Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

  Vol. 2, No. 1, Januari 2018, hlm. 73-80 http://j-ptiik.ub.ac.id

  

Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive

Neuro Fuzzy Inference System (ANFIS)

_{1 2 3} Nur Adli Ari Darmawand , Dian Eka Ratnawati , Rizal Setya Perdana

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: nuradliaridarmawand@gmail.com, dian_ilkom@ub.ac.id, rizalespe@ub.ac.id

  

Abstrak

  BI Rate adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate digunakan sebagai tolak ukur kegiatan perekonomian suatu Negara. BI Rate akan mempengaruhi perputaran arus keuangan perbankan, inflasi, investasi dan pergerakan mata uang. Naik turunnya BI Rate sangat diperhatikan oleh para investor dan para pelaku pasar untuk meningkatkan atau menurunkan tingkat produksi dan untuk menambah atau mengurangi investasi yang ada. Hal tersebutlah yang membuat prediksi suku bunga acuan (BI Rate) menjadi penting. Adanya prediksi BI Rate diharapkan mampu membantu para pelaku pasar untuk menentukan keputusan ekonomi jangka panjang. Dalam penelitian ini digunakan metode

  

Adaptive Neuro Fuzzy Inference System yang merupakan gabungan algoritma backpropagation steepest

descent dan least square estimator (LSE) untuk pembelajaran. Berdasarkan hasil pengujian dengan

  menggunakan parameter-parameter tebaik, didapatkan nilai RMSE terbaik senilai 0.0019165. Hasil akhir yang didapatkan adalah nilai prediksi BI Rate.

  Kata kunci: bi rate, prediksi, adaptive neuro fuzzy inference system

Abstract

BI Rate is the interest rate policy that reflects the monetary stance policy which set by Bank of

Indonesia and announced to the public. BI Rate is used as the parameter of economic activity of a

country. BI Rate will affect the turnover of bank financial flows, inflation, and currency movement. The

ups and downs of BI Rate are highly important for investors and market participants to increase or

decrease the amount of production and to increase or decrease existing investment.

  That’s what makes

the BI Rate prediction important. The predicted BI Rate is expected to help investors and market

participants to determine long-term economic decisions. In this study used Adaptive Neuro Fuzzy

Inference System method which is a combination of steepest descent and least square estimator (LSE)

algorithm for training. Based on the test results, it produces the best RMSE value 0.0019165.The final

result obtained is the predicted value of bi rate.

  Keywords: bi rate, prediction, adaptive neuro fuzzy inference system

  Di Indonesia, dalam mengatur dan 1.

   PENDAHULUAN

  mengontrol kestabilan pertumbuhan ekonomi Pertumbuhan ekonomi Indonesia pada diserahkan kepada Bank Indonesia selaku Bank tahun 2005

• – 2015 menunjukkan kenaikan Sentral, sebagaimana tercantum dalam UU No. 3 tingkat GDP (Gross Domestic Product) yang tahun 2004 pasal 7 tentang Bank Indonesia. relatif meningkat. Pada tahun 2005 GDP

  Dalam mencapai dan memelihara kestabilan Indonesia menunjukkan angka USD 285.869 perekonomian negara, Bank Indonesia Milyar dan angka tersebut terus mengalami menetapkan Suku Bunga Acuan, yang kemudian peningkatan hingga mencapai USD 917.87 disebut BI Rate. BI Rate digunakan sebagai tolak

  Milyar pada tahun 2012 (World Bank Group, ukur penting kegiatan perekonomian dari suatu 2015). GDP merupakan Tingkat Laju Negara. BI Rate akan berimbas pada kegiatan Pertumbuhan Ekonomi Negara, dimana semakin perputaran arus keuangan perbankan, inflasi, tinggi tingkat GDP, maka semakin baik pula investasi dan pergerakan mata uang suatu Tingkat pertumbuhan ekonomi Negara. negara. Naik turunnya suku bunga acuan sangat

  Fakultas Ilmu Komputer Universitas Brawijaya

  

73 diperhatikan oleh para investor dan para pelaku pasar untuk meningkatkan atau menurunkan tingkat produksi dan untuk menambah atau mengurangi investasi yang ada.

