80 33
X
33
: SBI lag ke 7= data SBI ke t-7 Dengan variabel outputtargetnya adalah Y
t
= data kurs ke-t. Dimana t adalah
waktu pengamatan. Pada penelitian ini data yang digunakan sebanyak 127 pengamatan lampiran
1, sehingga t dimulai pada pengamatan ke 12 hingga ke 127 116 pengamatan.
2. Pembagian data
Data dibagi menjadi 2 bagian yaitu data training dan data testing. Data training
digunakan untuk mencari model terbaik, sedangkan data testing digunakan untuk menguji ketepatan model hasil data training.
Terdapat beberapa komposisi data training dan data testing yang sering digunakan Hota dkk, 2013: 165, yaitu:
1 80 untuk data training dan 20 untuk data testing. 2 75 untuk data training dan 25 untuk data testing.
3 60 untuk data training dann 40 untuk data testing. Pada skripsi ini komposisi data training dan data testing yang digunakan
adalah 75 87 pengamatan untuk data training dan 25 29 pengamatan untuk data testing. Data training yang digunakan adalah data ke-1 hingga data ke-
87 sedangkan data testing yang digunakan adalah data ke-88 hingga data ke-116. Untuk pembagian data training dan data testing dapat dilihat pada lampiran 2 dan
lampiran 3.
81
3. Fuzzifikasi
Fuzzifikasi adalah proses untuk mengubah bilangan crisp menjadi derajat
keanggotaan himpunan fuzzy. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan Kurva-S untuk pertumbuhan dengan 1 himpunan fuzzy.
Langkah pertama yang harus dilakukan dalam fuzzifikasi adalah menentukan himpunan universal. Himpunan universal adalah keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Berdasarkan data input
dan target maka diperoleh himpunan universal setiap variabel sebagaimana tersaji dalam tabel 4.1 berikut:
Tabel 4. 1
. Himpunan universal data input dan target variabel
Himpunan universal variabel
Himpunan universal X
1
[5.462 17.820] X
18
[190.834 5.737.451,23] X
2
[5.462 17.820] X
19
[190.834 5.737.451,23] X
3
[5.462 17.820] X
20
[190.834 5.737.451,23] X
4
[5.462 17.820] X
21
[190.834 5.737.451,23] X
5
[5.462 17.820] X
22
[190.834 5.737.451,23] X
6
[5.462 17.820] X
23
[190.834 5.737.451,23] X
7
[5.462 17.820] X
24
[190.834 5.737.451,23] X
8
[5.462 17.820] X
25
[190.834 5.737.451,23] X
9
[5.462 17.820] X
26
[190.834 5.737.451,23] X
10
[5.462 17.820] X
27
[2,38 15,88] X
11
[-3,96 21,52] X
28
[2,38 15,88] X
12
[-3,96 21,52] X
29
[2,38 15,88] X
13
[-3,96 21,52] X
30
[2,38 15,88] X
14
[-3,96 21,52] X
31
[2,38 15,88] X
15
[-3,96 21,52] X
32
[2,38 15,88] X
16
[190.834 5.737.451,23] X
33
[2,38 15,88] X
17
[190.834 5.737.451,23] Y
t
[5.462 17.820] Langkah selanjutnya adalah menentukan himpunan fuzzy pada setiap variabel
dan menentuka domain himpunan fuzzy tersebut. Pada skripsi ini setiap variabel
82 input
dan target hanya memiliki satu himpunan fuzzy dengan domain himpunan fuzzy
sama seperti himpunan universalnya. Himpunan fuzzy pada setiap variabel dan domainya tersaji pada tabel 4.2 berikut:
Tabel 4. 2
Himpunan fuzzy dan domain variabel
Himpunan fuzzy
domain variabel
Himpunan fuzzy
domain X
1
A
1
[5.462 17.820] X
18
A
1
[190.834 5.737.451,23] X
2
A
2
[5.462 17.820] X
19
A
2
[190.834 5.737.451,23] X
3
A
3
[5.462 17.820] X
20
A
3
[190.834 5.737.451,23] X
4
A
4
[5.462 17.820] X
21
A
4
[190.834 5.737.451,23] X
5
A
5
[5.462 17.820] X
22
A
5
[190.834 5.737.451,23] X
6
A
6
[5.462 17.820] X
23
A
6
[190.834 5.737.451,23] X
7
A
7
[5.462 17.820] X
24
A
7
[190.834 5.737.451,23] X
