JARINGAN SYARAF TIRUAN DENGAN METODE
QUICKPROPAGATION
Oleh :
GANDHI NOVANTO PRABOWO
0534010038
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
Segala puji bagi Allah SWT atas limpahan rahmat, karunia serta hidayah-Nya sehingga penyusun dapat menyelesaikan kegiatan dan penulisan laporan Tugas Akhir
( TA ) dengan judul “Sistem Prediksi Kurs Mata Uang Menggunakan Jaringan
Syaraf Tiruan Dengan Metode Quickpropagation”.
Skripsi ini disusun dan diajukan sebagai salah satu syarat untuk menyelesaikan
program Strata Satu (S1) pada program studi Sistem Informasi, Jurusan Teknik
Informatika, Fakultas Teknologi Industri, Universitas Pembangunan Nasional
“Veteran” Jawa Timur Surabaya.
Melalui Skripsi ini penyusun merasa mendapatkan kesempatan emas untuk
memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkuliahan,
terutama berkenaan tentang penerapan jaringan syaraf tiruan. Namun, penyusun
menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu penyusun
sangat mengharapkan saran dan kritik dari para pembaca untuk pengembangan
aplikasi lebih lanjut.
Surabaya, Juni 2010
Penyusun menyadari bahwasanya dalam menyelesaikan Skripsi ini telah mendapat banyak bantuan dan dukungan dari berbagai pihak, untuk itu pada kesempatan yang berharga ini, penyusun mengucapkan terima kasih kepada :
1. Bapak Ir.Sutiyono, MT selaku Dekan Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur.
2. Bapak Basuki Rahmat, S.Si, MT selaku Ketua Program Studi Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jawa Timur.
3. Ibu Asti Dwi Irfianti, S.Kom, M. Kom. Selaku dosen pembimbing I yang dengan sabar memberikan arahan serta mencurahkan waktu, ilmu, kesabaran dan pengertiaannya selama pembuatan Tugas Akhir ini.
4. Ibu Fetty Tri Anggraeny, S.Kom selaku dosen pembimbing II yang telah rela tersita waktu, tenaga, dan pikiran dalam membantu dalam perancangan sistem serta memberi arahan dalam pembuatan sistem.
5. Bapak Basuki Rahmat, S.Si, MT. dan Ibu Intan Yuniar P, S. Kom. selaku dosen penguji sidang tugas akhir yang telah memberikan banyak kritik dan saran serta memberikan wawasan yang lebih luas.
6. Untuk Papa and Mama, terima kasih telah menjadi orang tua terbaik saya. Insya Allah yang kalian berikan ini tidak akan sia-sia dan saya akan memberikan yang terbaik buat kalian. Setiap tetes air mata, amarah dan senyum ini saya persembahkan untuk kalian.
7. Untuk adik-adik saya Zendy dan Ifar, atas doa dan semua yang telah kalian lakukan untuk saya. Saya beruntung memiliki saudara seperti kalian, kalian yang terbaik.
bersama sesuai janji kita), Erawan (orang terbaik yang pernah saya kenal), Mas Wahyu (Thanks’s for nice quotes), Jugo’s the Freak Kidz (penyalur sisi lain saya), Arif Sorep, Sindhu Keblek’, anak-anak TF kelas A angkatan 2005, dan semuanya yang tidak bisa penyusun sebutkan satu-per-satu
Di dalam Tugas Akhir ini mungkin masih terdapat kekurangan-kekurangan yang belum bisa penyusun sempurnakan. Untuk itu saran dan masukan sangatlah penyusun harapkan untuk perbaikan lebih lanjut.
ABSTRAK ... i
KATA PENGANTAR ... ii
UCAPAN TERIMA KASIH ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 2
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 4
1.6 Metodologi Pembuatan Skripsi ... 4
1.7 Sistematika Pembahasan... 6
BAB II TINJAUAN PUSTAKA ... 8
2.1 Membaca Pergerakan Nilai Mata Uang ... 8
2.2 Valuta Asing ... 9
2.2.1. Kapitalisasi dan Likuiditas Pasar ... 9
2.2.2. Karakteristik Perdagangan Valuta Asing ... 11
2.2.3. Proses Transaksi ... 14
2.2.4. Transaksi 2 Arah ... 14
2.2.6. Bank ... 15
2.2.7. Dunia Usaha ... 16
2.2.8. Bank Sentral ... 17
2.2.9. Pialang Valuta Asing ... 17
2.3 Jaringan Syaraf Tiruan ... 18
2.3.1. Pengertian Dasar Jaringan Syaraf Tiruan ... 20
2.3.2. Komponen Jaringan Syaraf Tiruan ... 21
2.3.3. Arsitektur Jaringan ... 23
2.3.4. Fungsi Aktivasi ... 25
2.3.5. Pemodelan Neuron ... 26
2.4 Multi-Layer Perceptron ... 28
2.5 Supervised Learning ... 29
2.6 Algoritma Quickpropagation ... 30
2.7 Normalisasi ... 31
2.8 Denormalisasi ... 32
BAB III ANALISIS DAN PERANCANGAN SISTEM... 33
3.1 Analisis Permasalahan ... 33
3.2 Metode Quickpropagation ... 34
3.3 Feedforward Neural-Network ... 35
3.4 Algoritma Program ... 36
3.5 Perancangan Sistem ... 36
3.5.1. Context Diagram ... 44
3.6 Entity Relationship Diagram (ERD) ... 47
3.7 Jaringan Syaraf Tiruan ... 48
3.8 Basis Data Pelatihan Prediksi Kurs Mata Uang ... 49
3.9 Desain Input/Output ... 53
BAB IV IMPLEMENTASI SISTEM ... 61
4.1 Kebutuhan Sistem ... 61
4.1.1. Kebutuhan Perangkat Keras ... 61
4.1.2. Kebutuhan Perangkat Lunak ... 61
4.2 Implementasi Program dan Tampilan Antar Muka ... 62
4.2.1 Form Utama ... 62
4.2.2 Form Login ... 64
4.2.3 Form Master Valuta ... 64
4.2.4 Form Master Transaksi ... 65
4.2.5 Form Training ... 66
4.2.6 Form Testing ... 70
4.2.7 Form Prediksi ... 71
4.2.8 Form Report ... 72
4.2.9 User Setting ... 73
BAB V UJI COBA DAN EVALUASI ... 75
5.1 Uji Coba Sistem ... 75
5.1.1. Proses Training Data ... 76
5.1.2. Proses Testing Data ... 86
5.2.1. Evaluasi Perhitungan Sistem ... 93
5.2.2. Evaluasi Keakuratan Sistem ... 95
BAB VI PENUTUP ... 100
6.1 Kesimpulan ... 100
6.2 Saran ... 101
DAFTAR GAMBAR
Gambar 2.1 Wall Street Journal Europe ... 10
Gambar 2.2 Sebuah Jaringan Syaraf Tiruan Tunggal ... 21
Gambar 2.3 Struktur Neuron Jaringan Syaraf ... 21
Gambar 2.4 Jaringan Syaraf Dengan 3 Lapisan ... 23
Gambar 2.5 Jaringan Syaraf Dengan Lapisan kompetitif ... 24
Gambar 2.6 Model Neuron ... 27
Gambar 3.1 Pemodelan Multi-Layer Perceptron ... 35
Gambar 3.2 Diagram Alir Program ... 38
Gambar 3.3 Algoritma Trainer JST ... 39
Gambar 3.4 Algoritma Feedforward ... 40
Gambar 3.5 Algoritma Quickpropagation ... 41