  BI Rate adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia setiap Rapat Dewan Gubernur bulanan dan diimplementasikan pada operasi moneter yang dilakukan Bank Indonesia melalui pengelolaan likuiditas (liquidity management) di pasar uang untuk mencapai sasaran operasional kebijakan moneter.

  Para investor dan juga para pelaku pasar sangat bergantung pada tingkat suku bunga yang akan ditetapkan oleh Bank Indonesia, karena pergerakan naik atau turunnya suku bunga yang dilakukan oleh bank sentral akan sangat mempengaruhi keputusan ekonomi yang akan diambil oleh para investor dan para pelaku pasar. Berdasarkan hal tersebut, perlu adanya sistem untuk memprediksi tingkat suku bunga acuan atau BI Rate agar dapat membantu dan mempermudah para investor dan juga para pelaku pasar untuk memperkirakan keputusan yang akan di ambil berdasarkan hasil peramalan suku bunga acuan.

  Untuk melakukan prediksi terhadap tingkat suku bunga (BI Rate), ada banyak metode yang dapat digunakan. Salah satu metode yang biasa digunakan untuk melakukan prediksi adalah metode Adaptive Neuro Fuzzy Inference System (ANFIS).

  Penelitian yang dilakukan oleh Melek Acar Boyacioglu dan Derya Avci pada tahun 2010 membahas tentang implementasi metode ANFIS dalam memprediksi stock market return. Berdasarkan hasil pengujian dari penelitian tersebut didapatkan tingkat akurasi yang tinggi, yaitu sebesar 98.3%.

  Pada tahun 2016, Amirmahmood Vahabi menggunakan model ANFIS dan membandingkan dengan model ANFIS-GA serta model ANN untuk memprediksi penjualan salah satu perusahaan industri automotive. Hasil penelitian menunjukkan koefisien determinasi (R2) pada model ANFIS dan ANFIS-GA lebih unggul dibandingkan dengan model ANN, yaitu sebesar 99.66%. Nilai koefisien determinasi pada model ANFIS dan ANFIS-GA menunjukkan angka yang sama, hal ini menandakan bahwa optimasi menggunakan

  Genetic Algorithm (GA) pada ANFIS tidak

  memberikan hasil yang signifikan dibandingkan hanya menggunakan model ANFIS saja. Dilihat dari aspek efektifitas sistem, model ANFIS lebih unggul dari model ANFIS-GA, karena tidak membutuhkan waktu yang lama pada saat runtime sistem.

  Pada tahun 2015, Ni Made Shrivijayanthi melakukan penelitian tentang prediksi tingkat produksi makanan beku dengan menggunakan metode ANFIS. Dari hasil penelitian tersebut didapatkan akurasi yang cukup besar, yaitu sebesar 86.83%.

  Penelitian lainnya dilakukan oleh Candra Dewi dan Werdha Wilubertha Himawati pada tahun 2015 tentang implementasi metode ANFIS untuk memprediksi tingkat pengangguran. Hasil penelitian menunjukkan akurasi yang sangat baik, yaitu sebesar 93.33%.

  Pada penelitian ini membahas tentang penerapan metode Adaptive Neuro Fuzzy

  Inference System untuk memprediksi suku bunga acuan (BI Rate).

  2. SUKU BUNGA ACUAN (BI RATE)

  Dalam Inflation Targeting Framework dijelaskan bahwa BI Rate adalah suku bunga acuan Bank Indonesia. BI Rate merupakan suku bunga dengan tenor satu bulan yang diumumkan secara periodik untuk jangka waktu tertentu oleh Bank Indonesia yang berfungsi sebagai sinyal (stance) kebijakan moneter. BI Rate digunakan sebagai acuan dalam operasi moneter untuk mengarahkan agar rata-rata tertimbang suku bunga Sertifikat Bank Indonesia (SBI) 1 bulan hasil lelang Operasi Pasar Terbuka (OPT) berada disekitar BI Rate. SBI 1 bulan tersebut diharapkan dapat mempengaruhi suku bunga Pasar Uang Antar Bank (PUAB), suku bunga deposito dan kredit serta suku bunga jangka waktu yang lebih panjang (Siamat, 2005).

  3. PREDIKSI

  Prediksi adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Jadi dikatakan bahwa yang dimaksud dengan prediksi adalah suatu usaha yang diharapkan terjadi pada masa yang akan datang (Handoko, 2002). Dalam usaha mengetahui atau melihat perkembangan di depan, peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang perlu dilakukan

  (Harahap, 2008). Hasil dari prediksi tidak harus berupa jawaban yang kemungkinan akan terjadi, melainkan berusaha untuk mendapatkan jawaban yang kemungkinan akan terjadi.

