Sistem Prediksi Kurs Mata Uang Menggunakan Jaringan Syaraf Tiruan Dengan Metode Quickpropagation.

JARINGAN SYARAF TIRUAN DENGAN METODE

QUICKPROPAGATION

Oleh :

GANDHI NOVANTO PRABOWO

0534010038

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

JAWA TIMUR

Segala puji bagi Allah SWT atas limpahan rahmat, karunia serta hidayah-Nya sehingga penyusun dapat menyelesaikan kegiatan dan penulisan laporan Tugas Akhir ( TA ) dengan judul “Sistem Prediksi Kurs Mata Uang Menggunakan Jaringan

Syaraf Tiruan Dengan Metode Quickpropagation”.

Skripsi ini disusun dan diajukan sebagai salah satu syarat untuk menyelesaikan program Strata Satu (S1) pada program studi Sistem Informasi, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Pembangunan Nasional “Veteran” Jawa Timur Surabaya.

Melalui Skripsi ini penyusun merasa mendapatkan kesempatan emas untuk memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkuliahan, terutama berkenaan tentang penerapan jaringan syaraf tiruan. Namun, penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu penyusun sangat mengharapkan saran dan kritik dari para pembaca untuk pengembangan aplikasi lebih lanjut.

Surabaya, Juni 2010

Penyusun menyadari bahwasanya dalam menyelesaikan Skripsi ini telah mendapat banyak bantuan dan dukungan dari berbagai pihak, untuk itu pada kesempatan yang berharga ini, penyusun mengucapkan terima kasih kepada :

1. Bapak Ir.Sutiyono, MT selaku Dekan Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur.

2. Bapak Basuki Rahmat, S.Si, MT selaku Ketua Program Studi Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jawa Timur.

3. Ibu Asti Dwi Irfianti, S.Kom, M. Kom. Selaku dosen pembimbing I yang dengan sabar memberikan arahan serta mencurahkan waktu, ilmu, kesabaran dan

pengertiaannya selama pembuatan Tugas Akhir ini.

4. Ibu Fetty Tri Anggraeny, S.Kom selaku dosen pembimbing II yang telah rela tersita waktu, tenaga, dan pikiran dalam membantu dalam perancangan sistem serta memberi arahan dalam pembuatan sistem.

5. Bapak Basuki Rahmat, S.Si, MT. dan Ibu Intan Yuniar P, S. Kom. selaku dosen penguji sidang tugas akhir yang telah memberikan banyak kritik dan saran serta memberikan wawasan yang lebih luas.

6. Untuk Papa and Mama, terima kasih telah menjadi orang tua terbaik saya. Insya Allah yang kalian berikan ini tidak akan sia-sia dan saya akan memberikan yang terbaik buat kalian. Setiap tetes air mata, amarah dan senyum ini saya persembahkan untuk kalian.

7. Untuk adik-adik saya Zendy dan Ifar, atas doa dan semua yang telah kalian lakukan untuk saya. Saya beruntung memiliki saudara seperti kalian, kalian yang terbaik.

8. Untuk Dita, yang meski terpisah jarak 822 km, tapi rela menemani hingga malam menjelang serta selalu membuat saya tersenyum dan menjaga semangat

bersama sesuai janji kita), Erawan (orang terbaik yang pernah saya kenal), Mas Wahyu (Thanks’s for nice quotes), Jugo’s the Freak Kidz (penyalur sisi lain saya), Arif Sorep, Sindhu Keblek’, anak-anak TF kelas A angkatan 2005, dan semuanya yang tidak bisa penyusun sebutkan satu-per-satu

Di dalam Tugas Akhir ini mungkin masih terdapat kekurangan-kekurangan yang belum bisa penyusun sempurnakan. Untuk itu saran dan masukan sangatlah penyusun harapkan untuk perbaikan lebih lanjut.

ABSTRAK ... i

KATA PENGANTAR ... ii

UCAPAN TERIMA KASIH ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... xi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 3