Gambar 3.6 Algoritma Update Bobot dan Perhitungan Error ... 42
Gambar 3.7 Diagram Alir Sistem Prediksi ... 43
Gambar 3.8 Context Diagram Sistem JST Peramalan Kurs Mata Uang ... 44
Gambar 3.9 DFD Level 0 Sistem JST Peramalan Kurs Mata Uang ... 45
Gambar 3.10 DFD Level 1Sistem Pelatihan Quickpropagation ... 46
Gambar 3.11 DFD Level 1 Sistem Prediksi Kurs Mata Uang ... 46
Gambar 3.12 CDM Sistem Peramalan Kurs Mata Uang ... 47
Gambar 3.13 PDM Sistem Peramalan Kurs Mata Uang ... 48
Gambar 3.14 Multilayer Perceptron ... 49
Gambar 3.16 Form Utama ... 54
Gambar 3.17 Form Master Valuta ... 55
Gambar 3.18 Form Master Transaksi ... 56
Gambar 3.19 Form Training ... 57
Gambar 3.20 Form Testing ... 58
Gambar 3.21 Form Prediksi ... 58
Gambar 3.22 Form Report ... 59
Gambar 3.23 Form User Setting ... 60
Gambar 4.1 Gambar Form Utama ... 63
Gambar 4.2 Gambar Form Login ... 64
Gambar 4.3 Gambar Form Master Valuta ... 65
Gambar 4.4 Gambar Form Master Transaksi ... 66
Gambar 4.5 Gambar Form Training ... 67
Gambar 4.6 Gambar Form Testing ... 70
Gambar 4.7 Gambar Form Prediksi ... 71
Gambar 4.8 Gambar Form Report ... 73
Gambar 4.9 Gambar Form User Setting ... 74
Gambar 5.1. Pemilihan Mata uang pada form Training ... 75
Gambar 5.2. Penentuan range tanggal pada form Training ... 76
Gambar 5.3. Hasil Proses Training Data ... 77
Gambar 5.4. Gambar pemilihan data Training pada Form Prediksi ... 87
Gambar 5.5. Gambar pemilihan tanggal prediksi pada Form Prediksi ... 87
DAFTAR TABEL
Tabel 2.1 Peringkat Mata Uang Teratas yang diperdagangkan. ... 13
Tabel 3.1 Tabel User ... 50
Tabel 3.2 Tabel t_mata_uang ... 51
Tabel 3.3 Tabel t_prediksi ... 51
Tabel 3.4 Tabel t_jst ... 52
Tabel 3.5 Tabel t_report ... 52
Tabel 3.6 Tabel t_transaksi ... 53
Tabel 5.1 Kurs Transaksi BI Mata Uang USD Bulan Desember 2009 ... 78
Tabel 5.2 Tabel Kurs Transaksi BI Mata Uang USD Bulan Januari 2010 ... 79
Tabel 5.3 Tabel Hasil Perhitungan Manual Proses Normalisasi ... 80
Tabel 5.4 Tabel Hasil Perhitungan Manual Proses Feedforward ... 82
Tabel 5.5 Tabel Hasil Perhitungan Manual Proses Quickpropagation ... 85
Tabel 5.6 Hasil Manual Proses update bobot JST dan perhitungan error ... 89
Tabel 5.7 Tabel Hasil Perhitungan Manual Proses Denormalisasi ... 91
Tabel 5.8 Tabel hasil perhitungan sistem dan perhitungan manual ... 93
Tabel 5.9 Tabel Kurs Mata Uang USD Dollar Bulan Februari ... 96
Tabel 5.10 Tabel Kurs Mata uang USD Dollar Bulan Maret ... 97
Penyusun : Gandhi Novanto Prabowo
ABSTRAK
Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai pertimbangan untuk para pialang saham dan bursa efek untuk mengambil langkah bisnis selanjutnya.
Data dari kurs mata uang dapat diperlakukan secara ‘time series’ . Jika kita mempunyai data harian selama periode tertentu, misal : Xt (t=1,2,...), maka kurs mata uang pada perioda berikutnya (t+h) dapat diprediksi (waktu yang digunakan bisa jam, harian, mingguan , bulanan ataupun tahunan) . Demikian seterusnya dilakukan suatu iterasi berulang hingan N hari kerja. Untuk mendapatkan hasil prediksi yang baik maka pada jaringan syaraf buatan hasus di-umpankan suatu masukan yang mewakili dari beberapa aspek atau segi penunjang harga suatu kurs mata uang. Kemudian dilakukan prinsip pembobotan yang diadaptasikan untuk meminimumkan kesalahan prediksi pada satu langkah kedepan. Dengan menggunakan bobot akhir dilakukan suatu tindakan untuk meminimumkan kesalahan total untuk iterasi berikutnya.
Teknologi sistem jaringan syaraf tiruan telah di-implementasikan dalam berbagai aplikasi terutama dalam hal pengenalan pola. Kemampuan inilah yang telah menarik beberapa kalangan dalam menggunakan jaringan syaraf tiruan untuk keperluan kesehatan, keuangan , investasi, marketing dan lain lain. Pada sistem prediksi kurs mata uang ini akan dibahas penggunaan Jaringan syaraf
tiruan Quick Propagation. Pada algoritma Quickprop dilakukan pendekatan
dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Berdasarkan hasil uji coba juga diketahui bahwa aplikasi ini mampu memprediksi nilai mata uang hingga 1 bulan kedepan dengan tingkat keakuratan mencapai lebih dari 75%.
Kata Kunci: Prediksi Kurs Mata Uang, Jaringan Saraf Tiruan, Quick
BAB I
PENDAHULUAN
1.1.Latar Belakang
Pada era globalisasi, informasi yang cepat dan akurat dibutuhkan dalam
kehidupan, pada perusahaan/lembaga/organisasi yang maju maupun sedang
berkembang. Para pelaku bisnis selalu mencari informasi atau teknologi yang
tepat dalam menunjang usahanya seperti bagaimana cara mendapatkan biaya yang
murah untuk operasional ataupun pegawai yang sedikit tapi bermanfaat.
Dalam memprediksi suatu kurs mata uang, beberapa model analisa teknik
telah dipakai dan dikembangkan, beberapa analisa tersebut seperti : MACD
(Moving Average Convergence / Divergence), Fourier Transform, Accumulator
Swing Index, Stochastic Oscilator dan lain lain. Sebagai masukannya, digunakan
beberapa macam kombinasi harga seperti : harga pembukaan, tertinggi, terendah,
penutupan kemarin dan penutupan hari ini. Dan sebagai keluarannya adalah
prediksi nilai mata uang pada waktu tertentu.
Prediksi kurs mata uang adalah salah satu tahap awal yang penting
sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi
acuan perekonomian dunia. Pada kasus seperti harga minyak dunia yang saat ini
sedang melambung sampai 110 U$D / barel menyebabkan nilai tukar Dollar
Amerika jatuh terhadap Poundsterling.
Pihak Bursa Efek sangat memerlukan prediksi kurs mata uang dikarenakan
adalah sebagai salah satu bahan pertimbangan untuk perhitungan kurs, acuan
keputusan dari suatu langkah bisnis. Disini, pada umumnya prediksi yang
dikeluarkan oleh pihak Bursa Efek juga dijadikan acuan para pialang saham untuk
menentukan sikap bisnis di perdagangan saham..
