1 1.1 Latar Belakang
Indonesia menganut ekonomi terbuka, jadi pertumbuhan ekonomi Indonesia dipengaruhi pertumbuhan ekonomi Internasional. Oleh karena itu, jika terjadi fluktuasi pada perekonomian dunia, maka perekonomian Indonesia juga akan terkena dampaknya. Indonesia pernah mengalami krisis finansial pada tahun 1998 dan 2008. Dimana krisis 1998 diakibatkan karena krisis finansial di Asia sedangkan krisis 2008 diakibatkan oleh terjadinya krisis keuangan global. Salah satu parameter yang menandakan terjadinya krisis finansial ini adalah melemahnya nilai tukar mata uang. Menurut data yang dikeluarkan oleh World Development Indicators penduduk miskin dan pengangguran di Indonesia pada tahun 1996 secara berurutan adalah 17,5 % dan 4,4 %, lalu meningkat pada tahun 1999 yaitu 23,4 % dan 6,3 %.
Sedangkan pertumbuhan Produk Domestik Bruto (PDB) Indonesia pada tahun 1998 menurun drastis yaitu -13,1 % dan tingkat inflasi mencapai 58,4 % pada tahun yang sama. Tingkat nilai pertumbuhan sektor industri pada tahun 1998 juga mengalami penurunan yaitu -14 %.
Akibat dari terjadinya krisis finansial, terutama dengan melemahnya nilai tukar mata uang, antara lain :
1. Menurunnya pertumbuhan ekonomi negara.
2. Penggelembungan hutang luar negeri terutama hutang dalam bentuk mata uang asing yang cenderung tidak dihedge dan berjangka pendek, sehingga banyak perusahaan yang bangkrut karena hutangnya nemingkat berkali-kali lipat.
3. Naiknya bahan-bahan import yang mengakibatkan terjadinya pemutusan hubungan kerja (PHK) pada industri yang menggantungkan bahan baku impor dan bahkan usaha kecil yang terpaksa gulung tikar.
4. Laju inflasi atau indeks harga konsumen (IHK) yang tinggi, sehingga menurunnya daya beli masyarakat khususnya yang berpendapatan rendah.
Oleh karena persoalan-persoalan di atas, jumlah pengangguran dan kemiskinan akan meningkat (Mahmudy, 1998) sehingga perlu suatu adanya deteksi dini terhadap krisis finansial di Indonesia. Dengan adanya deteksi dini ini, maka pemerintah dapat mengantisipasi krisis yang akan datang dengan mengeluarkan kebijakan-kebijakan ekonomi tertentu, agar dapat terhindar dari krisis atau memperkecil dampak dari krisis yang akan datang. Sistem deteksi dini prediksi krisis finansial telah banyak dikembangkan oleh banyak peneliti dengan berbagai metode. Sevim dkk (2014) mengelompokkan metode-metode tersebut menjadi 3 kelompok. Pertama, model regresi yang memprediksi krisis dengan leading indicator, sebagai contoh dari model ini adalah model probit dan logit. Kedua, signaling approach yang menggunakan indikator deteksi dini yang potensial.
Ketiga, machine learning application yang melakukan prediksi dengan melakukan pembelajaran dengan data time series, sebagai contoh adalah jaringan saraf tiruan, algoritma genetika, support vector machine dan lain-lain.
Pada penelitian yang dilakukan Zhang dkk (1999) untuk prediksi kebangkrutan dengan metode jaringan saraf tiruan menunjukan bahwa jaringan saraf tiruan secara signifikan lebih baik dari pada model logistic regression dalam memprediksi maupun mengklasifikasikan. Hal ini juga sejalan dengan penelitian Sevim dkk (2014) yang menunjukkan bahwa performa jaringan saraf tiruan lebih baik daripada model regresi dan decision tree dalam prediksi krisis. Oleh karena itu, dapat disimpulkan bahwa penggunaan metode machine learning dalam hal ini adalah metode jaringan saraf tiruan memiliki performa yang lebih baik dalam melakukan prediksi. Jaringan saraf tiruan mampu mengenali pola-pola sulit seperti data-data indikator makroekonomi sehingga dapat digunakan untuk prediksi.