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 4

1.6 Metodologi Pembuatan Skripsi ... 4

1.7 Sistematika Pembahasan... 6

BAB II TINJAUAN PUSTAKA ... 8

2.1 Membaca Pergerakan Nilai Mata Uang ... 8

2.2 Valuta Asing ... 9

2.2.1. Kapitalisasi dan Likuiditas Pasar ... 9

2.2.2. Karakteristik Perdagangan Valuta Asing ... 11

2.2.3. Proses Transaksi ... 14

2.2.4. Transaksi 2 Arah ... 14

2.2.6. Bank ... 15

2.2.7. Dunia Usaha ... 16

2.2.8. Bank Sentral ... 17

2.2.9. Pialang Valuta Asing ... 17

2.3 Jaringan Syaraf Tiruan ... 18

2.3.1. Pengertian Dasar Jaringan Syaraf Tiruan ... 20

2.3.2. Komponen Jaringan Syaraf Tiruan ... 21

2.3.3. Arsitektur Jaringan ... 23

2.3.4. Fungsi Aktivasi ... 25

2.3.5. Pemodelan Neuron ... 26

2.4 Multi-Layer Perceptron ... 28

2.5 Supervised Learning ... 29

2.6 Algoritma Quickpropagation ... 30

2.7 Normalisasi ... 31

2.8 Denormalisasi ... 32

BAB III ANALISIS DAN PERANCANGAN SISTEM... 33

3.1 Analisis Permasalahan ... 33

3.2 Metode Quickpropagation ... 34

3.3 Feedforward Neural-Network ... 35

3.4 Algoritma Program ... 36

3.5 Perancangan Sistem ... 36

3.5.1. Context Diagram ... 44

3.6 Entity Relationship Diagram (ERD) ... 47

3.7 Jaringan Syaraf Tiruan ... 48

3.8 Basis Data Pelatihan Prediksi Kurs Mata Uang ... 49

3.9 Desain Input/Output ... 53

BAB IV IMPLEMENTASI SISTEM ... 61

4.1 Kebutuhan Sistem ... 61

4.1.1. Kebutuhan Perangkat Keras ... 61

4.1.2. Kebutuhan Perangkat Lunak ... 61

4.2 Implementasi Program dan Tampilan Antar Muka ... 62

4.2.1 Form Utama ... 62

4.2.2 Form Login ... 64

4.2.3 Form Master Valuta ... 64

4.2.4 Form Master Transaksi ... 65

4.2.5 Form Training ... 66

4.2.6 Form Testing ... 70

4.2.7 Form Prediksi ... 71

4.2.8 Form Report ... 72

4.2.9 User Setting ... 73

BAB V UJI COBA DAN EVALUASI ... 75

5.1 Uji Coba Sistem ... 75

5.1.1. Proses Training Data ... 76

5.1.2. Proses Testing Data ... 86

5.2.1. Evaluasi Perhitungan Sistem ... 93

5.2.2. Evaluasi Keakuratan Sistem ... 95

BAB VI PENUTUP ... 100

6.1 Kesimpulan ... 100

6.2 Saran ... 101

DAFTAR GAMBAR

Gambar 2.1 Wall Street Journal Europe ... 10

Gambar 2.2 Sebuah Jaringan Syaraf Tiruan Tunggal ... 21

Gambar 2.3 Struktur Neuron Jaringan Syaraf ... 21

Gambar 2.4 Jaringan Syaraf Dengan 3 Lapisan ... 23

Gambar 2.5 Jaringan Syaraf Dengan Lapisan kompetitif ... 24

Gambar 2.6 Model Neuron ... 27

Gambar 3.1 Pemodelan Multi-Layer Perceptron ... 35

Gambar 3.2 Diagram Alir Program ... 38

Gambar 3.3 Algoritma Trainer JST ... 39

Gambar 3.4 Algoritma Feedforward ... 40

Gambar 3.5 Algoritma Quickpropagation ... 41

Gambar 3.6 Algoritma Update Bobot dan Perhitungan Error ... 42

Gambar 3.7 Diagram Alir Sistem Prediksi ... 43

Gambar 3.8 Context Diagram Sistem JST Peramalan Kurs Mata Uang ... 44

Gambar 3.9 DFD Level 0 Sistem JST Peramalan Kurs Mata Uang ... 45

Gambar 3.10 DFD Level 1Sistem Pelatihan Quickpropagation ... 46

Gambar 3.11 DFD Level 1 Sistem Prediksi Kurs Mata Uang ... 46

Gambar 3.12 CDM Sistem Peramalan Kurs Mata Uang ... 47

Gambar 3.13 PDM Sistem Peramalan Kurs Mata Uang ... 48

Gambar 3.14 Multilayer Perceptron ... 49

Gambar 3.16 Form Utama ... 54

Gambar 3.17 Form Master Valuta ... 55

Gambar 3.18 Form Master Transaksi ... 56

Gambar 3.19 Form Training ... 57

Gambar 3.20 Form Testing ... 58

Gambar 3.21 Form Prediksi ... 58

Gambar 3.22 Form Report ... 59

Gambar 3.23 Form User Setting ... 60

Gambar 4.1 Gambar Form Utama ... 63

Gambar 4.2 Gambar Form Login ... 64

Gambar 4.3 Gambar Form Master Valuta ... 65

Gambar 4.4 Gambar Form Master Transaksi ... 66

Gambar 4.5 Gambar Form Training ... 67

Gambar 4.6 Gambar Form Testing ... 70

Gambar 4.7 Gambar Form Prediksi ... 71

Gambar 4.8 Gambar Form Report ... 73

Gambar 4.9 Gambar Form User Setting ... 74

Gambar 5.1. Pemilihan Mata uang pada form Training ... 75

Gambar 5.2. Penentuan range tanggal pada form Training ... 76

Gambar 5.3. Hasil Proses Training Data ... 77

Gambar 5.4. Gambar pemilihan data Training pada Form Prediksi ... 87

Gambar 5.5. Gambar pemilihan tanggal prediksi pada Form Prediksi ... 87

DAFTAR TABEL

Tabel 2.1 Peringkat Mata Uang Teratas yang diperdagangkan. ... 13

Tabel 3.1 Tabel User ... 50

Tabel 3.2 Tabel t_mata_uang ... 51

Tabel 3.3 Tabel t_prediksi ... 51

Tabel 3.4 Tabel t_jst ... 52

Tabel 3.5 Tabel t_report ... 52

Tabel 3.6 Tabel t_transaksi ... 53

Tabel 5.1 Kurs Transaksi BI Mata Uang USD Bulan Desember 2009 ... 78

Tabel 5.2 Tabel Kurs Transaksi BI Mata Uang USD Bulan Januari 2010 ... 79

Tabel 5.3 Tabel Hasil Perhitungan Manual Proses Normalisasi ... 80

Tabel 5.4 Tabel Hasil Perhitungan Manual Proses Feedforward ... 82

Tabel 5.5 Tabel Hasil Perhitungan Manual Proses Quickpropagation ... 85

Tabel 5.6 Hasil Manual Proses update bobot JST dan perhitungan error ... 89

Tabel 5.7 Tabel Hasil Perhitungan Manual Proses Denormalisasi ... 91

Tabel 5.8 Tabel hasil perhitungan sistem dan perhitungan manual ... 93

Tabel 5.9 Tabel Kurs Mata Uang USD Dollar Bulan Februari ... 96

Tabel 5.10 Tabel Kurs Mata uang USD Dollar Bulan Maret ... 97

Penyusun : Gandhi Novanto Prabowo

ABSTRAK

Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai pertimbangan untuk para pialang saham dan bursa efek untuk mengambil langkah bisnis selanjutnya.

Data dari kurs mata uang dapat diperlakukan secara ‘time series’ . Jika kita mempunyai data harian selama periode tertentu, misal : Xt (t=1,2,...), maka kurs mata uang pada perioda berikutnya (t+h) dapat diprediksi (waktu yang digunakan bisa jam, harian, mingguan , bulanan ataupun tahunan) . Demikian seterusnya dilakukan suatu iterasi berulang hingan N hari kerja. Untuk mendapatkan hasil prediksi yang baik maka pada jaringan syaraf buatan hasus di-umpankan suatu masukan yang mewakili dari beberapa aspek atau segi penunjang harga suatu kurs mata uang. Kemudian dilakukan prinsip pembobotan yang diadaptasikan untuk meminimumkan kesalahan prediksi pada satu langkah kedepan. Dengan menggunakan bobot akhir dilakukan suatu tindakan untuk meminimumkan kesalahan total untuk iterasi berikutnya.

Teknologi sistem jaringan syaraf tiruan telah di-implementasikan dalam berbagai aplikasi terutama dalam hal pengenalan pola. Kemampuan inilah yang telah menarik beberapa kalangan dalam menggunakan jaringan syaraf tiruan untuk keperluan kesehatan, keuangan , investasi, marketing dan lain lain. Pada sistem prediksi kurs mata uang ini akan dibahas penggunaan Jaringan syaraf

tiruan Quick Propagation. Pada algoritma Quickprop dilakukan pendekatan

dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Berdasarkan hasil uji coba juga diketahui bahwa aplikasi ini mampu memprediksi nilai mata uang hingga 1 bulan kedepan dengan tingkat keakuratan mencapai lebih dari 75%.

Kata Kunci: Prediksi Kurs Mata Uang, Jaringan Saraf Tiruan, Quick

BAB I

PENDAHULUAN

1.1.Latar Belakang

Pada era globalisasi, informasi yang cepat dan akurat dibutuhkan dalam kehidupan, pada perusahaan/lembaga/organisasi yang maju maupun sedang berkembang. Para pelaku bisnis selalu mencari informasi atau teknologi yang tepat dalam menunjang usahanya seperti bagaimana cara mendapatkan biaya yang murah untuk operasional ataupun pegawai yang sedikit tapi bermanfaat.

Dalam memprediksi suatu kurs mata uang, beberapa model analisa teknik telah dipakai dan dikembangkan, beberapa analisa tersebut seperti : MACD

(Moving Average Convergence / Divergence), Fourier Transform, Accumulator Swing Index, Stochastic Oscilator dan lain lain. Sebagai masukannya, digunakan

beberapa macam kombinasi harga seperti : harga pembukaan, tertinggi, terendah, penutupan kemarin dan penutupan hari ini. Dan sebagai keluarannya adalah prediksi nilai mata uang pada waktu tertentu.

Prediksi kurs mata uang adalah salah satu tahap awal yang penting sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi acuan perekonomian dunia. Pada kasus seperti harga minyak dunia yang saat ini sedang melambung sampai 110 U$D / barel menyebabkan nilai tukar Dollar Amerika jatuh terhadap Poundsterling.

Pihak Bursa Efek sangat memerlukan prediksi kurs mata uang dikarenakan adalah sebagai salah satu bahan pertimbangan untuk perhitungan kurs, acuan dalam perekonomian nasional, serta sebagai persiapan untuk pengambilan

keputusan dari suatu langkah bisnis. Disini, pada umumnya prediksi yang dikeluarkan oleh pihak Bursa Efek juga dijadikan acuan para pialang saham untuk menentukan sikap bisnis di perdagangan saham..

Jaringan saraf tiruan (JST) atau juga disebut simulated neural network

(SNN), atau umumnya disebut neural network (NN)), adalah jaringan dari

sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf 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.

Algoritma Quickpropagation merupakan hasil pengembangan dari algoritma Backpropagation standar. Pada algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing–masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot–bobot yang lain. Dengan penggunaan Quickpropagation ini menunjukkan bahwa metode tersebut dapat meningkatkan kecepatan training data serta proses penghitungan.

1.2.Perumusan Masalah

Berdasarkan latar belakang yang telah diuraikan sebelumnya, terdapat beberapa permasalahan yang akan diangkat dalam Skripsi ini, antara lain:

a. Bagaimana menerapkan JST untuk memprediksi kurs mata uang

b. Bagaimana menerapkan metode QUICKPROPAGATION untuk memprediksi kurs mata uang

c. Bagaimana menerapkan metode FEEDFORWARD untuk memprediksi kurs mata uang

d. Bagaimana membuat sebuah perangkat lunak dengan metode–metode diatas untuk memprediksi kurs mata uang secara tepat

1.3.Batasan Masalah

Adapun Batasan permasalahan pada Sistem Prediksi Kurs Mata Uang ini adalah sebagai berikut :

a. Sistem mampu melakukan peramalan bukan melakukan transaksi secara spesifik.

b. Data yang digunakan berasal dari website resmi Bank Indonesia (http://www.bi.go.id)

c. Mata Uang yang akan diprediksi yaitu US Dollar, Poundsterling, Euro, Yen,

Ringgit yang akan dihitung kursnya dalam hitungan rupiah.

d. Waktu prediksi kurs mata uang adalah keesokan harinya hingga 1 bulan kedepan.

e. Faktor–faktor eksternal seperti keadaan politik, inflasi, dan lain–lain tidak diperhitungkan dalam proses peramalan. Asumsi pada kondisi perekonomian dunia maupun kurs mata uang dalam keadaan stabil, serta tidak ada goncangan perekonomian apapun.

f. Sistem berbasis desktop.

1.4.Tujuan Penelitian

a. Menerapkan Pendekatan JST untuk pendukung keputusan dalam prediksi kurs mata uang.

b. Menerapkan Metode QuickPropagation untuk pendukung keputusan dalam prediksi kurs mata uang.

c. Membuat Perangkat Lunak untuk pendukung keputusan dalam prediksi kurs mata uang secara tepat.

1.5.Manfaat Penelitian

Manfaat dari penelitian ini diharapkan dapat :

a. Memudahkan pegawai Bursa Efek dalam mengontrol serta mengetahui harga dari pembukaan dan penutupan tiap harinya.

b. Memudahkan pegawai Bursa Efek dalam meramalkan suatu nilai kurs mata uang yang telah ditetapkan.