Jaringan saraf tiruan (JST) atau juga disebut simulated neural network
(SNN), atau umumnya disebut neural network (NN)), adalah jaringan dari
sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang
mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat
pemodelan data statistik non-linier.
Algoritma Quickpropagation merupakan hasil pengembangan dari
algoritma Backpropagation standar. Pada algoritma Quickpropagation dilakukan
pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing–masing
bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari
kurva error untuk suatu bobot tidak terpengaruh oleh bobot–bobot yang lain.
Dengan penggunaan Quickpropagation ini menunjukkan bahwa metode tersebut
dapat meningkatkan kecepatan training data serta proses penghitungan.
1.2.Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan sebelumnya, terdapat
beberapa permasalahan yang akan diangkat dalam Skripsi ini, antara lain:
a. Bagaimana menerapkan JST untuk memprediksi kurs mata uang
b. Bagaimana menerapkan metode QUICKPROPAGATION untuk memprediksi
c. Bagaimana menerapkan metode FEEDFORWARD untuk memprediksi kurs
mata uang
d. Bagaimana membuat sebuah perangkat lunak dengan metode–metode diatas
untuk memprediksi kurs mata uang secara tepat
1.3.Batasan Masalah
Adapun Batasan permasalahan pada Sistem Prediksi Kurs Mata Uang ini
adalah sebagai berikut :
a. Sistem mampu melakukan peramalan bukan melakukan transaksi secara
spesifik.
b. Data yang digunakan berasal dari website resmi Bank Indonesia
(http://www.bi.go.id)
c. Mata Uang yang akan diprediksi yaitu US Dollar, Poundsterling, Euro, Yen,
Ringgit yang akan dihitung kursnya dalam hitungan rupiah.
d. Waktu prediksi kurs mata uang adalah keesokan harinya hingga 1 bulan
kedepan.
e. Faktor–faktor eksternal seperti keadaan politik, inflasi, dan lain–lain tidak
diperhitungkan dalam proses peramalan. Asumsi pada kondisi perekonomian
dunia maupun kurs mata uang dalam keadaan stabil, serta tidak ada goncangan
perekonomian apapun.
f. Sistem berbasis desktop.
1.4.Tujuan Penelitian
a. Menerapkan Pendekatan JST untuk pendukung keputusan dalam prediksi
kurs mata uang.
b. Menerapkan Metode QuickPropagation untuk pendukung keputusan dalam
prediksi kurs mata uang.
c. Membuat Perangkat Lunak untuk pendukung keputusan dalam prediksi kurs
mata uang secara tepat.
1.5.Manfaat Penelitian
Manfaat dari penelitian ini diharapkan dapat :
a. Memudahkan pegawai Bursa Efek dalam mengontrol serta mengetahui harga
dari pembukaan dan penutupan tiap harinya.
b. Memudahkan pegawai Bursa Efek dalam meramalkan suatu nilai kurs mata
uang yang telah ditetapkan.
1.6.Metodologi Pembuatan Skripsi
Tugas Akhir dan penelitian lapangan ini diselesaikan dengan
menggunakan urutan metodologi sebagai berikut :
a. Study literature
Study literature dilaksanakan dengan cara mengumpulkan dan mempelajari
segala macam informasi, pengumpulan dokumen-dokumen,
referensi-referensi, buku-buku, sumber dari internet, atau sumber-sumber lain yang
diperlukan yang berhubungan dengan Jaringan saraf tiruan,dan segala hal
b. Desain dan Perancangan Sistem
Pada tahap ini dilaksanakan perancangan Sistem Perangkat Lunak yang akan
dibuat berdasarkan hasil study literature yang ada. Perancangan Perangkat
Lunak ini meliputi desain database, desain struktur data, desain aliran
informasi, desain antar muka, desain akses user, desain algoritma dan
pemrograman. Perencanaan penggunaan bahasa pemrograman.
c. Implementasi
Dalam tahap ini, dilakukan implementasi berdasarkan studi pustaka dan
rancangan yang telah dibuat pada tahap sebelumnya, serta
pengimplementasian dari desain dan rancangan yang ada ke dalam bentuk
program.
d. Uji Coba dan Evaluasi
Pada tahap ini dilakukan uji coba program untuk mencari masalah yang
mungkin timbul, mengevaluasi jalannya program, dan mengadakan perbaikan
jika ada kekurangan.
e. Analisa Hasil Uji coba
Pada tahap ini dihasilkan uji coba dan beberapa revisi, jika terjadi kekurangan
dan kesalahan terhadap perangkat lunak yang telah selesai dibuat dan
diharapkan perangkat lunak tersebut mengalami segala macam uji coba
sehingga menghasilkan output yang diharapkan.
f. Penyusunan Laporan Buku Skripsi
Pada tahap terakhir ini disusun buku sebagai dokumentasi dari pelaksanaan
Skripsi. Dokumentasi ini dibuat untuk menjelaskan aplikasi agar memudahkan
1.7.Sistematika Penulisan
Sistematika pembahasan yang dibuat dalam Skripsi ini disusun dalam
beberapa bab, yang dijelaskan sebagai berikut :
BAB I PENDAHULUAN
Bab ini berisi tentang deskripsi umum Skripsi yang meliputi latar
belakang, perumusan masalah, batasan masalah, tujuan dan
manfaat, serta metodologi dan sistematika pembahasan.
BAB II TINJAUAN PUSTAKA
Bab ini berisi mengenai konsep dan teori pembelajaran yang
menjadi landasan pembuatan Skripsi antara lain: Jaringan Syaraf
Tiruan, Algoritma Quickpropagation, Valuta Asing.
BAB III ANALISA DAN PERANCANGAN SISTEM
Bab ini berisi tentang analisa dari sistem yang akan dibuat dan
perancangan sistem yang meliputi antara lain: deskripsi umum
sistem, kebutuhan sistem, pemodelan sistem berorientasi objek,
perancangan proses latar dan perancangan antarmuka aplikasi.
BAB IV IMPLEMENTASI
Bab ini berisi hasil implementasi dari perancangan yang telah
dibuat sebelumnya yang meliputi: implementasi basis data,
implementasi proses latar dan implementasi form-form antarmuka
BAB V UJI COBA DAN EVALUASI
Bab ini berisi penjelasan lingkungan uji coba aplikasi, skenario uji
coba, pelaksanaan uji coba dan evaluasi dari hasil uji coba yang
telah dilakukan untuk kelayakan pemakaian aplikasi.
BAB VI PENUTUP
Bab ini berisi kesimpulan dan saran untuk pengembangan aplikasi
lebih lanjut dalam upaya memperbaiki kelemahan pada aplikasi
BAB II
TINJAUAN PUSTAKA
Dalam bab ini diuraikan dasar-dasar teori yang mendukung pelaksanaan
Tugas Akhir ini, yaitu tentang Prediksi Kurs Mata Uang, Jaringan Syaraf Tiruan,
Metode Quickpropagation dan uji coba analisa.
