Prediksi Trend Foreign Exchange Euro Terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan Backpropagation

(1)

BACKPROPAGATION

SKRIPSI

DWIKY HERMAWAN

081402007

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014


(2)

BACKPROPAGATION

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat untuk mencapai gelar Sarjana Teknologi Informasi

Dwiky Hermawan 081402007

PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA MEDAN


(3)

Judul : PREDIKSI TREND FOREIGN EXCHANGE EURO

TERHADAP DOLLAR AMERIKA

MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Kategori : SKRIPSI

Nama : DWIKY HERMAWAN

Nomor Induk Mahasiswa : 081402007

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, Agustus 2014 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Sajadin Sembiring, S.Si., M.Comp.Sc M. Fadly Syahputra, B.Sc., M.Sc.IT

NIP - NIP 19830129 200912 1 003

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

Muhammad Anggia Muchtar ST., MM.IT NIP 19800110 200801 1 010


(4)

PREDIKSI TRENDFOREIGN EXCHANGE EURO TERHADAP DOLLAR AMERIKA MENGGUNAKAN JARINGAN SYARAF TIRUAN

BACKPROPAGATION

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Agustus 2014

Dwiky Hermawan 081402007


(5)

Segala puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada Bapak M. Fadly Syahputra, B.Sc, M.Sc.IT selaku pembimbing satu dan Bapak Sajadin Sembiring, S.Si, M.Comp.Sc selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Bapak Dedy Arisandi, ST, M.Kom dan Ibu Sarah Purnamawati, ST, M.Sc yang telah bersedia menjadi dosen pembanding. Penulis juga mengucapkan terimakasih kepada Ketua Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST. MM.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai Tata Usaha Ibu Delima, Bang Faisal Hamid dan pegawai Fakultas Program Studi S1 Teknologi Informasi.

Skripsi ini penulis persembahkan terutama untuk kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik moril maupun materil, ayahanda tercinta Heriyanto dan ibunda tersayang Tuti Maryani yang selalu sabar dalam mendidik dan membesarkan penulis. Untuk adik-adik penulis Aulia Pertiwi dan Fikri Fachrezi yang selalu memberikan dorongan kepada penulis, untuk Zulfa Suza, S.Si, Yoan Puspita Sari dan Fanindya Purnama Sari, S.TI yang selalu memberikan dukungan semangat dan doa untuk penulis. Terima kasih penulis ucapkan kepada teman-teman terutama teman terbaik penulis selama menjalani masa perkuliahan, Adinas Putra, Ahmad Fauzi Nursalam, S.TI, Muhammad Andika Syaputra, S.TI, Umi Hani, S.TI dan seluruh angkatan 2008, serta teman-teman mahasiswa Teknologi Informasi lainnya yang tidak dapat penulis sebutkan satu persatu. Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah.


(6)

Pergerakan nilai forex selalu berfluktuasi setiap detiknya, oleh karena itu diperlukan suatu pendekatan dalam memprediksi besarnya nilai forex dengan tingkat keakuratan maksimum. Salah satu jenis prediksi kuantitatif adalah prediksi data time series yakni suatu teknik prediksi yang dibangun menggunakan data runtun waktu pada periode terdahulu. Dalam skripsi ini digunakan metode backpropagation untuk memprediksi

trend pergerakan forex euro terhadap dollar Amerika berdasarkan data terdahulu.

Backpropagation merupakan bagian dari jaringan saraf tiruan dengan metode pembelajaran terawasi. Untuk mengubah bobot yang terhubung dengan neuron pada lapisan tersembunyi, algoritma ini menggunakan error keluaran untuk mengubah nilai bobotnya dalam arah mundur (backward) sedangkan untuk mendapatkan error, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner. Hasil prediksi trend backpropagation diukur dengan nilai MAPE (Mean Absolute Percentage Error). Sistem kemudian di uji dengan melakukan pembelajaran untuk hasil 5 hari kedepan, yaitu dari tanggal 1 Januari 2014 sampai dengan 5 Januari 2014. Dari hasil pembelajaran ini, diperoleh nilai error rata-rata sebesar 1.6555%.

Kata kunci : forex, prediksi, jaringan syaraf tiruan, fungsi aktivasi, time series,


(7)

AMERICAN DOLLAR (USD) USING NEURAL NETWORK BACKPROPAGATION

ABSTRACT

Foreign exchange rate movements always fluctuate every second, therefore we need an approach to predict the value of forex with maximum accuracy level. One type is the quantitative predictions predictive time series prediction is a technique that is built using time series data in the previous period. In this paper the back propagation method is used to predict the trend of the movement of forex euro to the dollar based on the data earlier. Backpropagation is part of a neural network with supervised learning methods. To change the weights connected to the neurons in the hidden layer, the algorithm uses the output error to change the value of its weight in the reverse direction (backward) while to get an error, advanced propagation phase (forward propagation) should be done first. When the forward propagation, neurons activated by using the binary sigmoid activation function. Backpropagation trend prediction results measured by the value of MAPE (Mean Absolute Percentage Error). Later in the test system by learning to results next 5 days, ie from January 1, 2014 through January 5, 2014 From the results of this study, obtained an average error rate of 1.6555%.

Keyword : foreign exchange, predict, neural network, activation function, time series,


(8)

Hal.

PERSETUJUAN ... ii

PERNYATAAN ... iii

UCAPAN TERIMA KASIH ... iv

ABSTRAK ... v

ABSTRACT ... vi

DAFTAR ISI ... vii

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah ... 3

1.4 Tujuan Penelitian ... 4

1.5 Manfaat Penelitian ... 4

1.6 Metodologi Penelitian ... 4

1.7 Sistematika Penulisan ... 6

BAB 2 LANDASAN TEORI ... 8

2.1 Artificial Intelligence (AI) ... 8

2.2 Jaringan Syaraf Tiruan ... 12

2.2.1 Arsitektur Jaringan Syaraf Tiruan ... 13

2.2.2 Proses Pembelajaran ... 16

2.2.3 Fungsi Aktivasi ... 17

2.2.4 Backpropagation ... 19

2.2.5 Normalisasi Data ... 19

2.2.6 Parameter Neural Network Backpropagation ... 20

2.3 Foreign Exchange (Forex) ... 23

2.3.1 Trading Forex ... 23

2.3.2 Teknik Forex ... 23

2.3.2.1 Analisis fundamental ... 23

2.3.2.2 Analisis teknikal ... 24

2.4 Teknik Peramalan (Forecasting) ... 24

2.5 Teknik Prediksi Terdahulu ... 27

BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 31

3.1 Identifikasi Masalah ... 31

3.2 Data yang Digunakan ... 31

3.3 Analisis Teknikal Prediksi Forex Menggunakan Backpropagation ... 33

3.4 Perancangan Sistem ... 38


(9)

3.4.3 Use Case Specification ... 40

3.4.4 Class Diagram ... 44

3.4.5 Activity Diagram ... 45

3.4.6 Model Entity-Relationship ... 49

3.4.7 Rancangan Menu Sistem ... 50

3.4.8 Perancangan Interface ... 50

3.4.8.1 Rancangan halaman home ... 51

3.4.8.2 Rancangan halaman data forex ... 52

3.4.8.3 Rancangan halaman grafik forex ... 53

3.4.8.4 Rancangan halaman analisis forex ... 54

3.4.8.5 Rancangan halaman pengaturan parameter... 55

3.4.8.6 Rancangan halaman tutorial aplikasi ... 56

3.4.8.7 Rancangan halaman about ... 57

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 58

4.1 Implementasi Sistem ... 58

4.1.1 Spesifikasi Software dan Hardware yang Digunakan ... 58

4.1.2 Implementasi Data ... 58

4.2 Pengujian Sistem ... 59

4.2.1 Rencana Pengujian Sistem ... 60

4.2.2 Kasus dan Hasil Pengujian Sistem ... 60

4.2.3 Implementasi Perancangan Antarmuka ... 64

4.2.4 Pengujian Kinerja Sistem ... 68

4.3 Hasil Pengujian ... 71

4.3.1 Data Pelatihan ... 71

4.3.2 Data Pengujian ... 74

BAB 5 KESIMPULAN DAN SARAN ... 77

5.1 Kesimpulan ... 77

5.2 Saran ... 78


(10)

Hal. Tabel 2.1 Kelompok Tugas dengan Konsep AI 10 Tabel 2.2 Perbandingan AI dengan Komputasi Konvensional 11

Tabel 2.3 Penelitian Sebelumnya 30

Tabel 3.1 Data Nilai Pergerakan Forex Euro Terhadap Dollar Amerika 32

Tabel 3.2 Use Case Spesification Home 41

Tabel 3.3 Use Case Spesification Data Forex 41 Tabel 3.4 Use Case Spesification Grafik Forex 42 Tabel 3.5 Use Case Spesification Pengaturan Parameter 42 Tabel 3.6 Use Case Spesification Analisis Forex 43 Tabel 3.7 Use Case Spesification Tutorial 43

Tabel 3.8 Use Case Spesification About 44

Tabel 4.1 Data Forex Euro Terhadap Dollar Amerika Tahun 2015 s/d 2013 59

Tabel 4.2 Rencana Pengujian Sistem 60

Tabel 4.3 Hasil Pengujian Sistem 60

Tabel 4.4 Data Forex Euro terhadap Dollar Amerika 68 Tabel 4.5 Hasil Pengujian Kinerja Sistem 69 Tabel 4.6 Rangkuman Hasil Pengujian Sistem Data Forex 70

Tabel 4.7 Parameter dan Hasil Training 71


(11)

Hal. Gambar 1.1 Kerangka Kerja Metodologi Penelitian 6 Gambar 2.1 Hubungan Computer Science dan Engineering Aplications 9 Gambar 2.2 Input-Output Model untuk AI 11

Gambar 2.3 Jaringan Layar Tunggal 13

Gambar 2.4 Model Neuron dengan Banyak Lapisan 15 Gambar 2.5 Model Neuron dengan Lapisan Kompetitif 16 Gambar 2.6 Fungsi Aktivasi Sigmoid Biner 18 Gambar 2.7 Fungsi Aktivasi Sigmoid Bipolar 18