1.6.Metodologi Pembuatan Skripsi

Tugas Akhir dan penelitian lapangan ini diselesaikan dengan menggunakan urutan metodologi sebagai berikut :

a. Study literature

Study literature dilaksanakan dengan cara mengumpulkan dan mempelajari

segala macam informasi, pengumpulan dokumen-dokumen, referensi-referensi, buku-buku, sumber dari internet, atau sumber-sumber lain yang diperlukan yang berhubungan dengan Jaringan saraf tiruan,dan segala hal yang berhubungan dengan model pemrogramannya.

b. Desain dan Perancangan Sistem

Pada tahap ini dilaksanakan perancangan Sistem Perangkat Lunak yang akan dibuat berdasarkan hasil study literature yang ada. Perancangan Perangkat Lunak ini meliputi desain database, desain struktur data, desain aliran informasi, desain antar muka, desain akses user, desain algoritma dan pemrograman. Perencanaan penggunaan bahasa pemrograman.

c. Implementasi

Dalam tahap ini, dilakukan implementasi berdasarkan studi pustaka dan rancangan yang telah dibuat pada tahap sebelumnya, serta pengimplementasian dari desain dan rancangan yang ada ke dalam bentuk program.

d. Uji Coba dan Evaluasi

Pada tahap ini dilakukan uji coba program untuk mencari masalah yang mungkin timbul, mengevaluasi jalannya program, dan mengadakan perbaikan jika ada kekurangan.

e. Analisa Hasil Uji coba

Pada tahap ini dihasilkan uji coba dan beberapa revisi, jika terjadi kekurangan dan kesalahan terhadap perangkat lunak yang telah selesai dibuat dan diharapkan perangkat lunak tersebut mengalami segala macam uji coba sehingga menghasilkan output yang diharapkan.

f. Penyusunan Laporan Buku Skripsi

Pada tahap terakhir ini disusun buku sebagai dokumentasi dari pelaksanaan Skripsi. Dokumentasi ini dibuat untuk menjelaskan aplikasi agar memudahkan orang lain yang ingin mengembangkan aplikasi lebih lanjut.

1.7.Sistematika Penulisan

Sistematika pembahasan yang dibuat dalam Skripsi ini disusun dalam beberapa bab, yang dijelaskan sebagai berikut :

BAB I PENDAHULUAN

Bab ini berisi tentang deskripsi umum Skripsi yang meliputi latar belakang, perumusan masalah, batasan masalah, tujuan dan manfaat, serta metodologi dan sistematika pembahasan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi mengenai konsep dan teori pembelajaran yang menjadi landasan pembuatan Skripsi antara lain: Jaringan Syaraf Tiruan, Algoritma Quickpropagation, Valuta Asing.

BAB III ANALISA DAN PERANCANGAN SISTEM

Bab ini berisi tentang analisa dari sistem yang akan dibuat dan perancangan sistem yang meliputi antara lain: deskripsi umum sistem, kebutuhan sistem, pemodelan sistem berorientasi objek, perancangan proses latar dan perancangan antarmuka aplikasi. BAB IV IMPLEMENTASI

Bab ini berisi hasil implementasi dari perancangan yang telah dibuat sebelumnya yang meliputi: implementasi basis data, implementasi proses latar dan implementasi form-form antarmuka aplikasi.

BAB V UJI COBA DAN EVALUASI

Bab ini berisi penjelasan lingkungan uji coba aplikasi, skenario uji coba, pelaksanaan uji coba dan evaluasi dari hasil uji coba yang telah dilakukan untuk kelayakan pemakaian aplikasi.

BAB VI PENUTUP

Bab ini berisi kesimpulan dan saran untuk pengembangan aplikasi lebih lanjut dalam upaya memperbaiki kelemahan pada aplikasi guna untuk mendapatkan hasil kinerja aplikasi yang lebih baik.

BAB II

TINJAUAN PUSTAKA

Dalam bab ini diuraikan dasar-dasar teori yang mendukung pelaksanaan Tugas Akhir ini, yaitu tentang Prediksi Kurs Mata Uang, Jaringan Syaraf Tiruan, Metode Quickpropagation dan uji coba analisa.

2.1 Membaca Pergerakan Nilai Mata Uang

Secara Umum ada dua teknik dasar yang banyak digunakan oleh para pelaku pasar dalam menghitung nilai tukar mata uang asing, yaitu analisis teknikal dan analisis fundamental. Analisis teknikal dilakukan dengan menggunakan bagan atau grafik data historis perdagangan valas dan mengidentifikasi pola–pola yang berulang. Bila pola ini diperkirakan sedang dalam proses terulang lagi, investor dapat menentukan waktu untuk membeli dan menjual. Prinsipnya, buy low sell high, beli rendah jual tinggi.

Analisa fundamental dilakukan dengan melihat faktor–faktor penyebab pergerakan nilai tukar, terutama faktor – faktor ekonomi. Berdasarkan teori ekonomi dan estimasi ekonometri, investor memperkirakan nilai mata uang yang wajar. Perkiraan nilai wajar ini kemudian dibandingkan dengan harga pasar. Bila harga pasar suatu mata uang lebih rendah dari perkiraan wajar, maka investor akan membeli. Begitu juga sebaliknya, jiks harga pasar suatu mata uang lebih tinggi dari perkiraan wajar, maka investor akan menjual (Sembel Roy, 2007).

2.2 Valuta Asing

Valuta asing (foreign exchange market, forex) atau disingkat valas merupakan suatu jenis perdagangan atau transaksi yang memperdagangkan mata uang suatu negara terhadap mata uang negara lainnya (pasangan mata uang / pair) yang melibatkan pasar-pasar uang utama di dunia selama 24 jam secara berkesinambungan. Pergerakan pasar valuta asing berputar mulai dari pasar Selandia Baru dan Australia yang berlangsung pukul 05.00–14.00 WIB, terus ke pasar Asia yaitu Jepang, Singapura, dan Hongkong yang berlangsung pukul 07.00–16.00 WIB, ke pasar Eropa yaitu Jerman dan Inggris yang berlangsung pukul 13.00–22.00 WIB, sampai ke pasar Amerika Serikat yang berlangsung pukul 20.30–10.30 WIB. Dalam perkembangan sejarahnya, bank sentral milik negara-negara dengan cadangan mata uang asing yang terbesar sekalipun dapat dikalahkan oleh kekuatan pasar valuta asing yang bebas.Menurut survei BIS (Bank International for Settlement, bank sentral dunia), yang dilakukan pada akhir tahun 2004, nilai transaksi pasar valuta asing mencapai lebih dari USD$1,4 triliun per harinya. Mengingat tingkat likuiditas dan percepatan pergerakan harga yang tinggi tersebut, valuta asing juga telah menjadi alternatif yang paling populer karena ROI (return on investment atau tingkat pengembalian investasi) serta laba yang akan didapat bisa melebihi rata-rata perdagangan pada umumnya. Akibat pergerakan yang cepat tersebut, maka pasar valuta asing juga memiliki risiko yang tinggi.

2.2.1 Kapitalisasi dan likuiditas pasar

a. volume perdagangannya

b. likuiditas pasar yang teramat besar

c. banyaknya serta variasi dari pedagang di pasar valuta asing d. geografis penyebarannya

e. jangka waktu perdagangannya yang 24 jam sehari (kecuali akhir pekan) f. aneka ragam faktor yang mempengaruhi nilai tukar mata uang

Nilai Valuta

Tahun Gambar 2.1.Wall Street Journal Europe.

Menurut BIS, rata-rata perputaran pasar valuta asing dunia per hari diestimasikan bernilai $3,21 trilliun, yang terbagi atas :

a. $1005 milliar di transaksi spot

b. $362 milliar di pasar kontrak serah (forward contract) c. $1714 milliar di pasar swap

Sebagi tambahan di luar perputaran "tradisional" ini, sebesar $2,1 trilliun diperdagangkan di pasar derivatif.

Kontrak berjangka valuta asing yang diperkenalkan pada tahun 1972 pada

Chicago Mercantile Exchange tumbuh secara cepat dalam beberapa tahun belakangan ini tetapi volumenya masih hanya sebesar 7% dari total volume perdagangan pasar valuta asing. Menurut data International Financial Services London (IFSL), secara keseluruhan perputaran harian pasar tradisional valuta asing rata-rata mencapai total nilai 2,7 billiun US dollar pada April 2006. Estimasi tersebut berdasarkan data tengah tahun dari Komite Bursa Valuta Asing (Foreign Exchange Committee) di London, New York, Tokyo dan Singapura. (International Financial Services London, 2006)

Pada perdagangan valuta asing secara langsung OTC, pialang dan pedagang melakukan negosiasi secara langsung tanpa melalui bursa atau kliring. Pusat perdagangan terbesar secara geografis berada di London, Inggris, dimana menurut data IFSL diperkirakan telah meningkat kontribusinya dari 31,3% pada April 2004 menjadi 32,4% pada April 2006.

2.2.2. Karakteristik Perdagangan Valuta Asing

Tidak ada suatu keseragaman dalam pasar valuta asing. Dengan adanya transaksi diluar bursa perdagangan (over the counter) sebagai pasar tradisional dari perdagangan valuta asing, banyak sekali pasar valuta asing yang saling berhubungan satu sama lainnya dimana mata uang yang berbeda diperdagangkan, sehingga secara tidak langsung artinya bahwa "tidak ada kurs tunggal mata uang

dollar melainkan kurs yang berbeda-beda tergantung pada bank mana atau pelaku pasar mana yang bertransaksi". Namun dalam prakteknya perbedaan tersebut seringkali sangat tipis.