4. ADAPTIVE NEURO FUZZY

INFERENCE SYSTEM

  Adaptive Neuro Fuzzy Inference System

  (ANFIS) adalah jaringan yang berbasis pada

  system inference fuzzy . Parameter ANFIS dapat Gambar 1. Arsitektur ANFIS

  dipisahkan menjadi dua, yaitu parameter premis dan konsekuen yang dapat diadaptasikan dengan

  5. SIKLUS PENYELESAIAN MASALAH

  pelatihan hybrid. Pelatihan hybrid dilakukan

MENGGUNAKAN ADAPTIVE NEURO

  dalam dua langkah, yaitu langkah maju dan

  FUZZY INFERENCE SYSTEM langkah mundur (Widodo, 2005).

  Secara umum, proses prediksi BI Rate ANFIS merupakan arsitektur yang secara menggunakan Adaptive Neuro Fuzzy Inference fungsional sama dengan fuzzy rule base model

  System ditunjukkan pada Gambar 2.

  Sugeno dan juga sama dengan jaringan syaraf tiruan fungsi radial dengan sedikit batasan tertentu (Kusumadewi, 2006). ANFIS adalah penggabungan mekanisme fuzzy inference

  system yang digambarkan dalam arsitektur

  jaringan syaraf. Sistem inferensi yang digunakan adalah sistem inferensi fuzzy model Takagi- Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

  Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radial dengan batasan tertentu. Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis aturan model Sugeno orde satu, maka diperlukan batasan:

  1. Keduanya harus memiliki metode agregasi yang sama (rata-rata terbobot atau penjumlahan terbobot) untuk menurunkan semua outputnya.

2. Jumlah fungsi aktivasi harus sama dengan jumlah aturan fuzzy (IF-THEN).

  3. Jika ada beberapa input pada basis aturannya, maka tiap-tiap fungsi aktivasi harus sama dengan fungsi keanggotaan tiap- tiap inputnya.

  4. Gambar 2. Diagram Alir Proses Prediksi Fungsi aktivasi dan aturan-aturan fuzzy harus memiliki fungsi yang sama untuk

  Berdasarkan Gambar 2, proses prediksi

  neuron -neuron dan aturan-aturan yang ada

  secara umum meliputi langkah-langkah berikut: di sisi outputnya.

  a.

  Input adalah data ekonomi makro, learning Struktur ANFIS yang menggambarkan

  rate , minimum error dan jumlah iterasi

  sistem inferensi fuzzy Takagi-Sugeno-Kang maksimal. (TSK) terdapat pada Gambar 1 berikut .

  b.

  Pengelompokkan data dengan menggunakan algoritma K-Means.

  c.

  Menghitung parameter premis (mean (c) dan standar deviasi (a)).

  d. derajat keanggotaan Menghitung Menghitung output jaringan dengan menjumlahkan semua sinyal yang dating seperti persamaan 5 berikut.

  5, = ∑ ̅̅̅ = ∑ ∑

  10 ^-7 0.001003514 9206167626

  (5) j.

  Menghitung nilai error jaringan dan membandingkan dengan nilai error yang diharapkan. Jika nilai error jaringan lebih besar dari nilai error yang diharapkan, maka dilakukan perbaikan parameter premis dengan menggunakan algoritma steepest

  descent .

  Gambar 3 menunjukkan hasil RMSE berdasarkan 9 kali percobaan dengan mengubah nilai learning rate untuk setiap percobaan.

  Gambar 3. Grafik Pengaruh Learning Rate Terhadap RMSE

  Gambar 3 berikut menunjukkan grafik hasil pengujian pengaruh learning rate terhadap nilai RMSE.

  menggunakan fungsi keanggotaan

  2 2 + ) (4) i.

  9 0.9 500

  10 ^-7 0.001003514 920616769

  8 0.8 500

  10 ^-7 0.001003514 9206167602

  7 0.7 500

  10 ^-7 0.001003514 9206167621

  6 0.6 500

• 2

  11 1 +

  920616769

  2, = = ( ) ( ), = 1,2 (2) f.