Gambar 2.8 Fungsi Aktivasi Linear 19

Gambar 2.9 Pola Data Horizontal 26

Gambar 2.10 Pola Data Musiman 26

Gambar 2.11 Pola Data Siklis 26

Gambar 2.12 Pola Data Trend 27

Gambar 3.1 Chart Statistic Forex Euro Terhadap Dollar Amerika 2005-2013 33 Gambar 3.2 Flowchart Metode Backpropagation 34

Gambar 3.3 Arsitektur Mesin Prediksi 39

Gambar 3.4 Use Case Diagram Sistem 40

Gambar 3.5 Class Diagram Sistem 45

Gambar 3.6 Activity Diagram Home 45

Gambar 3.7 Activity Diagram Data Forex 46 Gambar 3.8 Activity Diagram Grafik Forex 47 Gambar 3.9 Activity Diagram Analisis Forex 47 Gambar 3.10 Activity Diagram Pengaturan Parameter 48

Gambar 3.11 Activity Diagram Tutorial 48

Gambar 3.12 Activity Diagram About 49

Gambar 3.13 Model E-R Peramalan Forex 49

Gambar 3.14 Struktur Menu Sistem 50

Gambar 3.15 Rancangan Halaman Home 51

Gambar 3.16 Rancangan Halaman Data Forex 52 Gambar 3.17 Rancangan Halaman Grafik Forex 53 Gambar 3.18 Rancangan Halaman Analisis Forex 54 Gambar 3.19 Rancangan Halaman Pengaturan Parameter 55 Gambar 3.20 Rancangan Halaman Tutorial 56

Gambar 3.21 Rancangan Halaman About 57

Gambar 4.1 Halaman Home 64

Gambar 4.2 Halaman Data Forex 65

Gambar 4.3 Halaman Grafik Forex 65

Gambar 4.4 Halaman Pengaturan Parameter 66

Gambar 4.5 Halaman Analisis Forex 67

Gambar 4.6 Halaman Tutorial 67

Gambar 4.7 Halaman About 68


(12)

Gambar 4.10 Grafik Hasil Testing 74


(13)

Pergerakan nilai forex selalu berfluktuasi setiap detiknya, oleh karena itu diperlukan suatu pendekatan dalam memprediksi besarnya nilai forex dengan tingkat keakuratan maksimum. Salah satu jenis prediksi kuantitatif adalah prediksi data time series yakni suatu teknik prediksi yang dibangun menggunakan data runtun waktu pada periode terdahulu. Dalam skripsi ini digunakan metode backpropagation untuk memprediksi

trend pergerakan forex euro terhadap dollar Amerika berdasarkan data terdahulu.

Backpropagation merupakan bagian dari jaringan saraf tiruan dengan metode pembelajaran terawasi. Untuk mengubah bobot yang terhubung dengan neuron pada lapisan tersembunyi, algoritma ini menggunakan error keluaran untuk mengubah nilai bobotnya dalam arah mundur (backward) sedangkan untuk mendapatkan error, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner. Hasil prediksi trend backpropagation diukur dengan nilai MAPE (Mean Absolute Percentage Error). Sistem kemudian di uji dengan melakukan pembelajaran untuk hasil 5 hari kedepan, yaitu dari tanggal 1 Januari 2014 sampai dengan 5 Januari 2014. Dari hasil pembelajaran ini, diperoleh nilai error rata-rata sebesar 1.6555%.

Kata kunci : forex, prediksi, jaringan syaraf tiruan, fungsi aktivasi, time series,


(14)

AMERICAN DOLLAR (USD) USING NEURAL NETWORK BACKPROPAGATION

ABSTRACT

Foreign exchange rate movements always fluctuate every second, therefore we need an approach to predict the value of forex with maximum accuracy level. One type is the quantitative predictions predictive time series prediction is a technique that is built using time series data in the previous period. In this paper the back propagation method is used to predict the trend of the movement of forex euro to the dollar based on the data earlier. Backpropagation is part of a neural network with supervised learning methods. To change the weights connected to the neurons in the hidden layer, the algorithm uses the output error to change the value of its weight in the reverse direction (backward) while to get an error, advanced propagation phase (forward propagation) should be done first. When the forward propagation, neurons activated by using the binary sigmoid activation function. Backpropagation trend prediction results measured by the value of MAPE (Mean Absolute Percentage Error). Later in the test system by learning to results next 5 days, ie from January 1, 2014 through January 5, 2014 From the results of this study, obtained an average error rate of 1.6555%.

Keyword : foreign exchange, predict, neural network, activation function, time series,


(15)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Investasi merupakan suatu rangkaian tindakan menanamkan sejumlah dana dengan tujuan mendapatkan nilai tambah berupa keuntungan dimasa yang akan datang. Dalam perkembangannya investasi memiliki berbagai macam jenis, salah satu investasi yang paling banyak diminati saat ini adalah foreign exchange atau disingkat dengan forex. Forex adalah pasar valuta asing yang merupakan kegiatan pembelian secara simultan satu mata uang dan menjual mata uang lainnya (Elshabrina, 2012). Biasanya mata uang yang di perdagangkan berpasang-pasangan melalui trader.

Kegiatan jual beli di pasar valas disebut juga dengan online trading. Online trading adalah suatu sistem jual beli valas berbasis komputer yang menggunakan pengetahuan fakta, analisis dan teknik penalaran informasi dan eksekusi yang cepat dari reaksi reflex elektronik (Maulana, 2012). Untuk melakukan trading seorang

trader harus mempunyai pengetahuan yang cukup, analisis yang baik, dan keputusan yang tepat serta keberanian berspekulasi agar dapat memperoleh hasil yang optimum karena pergerakan nilai valuta asing selalu berubah-ubah setiap saat.

Peramalan merupakan suatu proses untuk memprediksi kejadian ataupun perubahan dimasa yang akan datang. Pemodelan time series seringkali dikaitkan dengan proses peramalan suatu nilai dengan karakteristik tertentu pada periode kedepan, melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem. Dengan mendeteksi pola dan kecenderungan data time series, kemudian memformulasikannya dalam suatu model, maka dapat digunakan untuk memprediksi data yang akan datang. Model dengan akurasi yang tinggi akan menyebabkan nilai prediksi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan keputusan.


(16)

Prediksi berdasarkan data time series merupakan salah satu teknik prediksi kuantitatif yang menghimpun pengamatan yang dibangun secara berurutan dalam waktu tertentu, dapat berupa data harian, mingguan, bulanan dan tahunan (Halim, 2006). Prediksi data time series telah banyak dikembangkan belakangan ini seperti metode backpropagation, metode hybrid, jaringan syaraf tiruan, metode fuzzy dan algortima genetic. Penelitian mengenai prediksi yang sebelumnya pernah dilakukan adalah dengan menggunakan metode Autogressive Integrated Moving Average

(ARIMA) oleh Suprapto pada tahun 2005. Setiawan (2008) menggunakan Multilayer Feedforward Network dan Anwary (2011) menggunakan Fuzzy Time Series. Selain itu padaa tahun 2012 Yuliandar menggunakan Feedforward Neural Network dengan Algoritma Genetika.

Dalam tugas akhir ini, sistem prediksi dikembangkan dengan menggunakan metode jaringan syaraf tiruan backpropagation yang merupakan salah satu metode

softcomputing dan termasuk dalam sistem pembelajaran terawasi, biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot yang terhubung dengan neuron yang ada pada lapisan tersembunyi. Pada penelitian ini algoritma

backpropagation menggunakan error keluaran untuk mengubah nilai bobot dalam satu arah mundur (backward). Untuk mendapatkan error ini tahap perambatan maju

(forward) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner. Pada setiap lapisan data akan dilatih dan diuji, hasil pelatihan merupakan output peramalan. Metode

backpropagation sendiri telah digunakan dalam beberapa penelitian seperti perbandingan backpropagasi dengan metode ARIMA (Mahater, 2010) dan pengenalan sidik jari (Fanindia, 2013) dan penentuan kelulusan siding skripsi (Zeson, 2013).

1.2 Rumusan Masalah

Dalam melakukan online trading, trader harus memiliki pemahaman yang baik mengenai keadaan pasar dan pergerakan harga forex guna menghindari terjadinya transaksi yang memiliki resiko kerugian. Salah satu cara untuk menganalisis resiko tersebut adalah dengan menggunakan analisis teknikal yaitu memprediksi pola fluktuasi harga forex berdasarkan data market dimasa lalu. Oleh karena itu dibutuhkan


(17)

sebuah pendekatan untuk memprediksi trend harga forex berdasarkan data fluktuasi dimasa lalu sehingga menghasilkan suatu sistem prediksi forex.

1.3 Batasan Masalah

Ada beberapa batasan masalah dalam penelitian ini agar pembahasan lebih fokus dan sesuai dengan tujuan yang akan dicapai, antara lain :

1. Penentuan prediksi forex yang akan dibuat merupakan perkiraan End Of Day

(EOD) atau harga closing berdasarkan pada beberapa variabel data forex.

2. Penelitian ini tidak mempertimbangkan news di pasar forex yang mungkin dapat mempengaruhi hasil prediksi.

3. Data histori yang digunakan adalah data pergerakan valuta asing euro terhadap dollar Amerika dari tanggal 3 Januari 2005 s.d. 31 Desember 2013 yang meliputi tanggal dan waktu, harga pembukaan, harga tertinggi, harga terendah, harga penutupan dan volume. Data tersebut diperoleh dari website Forex Historical Data

(www.histdata.com).

4. Data yang digunakan dibagi menjadi dua yakni data pelatihan dan data pengujian.

5. Data pelatihan yang digunakan adalah data histori pergerakan valuta asing euro terhadap dollar Amerika dari tanggal 3 Januari 2005 s.d. 31 Desember 2010.

6. Data pengujian yang digunakan adalah data histori pergerakan valuta asing euro terhadap dollar Amerika dari tanggal 1 Januari 2011 s.d. 31 Desember 2013.


(18)

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat prediksi trend forex mata uang euro terhadap dollar Amerika berdasarkan data runtun waktu dimasa lalu dengan menggunakan metode backpropagation.