2.1 Membaca Pergerakan Nilai Mata Uang
Secara Umum ada dua teknik dasar yang banyak digunakan oleh para
pelaku pasar dalam menghitung nilai tukar mata uang asing, yaitu analisis teknikal
dan analisis fundamental. Analisis teknikal dilakukan dengan menggunakan bagan
atau grafik data historis perdagangan valas dan mengidentifikasi pola–pola yang
berulang. Bila pola ini diperkirakan sedang dalam proses terulang lagi, investor
dapat menentukan waktu untuk membeli dan menjual. Prinsipnya, buy low sell
high, beli rendah jual tinggi.
Analisa fundamental dilakukan dengan melihat faktor–faktor penyebab
pergerakan nilai tukar, terutama faktor – faktor ekonomi. Berdasarkan teori
ekonomi dan estimasi ekonometri, investor memperkirakan nilai mata uang yang
wajar. Perkiraan nilai wajar ini kemudian dibandingkan dengan harga pasar. Bila
harga pasar suatu mata uang lebih rendah dari perkiraan wajar, maka investor
akan membeli. Begitu juga sebaliknya, jiks harga pasar suatu mata uang lebih
2.2 Valuta Asing
Valuta asing (foreign exchange market, forex) atau disingkat valas
merupakan suatu jenis perdagangan atau transaksi yang memperdagangkan mata
uang suatu negara terhadap mata uang negara lainnya (pasangan mata uang / pair)
yang melibatkan pasar-pasar uang utama di dunia selama 24 jam secara
berkesinambungan. Pergerakan pasar valuta asing berputar mulai dari pasar
Selandia Baru dan Australia yang berlangsung pukul 05.00–14.00 WIB, terus ke
pasar Asia yaitu Jepang, Singapura, dan Hongkong yang berlangsung pukul
07.00–16.00 WIB, ke pasar Eropa yaitu Jerman dan Inggris yang berlangsung
pukul 13.00–22.00 WIB, sampai ke pasar Amerika Serikat yang berlangsung
pukul 20.30–10.30 WIB. Dalam perkembangan sejarahnya, bank sentral milik
negara-negara dengan cadangan mata uang asing yang terbesar sekalipun dapat
dikalahkan oleh kekuatan pasar valuta asing yang bebas.Menurut survei BIS
(Bank International for Settlement, bank sentral dunia), yang dilakukan pada akhir
tahun 2004, nilai transaksi pasar valuta asing mencapai lebih dari USD$1,4 triliun
per harinya. Mengingat tingkat likuiditas dan percepatan pergerakan harga yang
tinggi tersebut, valuta asing juga telah menjadi alternatif yang paling populer
karena ROI (return on investment atau tingkat pengembalian investasi) serta laba
yang akan didapat bisa melebihi rata-rata perdagangan pada umumnya. Akibat
pergerakan yang cepat tersebut, maka pasar valuta asing juga memiliki risiko yang
tinggi.
2.2.1 Kapitalisasi dan likuiditas pasar
a. volume perdagangannya
b. likuiditas pasar yang teramat besar
c. banyaknya serta variasi dari pedagang di pasar valuta asing
d. geografis penyebarannya
e. jangka waktu perdagangannya yang 24 jam sehari (kecuali akhir pekan)
f. aneka ragam faktor yang mempengaruhi nilai tukar mata uang
Nilai Valuta
Tahun
Gambar 2.1. Wall Street Journal Europe.
Menurut BIS, rata-rata perputaran pasar valuta asing dunia per hari
diestimasikan bernilai $3,21 trilliun, yang terbagi atas :
a. $1005 milliar di transaksi spot
b. $362 milliar di pasar kontrak serah (forward contract)
c. $1714 milliar di pasar swap
Sebagi tambahan di luar perputaran "tradisional" ini, sebesar $2,1 trilliun
diperdagangkan di pasar derivatif.
Kontrak berjangka valuta asing yang diperkenalkan pada tahun 1972 pada
Chicago Mercantile Exchange tumbuh secara cepat dalam beberapa tahun
belakangan ini tetapi volumenya masih hanya sebesar 7% dari total volume
perdagangan pasar valuta asing. Menurut data International Financial Services
London (IFSL), secara keseluruhan perputaran harian pasar tradisional valuta
asing rata-rata mencapai total nilai 2,7 billiun US dollar pada April 2006. Estimasi
tersebut berdasarkan data tengah tahun dari Komite Bursa Valuta Asing (Foreign
Exchange Committee) di London, New York, Tokyo dan Singapura.
(International Financial Services London, 2006)
Pada perdagangan valuta asing secara langsung OTC, pialang dan
pedagang melakukan negosiasi secara langsung tanpa melalui bursa atau kliring.
Pusat perdagangan terbesar secara geografis berada di London, Inggris, dimana
menurut data IFSL diperkirakan telah meningkat kontribusinya dari 31,3% pada
April 2004 menjadi 32,4% pada April 2006.
2.2.2. Karakteristik Perdagangan Valuta Asing
Tidak ada suatu keseragaman dalam pasar valuta asing. Dengan adanya
transaksi diluar bursa perdagangan (over the counter) sebagai pasar tradisional
dari perdagangan valuta asing, banyak sekali pasar valuta asing yang saling
berhubungan satu sama lainnya dimana mata uang yang berbeda diperdagangkan,
dollar melainkan kurs yang berbeda-beda tergantung pada bank mana atau pelaku
pasar mana yang bertransaksi". Namun dalam prakteknya perbedaan tersebut
seringkali sangat tipis.
Pusat perdagangan utama adalah di London, New York, Tokyo dan
Singapura namun bank-bank diseluruh dunia menjadi pesertanya. Perdagangan
valuta asing terjadi sepanjang hari. Apabila pasar Asia berakhir maka pasar Eropa
mulai dibuka dan pada saat pasar Eropa berakhir maka pasar Amerika dimulai dan
kembali lagi ke pasar Asia, terkecuali di akhir pekan. Sangat sedikit atau bahkan
tidak ada "perdagangan orang dalam" atau informasi "orang dalam" yang terjadi
dalam pasar valuta asing. Fluktuasi kurs nilai tukar mata uang biasanya
disebabkan oleh gejolak aktual moneter sebagaimana juga halnya dengan
ekspektasi pasar terhadap gejolak moneter yang disebabkan oleh perubahan dalam
pertumbuhan Produk Domestik Bruto (PDB / GDP), inflasi, suku bunga,
rancangan anggaran dan defisit perdagangan atau surplus perdagangan,
pengabungan dan akuisisi dan kondisi makro ekonomi lainnya. Berita utama
selalu dipublikasikan untuk umum, sehingga banyak orang dapat mengakses
berita tersebut pada saat yang bersamaan. Namun bank yang besar memiliki nilai
lebih yang penting yaitu mereka dapat melihat arus pergerakan "pesanan" mata
uang dari nasabahnya.
Mata uang diperdagangkan satu sama lainnya dan setiap pasangan mata
uang merupakan suatu produk tersendiri seperti misalnya EUR/USD, USD/JPY,
GBP/USD dan lain-lain. Faktor pada salah satu mata uang misalnya USD akan
korelasi antara USD/JPY dan GBP/USD. Pada pasar spot, menurut penelitian
yang dilakukan oleh Bank for Internasional Settlement (BIS) , produk yang paling
sering diperdagangkan adalah
a. EUR/USD - 28 %
b. USD/JPY - 18 %
c. GBP/USD (also called sterling or cable) - 14 %
dan mata uang US dollar terlibat dalam 89% dari transaksi yang dilakukan,
kemudian diikuti oleh mata uang Euro (37%), Yen (20%) dan Poundsterling
(17%). Walaupun perdagangan dalam mata uang Euro meningkat secara cepat
sejak mata uang tersebut diterbitkan pada Januari 1999, US dollar masih
mendominasi pasar valuta asing. Sebagai contoh misalnya dalam perdagangan
antara Euro dan mata uang non Eropa (XXX), biasanya selalu melibatkan dua
jenis perdagangan yaitu EUR/USD dan USD/XXX, pengecualiannya hanya pada
perdagangan EUR/JPY yang merupakan pasangan mata uang yang secara tetap
diperdagangkan di pasar spot antar bank.