Pusat perdagangan utama adalah di London, New York, Tokyo dan Singapura namun bank-bank diseluruh dunia menjadi pesertanya. Perdagangan valuta asing terjadi sepanjang hari. Apabila pasar Asia berakhir maka pasar Eropa mulai dibuka dan pada saat pasar Eropa berakhir maka pasar Amerika dimulai dan kembali lagi ke pasar Asia, terkecuali di akhir pekan. Sangat sedikit atau bahkan tidak ada "perdagangan orang dalam" atau informasi "orang dalam" yang terjadi dalam pasar valuta asing. Fluktuasi kurs nilai tukar mata uang biasanya disebabkan oleh gejolak aktual moneter sebagaimana juga halnya dengan ekspektasi pasar terhadap gejolak moneter yang disebabkan oleh perubahan dalam pertumbuhan Produk Domestik Bruto (PDB / GDP), inflasi, suku bunga, rancangan anggaran dan defisit perdagangan atau surplus perdagangan, pengabungan dan akuisisi dan kondisi makro ekonomi lainnya. Berita utama selalu dipublikasikan untuk umum, sehingga banyak orang dapat mengakses berita tersebut pada saat yang bersamaan. Namun bank yang besar memiliki nilai lebih yang penting yaitu mereka dapat melihat arus pergerakan "pesanan" mata uang dari nasabahnya.

Mata uang diperdagangkan satu sama lainnya dan setiap pasangan mata uang merupakan suatu produk tersendiri seperti misalnya EUR/USD, USD/JPY, GBP/USD dan lain-lain. Faktor pada salah satu mata uang misalnya USD akan mempengaruhi nilai pasar pada USD/JPY dan GBP/USD, ini adalah merupakan

korelasi antara USD/JPY dan GBP/USD. Pada pasar spot, menurut penelitian yang dilakukan oleh Bank for Internasional Settlement (BIS) , produk yang paling sering diperdagangkan adalah

a. EUR/USD - 28 % b. USD/JPY - 18 %

c. GBP/USD (also called sterling or cable) - 14 %

dan mata uang US dollar terlibat dalam 89% dari transaksi yang dilakukan, kemudian diikuti oleh mata uang Euro (37%), Yen (20%) dan Poundsterling

(17%). Walaupun perdagangan dalam mata uang Euro meningkat secara cepat sejak mata uang tersebut diterbitkan pada Januari 1999, US dollar masih mendominasi pasar valuta asing. Sebagai contoh misalnya dalam perdagangan antara Euro dan mata uang non Eropa (XXX), biasanya selalu melibatkan dua jenis perdagangan yaitu EUR/USD dan USD/XXX, pengecualiannya hanya pada perdagangan EUR/JPY yang merupakan pasangan mata uang yang secara tetap diperdagangkan di pasar spot antar bank.

Tabel 2.1. Peringkat Mata Uang Teratas yang diperdagangkan

6 Peringkat Teratas Mata Uang Yang Diperdagangkan

Peringkat Mata uang ISO 4217 Kode Simbol

1 United States dollar USD $

2 Eurozone euro EUR €

3 Japanese yen JPY ¥

4 British pound sterling GBP £

5 Swiss franc CHF -

2.2.3. Proses Transaksi

Di bursa valas (valuta asing) ini orang dapat membeli ataupun menjual mata uang yang diperdagangkan. Secara obyektif adalah untuk mendapatkan profit atau keuntungan dari posisi transaksi yang anda lakukan. Di Bursa valas dikenal istilah Lot dan Pip. 1 Lot nilainya adalah $1000 dan 1 pip nilainya adalah $10. Sedangkan nilai dolar di bursa valas berbeda dengan nilai dolar yang kita kenal di bank-bank. Nilai dolar di bursa valas sangat bervariasi, 6000 / 8000 dan 10.000 rupiah.

2.2.4. Transaksi 2 Arah

Transaksi di valuta asing dapat dilakukan dengan cara dua arah dalam mengambil keuntungannya. Seseorang dapat membeli dahulu (open buy), lalu ditutup dengan menjual (sel l) ataupun sebaliknya, melakukan penjualan dahulu, lalu ditutup dengan membeli.

2.2.5. Pemain Pasar Valuta Asing

Tidak seperti halnya pada bursa saham dimana para anggota bursa memiliki akses yang sama terhadap harga saham, pasar valuta asing terbagi atas beberapa tingkatan akses. Pada akses tingkat tertinggi adalah pasar uang antar bank (PUAB) yang terdiri dari perusahaan-perusahaan bank investasi besar.Pada PUAB, selisih antara harga penawaran/harga jual (ask) dan harga permintaan/harga beli (bid) adalah sangat tipis sekali bahkan biasanya tidak ada , dan harga ini hanya berlaku untuk kalangan mereka sendiri yang tidak diketahui oleh pemain valuta asing diluar kelompok mereka. Pada akses tingkat

dibawahnya, rentang selisih antara harga jual dan harga beli menjadi besar tergantung dari volume transaksi.

Apabila seorang trader (pedagang pada bursa valuta asing) dapat menjamin terlaksananya transaksi valuta asing dalam jumlah besar maka mereka dapat meminta agar selisih nilai jual dan beli diperkecil yang disebut better spread

(selisih tipis antara harga jual dan beli). Level akses terhadap pasar valuta asing adalah sangat ditentukan oleh ukuran transaksi valuta yang dilakukan. Bank-bank peringkat atas menguasai "pasar uang antar bank (PUAB)" hingga 53% dari seluruh nilai transaksi. Dan setelah bank-bank peringkat atas tersebut maka peringkat selanjutnya adalah bank-bank investasi kecil lalu perusahaan-perusahaan multi nasional besar (yang membutuhkan lindung nilai atas resiko transaksi serta membayar para pegawainya di berbagai negara), hedge fund besar (Reksadana yang memiliki tujuan dan kebijakan investasi dengan struktur tertentu), dan juga para pedagang eceran yang menjadi penentu pasar valuta asing.

Menurut Galati dan Melvin, dana pensiun, perusahaan asuransi, reksadana dan investor institusi adalah merupakan pemain yang memiliki peran besar dalam pasar keuangan secara umum dan khususnya pasar valuta asing sejak dekade 2000an.

2.2.6. Bank

Pasar uang antar bank (PUAB) memenuhi kebutuhan mayoritas dari perputaran uang di dunia usaha serta kebutuhan dari transaksi para spekulan setiap harinya yang dapat mencapai nilai triliunan dollar. Beberapa transaksi

dilaksanakan untuk dan atas nama nasabahnya, tetapi sebagian besar adalah untuk kepentingan pemilik bank ataupun untuk kepentingan bank itu sendiri.

Hingga saat ini, pialang valuta asing adalah merupakan pelaku perputaran valuta dalam jumlah yang besar, memfasilitasi perdagangan PUAB dan mempertemukan penjual dan pembeli untuk upah (fee) yang kecil. Namun saat ini banyak bisnis valuta asing ini yang beralih kepada suatu sistem elektronis yang lebih efisien seperti misalnya EBS (sekarang dimiliki oleh ICAP), Reuters Dealing 3000 Matching (D2), the Chicago Mercantile Exchange, Bloomberg dan TradeBook (R).

2.2.7. Dunia Usaha

Salah satu pemeran pasar valuta asing ini adalah adanya kebutuhan dari aktivitas perusahaan dalam melakukan pembayaran harga barang ataupun jasa dalam mata valuta asing. Kebutuhan mata valuta asing dari suatu perusahaan seringkali hanya kecil nilainya dibandingkan dengan kebutuhan dari bank dan spekulan dan perdagangan valuta asing yang dilakukannya seringkali hanya membawa dampak yang kecil sekali bagi nilai pasaran kurs mata uang. Meskipun demikian arus perdagangan valuta asing dari perusahaan-perusahaan ini dalam jangka panjangnya merupakan faktor yang penting bagi arah nilai tukar suatu mata uang. Transaksi beberapa perusahaan multinasional dapat membawa akibat yang tidak terduga sewaktu mereka menutup posisi (posisi jual ataupun beli) yang amat besar sekali dimana transaksi ini tidak diketahui secara luas oleh para pemain pasar.

2.2.8. Bank Sentral

Bank sentral suatu negara memegang peran yang amat penting dalam pasar valuta asing. Bank sentral ini senantiasa berupaya untuk mengendalikan suplai uang, inflasi, dan ataupun suku bunga bahkan seringkali mereka memiliki suatu target baik resmi maupun tidak resmi terhadap nilai tukar mata uang negaranya. Seringkali bank sentral ini menggunakan cadangan devisanya untuk menstabilkan pasar.

Dengan ekspektasi pasar ataupun isu tentang intervensi yang dilakukan oleh bank sentral belaka telah cukup untuk menstabilkan mata kurs uang setempat, tetapi intervensi yang agresif dilakukan beberapa kali dalam setiap tahunnya pada suatu negara yang kurs mata uangnya bergejolak.

Berbagai sumber dana yang ada di pasaran valuta asing apabila disatukan dapat dengan mudah "mempermainkan" bank sentral (menarik atau menjual mata uang dalam jumlah yang sangat besar sekali sehingga bank sentral tidak mampu lagi melakukan intervensi) dimana skenario ini nampak pada tahun 1992-1993 dimana mekanisme nilai tukar Eropa (European Exchange Rate Mechanism – ERM) mengalami kejatuhan serta beberapa kali jatuhnya nilai tukar mata uang di Asia Tenggara.