  Generalized Bell seperti yang ditunjukkan pada persamaan 1. bell (x; a,b,c)

  =

  1 1+ | − |

  2 (1) e.

  Menghitung

  fire strength

  dengan menggunakan persamaan 2 berikut.

  Menghitung nilai normalized fire strength dengan menggunakan persamaan 3 berikut.

  4, = ̅̅̅ = ̅̅̅(

  3, = ̅ =

  1

  , = 1,2 (4)

  g.

  Menghitung parameter konsekuen dengan menggunakan algoritma LSE.

  h.

  Menghitung nilai output pada lapisan 4 dengan menggunakan persamaan 4 berikut.

  Learning Rate Iterasi Minimum Error RMSE

6. HASIL DAN PEMBAHASAN

6.1. Pengujian pengaruh learning rate terhadap RMSE

  10 ^-7 0.001003514 No

  Learning Rate yang digunakan senilai 0.1

  Pengujian pengaruh learning rate ini bertujuan untuk mendapatkan nilai learning rate yang terbaik. Untuk melakukan pengujian ini akan digunakan data latih sejumlah 90 data dan data uji tetap sejumlah 25 data. Iterasi akan di set tetap sebanyak 500 dan nilai minimum error juga akan di set tetap senilai 10 ^-7 . Pada proses pegujian nilai learning rate akan diubah mulai dari 0.1 sampai dengan 0.9. Learning rate yang menghasilkan RMSE terbaik akan digunakan pada skenario pengujian selanjutnya.

  pengujian sebelumnya. Data latih yang digunakan sebanyak 90 data dan data uju yang

  rate optimal yang didapatkan dari hasil

  Pengujian minimum error ini bertujuan untuk mengetahui pengaruh minimum error terhadap RMSE yang akan dihasilkan. Untuk melakukan pengujian ini terdapat beberapa parameter yang akan di set tetap. Untuk learning rate akan di set tetap dengan nilai 0.3 yang merupakan learning

  6.2. Pengujian pengaruh minimum error terhadap RMSE

  penurunan. Namun pada nilai learning rate di atas 0.3, nilai RMSE mengalami kenaikan. Hal ini terjadi karena pada learning rate di atas 0.3, proses training telah mencapai keadaan yang optimal. Learning Rate senilai 0.3 akan digunakan untuk skenario pengujian selanjutnya.

  learning rate 0.3, nilai RMSE mengalami

  sampai dengan 0.9. Dari Gambar 6.1 dapat dilihat bahwa grafik menunjukkan bahwa pada

  Tabel 1. Pengujian Learning Rate No

  5 0.5 500

  Learning Rate Iterasi Minimum Error RMSE

  1 0.1 500

  10 ^-7 0.001003514 9206167637

  10 ^-7 0.001003514 9206167645

  3 0.3 500

  10 ^-7 0.001003514 9206167567

  4 0.4 500

  10 ^-7 0.001003514 9206167647

  2 0.2 500 digunakan sebanyak 25 data. Jumlah iterasi juga akan di set tetap sebanyak 500 iterasi. Pada proses pengujian, nilai minimum error akan diubah disetiap percobaannya. Nilai minimum

  error yang akan diuji adalah 10 ^-1

  10 ^-2 adalah 0.0010035149206167623. Nilai RMSE mengalami perubahan saat nilai minimum error

  0.3 0.00100351 4920616756

  10

  10 ^-10 500

  0.3 0.00100351 4920616756

  Gambar 4 berikut menunjukkan grafik hasil pengujian pengaruh minimum error terhadap RMSE.

  Gambar 4. Grafik Pengaruh Minimun Error Terhadap RMSE

  Gambar 4 merupakan grafik yang menunjukkan hasil pengujian perubahan nilai

  minimum error terhadap nilai RMSE. Dari 10

  kali percobaan dengan nilai minimum error yang berubah-ubah didapatkan hasil RMSE yang relatif tetap. Hal ini menandakan bahwa perubahan nilai minimum error cenderung tidak berpengaruh terhadap nilai RMSE. Namun apabila menggunakan ketelitian 19 angka dibelakang koma, nilai RMSE dengan minimum

  error

  10 ^-1 dan

  10 ^-3 dan tidak mengalami perubahan sampai dengan percobaan dengan nilai minimum error 10 ^-10 . Hal ini disebabkan karena nilai error optimal adalah 10

• ^-3 dan selama dilakukan perbaikan, nilai error tidak akan pernah mencapai angka 0.