Tabel 2.1. Peringkat Mata Uang Teratas yang diperdagangkan
6 Peringkat Teratas Mata Uang Yang Diperdagangkan Peringkat Mata uang ISO 4217 Kode Simbol
1 United States dollar USD $
2 Eurozone euro EUR €
3 Japanese yen JPY ¥
4 British pound sterling GBP £
5 Swiss franc CHF -
2.2.3. Proses Transaksi
Di bursa valas (valuta asing) ini orang dapat membeli ataupun menjual
mata uang yang diperdagangkan. Secara obyektif adalah untuk mendapatkan
profit atau keuntungan dari posisi transaksi yang anda lakukan. Di Bursa valas
dikenal istilah Lot dan Pip. 1 Lot nilainya adalah $1000 dan 1 pip nilainya adalah
$10. Sedangkan nilai dolar di bursa valas berbeda dengan nilai dolar yang kita
kenal di bank-bank. Nilai dolar di bursa valas sangat bervariasi, 6000 / 8000 dan
10.000 rupiah.
2.2.4. Transaksi 2 Arah
Transaksi di valuta asing dapat dilakukan dengan cara dua arah dalam
mengambil keuntungannya. Seseorang dapat membeli dahulu (open buy), lalu
ditutup dengan menjual (sel l) ataupun sebaliknya, melakukan penjualan dahulu,
lalu ditutup dengan membeli.
2.2.5. Pemain Pasar Valuta Asing
Tidak seperti halnya pada bursa saham dimana para anggota bursa
memiliki akses yang sama terhadap harga saham, pasar valuta asing terbagi atas
beberapa tingkatan akses. Pada akses tingkat tertinggi adalah pasar uang antar
bank (PUAB) yang terdiri dari perusahaan-perusahaan bank investasi besar.Pada
PUAB, selisih antara harga penawaran/harga jual (ask) dan harga
permintaan/harga beli (bid) adalah sangat tipis sekali bahkan biasanya tidak ada ,
dan harga ini hanya berlaku untuk kalangan mereka sendiri yang tidak diketahui
dibawahnya, rentang selisih antara harga jual dan harga beli menjadi besar
tergantung dari volume transaksi.
Apabila seorang trader (pedagang pada bursa valuta asing) dapat
menjamin terlaksananya transaksi valuta asing dalam jumlah besar maka mereka
dapat meminta agar selisih nilai jual dan beli diperkecil yang disebut better spread
(selisih tipis antara harga jual dan beli). Level akses terhadap pasar valuta asing
adalah sangat ditentukan oleh ukuran transaksi valuta yang dilakukan. Bank-bank
peringkat atas menguasai "pasar uang antar bank (PUAB)" hingga 53% dari
seluruh nilai transaksi. Dan setelah bank-bank peringkat atas tersebut maka
peringkat selanjutnya adalah bank-bank investasi kecil lalu
perusahaan-perusahaan multi nasional besar (yang membutuhkan lindung nilai atas resiko
transaksi serta membayar para pegawainya di berbagai negara), hedge fund besar
(Reksadana yang memiliki tujuan dan kebijakan investasi dengan struktur
tertentu), dan juga para pedagang eceran yang menjadi penentu pasar valuta asing.
Menurut Galati dan Melvin, dana pensiun, perusahaan asuransi, reksadana dan
investor institusi adalah merupakan pemain yang memiliki peran besar dalam
pasar keuangan secara umum dan khususnya pasar valuta asing sejak dekade
2000an.
2.2.6. Bank
Pasar uang antar bank (PUAB) memenuhi kebutuhan mayoritas dari
perputaran uang di dunia usaha serta kebutuhan dari transaksi para spekulan setiap
dilaksanakan untuk dan atas nama nasabahnya, tetapi sebagian besar adalah untuk
kepentingan pemilik bank ataupun untuk kepentingan bank itu sendiri.
Hingga saat ini, pialang valuta asing adalah merupakan pelaku perputaran
valuta dalam jumlah yang besar, memfasilitasi perdagangan PUAB dan
mempertemukan penjual dan pembeli untuk upah (fee) yang kecil. Namun saat ini
banyak bisnis valuta asing ini yang beralih kepada suatu sistem elektronis yang
lebih efisien seperti misalnya EBS (sekarang dimiliki oleh ICAP), Reuters Dealing
3000 Matching (D2), the Chicago Mercantile Exchange, Bloomberg dan
TradeBook (R).
2.2.7. Dunia Usaha
Salah satu pemeran pasar valuta asing ini adalah adanya kebutuhan dari
aktivitas perusahaan dalam melakukan pembayaran harga barang ataupun jasa
dalam mata valuta asing. Kebutuhan mata valuta asing dari suatu perusahaan
seringkali hanya kecil nilainya dibandingkan dengan kebutuhan dari bank dan
spekulan dan perdagangan valuta asing yang dilakukannya seringkali hanya
membawa dampak yang kecil sekali bagi nilai pasaran kurs mata uang. Meskipun
demikian arus perdagangan valuta asing dari perusahaan-perusahaan ini dalam
jangka panjangnya merupakan faktor yang penting bagi arah nilai tukar suatu
mata uang. Transaksi beberapa perusahaan multinasional dapat membawa akibat
yang tidak terduga sewaktu mereka menutup posisi (posisi jual ataupun beli) yang
amat besar sekali dimana transaksi ini tidak diketahui secara luas oleh para
2.2.8. Bank Sentral
Bank sentral suatu negara memegang peran yang amat penting dalam pasar
valuta asing. Bank sentral ini senantiasa berupaya untuk mengendalikan suplai
uang, inflasi, dan ataupun suku bunga bahkan seringkali mereka memiliki suatu
target baik resmi maupun tidak resmi terhadap nilai tukar mata uang negaranya.
Seringkali bank sentral ini menggunakan cadangan devisanya untuk menstabilkan
pasar.
Dengan ekspektasi pasar ataupun isu tentang intervensi yang dilakukan
oleh bank sentral belaka telah cukup untuk menstabilkan mata kurs uang
setempat, tetapi intervensi yang agresif dilakukan beberapa kali dalam setiap
tahunnya pada suatu negara yang kurs mata uangnya bergejolak.
Berbagai sumber dana yang ada di pasaran valuta asing apabila disatukan
dapat dengan mudah "mempermainkan" bank sentral (menarik atau menjual mata
uang dalam jumlah yang sangat besar sekali sehingga bank sentral tidak mampu
lagi melakukan intervensi) dimana skenario ini nampak pada tahun 1992-1993
dimana mekanisme nilai tukar Eropa (European Exchange Rate Mechanism –
ERM) mengalami kejatuhan serta beberapa kali jatuhnya nilai tukar mata uang di
Asia Tenggara.