2.2.9. Pialang Valuta Asing

Pialang valuta asing adalah adalah perusahaan yang didirikan khusus untuk melakukan kegiatan jasa perantara bagi kepentingan nasabahnya di bidang pasar uang dengan memperoleh imbalan atas jasanya. Menurut CNN, sebuah pialang valuta asing memiliki volume transaksi antara 25 hingga 50 triliun US

dollar perharinya atau sekitar 2% dari keseluruhan nilai transaksi pasar valuta asing dan sebagaimana dilaporkan oleh situs Komisi Perdagangan Berjangka (Commodity Futures Trading Commission – CFTC) bahwa investor pemula dengan mudah dapat menjadi sasaran penipuan dalam perdagangan valuta asing.

2.3 Jaringan Syaraf Tiruan

Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan proses komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

Jaringan Syaraf Tiruan (JST) atau umumnya 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.

Jaringan Syaraf Tiruan (JST) telah banyak digunakan untuk beragam aplikasi seperti pengenalan karakter atau suara, pemrosesan citra, prediksi harga

saham, prediksi kurs mata uang, dsb. Pada umumnya aplikasi- aplikasi tersebut membutuhkan pemrosesan secara waktu nyata (real time). Jaringan Syaraf Tiruan selain dapat diimplementasikan dengan perangkat lunak, juga dengan perangkat keras. Perangkat keras memiliki keunggulan dibandingkan perangkat lunak pada kecepatannya. Operasi yang dilakukan perangkat keras lebih cepat dibandingkan perangkat lunak. Oleh karena itu, perangkat keras jaringan syaraf tiruan dapat dipakai untuk melayani aplikasi-aplikasi waktu nyata. Jaringan Syaraf Tiruan terdiri dari beberapa unit pemroses yang melakukan akumulasi (penjumlahan) dari masukan-masukan berbobot dan menghasilkan suatu keluaran dengan fungsi aktivasi tertentu. Sifat-sifat jaringan ditentukan oleh topologi jaringan, bobot-bobot interkoneksi, dan fungsi aktivasi.

Jaringan Syaraf Tiruan secara formal, didefinisikan sebagai generalisasi model matematika sistem syaraf biologis. Sebagai sebuah model, Jaringan Syarat Tiruan harus memiliki kemampuan sebagai berikut :

a. Kemampuan memodelkan transmisi sinyal antarneuron tiruan melalui saluran satu arah yang disebut koneksi. Setiap koneksi masukan mampu berhubungan dengan satu koneksi keluaran neuron tiruan lainnya. Setiap koneksi keluaran dapat berhubungan dengan beberapa koneksi masukan neuron tiruan lainnya.

b. Kemampuan memodelkan pembobotan pada tiap-tiap koneksi. Pada sebagian besar tipe jaringan syaraf, nilai bobot koneksi akan dikalikan dengan sinyal-sinyal transmisi.

c. Kemampuan memodelkan fungsi aktivasi pada setiap neuron tiruan untuk menentukan sinyal keluarannya.

d. Kemampuan memodelkan struktur informasi terdistribusi . Artinya, proses pengolahan informasi disebarkan pada beberapa neuron tiruan sekaligus. Setiap neuron tiruan harus memiliki memori lokal dan mampu melakukan

pengolahan informasi secara lokal.

2.3.1 Pengertian Dasar Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan. Lapisan-lapisan penyusun jaringan syaraf tiruan dibagi menjadi tiga, yaitu:

a. Lapisan Input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input

menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.

b. Lapisan Tersembunyi

Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi.

c. Lapisan Output

Node-node di dalam lapisan output disebut unit-unit output. Keluaran atau

output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu permasalahan.

Gambar 2.2. Sebuah Jaringan Syaraf Tiruan Tunggal.

2.3.2 Komponen Jaringan Syaraf Tiruan

Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarannya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama Bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Jika dilihat, neuron buatan ini sebenarny mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang akan datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang tertentu melalui fungsi aktifasi setiap neuron. Apabila input itu melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut tidak akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya, demikian seterusnya.

Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan-lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input ke lapisan output melalui lapisan yang lainnya yang sering disebut dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Gambar 2.4 menunjukan jaringan syaraf dengan tiga lapisan.

Gambar 2.4. Jaringan Syaraf dengan 3 Lapisan.

Gambar 2.4 bukanlah struktur umum jaringan syaraf. Beberapa jaringan syaraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan syaraf dimana neuron-neuronnya disusun dalam bentuk matriks.

2.3.3 Arsitektur Jaringan

Seperti telah dijelaskan sebelumnya bahwa neuron-neuron dikelompokan dalam lapisan-lapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktifasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan

output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan output). Ada beberapa arsitektur jaringan syaraf, antara lain:

a. Jaringan dengan lapisan tunggal (single layer net ), hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini mampu menerima

input kemudian secara langsung akan mengelolanya menjadi output tanpa harus melalui lapisan tersembunyi.

b. Jaringan dengan banyak lapisan (multilayer net), memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Umumnya, ada lapisan bobot – bobot yang terletak diantara dua lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, banyak kasus pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.

c. Jaringan dengan lapisan kompetitif (competitive layer net). Umumnya, hubungan antar neuron pada lapisan competitive ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.4 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan competitive yang memiliki bobot –n.

2.3.4 Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain:

a. Fungsi Undak Biner (Hard Limit), jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonfersikan input

dari suatu variabel yang bernilai kontinu ke suatu output biner ( 0 atau1 ). b. Fungsi Nilai Ambang (Threshold), fungsi undak biner dengan

menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (Threshold atau fungsi heavyside).

c. Fungsi Bipolar (Symetric Hard Limit). Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

d. Fungsi Bipolar dengan Threshold. Fungsi ini hampir sama dengan fungsi nilai ambang, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

e. Fungsi Linear (Identitas). Fungsi linear memiliki nilai output yang sama dengan nilai inputnya.

f. Fungsi Saturating Linear, fungsi ini akan bernilai 0 jika inputnya kurang dari -1/2, dan akan bernilai 1 jika inputnya lebih dari 1/2. Sedangkan jika nilai input terletek antara -1/2 dan 1/2, maka nilai outputnya akan sama dengan nilai input ditambah 1/2.

g. Fungsi Symetric Saturating Linear, fungsi ini akan bernilai -1 jika

inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya.

h. Fungsi Sigmoid Biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi ini memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1.

i. Fungsi Sigmoid Bipolar, fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1.

2.3.5 Pemodelan Neuron

McCulloch-Pits, pada tahun 1943 membuat lima asumsi dasar tentang sistem syaraf biologis, yaitu :

a. Aktivitas neuron bersifat all-ornone.

b. Untuk membuat neuron memancarkan sinyal (aktif) diperlukan sejumlah sinapsis yang mengeksitasi neuron dalam jangka waktu tertentu.

c. Sejumlah sinapsis mampu menghambat neuron untuk aktif (inhibitory). d. Adanya delay dalam system syaraf yang disebabkan oleh sinapsis delay. e. Struktur interkoneksi jaringan tidak berubah sepanjang waktu.

Berdasarkan asumsi ini, McCulloch-Pitts membangun model neuron tiruan yang meniru cara kerja neuron biologis.

Gambar 2.6. Model Neuron.

Model neuron mempunyai n sinyal masukan, yaitu x1, x2, …, xn dengan x

{0,1}. Masing-masing sinyal tersebut kemudian dimodifikasi oleh bobot sinapsis w1, w2, …, wn sehingga sinyal yang masuk ke neuron adalah xi 1 = xiwi , i = 1,2,…,n. Selanjutnya neuron akan menghitung hasil penjumlahan seluruh sinyal masukan yang telah dimodifikasi :

………(2.1)

Fungsi aktivasi yang terdapat dalam neuron tiruan umumnya berupa fungsi non-linier. Fungsi aktivasi ini yang menentukan apakah neuron akan mengalami aktivasi atau tidak. Tingkat aktivasinya diwujudkan dalam suatu nilai ambang (threshold). Fungsi aktivasi yang biasanya digunakan adalah fungsi tangga (step function), fungsi lereng (slopefunction), dan fungsi sigmoid. Pada model McCulloch-Pitts, fungsi aktivasinya adalah fungsi tangga sehingga :

2.4 Multi-Layer Perceptron

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output. Setiap neuron i di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitu

si terhadap input eksitasi yang juga disebut net input neti.