Atakulreka dkk (2007) melakukan penelitian menggunakan simultaneous learning untuk menghindarkan jaringan saraf tiruan feedforward dari permasalahan local minima. Pada penelitian ini, ditunjukan bahwa jaringan saraf tiruan multilayer konvensional terjebak pada local minima disebabkan oleh 2 faktor yaitu metode pembelajaran dan struktur jaringan. Untuk mengatasi permasalahn tersebut terdapat dua pendekatan yaitu pendekatan probabilistik dan pendekatan deterministik. Huda dkk (2013) mengimplementasikan pendekatan probabilitas yaitu menentukan
inisial bobot terbaik sehingga mengurangi probabilitas untuk terjebak pada local minima. Huda dkk (2013) melakukan peramalan time-series saham dengan menggunakan metode gabungan antara jaringan saraf tiruan dengan algoritma genetika atau yang dikenal dengan metode hybrid. Genetic algorithm neural network (GANN) merupakan merode hybrid gabungan dari jaringan saraf tiruan dan algoritma genetika. GANN memiliki hasil performa yang lebih baik dalam peramalan daripada menggunakan masing-masing algoritma secara tunggal.
Penggabungan algoritma ini dilakukan untuk mempertahankan kelebihan dan menutupi kelemahan dari masing-masing algoritma. Jaringan saraf tiruan mampu mengenali pola yang sulit dari data time series namun memiliki kelemahan dalam menentukan bobot-bobotnya yaitu terjebak pada local minima dan untuk mencapai konvergen dibutuhan waktu yang lama. Untuk mengatasi hal tersebut, maka digunakannya algoritma genetika, karena algoritma genetika mampu memecahkan pencarian nilai dalam masalah optimasi.
Dengan melihat performa dari GANN yang telah terbukti lebih baik maka pada penelitian ini akan menggunakan metode GANN dimana algoritma genetika akan mencari bobot inisial terbaik yang akan digunakan pada proses jaringan saraf tiruan untuk mengembangkan sistem deteksi dini krisis finansial di Indonesia.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka rumusan masalah yang didapat adalah sebagai berikut :
1. Pemerintah maupun lembaga yang terkait perlu mengetahui kapan krisis mata uang akan terjadi untuk menghindari maupun memperkecil dampak dari krisis tersebut, sehingga dapat mengeluarkan kebijakan terkait krisis sebelum krisis terjadi. Oleh sebab itu, perlu adanya sistem deteksi dini krisis mata uang.
2. Banyakanya data dan variabel leading indicator makroekonomi untuk dikenali pola pergerakannya, maka perlu adanya suatu metode untuk mengenali pola- pola tersebut sehingga dapat digunakan untuk memprediksi krisis mata uang.
3. Metode multilayer perceptron konvensional memiliki kecenderungan untuk terjebak dalam local minima sehingga diperlukan metode algoritma genetika
untuk mengoptimalkan inisial bobot pada jaringan untuk memperkecil probabilitas terjebak pada local minima.
1.3 Batasan Masalah
Adapun batasan-batasan masalah dalam penelitian ini adalah :
1. Krisis finansial yang akan dideteksi dalam penelitian ini difokuskan pada krisis mata uang.
2. Jaringan saraf tiruan yang digunakan adalah multilayer perceptron.
3. Pendefinisian terjadinya menggunakan Financial Pressure Index (FPI).
4. Variabel yang digunakan dalam penelitian ini adalah 21 indikator makroekonomi yang diacu dari penelitian Lestano dkk (2003) dan penelitian Maulana (2014), dapat dilihat pada Tabel 4.2.
5. Periode waktu data yang digunakan adalah antara Januari 1995 – Desember 2015 yang digunakan untuk pengujian kinerja sistem. Data diuji sebanyak lima belas kali untuk menghasilkan prediksi sebanyak lima belas kali dengan periode waktu yang berbeda yang bertujuan untuk melihat pola sistem dalam memprediksi atau lima belas bulan sebelum terjadi krisis mata uang pada Oktober 2008. Periode data yang digunakan sebagai data pelatihan adalah Januari 1995 – Juli 2006 dengan periode data pengujian Agustus 2006 – Juli 2007 dan dilakukan lagi hingga data dengan periode pelatihan Januari 1995 – September 2007 dengan periode data pengujian Oktober 2007 – September 2008.
6. dan diakhiri dengan Juli 2006 – September 2007Periode data pada Januari 1995 – September 2007 digunakan untuk pelatihan sistem dan periode data Oktober 2006 hingga September 2008 digunakan untuk melihat pola sistem dalam memprediksi krisis pada Oktober 2008.
7. Parameter yang akan diuji pada penelitian ini adalah ukuran populasi, interval nilai gen pada kromosom yang dibangkitkan, jumlah neuron tersembunyi.
1.4 Tujuan Penelitian
Tujuan yang hendak dicapai dalam penelitian ini adalah merancang dan membuat sistem deteksi dini krisis finansial di Indonesia dengan menggunakan metode GANN.