2.2.9. Pialang Valuta Asing
Pialang valuta asing adalah adalah perusahaan yang didirikan khusus
untuk melakukan kegiatan jasa perantara bagi kepentingan nasabahnya di bidang
pasar uang dengan memperoleh imbalan atas jasanya. Menurut CNN, sebuah
dollar perharinya atau sekitar 2% dari keseluruhan nilai transaksi pasar valuta
asing dan sebagaimana dilaporkan oleh situs Komisi Perdagangan Berjangka
(Commodity Futures Trading Commission – CFTC) bahwa investor pemula
dengan mudah dapat menjadi sasaran penipuan dalam perdagangan valuta asing.
2.3 Jaringan Syaraf Tiruan
Jaringan syaraf merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada
otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini
diimplementasikan dengan menggunakan proses komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan
Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren
McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu
belum memungkinkan mereka berbuat lebih jauh.
Jaringan Syaraf Tiruan (JST) atau umumnya disebut neural network (NN),
adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan jaringan syaraf manusia. JST merupakan sistem adaptif yang dapat
merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal
maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST
adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data.
Jaringan Syaraf Tiruan (JST) telah banyak digunakan untuk beragam
saham, prediksi kurs mata uang, dsb. Pada umumnya aplikasi- aplikasi tersebut
membutuhkan pemrosesan secara waktu nyata (real time). Jaringan Syaraf Tiruan
selain dapat diimplementasikan dengan perangkat lunak, juga dengan perangkat
keras. Perangkat keras memiliki keunggulan dibandingkan perangkat lunak pada
kecepatannya. Operasi yang dilakukan perangkat keras lebih cepat dibandingkan
perangkat lunak. Oleh karena itu, perangkat keras jaringan syaraf tiruan dapat
dipakai untuk melayani aplikasi-aplikasi waktu nyata. Jaringan Syaraf Tiruan
terdiri dari beberapa unit pemroses yang melakukan akumulasi (penjumlahan) dari
masukan-masukan berbobot dan menghasilkan suatu keluaran dengan fungsi
aktivasi tertentu. Sifat-sifat jaringan ditentukan oleh topologi jaringan,
bobot-bobot interkoneksi, dan fungsi aktivasi.
Jaringan Syaraf Tiruan secara formal, didefinisikan sebagai generalisasi
model matematika sistem syaraf biologis. Sebagai sebuah model, Jaringan Syarat
Tiruan harus memiliki kemampuan sebagai berikut :
a. Kemampuan memodelkan transmisi sinyal antarneuron tiruan melalui
saluran satu arah yang disebut koneksi. Setiap koneksi masukan mampu
berhubungan dengan satu koneksi keluaran neuron tiruan lainnya. Setiap
koneksi keluaran dapat berhubungan dengan beberapa koneksi masukan
neuron tiruan lainnya.
b. Kemampuan memodelkan pembobotan pada tiap-tiap koneksi. Pada
sebagian besar tipe jaringan syaraf, nilai bobot koneksi akan dikalikan dengan
sinyal-sinyal transmisi.
c. Kemampuan memodelkan fungsi aktivasi pada setiap neuron tiruan untuk
d. Kemampuan memodelkan struktur informasi terdistribusi . Artinya, proses
pengolahan informasi disebarkan pada beberapa neuron tiruan sekaligus.
Setiap neuron tiruan harus memiliki memori lokal dan mampu melakukan
pengolahan informasi secara lokal.
2.3.1 Pengertian Dasar Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi
yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses
suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang
baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia,
belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan
suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses
pembelajaran. Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari
kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa
dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan.
Lapisan-lapisan penyusun jaringan syaraf tiruan dibagi menjadi tiga, yaitu:
a. Lapisan Input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input
menerima input dari dunia luar. Input yang dimasukkan merupakan
penggambaran dari suatu masalah.
b. Lapisan Tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi.
c. Lapisan Output
Node-node di dalam lapisan output disebut unit-unit output. Keluaran atau
output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu
permasalahan.
Gambar 2.2. Sebuah Jaringan Syaraf Tiruan Tunggal.
2.3.2 Komponen Jaringan Syaraf Tiruan
Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan
syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron
tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang
diterima melalui sambungan keluarannya menuju ke neuron-neuron yang lain.
Pada jaringan syaraf, hubungan ini dikenal dengan nama Bobot. Informasi
tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.
Jika dilihat, neuron buatan ini sebenarny mirip dengan sel neuron biologis.
Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan
neuron-neuron biologis. Informasi (input) akan dikirim ke neuron dengan bobot
kedatangan tertentu. Input ini akan diproses oleh suatu fungi perambatan yang
akan menjumlahkan nilai-nilai semua bobot yang akan datang. Hasil penjumlahan
ini kemudian akan dibandingkan dengan suatu nilai ambang tertentu melalui
fungsi aktifasi setiap neuron. Apabila input itu melewati suatu nilai ambang
tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut
diaktifkan, maka neuron tersebut tidak akan mengirimkan output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya, demikian
seterusnya.
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam
lapisan-lapisan (layer) yang disebut dengan lapisan-lapisan neuron (neuron layers). Biasanya
neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan
sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi
yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai
dari lapisan input ke lapisan output melalui lapisan yang lainnya yang sering
disebut dengan nama lapisan tersembunyi (hidden layer). Tergantung pada
algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara
mundur pada jaringan. Gambar 2.4 menunjukan jaringan syaraf dengan tiga
Gambar 2.4. Jaringan Syaraf dengan 3 Lapisan.
Gambar 2.4 bukanlah struktur umum jaringan syaraf. Beberapa jaringan syaraf
ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan syaraf
dimana neuron-neuronnya disusun dalam bentuk matriks.
2.3.3 Arsitektur Jaringan
Seperti telah dijelaskan sebelumnya bahwa neuron-neuron dikelompokan
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 aktifasi dan pola bobotnya. Pada setiap
lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama.
Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan
dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan
output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi)
juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan
lapisan output). Ada beberapa arsitektur jaringan syaraf, antara lain:
a. Jaringan dengan lapisan tunggal (single layer net ), hanya memiliki satu
input kemudian secara langsung akan mengelolanya menjadi output tanpa
harus melalui lapisan tersembunyi.
b. Jaringan dengan banyak lapisan (multilayer net), memiliki satu atau lebih
lapisan yang terletak diantara lapisan input dan lapisan output (memiliki
satu atau lebih lapisan tersembunyi). Umumnya, ada lapisan bobot – bobot
yang terletak diantara dua lapisan yang bersebelahan. Jaringan dengan
banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit
daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran
yang lebih rumit. Namun demikian, banyak kasus pembelajaran pada
jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan
masalah.
c. Jaringan dengan lapisan kompetitif (competitive layer net). Umumnya,
hubungan antar neuron pada lapisan competitive ini tidak diperlihatkan
pada diagram arsitektur. Gambar 2.4 menunjukkan salah satu contoh
arsitektur jaringan dengan lapisan competitive yang memiliki bobot –n.