∑

s

j

w

ij

-

Ө

i

net =

──

...(2.3)

j

ε

pred(i)

Dimana pred(i) melambangkan himpunan predesesor dari unit i, wij

melambangkan bobot koneksi dari unit j ke unit i, dan  i adalah nilai bias dari unit i. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bisa dapat diperlakukan secara sama dengan bobot koneksi. Menurut (Fausett, 1819), Aktivasi dari unit i, yaitu si , dihitung dengan memasukkan net input ke dalam sebuah fungsi aktivasi non-linear. Biasanya digunakan fungsi logistik sigmoid :

1

S

i

= f

log

(net

i

) =

──────

...(2.4)

Salah satu keuntungan dari fungsi ini adalah memiliki derivatif yang mudah dihitung :

s

i

=

i

) = s

i

* (1 –

s

i

)

………(2.5)

i fungsi sigmoid di atas memiliki nilai output antara 0 dan 1. Jika diinginkan nilai output antara –1 dan 1, dapat digunakan fungsi bipolar sigmoid

─

-

1

t i

Derivatif dari fungsi tersebut adalah :

(1+ )*(1 –

s

i

)

……

et pola contoh atau data pelatihan (training data se

 f'_log

(net



net

i

Nilai dar

berikut :

2

S

i

= g

log

(net

i

) =

─────

...(2.6)

1+ e

-ne



s

i

=

g'log

(net

i

) = ½

si'

………..…(2.7) 

net

i

2.5 Supervised Learning

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu s

tp.Sete lesai pelatihan k ringanmenghasilkan nilai output tp.

lah se , ji a diberikan masukan xp seharusnya

ja

Besarnya perbedaan antara nilai vektor target dengan output aktual diukur dengan nilai error yang disebut juga dengan cost function :

E =

2 1

 

(t

p

n

- s

p n P

p n

)

2……….…...(2.8)

ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E.

2.6 Algoritma Quickpropagation

w



=

di mana n adalah banyaknya unit pada output layer. Tujuan dari training

Salah satu metode paling awal yang diusulkan untuk mengatasi masalah lamanya waktu training adalah dengan menambahkan term momentum :

ij

ij w

E

 ij





(t) +

w

(t-1)

………...…(2.9)

ini dapat bekerja dengan baik pada k

di mana parameter momentum m akan menentukan besarnya pengaruh perubahan bobot pada iterasi sebelumnya. Cara

asus tertentu, namun tidak bersifat umum. Kadang-kadang malah diperoleh hasil yang lebih baik tanpa menggunakan momentum sama sekali (Riedmiller, 1994).Ada beberapa algoritma yang telah diusulkan untuk mempercepat proses training pada jaringan multilayer. Di antaranya adalah algoritma Quickprop (Fahlman, 1988), resilient propagation (RPROP).

Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain (Fahlman, 1988). Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut : ) 1 ( * ) ( ) 1 ( ) ( ) ( ) (             

 t _E

w

 

 w t

t w E t w t w E E t w ………..(2.10) Dimana :

: perubahan bobot

: perubahan bobot pada epoch sebelumnya ing rate ) (t w  ) 1 ( 

w t

 : learn )

(t w E



 _{: derivatif error}

) 1 ( 

w t : derivatif error pada epoch sebelumnya

2.7. Norma

E

lisasi

Sesuai dengan teori Jaringan Syaraf tiruan, pelatihan akan lebih cepat jika nilai masukannya berada pada nilai ran

aktifasi yang digunakan adalah fungsi sigmoid bipolar, maka nilai input layer

akan dikonversikan antara range [1,-1] . Proses konversinya dapat dapat dirum

ge fungsi aktifasinya. Karena fungsi

1

2

) ( ) (









Z

_i j

a

b

a

x

_i j

……….(2.11) Dima a :

J

x : data

a : data terendah t

2.8.

untuk mengubah hasil dari proses Feedforward yaitu dari r tivasinya menjadi nilai sebenarnya. Proses ini dapat dirumuskan sebagai berikut :

X

i(j)

=

n

I : 0,1,..,jumlah data-1 : 0,1,... jumlah data set -1 z : input layer

b : da a tertinggi

Denormalisasi

Proses ini digunakan

ange nilai ak

(j)

(Z

i

+1)*(b-a)

+b

...(2.12)

2

Dim na :

I : 0,1,..,jumlah data-1 J : 0,1,... jumlah data set -1 z : input layer

x : data

a : data terendah b : data tertinggi

BAB III

ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini akan dijelaskan beberapa point penting selama proses perancangan sistem yang akan dibuat, mulai dari proses pre-processing hingga penerapan jaringan syaraf tiruan quickpropagation.

3.1. Analisis Permasalahan

Perkembangan perekonomian dewasa ini membawa pengaruh yang sangat besar bagi segala aspek kehidupan. Istilah ekonomi selalu ditafsirkan dengan uang, selanjutnya berakibat timbulnya transaksi internasional, baik perdagangan, investasi, maupun kegiatan porto polio terutama di pasar uang dunia. Kegiatan transaksi di suatu negara pastilah menggunakan mata uang negara itu sendiri, namun kegiatan transaksi perekonomian seluruh dunia yang mencakup banyak negara saat ini berpatokan pada mata uang Dollar Amerika selain itu mata uang

Yen Jepang dan Euro Eropa juga ikut berperan dalam transaksi yang dilakukan.

Transaksi juga dapat dikatakan sebagai ”pertukaran”, sebagaimana bila suatu barang ditukar dengan barang lain akan terdapat perbandingan nilai tukar antara keduanya yang merupakan ”harga” dari pertukaran tersebut. Oleh karena itu, pertukaran oleh dua mata uang yang berbeda akan terdapat pula perbandingan nilai atau harga antara kedua mata uang tersebut. Perbandingan anatara nilai inilah yang disebut dengan kurs (exchange rate). Suatu kenaikan dalam kurs tersebut disebut juga depresiasi atau penurunan nilai mata uang dalam negeri terhadap mata uang asing. Sedangkan, suatu penurunan dalam kurs disebut apresiasi, atau

kenaikan dalam nilai mata uang dalam negeri. Berbicara tentang kurs, perlu diketahui bahwa sering terdapat berbagai tingkat kurs untuk satu valuta asing.

3.2. Metode Quickpropagation

Pada algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain (Fahlman, 1988). Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot.

Pada Algoritma Quickpropagation juga dilakukan pendekatan dengan asumsi bahwa masing-masing bobot penghubung tidak terpengaruh oleh bobot yang lain. Salah satu metode paling awal yang diusulkan untuk mengatasi masalah lamanya waktu training adalah dengan menambahkan term momentum.

di mana parameter momentum m akan menentukan besarnya pengaruh perubahan bobot pada iterasi sebelumnya. Cara ini dapat bekerja dengan baik pada kasus tertentu, namun tidak bersifat umum. Kadang-kadang malah diperoleh hasil yang lebih baik tanpa menggunakan momentum sama sekali (Riedmiller, 1994).Ada beberapa algoritma yang telah diusulkan untuk mempercepat proses training pada jaringan multilayer. Di antaranya adalah algoritma Quickprop,

3.3. Feedforward Neural-Network

Sebuah jaringan saraf feedforward (Feedforward Neural-Network) merupakan jaringan saraf buatan dimana hubungan antara unit tidak membentuk siklus. Ini berbeda dari jaringan saraf berulang.

Feedforward neural network adalah jenis jaringan saraf tiruan pertama yang

dibuat sederhana dan paling diperdebatkan. Dalam jaringan ini, informasi mampu bergerak dalam satu arah, ke depan, dari input node, melalui node tersembunyi/hidden node (jika ada) dan output node. Tidak ada siklus atau loop dalam jaringan. Pada sistem prediksi kurs mata uang ini menggunakan Multi-layer

Perceptron yaitu jaringan yang terdiri dari beberapa lapisan unit komputasi,

biasanya saling terkait dalam feedforward. Setiap neuron dalam satu lapisan telah mengarahkan koneksi ke neuron pada lapisan berikutnya. Dalam banyak aplikasi, unit jaringan ini menerapkan fungsi sigmoid sebagai fungsi aktivasi.

Gambar 3.1. Permodelan Multi-layer Perceptron.

Tiga lapisan Perceptron-net mampu menghitung XOR. Angka-angka dalam Perceptron mewakili masing-masing ambang batas eksplisit perceptron. Angka-angka yang terdapat di panah mewakili keterangan berat

input. Net ini mengasumsikan bahwa jika tidak tercapai ambang batas (treshhold),

nol (bukan -1) adalah output. Perhatikan bahwa lapisan bawah masukan tidak selalu dianggap sebagai perceptron nyata lapisan.

3.4. Algoritma Program

Dalam sistem prediksi kurs mata uang ini akan dilakukan beberapa langkah pemrograman dari mulai pre-processing, pelatihan, dan prediksi. Adapun langkah-langkah tersebut adalah :

a. Normalisasi inputan nilai mata uang. b. Pelatihan dengan quickpropagation c. Simpan bobot JST

d. Prediksi dengan feed forward

e. Denormalisasi nilai output JST untuk menghasilkan nilai mata uang.

3.5. Perancangan Sistem

Perancangan sistem disini menggunakan procest analyst dari Power

Designer 6.1. dan Power Designer 11 Sybase. Perancangan sistem digunakan

untuk menggambarkan aliran data yang ada antara proses dalam bentuk diagram. Secara garis besar sistem prediksi kurs mata uang yang dibangun di sini dibagi menjadi dua bagian utama, yaitu :

a. Sistem Pelatihan : digunakan untuk pelatihan yang akan menghasilkan nilai bobot-bobot penghubung jaringan syaraf tiruan.

b. Sistem Testing : digunakan untuk melakukan pengecekan data hasil prediksi hari ini dari data hasil pelatihan/Training 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

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

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

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.