  9

  6.3. Pengujian pengaruh jumlah iterasi terhadap RMSE

  Pengujian ini bertujuan untuk mengetahui pengaruh perubahan jumlah iterasi terhadap nilai RMSE yang akan dihasilkan. Dalam melakukan pengujian ini terdapat beberapa parameter yang akan di set tetap. Parameter yang di set tetap diantaranya, jumlah data, learning rate dan

  minimum error . Jumlah data latih yang

  digunakan adalah sebanyak 90 data latih dan data uji yang digunakan sebanyak 25 data.

  Learning Rate yang digunakan diambil dari hasil

  pengujian pertama, yaitu senilai 0.3. Nilai

  minimum error yang digunakan didapatkan dari

  hasil pengujian kedua, yaitu senilai 10 ^-3 . Pada proses pengujian ini, jumlah iterasi akan diubah- ubah mulai dari 500 iterasi sampai dengan 1000 iterasi.

  Tabel 3. Pengujian Iterasi No Iterasi Minimum

  Error Learning Rate RMSE 1 500

  10 ^-3 0.3 0.0010035 2 600 10 ^-3 0.3 0.0010035 3 700 10 ^-3 0.3 0.0010035 4 800 10 ^-3 0.3 0.0010035 5 900 10 ^-3 0.3 0.0010035 6 1000 10 ^-3 0.3 0.0010035

  Gambar 5 berikut menunjukkan grafik hasil pengujian pengaruh iterasi terhadap nilai RMSE.

  10 ^-9 500

  0.3 0.00100351 4920616756

  sampai dengan

  0.3 0.00100351 4920616756

  10 ^-10 .

  Tabel 2. Pengujian Minimum Error No

  Minimum Error Iterasi Learning Rate RMSE

  1

  10 ^-1 500

  0.3 0.00100351 4920616762

  2

  10 ^-2 500

  0.3 0.00100351 4920616762

  3

  10 ^-3 500

  4

  10 ^-8 500

  10 ^-4 500

  0.3 0.00100351 4920616756

  5

  10 ^-5 500

  0.3 0.00100351 4920616756

  6

  10 ^-6 500

  0.3 0.00100351 4920616756

  7

  10 ^-7 500

  0.3 0.00100351 4920616756

  8

  Gambar 5. Grafik Pengujian Pengaruh Iterasi Terhadap RMSE Gambar 5 merupakan grafik yang menggambarkan hasil pengujian perubahan jumlah iterasi terhadap nilai RMSE. Dari 6 kali percobaan dengan jumlah iterasi yang diubah- ubah untuk setiap percobaannya. Didapatkan hasil RMSE yang tetap. Dari pengujian ini dapat dilihat bahwa perubahan jumlah iterasi tidak mempengaruhi nilai RMSE yang didapatkan.

  6.4. Pengujian pengaruh jumlah data terhadap RMSE

  parameter terbaik tersebut antara lain : 1.

  Gambar 6 berikut merupakan grafik yang menggambarkan lebih jelas perbandingan antara

  11 0.08250 0.080705576 12 0.08000 0.076493525 13 0.08000 0.077000876 14 0.08000 0.081946414 15 0.08000 0.081913592 16 0.08000 0.083327566 17 0.08250 0.086526382 18 0.08500 0.08622062 19 0.08750 0.088945341 20 0.09000 0.089419499 21 0.09250 0.08745332 22 0.09500 0.094898208 23 0.09500 0.094444938 24 0.09250 0.093343567 25 0.08750 0.086993515 26 0.08250 0.08309191 27 0.07750 0.077029402 28 0.07500 0.074588794 29 0.07250 0.074260309 30 0.07000 0.070607499 31 0.06750 0.064882987 32 0.06500 0.066172594 33 0.06500 0.066428543 34 0.06500 0.066294743 35 0.06500 0.064608162

  1 0.09500 0.091425991 2 0.09250 0.091158556 3 0.09000 0.091627028 4 0.09000 0.090677126 5 0.08750 0.087943718 6 0.08500 0.085166463 7 0.08250 0.083892212 8 0.08250 0.082590545 9 0.08250 0.081058798 10 0.08250 0.081861681

  Tabel 5. Perbandingan Aktual dengan Prediksi No Aktual Prediksi

  Dengan menggunakan nilai terbaik pada setiap parameter di atas, didapatkan hasil prediksi BI Rate. Tabel 5 berikut adalah tabel hasil prediksi BI Rate beserta perbandingan dengan output aktualnya.