2.3.4 Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf
tiruan, antara lain:
a. Fungsi Undak Biner (Hard Limit), jaringan dengan lapisan tunggal sering
menggunakan fungsi undak (step function) untuk mengkonfersikan input
dari suatu variabel yang bernilai kontinu ke suatu output biner ( 0 atau1 ).
b. Fungsi Nilai Ambang (Threshold), fungsi undak biner dengan
menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai
ambang (Threshold atau fungsi heavyside).
c. Fungsi Bipolar (Symetric Hard Limit). Fungsi bipolar sebenarnya hampir
sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa
1, 0 atau -1.
d. Fungsi Bipolar dengan Threshold. Fungsi ini hampir sama dengan fungsi
nilai ambang, hanya saja output yang dihasilkan berupa 1, 0 atau -1.
e. Fungsi Linear (Identitas). Fungsi linear memiliki nilai output yang sama
dengan nilai inputnya.
f. Fungsi Saturating Linear, fungsi ini akan bernilai 0 jika inputnya kurang
dari -1/2, dan akan bernilai 1 jika inputnya lebih dari 1/2. Sedangkan
jika nilai input terletek antara -1/2 dan 1/2, maka nilai outputnya akan
sama dengan nilai input ditambah 1/2.
g. Fungsi Symetric Saturating Linear, fungsi ini akan bernilai -1 jika
inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1.
Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan
h. Fungsi Sigmoid Biner. Fungsi ini digunakan untuk jaringan syaraf yang
dilatih dengan menggunakan metode backpropagation. Fungsi ini
memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering
digunakan untuk jaringan syaraf yang membutuhkan nilai output yang
terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan
oleh jaringan syaraf yang nilai outputnya 0 atau 1.
i. Fungsi Sigmoid Bipolar, fungsi ini hampir sama dengan fungsi sigmoid
biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1.
2.3.5 Pemodelan Neuron
McCulloch-Pits, pada tahun 1943 membuat lima asumsi dasar tentang
sistem syaraf biologis, yaitu :
a. Aktivitas neuron bersifat all-ornone.
b. Untuk membuat neuron memancarkan sinyal (aktif) diperlukan sejumlah
sinapsis yang mengeksitasi neuron dalam jangka waktu tertentu.
c. Sejumlah sinapsis mampu menghambat neuron untuk aktif (inhibitory).
d. Adanya delay dalam system syaraf yang disebabkan oleh sinapsis delay.
e. Struktur interkoneksi jaringan tidak berubah sepanjang waktu.
Berdasarkan asumsi ini, McCulloch-Pitts membangun model neuron tiruan yang
Gambar 2.6. Model Neuron.
Model neuron mempunyai n sinyal masukan, yaitu x1, x2, …, xn dengan x
{0,1}. Masing-masing sinyal tersebut kemudian dimodifikasi oleh bobot
sinapsis w1, w2, …, wn sehingga sinyal yang masuk ke neuron adalah xi 1 = xiwi
, i = 1,2,…,n. Selanjutnya neuron akan menghitung hasil penjumlahan seluruh
sinyal masukan yang telah dimodifikasi :
………(2.1)
Fungsi aktivasi yang terdapat dalam neuron tiruan umumnya berupa fungsi
non-linier. Fungsi aktivasi ini yang menentukan apakah neuron akan mengalami
aktivasi atau tidak. Tingkat aktivasinya diwujudkan dalam suatu nilai ambang
(threshold). Fungsi aktivasi yang biasanya digunakan adalah fungsi tangga (step
function), fungsi lereng (slopefunction), dan fungsi sigmoid. Pada model
McCulloch-Pitts, fungsi aktivasinya adalah fungsi tangga sehingga :
2.4 Multi-Layer Perceptron
Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang
terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung.
Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu
lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan
satu lapisan output (output layer). Lapisan input menerima sinyal dari luar,
kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan
sehingga akhirnya mencapai lapisan output. Setiap neuron i di dalam jaringan
adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitu
si terhadap input eksitasi yang juga disebut net input neti.
∑
s
jw
ij-
Өi
net =
──
...(2.3)
j
ε
pred(i)
Dimana pred(i) melambangkan himpunan predesesor dari unit i, wij
melambangkan bobot koneksi dari unit j ke unit i, dan i adalah nilai bias dari
unit i. Untuk membuat representasi menjadi lebih mudah, seringkali bias
digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan
demikian bisa dapat diperlakukan secara sama dengan bobot koneksi. Menurut
(Fausett, 1819), Aktivasi dari unit i, yaitu si , dihitung dengan memasukkan net
input ke dalam sebuah fungsi aktivasi non-linear. Biasanya digunakan fungsi
logistik sigmoid :
1
S
i= f
log(net
i) =
──────
...(2.4)Salah satu keuntungan dari fungsi ini adalah memiliki derivatif yang mudah
dihitung :
s
i=
i) = s
i* (1 –
s
i)
………(2.5)i fungsi sigmoid di atas memiliki nilai output antara 0 dan 1. Jika
diinginkan nilai output antara –1 dan 1, dapat digunakan fungsi bipolar sigmoid
─
-
1
t i
Derivatif dari fungsi tersebut adalah :
(1+ )*(1 –
s
i)
……et pola contoh atau data pelatihan (training
data se
f'log
(net
net
iNilai dar
berikut :
2
S
i= g
log(net
i) =
─────
...(2.6)
1+ e
-ne
s
i=
g'log(net
i) = ½
si'………..…(2.7)
net
i2.5 Supervised Learning
Tujuan pada pembelajaran supervised learning adalah untuk menentukan
nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan
pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan.
Pemetaan ini ditentukan melalui satu s
tp.Sete lesai pelatihan k
ringanmenghasilkan nilai output tp.
lah se , ji a diberikan masukan xp seharusnya
ja
Besarnya perbedaan antara nilai vektor target dengan output aktual diukur
dengan nilai error yang disebut juga dengan cost function :
E =
2 1
(t
pn
- s
p n Pp n
)
2……….…...(2.8)ini pada
dasarnya sama dengan mencari suatu nilai minimum global dari E.
2.6 Algoritma Quickpropagation
w
=
di mana n adalah banyaknya unit pada output layer. Tujuan dari training
Salah satu metode paling awal yang diusulkan untuk mengatasi masalah
lamanya waktu training adalah dengan menambahkan term momentum :
ij
ij
w E
ij
(t) +
w(t-1)
………...…(2.9)ini dapat bekerja dengan baik
pada k
di mana parameter momentum m akan menentukan besarnya pengaruh
perubahan bobot pada iterasi sebelumnya. Cara
asus tertentu, namun tidak bersifat umum. Kadang-kadang malah diperoleh
hasil yang lebih baik tanpa menggunakan momentum sama sekali (Riedmiller,
1994).Ada beberapa algoritma yang telah diusulkan untuk mempercepat proses
training pada jaringan multilayer. Di antaranya adalah algoritma Quickprop
Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa
kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola
yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak
terpengaruh oleh bobot-bobot yang lain (Fahlman, 1988). Dengan demikian
perhitungan perubahan bobot hanya menggunakan informasi lokal pada
masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai
berikut : ) 1 ( * ) ( ) 1 ( ) ( ) ( ) (
t E
w
w t
t w E t w t w E E t w ………..(2.10) Dimana :
: perubahan bobot
: perubahan bobot pada epoch sebelumnya
ing rate ) (t w ) 1 (
w t
: learn
) (t w E
: derivatif error
) 1 (
w t : derivatif error pada epoch sebelumnya
2.7. Norma
E
lisasi
Sesuai dengan teori Jaringan Syaraf tiruan, pelatihan akan lebih cepat jika
nilai masukannya berada pada nilai ran
aktifasi yang digunakan adalah fungsi sigmoid bipolar, maka nilai input layer
akan dikonversikan antara range [1,-1] . Proses konversinya dapat dapat
dirum
ge fungsi aktifasinya. Karena fungsi
1
2
) ( ) (
Z
i ja
b
a
x
i j……….(2.11)
Dima a :
J
x : data
a : data terendah
t
2.8.