1.5 Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini adalah :

1. Mengetahui kemampuan metode backpropagation dalam memprediksi nilai mata uang euro terhadap dollar Amerika.

2. Menambah pemahaman penulis tentang penggunaan metode backpropagation

untuk memprediksi trend forex serta memberikan suatu referensi alternative mengenai prediksi trend forex.

3. Sebagai referensi untuk penelitian lain yang berhubungan dengan metode

backpropagation.

1.6 Metodologi Penelitian

Metodologi penelitian yang akan digunakan dalam penelitian ini adalah :

1. Studi Literatur

Pada tahapan ini akan dilakukan dengan membaca, mengamati dan mempelajari buku-buku referensi, jurnal ilmiah, browsing internet dan bacaan lainnya yang berhubungan.


(19)

2. Analisis Permasalahan

Pada tahapan ini akan dilakukan analisis dengan menggali informasi mengenai faktor-faktor yang mempengaruhi pergerakan kurs mata uang, informasi tentang forex dan metode Jaringan Saraf Tiruan Backpropagation.

3. Pengumpulan Data

Pada tahap ini akan dilakukan pengumpulan data-data pergerakan nilai forex terhadap satu pair mata uang selama setahun kebelakang yang kemudian nantinya akan diolah.

4. Perancangan Sistem

Pada tahap ini akan dilakukan perancangan antarmuka, pengekstrasian dan proses memformat data-data histori pergerakan forex sehingga bisa dipakai pada saat pengujian.

5. Pengujian Sistem

Pada tahap pengujian, data-data dari histori pergerakan forex yang telah dikumpulkan akan di input dan digunakan dalam proses pelatihan dan percobaan untuk mengetahui keakuratannya.

6. Dokumentasi dan Penyusunan Laporan


(20)

Kerangka kerja dalam metodologi penelitian ditunjukkan pada gambar 1.1 berikut :

Gambar 1.1 Kerangka Kerja Metodologi Penelitian

1.7 Sistematika Penulisan

Sistematika penulisan dari penelitian ini disusun dalam lima bagian bab utama, yaitu :

Bab 1 : Pendahuluan

Pada bab ini dijelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan dan objektif penelitian, manfaat penelitian, metodologi penelitian serta sistematika penulisan.


(21)

Bab 2 : Landasan Teori

Pada bab ini akan dijelaskan tentang hal-hal yang berkaitan dengan penyusunan penulisan tugas akhir yang di berasal dari jurnal, buku, maupun browsing internet.

Bab 3 : Analisis dan Perancangan Sistem

Pada bab ini akan dijelaskan bagaimana analisis sistem yang sedang berjalan, mulai dari analisis masalah, analisis market, analisis input, analisis kebutuhan non fungsional, analisis kebutuhan fungsional, pembuatan diagram alur sistem, perancangan arsitektur data flow, pemodelan sistem serta perancangan antar muka.

Bab 4 : Implementasi dan Pengujian Sistem

Pada bab ini menjelaskan tentang bagaimana implementasi dari sistem dilakukan dan juga dilakukan pengujian apakah sistem yang dibangun sama seperti yang diharapkan.

Bab 5 : Kesimpulan dan Saran

Pada bab ini berisi kesimpulan berdasarkan hasil dari pengujian sistem serta saran untuk proses pengembangan sistem selanjutnya.


(22)

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode backpropagation untuk prediksi trend forex euro terhadap dollar Amerika.

2.1 Artificial Intelligence (AI)

Kecerdasan buatan atau artificial intelligen (AI) merupakan salah satu bagian ilmu komputer yang membuat agar mesin dapat melakukan pekerjaan sebaik yang dilakukan manusia (Muis, 2009). Agar mesin dapat bertindak seperti dan sebaik manusia, maka mesin harus dibekali dengan pengetahuan dan mempunyai kemampuan untuk nalar. Untuk mencapai maksud ini, maka pada AI diberi beberapa metode yang bisa membekali baik dari segi pengalaman/pengetahuan maupun penalaran/akal agar komputer dapat menjadi mesin yang pintar. Pengertian AI juga dapat dilihat dari berbagai sudut pandang, yaitu :

1. Kecerdasan

Kecerdasan buatan akan membuat mesin menjadi cerdas dan dapat berbuat seperti yang dilakukan manusia.

2. Peneliti

Kecerdasan buatan adalah bidang studi bagaimana membuat komputer atau mesin dapat melakukan sesuatu sebaik yang dikerjakan manusia.

3. Bisnis

Kecerdasan buatan adalah kumpulan peralatan yang sangat metodologis dalam menyelesaikan masalah-masalah bisnis.


(23)

4. Pemrograman

Kecerdasan buatan meliputi studi tentang pemrograman simbolik, penyelesaian masalah dan pencarian.

Charniack (1985) mendefinisikan pengetian AI ditinjau dari dua pendekatan :

1. Pendekatan ilmiah (A scientific approach)

Pendekatan dasar ilmiah timbul sebelum invansi ke komputer, ini tidak sama dengan kasus mesin uap. Pendekatan ilmiah melihat batas sementara dari komputer dan dapat diatasi dengan perkembangan teknologi lanjutan.

2. Pendekatan teknik (An engineering approach)

Usaha untuk menghindari definisi AI, tetapi ingin mengatasi atau memecahkan persoalan-persoalan dunia nyata (real world problem).

Gambar 2.1 Hubungan Antara Pengembangan Computer Science dan Engineering Aplications (Clive, 1991)


(24)

Pekerjaan atau tugas yang dapat diselesaikan dengan konsep-konsep AI dapat dikelompokkan menjadi 3 pekerjaan/tugas seperti yang terlihat pada tabel 2.1

Tabel 2.1 Kelompok Tugas dengan Konsep AI

No. Tugas/Pekerjaan Konsep AI

1. Tugas biasa (Mundune task)

1. Persepsi : a. Vision

b. Speech

2. Natural language : a. Understanding

b. Generation

c. Translation

3. Commonsence reasoning : a. Robot control

Computer vision

Natural Language Processing (NLP) NLP

NLP NLP NLP 2. Tugas formil (Formal task)

1. Games : a. Chess

2. Mathematics : a. Checkers

b. Geometri

c. Logic

d. Proving properties of programs Machine learning Logic/Fuzzy logic/Uncertainly Logic/Fuzzy logic/Uncertainly Logic/Fuzzy logic/Uncertainly Logic/Fuzzy logic/Uncertainly

3. Tugas ahli (Expert task)

1. Teknik : a. Design

2. Scientific analysis : a. Fault diagnosis

3. Medical : a. Planning

b. Diagnosis theraphy

Expert system and Neural network Expert system and Neural network Planning with AI

Expert system and Neural network

Komputasi antara AI berbeda dengan komputasi konvensional, dalam AI digunakan teknik pemrograman dengan cara menyatakan data, pemrosesan data dan penyelesaian masalah secara simbolik dari pada secara numerik (Siswanto, 2010). Tabel 2.2 menunjukkan perbandingan antara AI dan komputasi konvensional.


(25)

Tabel 2.2 Perbandingan AI dengan Komputasi Konvensional No. Dimensi Artificial Intelligence Pemrograman

Konvensional 1. Pemrosesan Simbolik Algoritmik 2. Sifat input Biasa tidak lengkap Harus lengkap

3. Pencarian Kebanyakan heuristic Didasarkan algoritmik 4. Keterangan Disediakan Biasanya tidak disediakan 5. Fokus Pengetahuan Data dan informasi 6. Struktur Kontrol terpisah dari

pengetahuan

Kontrol terintegrasi dengan informasi

7. Sifat output Kuantitatif Kualitatif 8. Pemeliharaan Relatif mudah Sulit

9. Keamanan menalar Ya Tidak

Kemampuan belajar yang menjadi ciri utama AI memungkinkan teknik ini mampu untuk melakukan inferensi secara berbeda sesuai dengan perbedaan lingkungan dan kondisi yang dihadapi. Di dalam bidang aplikasi sistem AI biasanya meliputi sistem pakar, pengolahan bahasa alami, pengenalan ucapan, robotika dan sensor, computer vision (pengenalan pola gambar), intelligent computer aided instruction, game playing dan lain sebagainya. Gambar 2.2 merupakan contoh suatu

input-output model untuk AI yang di representasikan oleh Kamran (1988).


(26)

2.2 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan atau disebut juga dengan neural network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Siang (2005) menjelaskan bahwa sejarah jaringan syaraf tiruan pertama kali diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah system

neural akan meningkatkan kemampuan komputasinya. Bobot jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold.

Selanjutnya pada tahun 1958, Rosenbalt memperkenalkan dan mulai mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang disebut dengan perceptron. Metode pelatihan diperkenalkan untuk mangoptimalkan hasil iterasinya. Kemudian Widrow dan Hoff (1960) mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atau sering disebut kuadrat rata-rata terkecil) aturan ini mengubah bobot perceptron

apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan.

Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layer tunggal (single layer). Rumelhart (1986) mengembangkan perceptron menjadi

backpropagation, yang memungkinkan jaringan diproses melalului beberapa layer. Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh Kohonen (1972), Hopfield (1982) dan lain-lain.

Menurut Siang (2005) jaringan syaraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa :

a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau


(27)

d. Untuk menentukan output setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlah input yang diterima. Besarnya

output ini selanjutnya dibandingkan dengan suatu batas ambang.

2.2.1 Arsitektur Jaringan Syaraf Tiruan

Di dalam jaringan syaraf tiruan, neuron-neuron dikelompokkan 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 aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama.