Hasil_Prediksi_Mata_Uang Hasil_Pelatihan

Data_Mata_Uang_Baru Data_Fluktuasi_Mata_Uang

0

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.

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)

FK_T_TRANSA_MEMPROSES_T_MATA_U FK_T_REPORT_MENGAMBIL_T_JSTFK_T_REPORT_MENGAMBIL_T_PREDIK FK_T_TRANSA_MENGAKSES_USER FK_T_PREDIK_MEMAKAI_USER t_mata_uang na ko ma de lambang varchar(20) varchar(10) varchar(10) <pk> t_transaksi id_transaksi kode id_user tanggal no_valas kurs_jual kurs_beli int varchar(10) 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 varchar(20) float float <pk> t_prediksi id_prediksi id_user tgl_prediksi valas_prediksi kurs_jual_prediksi kurs_beli_prediksi int int datetime varchar(20) float float <pk> <fk> user id_user nama_user username password otoritas int varchar(20) varchar(20) varchar(10) varchar(20) <pk> t_report id_jst id_prediksi valas_report tgl_report kurs_jual_report kurs_beli_report int int varchar(20) 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

akan disimpan akan selalu bertambah, selain itu diperlukannya penyimpanan data yang terstruktur. Adapun tabel – tabel yang diperlukan dalam sistem antara lain : a. Tabel user

Tabel user adalah tabel untuk menyimpan data dari para user yang dapat mengakses dan menggunakan sistem prediksi kurs mata uang ini, serta yang dapat mengakses data pada database (insert, update, dan delete).

Primary Key : id_user Jumlah Field : 5 Foreign Key : -

Relasi Tabel : tabel t_transaksi, tabel t_prediksi

Tabel 3.1. Tabel user.

Field Name Field type Domain Size Scale Sub_type Array Constraint

id_user Interger PK

nama_user Varchar(20) Not Null

username Varchar(20) Not Null

password Varchar(10) Not Null

otoritas VarChar(20) Not Null

b. Tabel t_mata_uang

Pada tabel ini akan tersimpan beberapa master nilai mata uang yang terdaftar, dalam tabel ini databasenya meliputi nomor, kode, nama, lambang dari mata uang itu sendiri yang nantinya master ini akan digunakan sebagai output yang dimana dipakai sebagai target proses JST quickpropagation.

Primary Key : id_mata_uang Jumlah Field : 3

Tabel 3.2. Tabel t_mata_uang

Field Name Field type Domain Size Scale Sub _type Array Constraint

Nama VarChar (20) Not Null

Kode VarChar (10) PK

Lambang VarChar (10) Not Null

. c. Tabel t_prediksi

Tabel t_prediksi adalah tabel untuk menyimpan data-data hasil prediksi dari kurs mata uang yang nantinya akan digunakan untuk membuat laporan/report. Data yang disimpan sudah merupakan data valid yang telah di-denormalisasi.

Primary Key : id_prediksi Jumlah Field : 6

Foreign Key : id_user Relasi Tabel : tabel t_user

Tabel 3.3. Tabel t_prediksi.

Field Name Field type Domain Size Scale Sub_type Array Constraint

id_prediksi Interger PK

id_user Interger FK

tgl_prediksi Datetime Not Null

valas_prediksi Varchar(20) Not Null

kurs_jual_prediksi Float Not Null

kurs_beli_prediksi Float Not Null

d. Tabel t_jst

Di dalam tabel ini disimpan data-data hasil bobot yang baru setelah

di-update yang kemudian akan digunakan untuk proses prediksi beikutnya.

Jumlah Field : 5 Foreign Key : -

Relasi Tabel : tabel t_report

Tabel 3.4. Tabel t_jst

Field Name Field type Domain Size Scale Sub_type Array Constraint

id_jst Interger PK

tgl_jst Datetime Not Null

valas_jst Varchar(20) Not Null

kurs_jual_jst Float Not Null

kurs_beli_jst Float Not Null

. e. Tabel report

Tabel ini digunakan untuk menyimpan data-data laporan, sehingga lebih mudah dan aman dalam penyimpanan serta lebih mudah untuk pemanggilan data kembali.

Primary Key : id_jst, id_prediksi Jumlah Field : 6

Foreign Key : id_jst, id_prediksi

Relasi Tabel : tabel t_jst, tabel t_prediksi

Tabel 3.5. Tabel t_report.

Field Name Field type Domain Size Scale Sub_type Array Constraint

id_jst Interger PK/FK

id_prediksi Interger PK/FK

tgl_report Datetime Not Null

valas_report Varchar(20) Not Null

kurs_jual_report Float Not Null

f. Tabel t_transaksi

Pada tabel ini akan tersimpan beberapa nilai histori dari transaksi nilai mata uang yang nantinya akan diproses melalui proses pelatihan. Dalam tabel ini databasenya meliputi nomor, tanggal, nomor valas, kurs beli, kurs jual.

Primary Key : id_transaksi Jumlah Field : 5

Foreign Key : id_mata_uang Relasi Tabel : Tabel t_mata_uang

Tabel 3.6. Tabel t_transaksi.

Field Name Field type Domain Size Scale Sub _type Array Constraint

id_transaksi Integer PK

Id_user Interger FK

Kode VarChar (10) FK

Tanggal Datetime Not Null

no_valas Integer Not Null

kurs_jual Float Not Null

kurs_beli Float Not Null

3.9. Desain Input/Output

Pada tahap ini dilakukan perancangan input/output untuk berinteraksi antara user dengan sistem prediksi kurs mata uang ini. Desain antarmuka ini dibuat dengan menggunakan perangkat lunak Microsoft Visio terdiri dari desain antarmuka, user setting serta login, halaman database (meliputi insert, update, dan delete), dan halaman proses utama, serta form Training, form Testing, dan

A. Form Login

Terdapat textbox username dan password untuk login. User diminta login terlebih dulu jika ingin menggunakan aplikasi ini. Form

login ditampilkan pada Gambar 3.15.

For m Logi n

For m Logi n

Username Password

OK Cancel

Gambar 3.15. Form Login.

F or m Ut am a

F or m U t am a

St at u s b ar

M ast er Valu t a M ast er T r an sak si Fo r m T r ain in g Fo r m T est in g Rep o r t User Set t in g Clo se

B. Form Utama

Tampilan awal saat aplikasi pertama kali dijalankan. Menu – menu dari aplikasi ini akan muncul secara keseluruhan, bila user sudah login dengan memasukkan username dan password yang sesuai. Content dari

form utama meliputi Master Valuta,. Master Transaksi, Training, dan

Prediksi. Form utama seperti yang ditampilkan pada Gambar 3.16.

Form Master Valuutta

Form Master Val a

Form Testing Report User Setting

Master Valuta Master Transaksi Form Training Close

Kode Nama Lambang

I nsert Update Delete Tampilan Database

Kode Nama Lambang

Status bar

C. Form Master Valuta

Di dalam form ini adalah untuk user dapat melakukan interaksi dengan database yang ada di dalam sistem prediksi kurs mata uang ini. Dalam form Valuta user dapat melakukan proses insert, update, dan

delete pada tabel t_mata_uang yang memuat nama mata uang, lambang,

serta kode yang nantinya data-data tersebut sebagai acuan untuk memilih valas (mata uang) pada proses di form training ataupun form prediksi.

Content dari Form Master Valuta ini bisa diisi sebanyak yang user ingin

masukkan, dan masing-masing dari mata uang nantinya memiliki relasi tersendiri dengan tabel transaksi. Sehingga, nantinya 1 mata uang bisa memiliki lebih dari 1 isi pada tabel transaksi.

]

D. Form Master Transaksi

Pada form Master Transaksi sama seperti form Master Valuta, yaitu untuk dapat melakukan proses insert, update, dan delete namun pada tabel transaksi. Pada tabel t_transaksi memuat id_transaksi yang sudah di-setting menjadi Auto Increment sehingga user tidak perlu memasukkan id_transaksi secara manual karena sudah otomatis bertambah sesuai dengandata yang dimasukkan, kemudian tanggal, no_valas, lalu kurs jual, serta kurs beli.

Form Master Transa

Form Master Transaksiksi

Form Testing Report User Setting

Master Valuta Master Transaksi Form Training Close

I D Transaksi Valas Tanggal Kurs Beli Kurs Jual

I nsert Update Delete Tampilan Database

I D Transaksi Valas Tanggal Kurs Beli Kurs Jual

Status bar

Gambar 3.18. Form Master Transaksi.

E. Form Training

bobot baru yang nantinya akan dijadikan acuan untuk perhitungan di sistem prediksi. Content yang ada pada form ini adalah pemilihan valas berupa mata uang dan tanggal yang akan di-training, kemudian ada NN

option yang isinya adalah inputan yang diperlukan untuk proses-proses

pada sistem Trainer JST yang meliputi Hidden Layer, MGF, Epoch Max, dan Laju Error.

For m T r aining

For m T r aining

St at u s b ar

Mast er Valu t a Mast er Tr an saksi Fo r m Tr ain in g For m Test in g Close

Tr ain Can cel Valas

Tan g g al

Training Option

s/d

Tan g g al

N N O ption

I n p u t Layer

Laj u Pelat ih an MGF Ep och Max Ou t p u t Layer Hid den Layer

Erro r To ler an si

Rep or t User Set t in g

Gambar 3.19. Form Training.