  Iterasi = 500

  Data Uji = 35 Data 5.

  Data Latih = 46 Data 4.

  Minimum Error = 10 ^-3 3.

  Learning Rate = 0.3 2.

  Rate ) dengan menggunakan metode Adaptive Neuro Fuzzy Inference System . Nilai-nilai

  Pengujian ini bertujuan untuk mengetahui pengaruh jumlah data terhadap nilai RMSE yang akan dihasilkan. Pada scenario pengujian ini, jumlah data latih dan data uji akan diubah-ubah untuk setiap percobaannya. Jumlah data latih yang akan digunakan adalah 40%, 50% dan 60% dari total seluruh data. Data Uji yang akan digunakan adalah 30%, 40% dan 50% dari total seluruh data. Pengujian akan dilakukan dengan mengombinasikan jumlah data latih dan data uji. Parameter tetap yang digunakan adalah learning

  dengan data uji yang paling baik. Parameter- parameter tersebut akan digunakan untuk menghitung hasil prediksi suku bunga acuan (BI

  minimum error , serta kombinasi data latih

  Berdasarkan hasil pengujian yang telah dilakukan, telah didapatkan nilai learning rate,

  6.5. Hasil Prediksi BI Rate Menggunakan Metode Adaptive Neuro Fuzzy Inference System

  Tabel 4 di atas merupakan hasil pengujian jumlah data dengan kombinasi antara 40%, 50% dan 60% data latih dengan 30%, 40% dan 50% data uji. Dari hasil pengujian di atas didapatkan nilai RMSE terkecil terdapat pada kombinasi data latih 40% dan data uji 30%, yaitu senilai 0.0019165. Berdasarkan hasil pengujian di atas menunjukkan bahwa semakin banyak data latih tidak menunjukkan nilai RMSE yang semakin baik. Sehingga jumlah data tidak berpengaruh terhadap nilai RMSE yang dihasilkan.

  0.0023724 0.0025508 0.0028439

  0.0025883 0.0024668 0.003610 60% (69 Data)

  0.0019165 0.0019693 0.003187 50% (58 Data)

  Tabel 4. Pengujian Jumlah Data Data Latih Data Uji 30% (35 Data) 40% (46 Data) 50% (58 Data) 40% (46 Data)

  dan jumlah iterasi sebanyak 500.

  rate senilai 0.3, minimum error senilai 10 ^-3

  output aktual dengan output hasil prediksi. melakukan perbaikan parameter premis dengan menggunakan algoritma Steepest

  Descent . Pada proses training data akan

  didapatkan parameter premis dan parameter konsekuen yang kemudian digunakan untuk melakukan testing dengan data uji. Proses dilakukan dengan cara menghitung

  testing output lapisan 1 hingga lapisan 5 dengan

  menggunakan data uji serta parameter premis dan parameter konsekuen yang didapatkan dari proses training data.

  2. Berdasarkan hasil pengujian yang telah dilakukan, didapatkan:

  Gambar 6. Grafik Perbandingan Output Aktual dengan Output Jaringan

  a.

  Parameter learning rate berpengaruh terhadap RMSE. Learning rate terbaik Mengacu pada pengujian yang telah yang didapatkan berdasarkan hasil dilakukan, telah didapatkan parameter- pengujian adalah 0.3. parameter dengan nilai terbaik, yaitu learning _-3 b.

  Parameter minimum error juga

  rate = 0.3, minimum error = 10 , dan kombinasi berpengaruh terhadap RMSE.

  40% data latih dengan 30% data uji. Dengan Berdasarkan hasil pengujian, nilai menggunakan parameter-parameter tersebut

• _-3

  minimum error

  10 menghasilkan nilai didapatkanlah hasil peramalah seperti yang RMSE yang terbaik. ditunjukkan pada tabel 5, dengan nilai RMSE 0.0019165. c. jumlah iterasi tidak

  Parameter berpengaruh terhadap nilai RMSE yang

  dihasilkan. Nilai RMSE yang dihasilkan dari setiap percobaan pada pengujian Berdasarkan hasil pengujian yang mengacu jumlah iterasi sama. pada impelementasi serta perancangan prediksi suku bunga acuan (BI Rate ) dengan d.

