pembedaan AR1 MA1 pertama
Peramalan menggunakan jaringan syaraf tiruan feedforward umpan maju atau dengan algoritma backpropagation yang dilakukan oleh Bambang dan Budi
1999 terhadap prediksi harga saham semen gresik pada pasar modal indonesia. Didapat kesimpulan bahwa hasil prediksi mendekati data aslinya.
Dengan membandingkan tingkat keakuratan jaringan syaraf tiruan
Backprogation dan metode GARCH1,1 dalam bentuk Means Absolute Deviation MAD dan Means Square Error MSE, Halim dan Wibisono 2000, melakukan
peramalan nilai tukar rupiah terhadap 4 mata uang asing terhadap dollar AS. Diperoleh
hasilnya bahwa
dengan menggunakan
jaringan syaraf
tiruan backpropagation memiliki hasil yang lebih baik dalam meredam error yang terjadi
akibat adanya perubahan mendadak pada data non stasioner dan non homogen, seperti terlihat pada perbandingan plot residual vs order, walaupun terkadang MAD maupun
MSE-nya tidak lebih baik dari metode GARCH1,1 yang mampu memberikan fitting yang cukup bagus untuk heteroskedastik time series.
Penggunaan jaringan syaraf tiruan backpropagation untuk prediksi support level dan resistance level pada forex trading yang dilakukan oleh Wicaksono 2009
memberikan hasil prediksi dengan nilai MAPE 3 - 4,5 dan tingkat akurasi mencapai 95,5.
1.5 TUJUAN PENELITIAN
Adapun tujuan penelitian ini adalah : 1. Untuk mengetahui cara kerja jaringan syaraf tiruan untuk peramalan kurs
rupiah terhadap dollar AS. 2. Untuk mengetahui keakuratan peramalan menggunakan jaringan syaraf
tiruan backpropagation dibandingkan metode ARIMA Box-Jenkins.
Universitas Sumatera Utara
1.6 KONTRIBUSI PENELITIAN
Kontribusi penelitian ini adalah : 1. Dapat memberikan manfaat bagi pembaca untuk lebih mengetahui dan
memahami tentang jaringan syaraf tiruan yang diaplikasikan terhadap peramalan.
2. Dapat memberikan suatu metode alternatif untuk melakukan peramalan. 3. Dengan penelitian ini penulis juga berharap dapat menambah referensi
bagi pembaca dan dapat digunakan sebagai alat pertimbangan bagi pengambil keputusan dalam melakukan transaksi tukar menukar rupiah
terhadap dollar AS.
1.7 METODOLOGI PENELITIAN
A. Perencanaan sistem peramalan forecasting valuta asing menggunakan metode backpropagation jaringan saraf tiruan, terdiri dari langkah-langkah
sebagai berikut : 1. Menetapkan Tujuan Sistem
Model jaringan yang dibangun mampu mengidentifikasikan dan mempelajari pola dari data, dan selanjutnya menggunakannya untuk
peramalan. 2. Menentukan Jangka Waktu Prediksi
Melalui pengujian jaringan saraf yang sudah terlebih dahulu menjadi proses pelatihan sehingga dapat diketahui seberapa kemampuan
jaringan tersebut dalam meramalkan nilai di masa mendatang dengan error minimum. Pada penelitian ini jangka waktu prediksi akan
dibatasi hanya 2 bulan ke depan bulan Januari dan Pebruari 2010.
Universitas Sumatera Utara
3. Memperoleh Data Data diperoleh dari internet [http:www.bi.or.id], pergerakan nilai
tukar Rupiah Indonesia terhadap Dollar Amerika Serikat dari bulan Januari 2009 - Pebruari 2010.
4. Menentukan Fungsi Aktivasi Dalam kasus ini bentuk khusus dari suatu fungsi aktivasi tidak akan
memiliki pengaruh yang signifikan terhadap performa suatu jaringan. Namun dengan dasar karakteristik data yang berfluktuasi kuat dan
mengingat tujuan dari sistem jaringan yaitu untuk mampu mengatasi perubahan mendadak, maka fungsi aktivasi hendaknya yang bersifat
smooth dan terdiferensial. Atas dasar hal-hal di atas, maka dipilih fungsi aktivasi log sigmoid sigmoid biner.