Menurut Kusumadewi (2010) pada dasarnya terdapat tiga macam arsitektur dalam jaringan syaraf antara lain :

1. Jaringan dengan lapisan tunggal (single layer)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Ciri-ciri arsitektur ini hanya terdiri atas satu lapisan masukkan dan satu lapisan keluaran tanpa adanya lapisan tersembunyi, seperti gambar 2.3

Gambar 2.3 Jaringan Layar Tunggal (Kusumadewi, 2010)

Pada gambar 2.3 diperlihatkan bahwa arsitektur jaringan layar tunggal dengan

n buah masukan ( , ,….., ) yang masing-masing memiliki bobot , , …, dengan rumus :


(28)

_

(2.1) Kemudian fungsi aktivasi F akan mengaktivasi y_in menjadi keluaran jaringan

y. Untuk jaringan syaraf dengan jumlah neuron pada lapisan keluaran sebanyak m

buah maka proses pengolahan data pada neuron adalah :

_ ∑ ; j=1,…,m

(2.2) Dengan adalah bobot yang menghubungkan masukkan ke-i menuju neuron

ke-j. Namun terkadang jaringan syaraf tiruan tidak mampu mengakomodasi informasi yang ada melalui data-data masukan maupun bobot-bobotnya. Untuk itu biasanya ditambahkan bias yang senantiasa bernilai 1. Pengaruh bias terhadap neuron

ditunjukkan dengan bobot bias (b). Apabila jaringan syaraf dilengkapi dengan bias, maka proses komputasi pada neuron menjadi :

∑ + b

(2.3) Jaringan syaraf dengan jumlah neuron pada lapisan keluaran sebanyak m buah maka proses pengolahan data pada neuron ke-j adalah :

_ ∑ + ; j=1,…,m

(2.4) adalah bobot yang menghubungkan masukkan ke-i menuju ke neuron ke-j

dan adalah bobot bias yang menuju ke neuron ke-j.

2. Jaringan dengan banyak lapisan (multi layer)

Arsitektur tipe ini memiliki satu atau lebih lapisan yang terletak di antara lapisan masukkan dan lapisan keluaran, juga memiliki satu atau lebih lapisan tersembunyi. Umumnya ada lapisan bobot-bobot yang terletak antara dua lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal dan tentu


(29)

saja dengan pembelajaran yang lebih rumit juga. Gambar 2.4 merupakan salah satu contoh model neuron dengan banyak lapisan dan hanya memiliki satu lapisan tersembunyi. adalah bobot-bobot yang menghubungkan antara neuron-neuron

pada lapisan tersembunyi dengan lapisan keluaran. z_ adalah hasil pengolahan data pada lapisan tersembunyi dengan fungsi aktivasi F1 untuk menghasilkan (j=1,…,k);

_

(2.5)

= 1 ( )

(2.6) Sedangkan y_ adalah hasil pengolahan data pada lapisan keluaran dengan fungsi aktivasi F2 untuk menghasilkan keluaran jaringan.

; ( = 1, … , )

(2.7)

=

(2.8)

= 2( _ )

(2.9)


(30)

3. Jaringan Syaraf dengan Lapisan Kompetitif

Arsitektur tipe ini tampak pada gambar 2.5 dimana memiliki pengaturan bobot yang telah ditetapkan dan tidak memiliki proses pelatihan. Digunakan untuk mengetahui neuron pemenang dari sejumlah neuron yang ada. Nilai bobot untuk diri sendiri dari setiap neuron adalah 1, dan neuron lain adalah bobot acak negative dengan bobot –ƞ.

Gambar 2.5 Model Neuron dengan Lapisan Kompetitif (Kusumadewi, 2010)

Dalam penelitian ini arsitektur jaringan yang digunakan terdiri dari lapisan

input sejumlah 5 neuron, lapisan tersembunyi sejumlah n neuron, (n = 10,11,12,…,20), lapisan output terdiri dari 1 neuron yaitu harga penutupan (close)

forex euro esok hari. Misalkan lapisan input sejumlah 5 neuron, lapisan tersembunyi sejumlah 10 neuron dan lapisan output terdiri dari 1 neuron maka arsitektur jaringan tersebut adalah 5-10-1. Gambar 2.6 menunjukkan arsitektur jaringan untuk peramalan forex euro terhadap dollar Amerika menggunakan 1 lapisan input, 1 lapisan tersembunyi dan 1 lapisan output.

2.2.2 Proses Pembelajaran

Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaringan syaraf, sehingga diperoleh bobot-bobot akhir yang tepat sesuai dengan pola yang dilatih. Selama proses pembelajaran akan terjadi perbaikan bobot-bobot berdasarkan agoritma tertentu. Nilai bobot-bobot akan bertambah jika informasi yang diberikan oleh neuron bersangkutan tersampaikan, sebaliknya jika informasi tidak tersampaikan maka bobot akan dikurangi.

Pada dasarnya ada dua metode proses pembelajaran, yaitu pembelajaran terawasi dan pembelajaran tidak terawasi.


(31)

1. Pembelajaran Terawasi

Metode pembelajaran terawasi bila keluaran yang diharapkan telah diketahui sebelumnya. Misalkan dimiliki jaringan syaraf untuk mengenali pasangan pola dengan operasi AND, pada proses pembelajaran satu pola masukkan akan diberikan ke satu neuron pada lapisan masukkan. Pola dirambatkan disepanjang jaringan syaraf sampai dengan neuron pada lapisan keluaran. Lapisan keluaran ini akan membangkitkan pola keluaran yang nantinya akan dicocokkan dengan pola keluaran targetnya. Apabila terjadi perbedaan antara pola keluaran hasil pembelajaran dengan pola target maka terjadi error, apabila nilai error masih cukup besar mengindikasikan masih perlu dilakukan pembelajaran lagi.

2. Pembelajaran Tidak Terawasi

Metode ini tidak memerlukan target keluaran karena tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Saat proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai keluaran yang diberikan, apabila nilai error masih cukup besar mengindikasikan masih diperlukan proses pembelajaran.

2.2.3 Fungsi Aktivasi

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

1. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih menggunakan metode

backpropagation. Fungsi sigmoid biner memiliki nilai antara 0 sampai 1. Karena itu fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampa 1. Fungsi sigmoid biner dirumuskan sebagai berikut :

= !( ) =1 + #1$%&

(2.10)

!( ) = '!( )[1 − !( )]


(32)

Gambar 2.6 Fungsi Aktivasi Sigmoid Biner (Kusumadewi, 2010)

2. Fungsi Sigmoid Bipolar

Fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saja keluaran dari fungsi ini antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan seperti berikut ini :

= !( ) =1 + #1 − #$%&$&

(2.12)

!( ) = '

2 [1 + !( )][1 − !( )]

(2.13)

Gambar 2.7 Fungsi Aktivasi Sigmoid Bipolar (Kusumadewi, 2010)

3. Fungsi Linear (Identitas)

Fungsi linear ini memiliki keluaran yang sama dengan nilai masukannya, fungsi


(33)

=

(2.14)

Gambar 2.8 Fungsi Aktivasi Linear (Kusumadewi, 2010)

2.2.4 Backpropagation

Algoritma backpropagation merupakan bagian dari algoritma pembelajaran terawasi yang biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma ini menggunakan error keluaran untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi

sigmoid biner.

2.2.5 Normalisasi Data

Normalisasi data berfungsi untuk membuat data yang akan diproses berada pada

range tertentu sehingga dalam pemrosesan nantinya angka yang diolah tidak terlalu besar agar mempercepat proses perhitungan. Pada penelitian ini data pelatihan akan di normalisasi dalam range 0,1 sampai 0,9. Adapun rumus untuk melakukan normalisasi data pada range 0,1 sampai 0,9 menurut Siang (2005) adalah sebagai berikut :

=0,8( − -)− - + 0,1

(2.15) dimana : y = nilai normalisasi

x = nilai data forex

a = nilai minimum data forex


(34)

Setelah data masukan yang telah dinormalisasi diproses dan didapatkan hasil prediksi maka hasil prediksi akan didernomalisasi kembali dengan menggunakan persamaan berikut :

=( − 0,1)( − -) + 0,8-0,8

(2.16) dimana : y = nilai hasil prediksi

x = nilai hasil denormalisasi

a = nilai minimum data forex

b = nilai maximum data forex

2.2.6 Parameter Neural Network Backpropagation

Backpropagation neural network memiliki beberapa parameter didalam metodenya. Parameter-parameter tersebut digunakan sebagai batas kesalahan dalam melakukan pembelajaran, batas minimum dari sebuah fungsi aktivasi dan kontrol ukuran pada sebuah bobot. Parameter yang digunakan pada backpropagation neural network

adalah sebagai berikut :

1. Maximum epoch

Epoch merupakan perulangan atau iterasi dari proses yang dilakukan untuk mencapai target yang telah ditentukan. Maksimum epoch adalah jumlah epoch

maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan dihentikan apabila nilai melebihi maksimum epoch.

2. Learning rate

Learning rate merupakan laju pembelajaran yang berupa perkalian negative dari gradient untuk menentukan perubahan pada nilai bobot dan bias. Semakin besar nilai learning rate akan berimplikasi pada semakin besarnya langkah pembelajaran. Jika learning rate di set terlalu besar maka algoritma akan menjadi tidak stabil. Sebaliknya jika di set terlalu kecil maka algoritma akan mencapai target dalam jangka waktu yang lama.


(35)

3. Momentum

Pada standart backpropagation perubahan bobot didasarkan atas gradient yang terjadi untuk pola yang dimasukkan pada saat itu. Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok yang diakibatkan oleh adanya data yang sangat berbeda dengan yang lain. Variabel momentum dapat meningkatkan waktu pelatihan dan stabilitas dari proses pelatihan. Berikut merupakan rumus momentum :

∆/ = 0 ∗ 2 ∗ 0

(2.17) dimana : 0 = learning rate yang bernilai 0.25 atau 0.5

0 = nilai dari neuron ke i

Perubahan bobot dilakukan dengan cara menambahkan bobot yang lama dengan ∆/. Akan tetapi bobot pada iterasi sebelumnya memberikan pengaruh besar terhadap performa jaringan syaraf. Oleh karena itu perlu ditambahkan dengan bobot yang lama dikalikan momentum, menjadi :

∆/ = 0 ∗ 2 ∗ 0 + 3 ∗ ∆/′

(2.18) dimana : 3 = momentum faktor yang bernilai 0 dan 1

∆/′ = bobot pada iterasi sebelumnya

Teknik momentum tidak menutup kemungkinan dari konvergensi pada lokal minimum, akan tetapi penggunaan teknik ini dapat membantu untuk keluar dari lokal minima.

