggal tertentu sesuai dengan yang user inginkan.
START
Input Nilai Mata Uang
Normalisasi
Bobot JST Hasil Training
Trainer JST
Sistem Prediksi
END Denormalisasi
Gambar 3.2. Diagram Alir Program.
Gambar diatas adalah diagram alir program secara umum, yang dimana masing-masing proses juga memiliki algoritma tersendiri. Sedangkan untuk detail
algoritma dari sistem Trainer JST ini meliputi inputan-inputan dari MGF, Laju Error, serta Error Toleransi yang akan disertakan di input data.
Gambar 3.3. Algoritma Trainer JST.
Sebelum masuk ke proses-proses yang ada di sistem, data akan melewati kondisi-kondisi yang disesuaikan dengan inputan sehingga didapatkan inputan
yang tepat pada tiap proses. Proses dalam Trainer JST adalah proses
Feedforward, proses Quickpropagation, dan proses update bobot dan perhitungan error.
Proses Feedforward adalah proses tahap maju dimana di antara lapisan masukan dan keluaran, terdapat satu atau lebih lapisan tersembunyi hidden
layer. Hubungan antar lapisan berlangsung satu arah.
Gambar 3.4. Algoritma Feedforward.
Kemudian pada proses Quickpropagation merupakan metode yang dgunakan untuk melakukan proses pelatihan training pada sistem prediksi mata
uang ini. Data-data yang digunakan pada perhitungan metode Quickpropagation
ini sudah di-normalisasi terlebih dahulu dan kemudian menggunakan feedforward untuk selanjutnya dilakukan proses ini. Pada proses Quickpropagation dilakukan
pendekatan dengan asumsi bahwa masing-masing bobot penghubung tidak terpengaruh oleh bobot yang lain.
Gambar 3.5. Algoritma Quickpropagation.
Sedangkan pada proses update bobot dan perhitungan error merupakan proses akhir dari sistem Trainer JST. Hasil dari perhitungan proses ini merupakan
bobot baru yang akan dijadikan acuan pada perhitungan sistem prediksi mata
uang. Hasil bobot-bobot yang baru akan disimpan menjadi file extension baru yaitu berformat .JST, yang dimana file tersebut memuat data dari masing-masing
mata uang. Untuk perhitungan error-nya disesuaikan dengan inputan user yang telah ditetapkan sewatu user menginputkan di program, dan merupakan hasil
paling minimal dari error yang ditentukan.
Gambar 3.6. Algoritma Update Bobot dan Perhitungan Error.
Setelah proses sistem pelatihan Trainer JST selesai, akan masuk ke proses utama berikutnya, yaitu proses sistem prediksi. Di proses utama ini user
dapat melakukan prediksi kurs mata uang dari mata uang tertentu untuk keesokan
hari dan juga untuk range tanggal tertentu. Data-data yang dipakai merupakan bobot-bobot baru yang telah di-update dari sistem pelatihan Trainer JST serta
data-data kurs mata uang yang telah di-normalisasi. Disini user hanya perlu memasukkan data kurs mata uang, yaitu kurs jual dan kurs beli hari ini. Kemudian
sistem akan melakukan prediksi berdasarkan data-data yang telah diproses lalu data-data tersebut akan di-denormalisasi sehingga tercipta data kurs mata uang
yaitu kurs jual dan kurs beli hari esok ataupun pada range tanggal tertentu yang valid.
Gambar 3.7. Diagram Alir sistem prediksi.
Hasil_Prediksi_Mata_Uang Hasil_Pelatihan
Data_Mata_Uang_Baru Data_Fluktuasi_Mata_Uang
Sistem_JST_Peramalan_Kurs_ Mata_Uang
+
Bursa_Efek
3.5.1. Context diagram
Context diagram berfungsi memetakan model lingkungan menggambarkan hubungan antara entitas luar, masukan dan keluaran sistem,
yang direpresentasikan dengan lingkaran tunggal yang mewakili keseluruhan sistem. DFD levelled menggambarkan sistem sebagai jaringan kerja antara fungsi
yang berhubungan satu sama lain dengan aliran dan penyimpanan data, model ini mampu memodelkan sistem dari sudut pandang fungsi.
Gambar 3.8. Context Diagram Sistem JST Peramalan Kurs Mata uang.
3.5.2. Diagram Aliran Data Data Flow Diagram
Diagram aliran data DFD dari sistem prediksi kurs mata uang terdiri dari 2 bagian utama, yaitu: Sistem Pelatihan Quickpropagation dan Sistem Prediksi
Kurs Mata Uang. Gambar 3.9 menunjukkan DFD level 0 dari Sistem JST Peramalan Kurs Mata uang.
Gambar 3.9. DFD Level 0 Sistem JST Peramalan Kurs Mata Uang.