7. PENUTUP

  Parameter jumlah data juga tidak menggunakan metode Adaptive Neuro Fuzzy berpengaruh terhadap nilai RMSE yang

  Inference System (ANFIS) didapatkan beberapa

  dihasilkan. Nilai RMSE terbaik yang kesimpulan sebagai berikut: dihasilkan berdasarkan pengujian jumlah data adalah data dengan

  1. Prediksi suku bunga acuan (BI Rate) dengan kombinasi 40% data latih dan 30% data menggunakan metode Adaptive Neuro Fuzzy uji.

  Inference System dilakukan dengan

  melakukan trainingdata terlebih dahulu, e.

  Ukuran besarnya kesalahan dari kemudian menggunakan parameter premis implementasi Adaptive Neuro Fuzzy dan konsekuen yang didapatkan dari hasil

  Inference System untuk memprediksi training untuk memprediksi BI Rate pada

  suku bunga acuan (BI Rate) dihitung proses testing . Proses training data menggunakan Root Mean Square Error dilakukan dengan cara mengelompokkan (RMSE). Nilai RMSE yang dihasilkan data dengan menggunakan algorima K- adalah 0.0019165. Nilai RMSE yang

  Means clustering, menghitung parameter dihasilkan rendah, karena hampir premis, menghitung nilai derajat mendekati 0. Nilai RMSE yang rendah keanggotaan (lapisan 1) dengan menunjukkan bahwa variasi nilai yang menggunakan fungsi keanggotaan dihasilkan oleh suatu model prakiraan

  generalized bell , menghitung nilai fire mendekati variasi nilai observasinya. strength (lapisan 2), menghitung nilai

  Hal ini menunjukkan bahwa

  normalized fire strength (lapisan 3),

  implementasi metode Adaptive Neuro menghitung parameter konsekuen (lapisan

  Fuzzy Inference System baik dalam

  4) dengan menggunakan algoritme LSE melakukan prediksi suku bunga acuan (Least Square Estimator), menghitung nilai (BI Rate).

  output jaringan (lapisan 5), setelah itu

8. DAFTAR PUSTAKA

  Bank Indonesia, 2013. Bank Sentral Republik

  Indonesia. [Online]

  Available at: http://www.bi.go.id/id/moneter/bi- rate/penetapan/Contents/Default.aspx [Accessed 5 March 2015]. Boyacioglu, M. A. & Avci, D., 2010. An

  Adaptive Network-Based Fuzzy Inference System (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchange.

  Expert Systems with Applications, Volume 37, pp. 7908-7912.

  Vahabi, A., 2016. A Sales Forcasting Model in Automotive Industry using Adaptive Neuro Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA).

  International Journal of Advanced Computer Science and Applications,

  Volume VII, pp. 24-30. Shirivijayanthi, N. M., 2015. Prediksi Tingkat

  Produksi Makanan Beku Menggunakan Metode Adaptive Neuro Fuzzy Inference System. Malang: FILKOM Universitas Brawijaya.

  Dewi, C. & Himawati, W. W., 2015. Prediksi

  Tingkat Pengangguran Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Bali, ResearceGate.

  Handoko, T. H., 2002. Manajemen. Edisi Kedua ed. Yogyakarta: BPFE. Harahap, S. S., 2008. Analisis Kritis atas

  Laporan Keuangan. Jakarta: PT. Raja Grafindo Persada.

  Kusumadewi, S., 2006. Fuzzy Multi-Attribute Decision Making (FUZZY MADM).

  Yogyakarta: Graha Ilmu. Siamat, D., 2005. Manajemen Lembaga

  Keuangan: Kebijakan Moneter & Perbankan. Jakarta: Fakultas Ekonomi

  Universitas Indonesia. Widodo, B., 2005. Panduan Lengkap Belajar

  Mikrokontroler Perancangan Sistem dan AplikasiMikrokontroler. Jakarta: PT

  Elex Media Komputindo. World Bank Group, 2015. The World Bank.

  [Online] Available at: http://data.worldbank.org/indicator/NY. GDP.MKTP.CD?end=2015&locations=

  ID&start=2005 [Accessed 24 February 2017].