4. Perhitungan error

Perhitungan error bertujuan untuk mengukur keakurasian jaringan dalam mengenali pola yang diberikan. Ada tiga macam perhitungan error yang digunakan, yaitu :


(36)

a. Mean Square Error (MSE)

MSE merupakan error rata-rata kuadrat dari selisih antara output jaringan dengan

output target. Tujuannya adalah memperoleh nilai error sekecil-kecilnya secara iterative dengan mengganti nilai bobot yang terhubung pada semua neuron dalam jaringan. Untuk mengetahui seberapa banyak bobot yang diganti, setiap iterasi memerlukan perhitungan error yang berasosiasi dengan setiap neuron pada output

dan hidden layer. Rumus perhitungan MSE adalah sebagai berikut :

567 =81 : (9 − )

(2.19) dimana : 9 = nilai output target

= nilai output jaringan N = jumlah output dari neuron

b. Mean Absolute Error (MAE)

MAE merupakan perhitungan error hasil absolute dari selisih antara nilai hasil sistem dengan nilai aktual. Rumus perhitungan MAE adalah sebagai berikut :

5;7 =81 : |9 − |

(2.20) c. Mean Absolute Percentage Error (MAPE)

MAPE hampir sama dengan MAE hanya saja hasilnya dinyatakan dalam persentase. Rumus perhitungan MAPE adalah sebagai berikut :

5;=7 = 81 : |9 − |∗ 100%


(37)

2.3 Foreign Exchange (Forex)

Foreign exchange (forex) merupakan pasar perdagangan valuta asing atau transaksi mata uang asing yang memperdagangkan mata uang suatu negara terhadap mata uang negara lainnya yang melibatkan pasar-pasar uang utama di seluruh dunia dan dilakukan secara berkesinambungan. Elshabrina (2012) mendefinisikan forex sebagai kegiatan pembelian secara simultan satu mata uang dan menjual mata uang lainnya, biasanya mata uang yang diperdagangkan berpasang-pasangan melalui trader.

2.3.1 Trading Forex

Kegiatan jual beli di pasar perdagangan valuta asing biasanya disebut dengan online trading. Online trading adalah suatu sistem jual beli valuta asing berbasis komputer yang menggunakan pengetahuan fakta, analisis dan teknik penalaran informasi dan eksekusi yang cepat dari reaksi reflex elektronik (Maulana, 2012).

Untuk melakukan trading seorang trader harus mempunyai pengetahuan yang cukup, analisis yang baik, dan keputusan yang tepat serta keberanian berspekulasi agar dapat memperoleh hasil yang optimum karena pergerakan nilai valas selalu berubah-ubah setiap saat.

2.3.2 Teknik Forex

Untuk berhasil dalam melakukan transaksi forex maka seorang trader harus memiliki teknik tertentu yang bisa mendukung kelancaran transaksi agar sesuai dengan tujuan dan harapan, teknik adalah sesuatu yang dibutuhkan karena memegang peranan yang sangat penting. Tak jarang keberhasilan seorang trader karena didukung oleh penguasaan teknik yang baik. Menurut Agus Kretarto (2001) pada umumnya terdapat dua pendekatan yang dipakai untuk menganalisis pergerakan forex, yaitu analisis fundamental dan analisis teknikal.

2.3.2.1 Analisis fundamental

Kondisi fundamental suatu negara dapat menumbulkan berbagai macam ekspektasi bagi para pelaku pasar uang. Reaksi para pelaku pasar atas fundamental suatu negara bisa jadi berpengaruh terhadap pelemahan atau penguatan mata uang suatu negara. Untuk memperoleh data fundamental seorang trader biasanya menggunakan informasi


(38)

yang disediakan oleh beberapa media. Media biasanya menambahkan beberapa ulasan-ulasan dan perkiraan pergerakan harga karena pengaruh indikasi tersebut.

Analisis fundamental adalah suatu studi yang berkaitan dengan faktor-faktor yang mempengaruhi perekonomian suatu negara. Melalui metode akan dilakukan prediksi terhadap pergerakan harga dan kecenderungan pasar dengan menganalisa indikator-indikator ekonomi, kebijakan pemerintah, dan faktor lain yang berpengaruh terhadap fundamental perekonomian. Dengan kata lain, analisis fundamental mempelajari the causes of market movements.

2.3.2.2 Analisis teknikal

Analisis teknikal merupakan suatu metode pendekatan yang didasarkan pada grafik pergerakan harga untuk memprediksi kenaikan ataupun penurunan harga yang terus bergerak dari waktu ke waktu. Data-data mengenai pergerakan harga kemudian dicatat dan dituangkan kedalam grafik. Para analis teknikal percaya bahwa data pergerakan harga cendrung mengulangi pola di masa lalu sebagai proyeksi harga yang akan terjadi. Sementara faktor-faktor yang menyebabkan perubahan permintaan dan penawaran seperti faktor lingkungan usaha (ekonomi, politik dan stabilitas keamanan nasional), maupun kinerja perusahaan kurang diperhatikan oleh analisis teknikal.

Analisis teknikal disebut juga dengan chartist karena teknik ini menggunakan grafik-grafik dan diagram untuk memprediksi kinerja valuta asing. Grafik dan saham itu dimaksudkan untuk memprediksi kinerja forex.

2.4 Teknik Peramalan (Forecasting)

Peramalan atau forecast merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan, penggunaan produk, dan permintaan pasar sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat (Gaspersz, 2001). Tujuan dari peramalan adalah untuk menentukan jumlah permintaan pada masa yang akan datang. Dengan kata lain, peramalan merupakan estimasi terhadap permintaan yang akan datang berdasarkan pada beberapa variable peramalan, baik berdasarkan data formal maupun informal.


(39)

Dalam peramalan dikenal istilah prakiraan dan prediksi. Prakiraan adalah sebagai proses peramalan suatu variabel (kejadian) dimasa yang akan datang berdasarkan data variabel itu pada masa sebelumnya. Prediksi adalah proses peramalan suatu variabel dimasa datang dengan lebih mendasarkan pada pertimbangan intuisi daripada data masa lampau meskipun lebih menekankan pada intuisi, dalam prediksi harga juga sering digunakan data kuantitatif sebagai pelengkap informasi dalam melakukan peramalan (Herjanto, 2006).

Heizer (2005) mengelompokkan peramalan menurut sumber peramalannya sebagai berikut :

1. Model Data Times Series

Model data time series adalah suatu jenis peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Tujuannya adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola dalam deret data tersebut ke pola data masa depan.

2. Model Data Casual

Model data casual adalah model peramalan yang menggunakan hubungan sebab-akibat sebagai asumsi yaitu bahwa yang terjadi di masa lalu akan terulang pada masa ini.

3. Model Data Judgemental

Model judgemental mencakup untuk memasukkan faktor-faktor kualitatif/subjektif ke dalam metode peramalan yang secara khusus berguna bilamana faktor-faktor subjektif yang diharapkan menjadi sangat penting dan data kuantitatif yang akurat sudah diperoleh.

Menurut Aryanto (2012) terdapat beberapa kecendrungan pada jenis pola data runtun waktu, yakni :


(40)

1. Pola Data Horizontal

Pola data horizontal terjadi jika nilai berfluktuasi di sekitar nilai rata-rata yang konstan. Deret seperti ini stationer terhadap nilai rata-ratanya. Grafik pola horizontal dapat dilihat pada gambar 2.10

Gambar 2.9 Pola Data Horizontal 2. Pola Data Musiman

Pola data musiman terjadi jika suatu deret dipengaruhi oleh faktor musiman. Penjualan dari produk makanan, minuman dan elektronik termasuk dalam pola data ini. Grafik pola data musiman dapat dilihat pada gambar 2.11

Gambar 2.10 Pola Data Musiman

3. Pola Data Siklis

Pola data siklis terjadi jika data tersebut dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti data yang berhubungan dengan siklus bisnis. Grafik pola data siklis dapat dilihat pada gambar 2.12

Gambar 2.11 Pola Data Siklis Y

Data ke

Y

Data ke

Y


(41)

4. Pola Data Trend

Pola data trend terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang dalam data, seperti data penjualan pada perusahan dan produk bruto nasional (GNP). Grafik pola data trend dapat dilihat pada gambar 2.13

Gambar 2.12 Pola Data Trend

2.5 Teknik Prediksi Terdahulu

Penelitian mengenai prediksi harga saham telah banyak dilakukan dengan berbagai macam metode dan algoritma untuk mendapatkan hasil prediksi yang akurat.

Suprapto (2005) mengusulkan metode ARIMA (auto regressive integrated moving average) untuk melakukan prediksi nilai kurs. Adapun langkah-langkah metode ARIMA yang dilakukan oleh Suprapto sebagai berikut :

1. Melakukan pemeriksaan kestasioneran data dengan menggunakan ADF (augmented dickey-fuller).

2. Melakukan proses differencing (pembedaan) apabila data tidak stasioner.

3. Melakukan penentuan nilai derajat autoregressive (AR), tingkat proses

differencing, dan derajat moving average (MA) dalam ARIMA.

4. Melakukan estimasi parameter metode ARIMA, lalu melakukan prediksi.

5. Menghitung tingkat error dengan mengunakan MAD (mean absolute deviation), MSE (mean squared error), dan MPE (mean percentage error).

Setiawan (2008) melakukan penelitian mengenai prediksi harga saham menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan

Algoritma Backpropagation. Langkah-langkah yang dilakukan oleh Setiawan dalam penelitiannya adalah sebagai berikut :

Y


(42)

1. Inisialisasi nilai bobot dan bias yang dapat diatur dengan sembarang angka (acak) antara -0.5 dan 0.5, dan inisialisasi learning rate, maksimal iterasi dan toleransi

error.

2. Lakukan iterasi selama stopping condition masih belum terpenuhi. Untuk menentukan stopping condition. Jika iterasi sudah melebihi maksimal iterasi maka pelatihan dihentikan. Jika menggunakan toleransi error dengan metode MAPE, bila nilai MAPE kurang dari atau sama dengan toleransi error maka pelatihan dihentikan.

3. Setiap unitinput menerima sinyal input dan menyebarkannya pada seluruh hidden unit.

4. Setiap hidden unit akan menghitung sinyal-sinyal input dengan bobot dan nilai

bias. Hasil perhitunan tersebut kemudian akan diproses dengan menggunakan fungsi aktivasi yang telah ditentukan sebelumnya sehingga diperoleh sinyal output

dari hidden unit tersebut.