1.5 Manfaat Penelitian
Hasil penelitian ini diharapkan memberikan manfaat sebagai berikut : 1. Membantu para pelaku pasar dalam memprediksi pergerakan mata uang di
Indonesia untuk menghindari kerugian dan mendapatkan keuntungan dari pasar valuta asing.
2. Membantu pemerintah dalam merancang Anggaran Pendapatan dan Belanja Negara (APBN) khususnya untuk kebijakan di bidang ekonomi.
3. Membantu Bank Indonesia dalam pengambilan keputusan dalam pempertimbangkan dan memperkirakan kebijakan-kebijakan moneter yang akan dilakukan
4. Membantu pemerintah dalam proses pengambilan kebijakan di bidang ekonomi.
1.6 Metode Penelitian
Metodologi yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Studi Literatur
Melakukan studi dari literatur-literatur yang mendukung penelitian. Literatur dapat berupa buku, paper, jurnal, website resmi, dll.
2. Pengumpulan dan Pengolahan Data
Mengumpulkan dan mengolah data-data yang diperlukan dalam penelitian, data yang dikumpulkan antara lain data terkait krisis mata uang dan variabel independen (leading indicator).
3. Analisis dan Perancangan
Dari hasil studi literatur kemudian dilakukan analisis mengenai metode algoritma genetika, jaringan saraf tiruan dan data set yang akan digunakan dalam pengujian maupun prediksi. Menganalisis permasalahan yang ada, untuk
memprediksi krisis finansial. Selanjutnya merancang semua kebutuhan penelitian sebelum diimplementasikan.
4. Implementasi
Mengimplementasikan rancangan yang telah dibuat ke dalam bahasa java beserta tampilannya dengan berbasis desktop, sehingga dihasilkanlah sebuah program sistem yang akan digunakan dalam proses pengujian.
5. Pengujian
Pada tahap pengujian ini hasil dari implementasi akan diuji kemampuannya dengan data set. Nilai Matthew Correlation Coefficient (MCC) akan menentukan kemampuan dari sistem untuk mengklasifikasikan atau memprediksi dataset. Percobaan pada sistem dilakukan dengan menggunakan data pelatihan, lalu dilakukan analisis pada sistem untuk mengetahui perbandingan performa antara GANN dengan multilayer perceptron serta pada parameter apa sajakah akan menghasilkan solusi terbaik untuk mencapai akurasi sensitifitas, maupun spesifisitas prediksi paling tinggi. Bobot akhir yang didapatkan dari proses pelatihan menggunakan GANN akan digunakan unuk melakukan prediksi krisis.
6. Penyusunan Laporan
Hasil dari penelitian dianalisis, kemudian didokumentasikan ke dalam bentuk laporan dan ditarik kesimpulan dari penelitian tersebut.
1.7 Sistematika Penulisan
Sistematika dalam penulisan tugas akhir ini akan terdiri dari 7 bab, dengan rincian masing-masing sebagai berikut :
1. BAB I PENDAHULUAN
Berisi mengenai latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
2. BAB II TINJAUAN PUSTAKA
Bab ini memuat pembahasan mengenai penelitian terdahulu yang digunakan sebagai bahan referensi dalam penulisan penelitian ini. Selain itu juga memuat
penjelasan yang membedakan penelitian ini dengan peneltian sejenis yang pernah ada sebelumnya.
3. BAB III LANDASAN TEORI
Berisi tentang teori yang berasal dari pustaka yang digunakan dalam penelitian ini seperti algoritma genetika dan jaringan saraf tiruan.
4. BAB IV ANALISIS DAN PERANCANGAN
Bab ini berisi analisis terhadap sistem yang akan dikembangkan, serta penjelasan mengenai perancangan sistem berdasarkan hasil analisis yang telah dilakukan.
5. BAB V IMPLEMENTASI
Pada bab ini akan dijelaskan hasil implementasi dari sistem yang telah dibangun berdasarkan perancangan yang telah dilakukan sebelumnya.
6. BAB VI PENGUJIAN
Berisi tentang pembahasan hasil penelitian dan pengujian. Hasil penelitian berupa eksperimen untuk menentukan parameter terbaik, untuk selanjutnya digunakan untuk melakukan proyeksi. Hasil proyeksi dari program dibandingkan dengan hasil proyeksi dari metode lainnya.
7. BAB VII KESIMPULAN DAN SARAN
Bab ini berisi mengenai kesimpulan dari penelitian yang telah dilakukan dan saran untuk pengembangan penelitian selanjutnya.