F. Form Testing

Pada Form Testing ini, user dapat mengetahui persentase kesalahan dari perhitungan prediksi mata uang. Sehingga bisa diketahui seberapa akuratnya penggunaan sistem prediksi kurs mata uang ini. Selain itu juga dapat sebagai tolak ukur pergerakan nilai mata uang yang seringnya tidak sesuai dengan perkiraan. Dengan adanya persentase ini juga dapat menguntungkan user untuk lebih mengantisipasi kesalahan dalam prediksi dan sebagai tolak ukur dari naik atau turunnya nilai mata uang.

98

beli yang sebenarnya dengan perhitungan prediksi. Tabel perbandingan tersebut bisa dilihat pada Tabel 5.11.

Tabel 5.11. Tabel Perbandingan Hasil Data Riil Dengan Hasil Data Sistem. Data Riil Data Hasil Sistem

Tanggal

Kurs Jual Kurs Beli Kurs Jual Kurs Beli

1 Feb 2010 9442.00 9348.00 _{9214 9307}

2 Feb 2010 9417.00 9323.00 _{9439 9343}

3 Feb 2010 9392.00 9298.00 _{9439 9343}

4 Feb 2010 9372.00 9278.00 _{9373 9279}

5 Feb 2010 9440.00 9346.00 _{9374 9280}

8 Feb 2010 9460.00 9366.00 _{9369 9275}

9 Feb 2010 9435.00 9341.00 _{9370 9276}

10 Feb 2010 9397.00 9303.00 _{9370 9276}

11 Feb 2010 9407.00 9313.00 _{9369 9276}

12 Feb 2010 9418.00 9324.00 _{9371 9277}

15 Feb 2010 9387.00 9293.00 _{9373 9279}

16 Feb 2010 9384.00 9290.00 _{9372 9278}

17 Feb 2010 9326.00 9234.00 _{9381 9287}

18 Feb 2010 9372.00 9278.00 _{9389 8806}

19 Feb 2010 9405.00 9311.00 _{9353 9260}

22 Feb 2010 9338.00 9246.00 _{9332 9239}

23 Feb 2010 9365.00 9271.00 _{9648 9548}

24 Feb 2010 9368.00 9274.00 _{9352 9258}

25 Feb 2010 9382.00 9288.00 _{9355 9262}

1 Mar 2010 9360.00 9266.00 _{9349 9255}

2 Mar 2010 9321.00 9229.00 _{9358 9264}

3 Mar 2010 9323.00 9231.00 _{9356 9262}

4 Mar 2010 9311.00 9219.00 _{9357 9263}

Lanjutan Dari Tabel 5.11.

Data Riil Data Hasil Sistem Tanggal

Kurs Jual Kurs Beli Kurs Jual Kurs Beli

8 Mar 2010 9246.00 9154.00 _{9358 9264}

9 Mar 2010 9244.00 9152.00 _{9357 9264}

10 Mar 2010 9234.00 9142.00 _{9358 9264}

11 Mar 2010 9231.00 9139.00 _{9357 9263}

12 Mar 2010 9229.00 9137.00 _{9357 9263}

15 Mar 2010 9221.00 9129.00 _{9358 9264}

17 Mar 2010 9195.00 9103.00 _{9358 9264}

18 Mar 2010 9166.00 9074.00 _{9358 9264}

19 Mar 2010 9171.00 9079.00 _{9358 9265}

22 Mar 2010 9162.00 9070.00 _{9359 9265}

23 Mar 2010 9165.00 9073.00 _{9359 9265}

24 Mar 2010 9166.00 9074.00 _{9359 9265}

25 Mar 2010 9184.00 9092.00 _{9357 9263}

26 Mar 2010 9182.00 9090.00 _{9357 9264}

29 Mar 2010 9135.00 9045.00 _{9357 9263}

Dari tabel diatas diketahui bahwa selisih yang dihasilkan adalah kurang dari 100. sesuai dengan standart yang dijadikan acuan untuk perhitungan prediksi manual untuk kurs mata uang ialah tidak lebih dari Rp. 100. Karena jika selisih dari perhitungan lebih dari Rp. 100 maka tidak bisa dijadikan sebagai acuan prediksi. Meskipun masih terdapat beberapa data yang selisihnya lebih dari Rp. 100, tetapi prosentasenya kecil dan kurang dari 25%. Maka dengan adanya sistem prediksi kurs mata uang ini pihak bursa efek dapat mengetahui hasil prediksi untuk beberapa hari kedepan dengan toleransi kesalahan sekecil mungkin dan

 

BAB VI

PENUTUPAN

6.1. Kesimpulan

Setelah dilakukan perancangan dan pembangunan sistem prediksi kurs mata uang menggunakan jaringan syaraf tiruan dengan metode Quickpropagation, dilakukan serangkaian uji coba dan didapatkan sebuah hasil prediksi untuk kurs mata uang yang sesuai dengan perhitungan tiap-tiap proses. Setelah dilakukan analisa dan evaluasi terhadap hasil uji coba maka didapatkan beberapa kesimpulan sebagai berikut :

a. Sistem mampu untuk memprediksi mata uang hingga 1 bulan kedepan sesuai dengan data-data yang akan di-Training dan sesuai dengan penerapan JST yang digunakan.

b. Sistem mampu untuk menerapkan metode Feedforward dan Quickpropagation pada masing-masing proses Training Data.

c. Jumlah hidden layer yang paling baik digunakan oleh jaringan syaraf tiruan dengan 2 input layer dan 2 output layer adalah sebanyak kelipatan 2 hidden layer, dengan kata lain dengan jumlah hidden layer yang genap.

d. Selisih toleransi mencapai < Rp. 100 yang dimana sesuai dengan acuan prediksi yang digunakan pada Bursa Efek namun masih memiliki persentase kesalahan pada prediksi. Ini dikarenakan pada realitasnya, terdapat beberapa

faktor-faktor tertentu diluar hitungan yang dapat mempengaruhi naik atau turunnya suatu mata uang.

6.2. Saran

Perangkat lunak yang dibuat pada tugas akhir ini masih dapat dikembangkan lebih lanjut dengan bentuk sebagai berikut :

a. Penambahan proses prediksi kurs mata uang online sehingga sistem ini dapat dikembangkan menjadi sistem prediksi kurs mata uang secara Real Time. b. Peminimalisasian persentase kesalahan error pada prediksi sehingga data

prediksi yang dihasilkan adalah data yang valid.

c. Dilakukan penelitian tentang penggunaan metode pembelajaran jaringan syaraf tiruan lain yang dapat mempercepat proses training dan menambah besarnya data yang diproses.

 

DAFTAR PUSTAKA

Adi Nugroho, Hanung. 2010. Komputer Untuk Aplikasi Jaringan Syaraf Tiruan Dalam Menirukan Kemampuan Pengendalian Manusia Terhadap Posisi Motor DC Dengan Pemrograman Delphi, diakses online 07-09-2009 dari

http://me.te.ugm.ac.id/web1/index.php/abstract 

Anonymus, Wikipedia. 2009. Quickpropagation, diakses online 31-10-2009 dari

http://id.wikipedia.org/wiki/Quickpropagation

Anonymus, Wikipedia. 2010. Fungsi Pembangkit Momen, diakses online 11-03-2010 dari http://id.wikipedia.org/wiki/fungsi_pembangkit_momen

Anonymus, Wikipedia. 2010. Sigma, diakses online 11-03-2010 dari

http://id.wikipedia.org/wiki/sigma

Anonymus, Wikipedia. 2010. Operator σ, diakses online 11-03-2010 dari

http://id.wikipedia.org/wiki/operator_σ

Bank Indonesia. 2010. Kurs Uang Kertas Asing, diakses online 25-04-2010 dari

http://www.bi.go.id/web/id/Moneter/Kurs+Bank+Indonesia/Kurs+Transaksi

Kidul, Wong. 2006. Definisi dan Konsep Jaringan Syaraf Tiruan, diakses online 27-08-2009 dari http://angkringan.or.id/index.php/ wong_kidul

Murphy, John, Wikipedia. 2010. MACD, diakses online 12-03-2010 dari

http://id.wikipedia.org/wiki/MACD

Nugroho, Setyo. Penerapan Algoritma Quickprop pada Jaringan Syaraf

Tiruan untuk Mendeteksi Wajah Manusia. The 6th Seminar on

Intelligent Technology and Its Applications (SITIA 2005). Surabaya. 2005

Pemrograman Visual Basic.NET 2005. Penerbit Wahana Komputer. Semarang. 2006.

Ramadi, Suharian. 7 Jam Belajar Interaktif Visual C++.NET 2005 Untuk

Orang Awam. Penerbit Maxikom. Palembang. 2009

Wikipedia. 2009. Jaringan Syaraf Tiruan, diakses online 31-10-2009 dari

http://id.wikipedia.org/wiki/jaringan_syaraf_tiruan

Wikipedia. 2010. Moment-Generating Fuction, diakses online 12-03-2010 dari

http://id.wikipedia.org/wiki/moment_generating_fuction