5. Setiap unit output akan menghitung sinyal-sinyal dari hidden unit dengan bobot dan nilai bias. Kemudian dengan menggunakan fungsi aktivasi yang telah ditentukan diperoleh sinyal output dari unitoutput tersebut.

6. Hitung kesalahan antara target output dengan output hasil menggunakan metode

Mean Absolute Persentage Error. Jika masih belum memenuhi syarat, dilakukan penghitungan faktor koreksi error (δk).

7. Setiap hiddenunit akan menghitung bobot yang dikirimkan output unit. Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan faktor koreksi error.

8. Setiap unit output akan memperbaharui bobotnya dari setiap hidden unit. Demikian pula setiap hidden unit akan memperbaharui bobotnya dari setiap unit input.


(43)

Pada tahun 2011 Anwary melakukan penelitian mengenai prediksi nilai kurs dengan menggunakan fuzzy time series. Adapun langkah-langkah dari fuzzy time series (Anwary, 2011) adalah:

1. Menentukan himpunan semesta (universe of discourse) dan membaginya ke dalam

interval yang panjangnya sama.

2. Mendefenisikan himpunan fuzzy pada himpunan semesta. 3. Melakukan fuzzifikasi pada data historis.

4. Memilih w (orde) yang paling sesuai dan menghitung operasi fuzzy. 5. Melakukan defuzzifikasi ouput yang diprediksi.

Pada tahun 2012 Yuliandar melakukan penelitian mengenai prediksi nilai kurs dengan menggunakan metode feed forward neural network dengan algortima genetika, adapun langkah-langkah dari feed forward neural network dengan algortima genetika (Yuliandar, 2012) adalah:

1. Menginisialisasi populasi sebagai ruang sousi yang berisi kromosom-kromosom. 2. Setiap kromosom merepresentasikan beberapa gen dimana ketika didekodekan

akan menghasilkan bobot atau parameter jaringan.

3. Kromosom-kromosom tersebut akan dievaluasi dengan menggunakan fungsi objektif tertentu untuk mendapatkan nilai fitness.

4. Generasi baru diperoleh dengan menyeleksi kromosom menggunakan metode seleksi tertentu serta menggunakan operator genetika.

5. Setelah melalui beberapa generasi yang ditentukan, maka algoritma genetika akan konvergen ke kromosom terbaik dan diperoleh solusi berupa nilai bobot atau parameter yang optimum.


(44)

Adapun beberapa penelitian sebelumnya yang telah dilakukan untuk memprediksi harga saham berdasarkan data histori dapat dilihat pada tabel 2.1

Tabel 2.3 Penelitian Sebelumnya No Peneliti Tahun Teknik yang

Digunakan Kelemahan 1. Suprapto 2005 Autoregressive

Integrated Moving Average

(ARIMA)

Digunakan untuk data jangka pendek, prosedur yang dilakukan berulang-ulang untuk

menghasilkan

prediksi yang terbaik, dan apabila ada data baru maka parameter ARIMA harus diestimasi ulang dan model dapat berubah total.

2. Setiawan 2008 Multilayer Feedforward Network Teknik yang digunakan terbatas pada jumlah iterasinya. 3. Anwary 2011 Fuzzy Time

Series

Hubungan fuzzy tidak dapat diselesaikan sehingga hubungan

fuzzy tidak bisa mencakup semua nilai dalam domain 4. Yuliandar 2012 Feed Forward

Neural Network

dengan Algoritma Genetika


(45)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini secara garis besar membahas tentang analisis metode backpropagation

pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.

3.1 Identifikasi Masalah

Forex merupakan suatu jenis transaksi perdagangan mata uang asing yang memperdagangkan mata uang suatu negara dengan negara lainnya yang melibatkan pasar-pasar uang utama di dunia dan dilakukan secara berkesinambungan (Elshabrina, 2012). Semua transaksi baik pembelian atau penjualan dilakukan secara online

melalui trader. Sebelum mengambil keputusan menjual atau membeli biasanya

trader membutuhkan informasi mengenai analisis fluktuasi harga mata uang sebuah negara dikarenakan pergerakan nilai mata uang yang terus-menerus berubah setiap detiknya.

Untuk mempermudah dalam memprediksi pergerakan nilai mata uang berdasarkan runtun waktu data di masa lampau diperlukan suatu sistem yang dapat memprediksi pergerakan trend mata uang euro terhadap dollar Amerika dengan metode tertentu.

3.2 Data yang Digunakan

Data yang digunakan dalam penelitian ini adalah data nilai pergerakan forex euro terhadap dollar Amerika yang bersumber dari website Forex Historical Data


(46)

(www.histdata.com) dari tanggal 3 Januari 2005 s.d. 31 Desember 2013 sebanyak 2339 data seperti yang dirangkum pada tabel 3.1.

Tabel 3.1. Data Nilai Pergerakan Forex Euro Terhadap Dollar Amerika Tanggal Pembukaan Tertinggi Terendah Penutupan 3 Januari 2005 1.3344 1.3395 1.325 1.335 4 Januari 2005 1.3351 1.3433 1.3292 1.331 5 Januari 2005 1.331 1.3325 1.3126 1.3149 6 Januari 2005 1.315 1.317 1.2983 1.3002 7 Januari 2005 1.3002 1.3021 1.2904 1.2906 10 Januari 2005 1.2894 1.2964 1.2874 1.2945 11 Januari 2005 1.2946 1.2992 1.2905 1.2973 12 Januari 2005 1.2974 1.3144 1.2962 1.3128 13 Januari 2005 1.3128 1.3383 1.3089 1.3348 14 Januari 2005 1.3348 1.3456 1.3314 1.3388 17 Januari 2005 1.337 1.3382 1.3245 1.3276 18 Januari 2005 1.328 1.3464 1.3253 1.3385 19 Januari 2005 1.3385 1.3537 1.3368 1.3456 20 Januari 2005 1.3456 1.3522 1.3396 1.3464 …

24 Desember 2013 1.3695 1.3699 1.3655 1.3679 26 Desember 2013 1.3685 1.3702 1.368 1.3689 27 Desember 2013 1.3695 1.3699 1.3655 1.3679 30 Desember 2013 1.3759 1.3819 1.3729 1.3794 31 Desember 2013 1.3794 1.3812 1.376 1.3769

Dari tabel 3.1. dapat dilihat bahwa data nilai pergerakan forex euro terhadap dollar Amerika dari tanggal 3 Januari 2005 s.d 31 Desember 2013 merupakan data time series dari waktu ke waktu dimana nilai pergerakan forex naik dan turun sesuai


(47)

dengan pola trend yang dibentuk pasar forex. Untuk pemodelan chart statistic dapat dilihat pada gambar 3.1.

Gambar 3.1 Chart Statistic Forex Euro Terhadap Dollar Amerika 2005 s/d 2013

Kemudian data akan dikelompokkan menjadi data pelatihan (training) dan data pengujian (testing). Data training yang digunakan adalah data histori harian pergerakan harga forexeuro terhadap dollar Amerika dari tanggal 3 Januari 2005 s.d. 31 Desember 2010. Sedangkan untuk data testing yang akan digunakan adalah data histori pergerakan forex euro terhadap dollar Amerika dari tanggal 1 Januari 2011 s.d. 31 Desember 2013.

3.3 Analisis Teknikal Prediksi Forex Menggunakan Backpropagation

Sistem prediksi trend forex menggunakan metode backpropagation berdasarkan runtun waktu data dimasa lalu dapat digunakan untuk melakukan analisis teknikal forex. Sistem akan menerima lima variable input yakni harga pembuka, harga tertinggi, harga terendah, harga penutupan dan volume. Data-data tersebut akan dinormalisasi dan diklasifikasi yang kemudian akan diproses dengan menggunakan

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 20000 40000 60000 80000 100000 120000 140000 160000 180000 200000 2 0 0 5 .0 1 .0 3 2 0 0 5 .0 6 .0 1 2 0 0 5 .1 0 .2 8 2 0 0 6 .0 3 .2 8 2 0 0 6 .0 8 .2 4 2 0 0 7 .0 1 .2 3 2 0 0 7 .0 6 .2 1 2 0 0 7 .1 1 .1 9 2 0 0 8 .0 4 .1 8 2 0 0 8 .0 9 .1 6 2 0 0 9 .0 2 .1 6 2 0 0 9 .0 7 .1 5 2 0 0 9 .1 2 .1 1 2 0 1 0 .0 5 .1 3 2 0 1 0 .1 0 .1 1 2 0 1 1 .0 3 .0 9 2 0 1 1 .0 8 .0 5 2 0 1 2 .0 1 .0 3 2 0 1 2 .0 5 .3 1 2 0 1 2 .1 0 .2 9 2 0 1 3 .0 3 .2 8 2 0 1 3 .0 8 .2 6 Volume Open High Low Close


(48)

metode backpropagation hingga diperoleh hasil prediksi. Adapun gambaran algoritma dari metode backpropagation dapat dilihat pada gambar 3.2


(49)

Pelatihan backpropagation dilakukan melalui langkah-langkah berikut ini :

1. Langkah ke-0 : Inisialisasi bobot;

2. Langkah ke-1 :

Selama kondisi berhenti bernilai salah, kerjakan langkah 2-9;

3. Langkah ke-2 :

Untuk setiap data training dilakukan langkah 3-8;

Umpan maju (feedforward)

4. Langkah ke-3 :

Setiap unit input (? , = 1, … , ) menerima sinyal input dan menyebarkan sinyal tersebut keseluruh unit tersembunyi.

5. Langkah ke-4 :

Pada setiap unit tersembunyi ( , @ = 1, … , A), menjumlahkan sinyal-sinyal input

yang sudah berbobot (termasuk biasnya)

= B +

(2.22) lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi aktivasi yang telah ditentukan :

= !( )

(2.23) sinyal output ini selanjutnya dikirim ke seluruh unit pada unit atas (unit output).

6. Langkah ke-5 :


(50)

= E +

(2.24) lalu menghitung sinyal output dari unit output bersangkutan menggunakan fungsi aktivasi yang telah ditentukan

= !( )

(2.25) sinyal output ini selanjutnya dikirim ke seluruh unit pada output.