Sistem Pelatihan Quickpropagation dijabarkan lebih lanjut dengan DFD level 1 yang ditunjukkan pada gambar 3.10. Training data set terdiri nilai mata
uang . Training data set akan mengalami preprocessing berupa normalisasi nilai mata uang itu sendiri yang akan dijadikan sebagai input untuk proses training
yang menggunakan jaringan syaraf tiruan quickpropagation. Setelah proses training selesai, akan dihasilkan nilai bobot jaringan syaraf tiruan yang disimpan
ke dalam file. File ini nantinya akan digunakan di dalam proses sistem prediksi kurs mata uang.
Gambar 3.10. DFD Level 1Sistem Pelatihan Quickpropagation.
Sedangkan penjabaran lebih lanjut dari Sistem Prediksi Kurs Mata Uang yang berupa DFD level 1 ditunjukkan pada gambar 3.11.
Gambar 3.11. DFD Level 1 Sistem Prediksi Kurs Mata Uang.
User memasukkan data nilai mata uang yang akan diprediksi. Nilai mata uang masukkan ini akan melalui proses preprocessing. Setelah didapatkan nilai
inputan, maka inputan ini akan digunakan pada proses JST, proses ini sampai pada tahap maju feedforward. Pada proses JST nilai bobot diambil dari file yang
berisi nilai bobot hasil dari pelatihan sebelumnya.
3.6. Entity Relationship Diagram ERD
Entity Relationship Diagram atau ERD merupakan suatu model untuk
menjelaskan hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang mempunyai hubungan antar relasi. ERD juga untuk untuk memodelkan
struktur data dan hubungan antar data, untuk menggambarkannya digunakan beberapa notasi dan simbol.
memproses
mengambil mengakses
memakai t_mata_uang
nama kode
lambang pi
VA20 VA10
VA10 M
kode pi t_transaksi
id_transaksi tanggal
no_valas kurs_jual
kurs_beli pi I
D I
F F
M
id_transaksi pi
t_jst id_jst
tgl_jst valas_jst
kurs_jual_jst kurs_beli_jst
pi I D
VA20 F
F M
id_jst pi t_prediksi
id_prediksi tgl_prediksi
valas_prediksi kurs_jual_prediksi
kurs_beli_prediksi pi I
D VA20
F F
M
id_prediksi pi user
id_user nama_user
username password
otoritas pi I
VA20 VA20
VA10 VA20
M
id_user pi
a. Conceptual Data Model CDM
Gambar 3.12. CDM Sistem Peramalan Kurs Mata Uang.
FK_T_TRANSA_MEMPROSES_T_MATA_U
FK_T_REPORT_MENGAMBIL_T_JST FK_T_REPORT_MENGAMBIL_T_PREDIK
FK_T_TRANSA_MENGAKSES_USER
FK_T_PREDIK_MEMAKAI_USER t_mata_uang
na ko
ma de
lambang varchar20
varchar10 varchar10
pk t_transaksi
id_transaksi kode
id_user tanggal
no_valas kurs_jual
kurs_beli int
varchar10 int
datetime int
float float
pk fk1
fk2
t_jst id_jst
tgl_jst valas_j
kurs_j kurs_b
st ual_jst
eli_jst int
datetime varchar20
float float
pk t_prediksi
id_prediksi id_user
tgl_prediksi valas_prediksi
kurs_jual_prediksi kurs_beli_prediksi
int int
datetime varchar20
float float
pk fk
user id_user
nama_user username
password otoritas
int varchar20
varchar20 varchar10
varchar20 pk
t_report id_jst
id_prediksi valas_report
tgl_report kurs_jual_report
kurs_beli_report int
int varchar20
datetime float
float pk,fk1
pk,fk2
b. PhysicaL Data Model PDM
Gambar 3.13. PDM Sistem Peramalan Kurs Mata Uang.
3.7. Jaringan Syaraf Tiruan
JST atau umumnya hanya disebut neural network NN, adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan
syaraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal
yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan
hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis
. Jaringan syaraf yang digunakan pada sistem ini menggunakan jenis Multilayer
Perceptron dengan algoritma pelatihan Quickpropagation dengan arsitektur seperti pada gambar 3.14. Lapisan input terdiri dari 2 node input, yang menerima
nilai inputan dari data transaksi kurs beli dan kurs jual yang dikonversi menjadi nilai antara -1 dan 1 seperti pada rumus Normalisasi, hal ini dikarenakan pada
sistem ini digunakan fungsi aktifasi sigmoid bipolar. Lapisan output terdiri dari 2 dilatih, nilai keluaran berkisar -1 sampai
dengan 1 pada training data set dan dinormalisasi.
Gambar 3.14. Multilayer Perceptron.
3.8. Basis Data Pelatihan Prediksi Kurs Mata Uang
Pada sistem ini data – data yang bersifat umum dan banyak digunakan selama proses pelatihan disimpan dalam database. Penyimpanan data ini kedalam
database dipertimbangkan karena pada saat implementasi ini banyak data yang
