ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Abstract
Kurs atau nilai tukar mata uang. Jenis kurs ada tiga macam, yaitu kurs jual, kurs beli, dan kurs tengah. Kurs dibutuhkan untuk menentukan sesuatu yang perlu dilakukan yang berkaitan dengan kurs itu misalnya keputusan investasi jangka pendek, keputusan penganggaran modal, keputusan pembiayaan jangka panjang, dan penilaian laba. Oleh karena itu, perlu dilakukan upaya untuk memprediksi besarnya kurs untuk beberapa waktu ke depan. Permasalahan yang dihadapi adalah cara untuk memprediksi besarnya kurs yang menghasilkan nilai prediksi dengan tingkat kesalahan yang minimal. Peramalan merupakan suatu proses untuk memprediksi kejadian ataupun perubahan di masa yang akan datang. Dalam suatu proses kegiatan, proses peramalan ini merupakan awal dari suatu rangkaian kegiatan, dan sebagai titik tolak kegiatan berikutnya. Pemodelan time series seringkali dikaitkan dengan proses peramalan (forecasting) suatu nilai karakteristik tertentu pada periode kedepan, melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem. Dengan mendeteksi pola dan kecenderungan data, 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.
Salah satu metode peramalan yang berkembang saat ini adalah menggunakan Artificial Neural Network (ANN), dimana ANN telah menjadi objek penelitian yang menarik dan banyak digunakan untuk menyelesaikan masalah pada beberapa bidang kehidupan, salah satu diantaranya adalah untuk analisis data time series pada masalah Forecasting (Loh, 2003). Salah satu jaringan yang sering digunakan untuk prediksi data time series adalah Backpropagation neuron network. Dalam penelitan ini akan dibahas mengenai penggunaan jaringan saraf tiruan backpropagation untuk memprediksi kurs jual Rupiah (Rp) per 1 dolar amerika (USD). Dalam penelitian ini akan dibagi sebanyak 70% dari data yang ada sebagai pelatihan dan 30% dari data sebagai data pengujian. Dan dalam penelitian ini digunakan data kurs bulan Oktober 2013-Januari 2014, yang diambil dari situs Bank Indonesia. Dalam proses penelitian diperoleh Learning rate yang digunakan untuk data harian adalah 0.5, proses epoch berhenti pada iterasi ke-27088 untuk data harian, dengan pencapaian gradient sebesar 0,0081822 dan nilai R untuk pelatihan data sebesar 0,99494 yang berarti sangat baik. Selanjutnya data di uji dan memperoleh R sebesar 0,48638 yang berarti masih dikatakan baik untuk mempediksi data uji. Beberapa hal yang mempengaruhi hasil penelitian juga seperti data histories yang digunakan untuk variable masukkan JST kurang banyak, data yang digunakan untuk memprediksi kurs tidak bisa mewakili sebagai faktor utama yang mempengaruhi nilai kurs, dan batas nilai kesalahan yang kurang kecil serta kesesuaian bobot dalam arsitektur jaringan.
Downloads
References
Kusumadewi, S, “Membangun Jaringan Syaraf Tiruan menggunakan Matlab & Excel linkâ€, Graha Ilmu, 2004
Maru'ao, “Neural Network Implementation in Foreign Exchange Kurs Prediction “, Gunadarma University, 2010.
Authors who publish with this Journal agree to the following terms:
- Author retain copyright and grant the journal right of first publication with the work simultaneously licensed under a creative commons attribution license that allow others to share the work within an acknowledgement of the work’s authorship and initial publication of this journal.
- Authors are able to enter into separate, additional contractual arrangement for the non-exclusive distribution of the journal’s published version of the work (e.g. acknowledgement of its initial publication in this journal).
- Authors are permitted and encouraged to post their work online (e.g. in institutional repositories or on their websites) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published works.