Umpan mundur/Propagasi error (backpropagation of error)

7. Langkah ke-6 :

Setiap unit output (C , = 1, … , D) menerima suatu pola target yang sesuai dengan pola input pelatihan, untuk menghitung kesalahan (error) antara target dengan output yang dihasilkan jaringan

2 = (9 − )!F( _ )

(2.26) faktor 2 digunakan untuk menghitung koreksi error (∆ ) yang nantinya akan dipakai untuk memprediksi dimana

∆ = 32

(2.27) selain itu juga dihitung koreksi bias ∆ E yang nantinya akan dipakai untuk memperbaiki E dimana

∆ E = 32

(2.28) faktor 2 kemudian dikirimkan ke lapisan yang berada pada langkah ke-7.


(51)

8. Langkah ke-7

Setiap unit tersembunyi ( , @ = 1, … , A) menerima input delta (dari langkah ke-6) yang sudah berbobot

2 = 2

G

(2.29) Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghitung informasi kesalahan error 2 dimana

2 = 2_ !F( _ )

(2.30) Kemudian hitunglah koreksi bobot untuk memperbaiki

∆ = 32

(2.31) Setelah itu hitung koreksi bias (digunakan untuk memperbaiki E )

∆ E = 32

(2.32)

Update bobot dan bias (adjustment)

9. Langkah ke-8 :

Setiap unit output C , = 1, … , D) memperbaiki bobot dan bias dari setiap unit tersembunyi (@ = 0, … , A)

( -HI) = (J-D-) + ∆

(2.33) Demikian pula untuk setiap unit tersembunyi KL , @ = 1, … , AM akan memperbaharui bobot dan bias dari setiap unit input( = 0, … , )


(52)

( -HI) = (J-D-) + ∆

(2.34)

10.Langkah ke-9 :

Tes kondisi berhenti apabila error ditemukan. Jika kondisi stop telah terpenuhi maka pelatihan jaringan dapat dihentikan. Untuk memeriksa kondisi stop, biasanya digunakan kriteria MSE (Mean Square Error) berikut ini :

567 = 0.5 ∗ {(9 − ) + (9 − ) + (9 G− G) }

(2.35)

3.4 Perancangan Sistem

Perancangan sistem merupakan tahapan perancangan data dan perancangan antarmuka sistem yang akan diimplementasikan pada penelitian ini. Perancangan yang dilakukan menggunakan beberapa digram dari Unified Modeling Language (UML) yaitu diagram alir system, use case diagram, activity diagram dan class diagram.

3.4.1 Rancangan Umum Sistem

Dalam penelitian ini, metode backpropagation digunakan untuk menghasilkan prediksi trend forex kepada pengguna. Bentuk sistem prediksi yang dibangun menggunakan arsitektur client-server. Pada sisi client aplikasi antarmuka digunakan pengguna untuk melihat, menambah, menghapus dan memprediksi. Sedangkan pada sisi server dilakukan pengolahan data yang tersimpan dalam database sistem.


(53)

Gambar 3.3 Arsitektur Mesin Prediksi

Dari gambar 3.3 dapat dilihat proses pengguna membuka aplikasi (1) untuk melakukan pengolahan data (2) seperti memasukkan, menghapus dan melihat data forex serta mengatur parameter kemudian disimpan kedalam database (3) dan ditampilkan ke pengguna melalui interface pengolahan data (2). Setelah pengolahan data terpenuhi, pengguna dapat melakukan training atau pelatihan (4) dengan metode

backpropagation (5). Hasil training disimpan ke database (6) dan ditampilkan ke pengguna melalui interface (4). Setelah melakukan training, pengguna dapat melakukan testing atau pengujian (7) dengan metode backpropagaton (8), sistem akan me-load hasil training (9) untuk melakukan testing. Data hasil testing disimpan ke database (6) dan hasilnya ditampilkan ke pengguna melalui interface (7). Semua hasil proses (pengolahan data, training dan testing) ditampilkan oleh sistem ke pengguna (1) melalui interface yang terkait.


(54)

3.4.2 Use Case Diagram

Use case merupakan deskripsi fungsi sebuah sistem dari deskripsi pengguna. Use case

dari sistem prediksi forex dapat dilihat pada gambar 3.4

Gambar 3.4 Use Case Diagram Sistem

Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user

dengan sistem yang dibangun melalui kronologi bagaimana sistem tersebut digunakan oleh user. Pada sebuah use case user biasanya disebut dengan actor. Urutan langkah-langkah yang menerangkan antara user dengan sistem disebut dengan scenario dan setiap scenario mendeskripsikan urutan kejadian. Use case sendiri dapat terdiri dari beberapa scenario (Munawar, 2005).

Use case yang dibangun dalam sistem peramalan ini hanya memiliki satu aktor yaitu General User (pengguna biasa). Use Case ini juga terdiri dari 7 buah scenario, yakni Home, Data Forex, Grafik Forex, Pengaturan Parameter, Analisis Forex, Tutorial Aplikasi dan About. General user dapat mengakses seluruh scenario yang ada dalam sistem.

3.4.3 Use Case Specification

Sebuah use case specification menggambarkan masing-masing scenario dari use case

sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk


(55)

Tabel 3.2 Use Case Specification Home

Tipe Use Case Penjelasan

Nama use case Home

Aktor User

Deskripsi Use case ini berguna sebagai tampilan awal aplikasi peramalan

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user Basic flow - Aktor memilih menu home

- Use case ini berakhir ketika sistem telah selesai menampilkan tutorial aplikasi

Alternative flow -

Post condition Pada use case ini aktor dapat melihat home Limitations -

Scenario use case Data Forex dapat dilihat pada tabel 3.3

Tabel 3.3 Use Case Spesification Data Forex

Tipe Use Case Penjelasan

Nama use case Data Forex

Aktor User

Deskripsi Use case ini digunakan oleh user untuk membuat, mengedit, menghapus dan menampilkan data forex

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user Basic flow - User memilih menu data forex

- Sistem menampilkan data forex

- User dapat mencari data forex yang ada di database

- User dapat menambah, mengedit dan menghapus data forex

- Use case ini berakhir ketika sistem telah selesai menampilkan semua data forex

Alternative flow -

Post condition Pada use case ini user dapat melakukan pencarian, menambah, mengedit dan menghapus data forex


(56)

Scenario use case Grafik Forex dapat dilihat pada tabel 3.4

Tabel 3.4 Use Case Spesification Grafik Forex

Tipe Use Case Penjelasan

Nama use case Grafik Forex

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melihat grafik pergerakan data forex

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user Basic flow - Aktor memilih menu data forex

- Sistem menampilkan data forex

- Aktor memilih waktu dan tanggal kemudian menekan tombol tampilkan untuk menampilkan data forex - Use case ini berakhir ketika sistem telah selesai

menampilkan semua data forex

Alternative flow -

Post condition Pada use case ini aktor dapat melihat data forex

Limitations -

Scenario use case Pengaturan Parameter dapat dilihat pada tabel 3.5

Tabel 3.5 Use Case Spesification Pengaturan Parameter

Tipe Use Case Penjelasan

Nama use case Pengaturan Parameter

Aktor User

Deskripsi Use case ini digunakan oleh user untuk mengatur dan mengisi parameter peramalan forex

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user

Basic flow - Aktor memilih menu pengaturan parameter - Sistem menampilkan parameter prediksi - Aktor mengisi parameter sesuai kebutuhan - Use case ini berakhir ketika sistem telah selesai

menampilkan semua data parameter

Alternative flow -

Post condition Pada use case ini user dapat mengisi parameter peramalan forex


(57)

Scenario use case Analisis Forex dapat dilihat pada tabel 3.6

Tabel 3.6 Use Case Spesification Analisis Forex

Tipe Use Case Penjelasan

Nama use case Analisis Forex

Aktor User

Deskripsi Use case ini digunakan oleh user untuk meramalkan forex

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user Basic flow - Aktor memilih menu analisis forex

- Sistem menampilkan analisis forex

- Aktor memilih waktu dan tanggal forex untuk di analisis

- Aktor menekan tombol prediksi untuk menampilkan hasil prediksi

- Use case ini berakhir ketika sistem telah selesai menampilkan semua data analisis forex

Alternative flow -

Post condition Pada use case ini aktor dapat melakukan peramalan harga forex

Limitations -

Scenario use case Tutorial Aplikasi dapat dilihat pada tabel 3.7

Tabel 3.7 Use Case Spesification Tutorial

Tipe Use Case Penjelasan

Nama use case Turorial Aplikasi

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melihat tutorial aplikasi

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user Basic flow - Aktor memilih menu tutorial aplikasi

- Sistem menampilkan tutorial aplikasi

- Use case ini berakhir ketika sistem telah selesai menampilkan tutorial aplikasi

Alternative flow -

Post condition Pada use case ini aktor dapat melihat tutorial aplikasi


(58)

Scenario use case about dapat dilihat pada tabel 3.8

Tabel 3.8 Use Case Spesification About

Tipe Use Case Penjelasan

Nama use case About

Aktor User

Deskripsi Use case ini berguna sebagai informasi tentang aplikasi peramalan forex

Pre condition -

Characteristic of activation

Eksekusi dapat dilakukan oleh user

Basic flow - Aktor memilih menu about

- Sistem menampilkan halaman about

- Use case ini berakhir ketika sistem telah selesai menampilkan tutorial aplikasi

Alternative flow -

Post condition Pada use case ini aktor dapat melihat about Limitations -

3.4.4 Class Diagram

Class diagram mendeskripsikan jenis-jenis objek dalam sistem dan berbagai macam hubungan statis yang terdapat diantara mereka. Class diagram juga menunjukkan property dan operasi sebuah class serta batasan-batasan yang terdapat dalam hubungan objek tersebut (Fowler, 2004). Sebuah class diagram dapat terdiri dari beberapa class yang dilambangkan dengan sebuah kotak, sebuah class berisi nama, atribut, dan operasi yang terdapat pada class tersebut. Antara satu class dengan class

lainnya dihubungkan dengan relasi yang menujukkan bagaimana class-class tersebut terhubung. Class diagram dari sistem peramalan forex yang dibangun dapat dilihat pada gambar 3.5


(59)

Gambar 3.5 Class Diagram Sistem Prediksi

3.4.5 Activity Diagram

Activity diagram digunakan untuk mendeskripsikan logika procedural, proses bisnis dan aliran kerja dalam suatu sistem (Munawar, 2005). Berikut ini adalah activity diagram yang terdapat pada sistem peramalan forex yang dibangun.