5. Normalisasi Data Input Bertujuan untuk menyesuaikan nilai range data dengan logsigmoid
threshold function dalam sistem backpropagation. Ini berarti nilai kuadrat input harus berada pada range 0 sampai 1. Sehingga range
input yang memenuhi syarat adalah nilai data input dari 0 sampai 1 atau dari –1 sampai 1. Oleh karena itu output yang dihasilkan pun akan
berada pada range 0 sampai 1, untuk mendapatkan niali sebenarnya dari output perlu dilakukan proses denormalisasi.
6. Merancang Struktur Jaringan Bertujuan untuk mendapatkan komposisi jumlah neuron, hidden layer,
elemen input dan nilai parameter training yang optimal. Langkah- langkah membangun model jaringan data ini adalah :
a. Membetuk data pelatihan training dan pengujian testing dan validasi.
Universitas Sumatera Utara
b. Penentuan jumlah hidden layer dan jumlah neuron ditentukan secara trial and error sampai dicapai error minimumnya.
7. Penentuan koefisien laju pemahaman α dan momentum µ dilakukan
dengan trial and error untuk mendapatkan nilai bobot yang paling optimum agar MAPE dan MSE jaringan dapat diperbaiki.
8. Pemilihan jaringan yang optimum dan penggunaannya dalam peramalan.
B. Langkah-langkah membentuk model peramalan kurs rupiah terhadap dollar AS dengan ARIMA Box-Jenkins:
1. Identifikasi Model Dalam tahap ini akan dicari model yang dianggap paling sesuai dengan
data pergerakan kurs rupiah terhadap dollar AS. Diawali dengan membuat plot data yang asli, membuat grafik fungsi autokorelasi
FAK serta fungsi autokorelasi parsial FAKP. FAK dan FAKP digunakan untuk menentukan kestasioneran dan pola lain yang
terkandung pada deret berkala. Apabila belum stationer maka perlu dilakukan differencing d atau transformasi.
2. Penaksiran Parameter Tahap selanjutnya setelah menentukan model awal terindentifikasi
adalah mencari taksiran terbaik atau paling efisien untuk parameter dalam model awal.
3. Pemeriksaan Diagnostik Dalam tahap ini akan diperiksa apakah model yang diestimasi cukup
sesuai dengan data yang dimiliki. Apabila terdapat penyimpangan yang cukup serius harus dirumuskan kembali model yang baru yang
selanjutnya ditaksir nilai parameternya dan kemudian diperiksa.
Universitas Sumatera Utara
4. Peramalan dengan model ARIMA Setelah pemeriksaan diagnostik maka model yang terpilih dapat
digunakan untuk melakukan peramalan kurs rupiah terhadap dollar AS bulan Januari sampai Pebruari 2010.
C. Membandingkan tingkat keakuratan ramalan yang dihasilkan oleh metode jaringan syaraf tiruan backpropagation dan metode ARIMA Box-
Jenkins. Kriteria keakuratan ramalan meggunakan kedua metode tersebut
ditentukan dengan menghitung nilai Percentage Error PE, Mean Square Error MSE, Mean Absolute Deviation MAD dan Mean Absolute
Percentage Error MAPE. Digunakan MAPE karena pada data pergerakan kurs rupiah terhadap dollar Amerika Serikat ukuran variabel
peramalan merupakan faktor penting dalam mengevaluasi akurasi peramalan. Sehingga MAPE digunakan untuk menilai prestasi jaringan
yang dilatih karena MAPE mengenal secara pasti signifikasi hubungan diantara data ramalan dengan data aktual melalui persentase dari data
aktual serta indikator positif atau negatif pada galat error diabaikan. MAPE memberikan petunjuk seberapa besar kesalahan peramalan
dibandingkan dengan nilai sebenarnya dari series tersebut. Nilai PE dan MAPE didapat dari persamaan di bawah ini.
x 100
Universitas Sumatera Utara
dengan, = nilai aktual pada waktu t.
= nilai ramalan pada waktu t. n = jumlah ramalan
|PE| = nilai absolute PE
Universitas Sumatera Utara
BAB 2 LANDASAN TEORI