8
A
8
[5.462 17.820] X
25
A
8
[190.834 5.737.451,23] X
9
A
9
[5.462 17.820] X
26
A
9
[190.834 5.737.451,23] X
10
A
10
[5.462 17.820] X
27
A
10
[2,38 15,88] X
11
A
11
[-3,96 21,52] X
28
A
11
[2,38 15,88] X
12
A
12
[-3,96 21,52] X
29
A
12
[2,38 15,88] X
13
A
13
[-3,96 21,52] X
30
A
13
[2,38 15,88] X
14
A
14
[-3,96 21,52] X
31
A
14
[2,38 15,88] X
15
A
15
[-3,96 21,52] X
32
A
15
[2,38 15,88] X
16
A
16
[190.834 5.737.451,23] X
33
A
16
[2,38 15,88] X
17
A
17
[190.834 5.737.451,23] Y
t
[5.462 17.820] Dengan bantuan MATLAB R2013a diperoleh grafik keanggotaan himpunan
fuzzy seperti pada gambar 4.5 hingga 4.8 berikut:
Gambar 4. 5
Grafik keanggotaan himpunan fuzzy hingga
dan Y
83 Pada gambar 4.5 tersebut merepresentasikan nilai kurs yang turun. Dengan
fungsi keanggotaan kurva S pertumbuhan dan domain pada tabel 4.2 diperoleh persamaan fungsi keanggotaan himpunan fuzzy
sebagai berikut:
{ Untuk himpunan fuzzy
hingga dan
memiliki fungsi keanggotaan seperti fungsi keanggotaan himpunan fuzzy
. Semakin besar derajat keanggotaan himpunan fuzzy
menunjukkan bahwa nilai kurs IDRUSD pada lag 1 semakin turun.
Gambar 4. 6
Grafik keanggotaan himpunan fuzzy hingga
Pada gambar 4.6 tersebut merepresentasikan nilai inflasi yang naik. Dengan fungsi keanggotaan kurva S pertumbuhan dan domain pada tabel 4.2 diperoleh
persamaan fungsi keanggotaan himpunan fuzzy sebagai berikut:
{
84 Untuk himpunan fuzzy
hingga memiliki fungsi keanggotaan seperti fungsi
keanggotaan himpunan fuzzy Semakin besar derajat keanggotaan himpunan
fuzzy menunjukkan bahwa nilai inflasi pada lag 1 semakin naik atau semakin
besar.
Gambar 4. 7
Grafik keanggotaan himpunan fuzzy hingga
Pada gambar 4.7 tersebut merepresentasikan nilai jumlah uang beredar yang naik. Dengan fungsi keanggotaan kurva S pertumbuhan dan domain pada tabel 4.2
diperoleh persamaan fungsi keanggotaan himpunan fuzzy sebagai berikut:
{
Untuk himpunan fuzzy hingga
memiliki fungsi keanggotaan seperti fungsi keanggotaan himpunan fuzzy
Semakin besar derajat keanggotaan himpunan fuzzy
menunjukkan bahwa nilai jumlah uang beredar pada lag 1 semakin naik atau besar.
85
Gambar 4. 8
Grafik fungsi keanggotaan himpunan fuzzy hingga
Pada gambar 4.8 tersebut merepresentasikan nilai suku bunga Indonesia yang naik. Dengan fungsi keanggotaan kurva S pertumbuhan dan domain pada tabel 4.2
diperoleh persamaan fungsi keanggotaan himpunan fuzzy sebagai berikut:
{ Untuk himpunan fuzzy
hingga memiliki fungsi keanggotaan seperti fungsi
keanggotaan himpunan fuzzy Semakin besar derajat keanggotaan himpunan
fuzzy menunjukkan bahwa nilai suku bunga Indonesia pada lag 1 semakin
naik atau semakin besar. Untuk memperoleh nilai dalam derajat keanggotaan himpunan fuzzy maka
setiap variabel input disubstitusikan ke persamaan fungsi keanggotaannya masing- masing. Misal nilai variabel X
1
pada data pengamatan ke-1 data training sebesar 9.211 selanjutnya nilai tersebut disubstitusikan ke persamaan 4.1. Nilai 9.211
berada pada maka
86 sehingga diperoleh derajat keanggotaan 9.211 pada himpunan fuzzy
sebesar 0,1841. Fuzzifikasi dengan MATLAB R2013a dapat dilakukan menggunakan
perintah smf. Script lengkap untuk fuzzifikasi dengan MATLAB R2013a dapat dilihat di lampiran 4. Hasil fuzzifikasi variabel input dan target data training dapat
dilihat pada lampiran 5 sedangkan untuk data testing pada lampiran 6.
4. Menentukan model jaringan terbaik