1. Activity Diagram Home

Pada activity diagram home, sistem akan menampilkan tampilan awal aplikasi.

Activity diagram home dapat dilihat pada gambar 3.6


(60)

2. Activity Diagram Data Forex

Pada activity diagram data forex, pengguna dapat melakukan input data forex kemudian sistem akan menyimpan hasil input kedalam database. Selain itu pengguna dapat mengedit dan menghapus data yang sudah di input. Pada menu ini pengguna juga dapat mencari dan menampilkan data forex yang sudah di input. Sistem akan memproses aktivitas yang telah dilakukan oleh pengguna kemudian menampilkannya sesuai dengan aktivitas yang dilakukan. Activity diagram data forex dapat dilihat pada gambar 3.7

Gambar 3.7 Activity Diagram Data Forex

3. Activity Diagram Grafik Forex

Pada activity diagram grafik forex, pengguna dapat melihat dan menampilkan grafik pergerakan harga forex sesuai dengan waktu dan tanggal yang diinginkan. Grafik pergerakan harga forex yang ditampilkan terdiri dari harga pembukaan, harga penutupan, harga tertinggi, harga terendah dan volume. Data yang ada pada grafik forex bergantung dari banyaknya data yang di input pengguna kedalam database.


(1)

Setelah hasil dari pengujian terhadap data yang berada didalam database didapat, maka tahap selanjutnya dilakukan pengujian hasil proses pembelajaran dari metode backpropagation. Pengujian dari pembelajaran metode backpropagation dilakukan dengan memasukkan data dari tanggal 1 Desember 2013 sampai dengan 5 Januari 2014, ini berarti sistem akan melakukan pembelajaran untuk hasil 5 hari kedepan, yaitu dari tanggal 1 Januari 2014 sampai dengan 5 Januari 2014. Dari hasil pembelajaran ini, diperoleh nilai error rata-rata sebesar 1.6555% ditunjukkan pada tabel 4.8

Tabel 4.8 Hasil Pembelajaran Tanggal Hasil Prediksi Error

02/12/2013 03/12/2013 04/12/2013 05/12/2013 06/12/2013 09/12/2013 10/12/2013 11/12/2013 12/12/2013 13/12/2013 16/12/2013 17/12/2013 18/12/2013 19/12/2013 20/12/2013 23/12/2013 24/12/2013 26/12/2013 27/12/2013 30/12/2013 31/12/2013 01/01/2014 02/01/2014 03/01/2014 04/01/2014 05/01/2014 1.3906 1.3158 1.1729 1.2028 1.2942 1.2784 1.3875 1.1352 1.2684 1.2439 1.2192 1.0824 1.2104 1.1594 1.2092 1.1798 1.1505 1.0636 1.3266 1.1518 1.4826 1.4646 1.451 1.4403 1.4318 1.4247 0.0199340 0.0179090 0.0377400 0.0401020 0.0290520 0.0338470 0.0062370 0.0373570 0.0362910 0.0394100 0.0418510 0.0262840 0.0400080 0.0380890 0.0399180 0.0402620 0.0376430 0.0206520 0.0207970 0.0397940 0.0756290 0.0596760 0.0484910 0.0402060 0.0339420 0.0289220


(2)

76

Gambar 4.11 menunjukkan grafik hasil pembelajaran dari tanggal 1 Desember 2013 sampai dengan 5 Januari 2014.


(3)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pengujian sistem prediksi trend forex euro terhadap dollar Amerika dengan menggunakan jaringan saraf tiruan backpropagation, maka dapat diperoleh beberapa kesimpulan yaitu:

1. Metode backpropagation dapat melakukan peramalan, akan tetapi besar atau kecilnya error yang dihasilkan dipengaruhi oleh beberapa hal seperti banyaknya jumlah data dan pengaturan parameter untuk besarnya nilai learning rate serta momentum.

2. Dari hasil training didapat error terkecil sebesar 4.1237% dengan menggunakan data forex euro terhadap dollar Amerika dari tanggal 3 Januari 2005 sampai dengan 31 Desember 2010 dengan nilai parameter max epoch 1000, learning rate 0.1 dan momentum 0.1.

3. Hasil testing dengan menggunakan data forex euro terhadap dollar Amerika dari tanggal 1 Januari 2011 sampai dengan 31 Desember 2013 dengan nilai parameter peramalan max epoch 1000, learning rate 0.1 dan momentum 0.1 menghasilkan error rata-rata sebesar 3.7366%.

4. Hasil pembelajaran dengan menggunakan data forex euro terhadap dollar Amerika dari tanggal 1 Desember 2013 sampai dengan 5 Januari 2014 yang berarti sistem melakukan pembelajaran data untuk lima hari kedepan menghasilkan error rata-rata sebesar 1.6555%.


(4)

78

5.2 Saran

Sistem prediksi trend forex dengan menggunakan jaringan syaraf tiruan backpropagation ini masih mempunyai kelemahan yang perlu dikembangkan lagi, misalnya saja nilai error yang dianggap masih terlalu besar antara harga aktual dengan harga hasil peramalan. Selain itu untuk kedepanya sistem prediksi trend forex dapat dikembangkan untuk lebih dari satu pasang mata uang saja. Kemudian hal lain yang dapat dikembangkan untuk sistem prediksi selanjutnya dengan menggunakan jaringan syaraf tiruan backpropagation adalah dengan melakukan penambahan jumlah layer pada hidden node yang dibuat dinamis sehingga memungkinkan sistem menghasilkan peramalan dengan hasil yang lebih akurat.


(5)

DAFTAR PUSTAKA

Anwary, Ahmad Amiruddin. 2011. Prediksi Kurs Rupiah Terhadap Dollar Amerika Menggunakan Metode Fuzzy Time Series. Skripsi. Semarang, Indonesia: Universitas Diponegoro.

Aryanto, Rudi. 2012. Perbaikan Sistem Persediaan Bahan Baku Produk D-Box Pada PT. Homa Sejahtera. Skripsi. Jakarta, Indonesia: Universitas Binus.

Charniack., Eugene., and Mc. Demmot, Drew. 1985. Introduction to Artificial Intelligent. Addition Wesley.

Clive, L. Dym., and Raymond, E. Levitt. 1991. Knowledge Based System in Engineering. Singapore : Mc. Graw-Hill

Elshabrina. 2012. Forex Trading For Smart Trader. Jakarta : Cemerlang Publishing. Fanindia. 2013. Jaringan Syaraf Tiruan Propagasi Balik Tiga Faktor Dalam

Pengenalan Sidik Jari. Skripsi. Medan, Indonesia : Universitas Sumatera Utara.

Fowler, M. 2004. UML Distilled Panduan Singkat Bahasa Pemodelan Objek Standar. Edisi 3. Yogyakarta : Andi Publisher.

Gaspersz, Vincent. 2001. Production Planning and Inventory Control. Jakarta: Gramedia Pustaka Utama.

Gea, Diyurman. 2011. Analisa Pengujian Optimalisasi Kinerja Website. Seminar Nasional Aplikasi Teknologi Informasi, pp. 55-59.

Halim, Siana. 2006. Time Series Analysis. Diktat. Surabaya, Indonesia : Universitas Petra Christian.

Heizer., Jay., and Barry Rander. 2005. Operations Management: Manajemen Operasi. Jakarta: Salemba Empat.

Herjanto, Eddy. 2006. Manajemen Operasi Edisi Ketiga. Jakarta: Grasindo. Kadir, Abdul. 2009. Dasar Perancangan dan Implementasi Database

Relasional. Yogyakarta : Andi.

Kamran, Parsaye., and Mark, Chignell. 1988. Expert System for Experts. England : Jhon Wiley & Sons Inc.


(6)

80

Kretarto, Agus. 2001. Investor Relation : Pemasaran dan Komunikasi Keuangan Perusahaan Berbasis Kepatuhan. Jakarta : Grafiti Persada.

Kusumadewi, Sri dan Hartati, Sri. 2010. Neuro-Fuzzy Intergrasi Sistem Fuzzy dan Jaringan Syaraf Edisi 2. Yogyakarta : Graha Ilmu.

Mahater, Muhammad. 2010. Perbandingan Jaringan Syaraf Tiruan Backpropagation dan Metode ARIMA (Box-Jenkins) Sebagai Metode Peramalan Kurs Rupiah Terhadap Dollar Amerika Serikat. Skripsi. Medan, Indonesia : Universitas Sumatera Utara.

Maulana, L. M. 2012. Sistem Expert Advisor Otomatis Bagi Investor Dalam Online Trading. Skripsi. Bandung : Universitas Komputer Indonesia.

Muis, Saludin. 2009. Identifikasi Pola Sinyal dengan Menggunakan Teknik Neural Networks. Yogyakarta : Graha Ilmu.

Munawar. 2005. Pemodelan Visual dengan UML. Yogyakarta: Graha Ilmu.

Noertjahyana, Agustinus dan Yulia. 2002. Studi Analisa Pelatihan Jaringan Syaraf Tiruan Dengan dan Tanpa Algoritma Genetika. Jurnal Informatika Petra Chrestian University: 13-18.

Siang, J. J. 2005. Jaringan Syaraf Tiruan & Pemerograman Menggunakan Matlab. Yogyakarta: ANDI Publisher.

Setiawan, W. 2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network Dengan Algoritma Backpropagation. Konferensi Nasional Sistem dan Informatika Bali, pp. 108-113.

Siswanto. 2010. Kecerdasan Tiruan. Yogyakarta : Graha Ilmu.

Suprapto, Adi Teguh. 2005. Peramalan Kurs Rupiah Terhadap Dollar Amerika dengan Menggunakan Model Arima. Tesis. Semarang, Indonesia: Universitas Diponegoro.

Yuliandar., David., Budi Warsito., dan Hasbi Yasin. 2012. Pelatihan Feed forward Neural Network Menggunakan Algoritma Genetika Dengan Metode Seleksi Turnamen Untuk Data Time Series. Jurnal Gaussian: 65-72.

Zekson, A. Matondang. 2013. Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Jurnal Peita Informatika Budi Darma : 84-93.