untuk mengubah hasil dari proses Feedforward yaitu
dari r tivasinya menjadi nilai sebenarnya. Proses ini dapat dirumuskan
sebagai berikut :
X
i(j)=
n
I : 0,1,..,jumlah data-1
: 0,1,... jumlah data set -1
z : input layer
b : da a tertinggi
Denormalisasi
Proses ini digunakan
ange nilai ak
(j)
(Z
i+1)*(b-a)
+b
...(2.12)2
Dim na :
I : 0,1,..,jumlah data-1
J : 0,1,... jumlah data set -1
z : input layer
x : data
a : data terendah
b : data tertinggi
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini akan dijelaskan beberapa point penting selama proses
perancangan sistem yang akan dibuat, mulai dari proses pre-processing hingga
penerapan jaringan syaraf tiruan quickpropagation.
3.1. Analisis Permasalahan
Perkembangan perekonomian dewasa ini membawa pengaruh yang sangat
besar bagi segala aspek kehidupan. Istilah ekonomi selalu ditafsirkan dengan
uang, selanjutnya berakibat timbulnya transaksi internasional, baik perdagangan,
investasi, maupun kegiatan porto polio terutama di pasar uang dunia. Kegiatan
transaksi di suatu negara pastilah menggunakan mata uang negara itu sendiri,
namun kegiatan transaksi perekonomian seluruh dunia yang mencakup banyak
negara saat ini berpatokan pada mata uang Dollar Amerika selain itu mata uang
Yen Jepang dan Euro Eropa juga ikut berperan dalam transaksi yang dilakukan.
Transaksi juga dapat dikatakan sebagai ”pertukaran”, sebagaimana bila
suatu barang ditukar dengan barang lain akan terdapat perbandingan nilai tukar
antara keduanya yang merupakan ”harga” dari pertukaran tersebut. Oleh karena
itu, pertukaran oleh dua mata uang yang berbeda akan terdapat pula perbandingan
nilai atau harga antara kedua mata uang tersebut. Perbandingan anatara nilai inilah
yang disebut dengan kurs (exchange rate). Suatu kenaikan dalam kurs tersebut
disebut juga depresiasi atau penurunan nilai mata uang dalam negeri terhadap
kenaikan dalam nilai mata uang dalam negeri. Berbicara tentang kurs, perlu
diketahui bahwa sering terdapat berbagai tingkat kurs untuk satu valuta asing.
3.2. Metode Quickpropagation
Pada algoritma Quickpropagation dilakukan pendekatan dengan asumsi
bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk
parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot
tidak terpengaruh oleh bobot-bobot yang lain (Fahlman, 1988). Dengan demikian
perhitungan perubahan bobot hanya menggunakan informasi lokal pada
masing-masing bobot.
Pada Algoritma Quickpropagation juga dilakukan pendekatan dengan
asumsi bahwa masing-masing bobot penghubung tidak terpengaruh oleh bobot
yang lain. Salah satu metode paling awal yang diusulkan untuk mengatasi masalah
lamanya waktu training adalah dengan menambahkan term momentum.
di mana parameter momentum m akan menentukan besarnya pengaruh
perubahan bobot pada iterasi sebelumnya. Cara ini dapat bekerja dengan baik
pada kasus tertentu, namun tidak bersifat umum. Kadang-kadang malah diperoleh
hasil yang lebih baik tanpa menggunakan momentum sama sekali (Riedmiller,
1994).Ada beberapa algoritma yang telah diusulkan untuk mempercepat proses
training pada jaringan multilayer. Di antaranya adalah algoritma Quickprop,
3.3. Feedforward Neural-Network
Sebuah jaringan saraf feedforward (Feedforward Neural-Network)
merupakan jaringan saraf buatan dimana hubungan antara
unit tidak membentuk siklus. Ini berbeda dari jaringan saraf berulang.
Feedforward neural network adalah jenis jaringan saraf tiruan pertama yang
dibuat sederhana dan paling diperdebatkan. Dalam jaringan ini, informasi mampu
bergerak dalam satu arah, ke depan, dari input node, melalui node
tersembunyi/hidden node (jika ada) dan output node. Tidak ada siklus atau loop
dalam jaringan. Pada sistem prediksi kurs mata uang ini menggunakan Multi-layer
Perceptron yaitu jaringan yang terdiri dari beberapa lapisan unit komputasi,
biasanya saling terkait dalam feedforward. Setiap neuron dalam satu lapisan telah
mengarahkan koneksi ke neuron pada lapisan berikutnya. Dalam banyak aplikasi,
unit jaringan ini menerapkan fungsi sigmoid sebagai fungsi aktivasi.
Gambar 3.1. Permodelan Multi-layer Perceptron.
Tiga lapisan Perceptron-net mampu menghitung XOR. Angka-angka
dalam Perceptron mewakili masing-masing ambang batas eksplisit
[image:48.595.185.365.480.628.2]input. Net ini mengasumsikan bahwa jika tidak tercapai ambang batas (treshhold),
nol (bukan -1) adalah output. Perhatikan bahwa lapisan bawah masukan tidak
selalu dianggap sebagai perceptron nyata lapisan.
3.4. Algoritma Program
Dalam sistem prediksi kurs mata uang ini akan dilakukan beberapa
langkah pemrograman dari mulai pre-processing, pelatihan, dan prediksi. Adapun
langkah-langkah tersebut adalah :
a. Normalisasi inputan nilai mata uang.
b. Pelatihan dengan quickpropagation
c. Simpan bobot JST
d. Prediksi dengan feed forward
e. Denormalisasi nilai output JST untuk menghasilkan nilai mata uang.
3.5. Perancangan Sistem
Perancangan sistem disini menggunakan procest analyst dari Power
Designer 6.1. dan Power Designer 11 Sybase. Perancangan sistem digunakan
untuk menggambarkan aliran data yang ada antara proses dalam bentuk diagram.
Secara garis besar sistem prediksi kurs mata uang yang dibangun di sini dibagi
menjadi dua bagian utama, yaitu :
a. Sistem Pelatihan : digunakan untuk pelatihan yang akan menghasilkan
b. Sistem Testing : digunakan untuk melakukan pengecekan data hasil
prediksi hari ini dari data hasil pelatihan/Training dengan data riil yang
ada di website resmi Bank Indonesia.
c. Sistem Prediksi : Digunakan untuk memprediksi nilai mata uang yang
akan dihasilkan.
Baik sistem pelatihan (Training) ataupun sistem prediksi memiliki proses
pengolahan data tersendiri. Untuk sistem pelatihan meliputi proses normalisasi
data, kemudian proses training dengan Quickpropagation, setelah itu akan
dilakukan proses update bobot dan perhitungan error yang kemudian akan
digunakan untuk sistem prediksi. Di sistem prediksi juga terdapat beberapa
proses. Yang pertama adalah proses feedforward, lalu proses update bobot serta
perhitungan error yang baru, kemudian proses denormalisasi dari data-data hasil
prediksi untuk mendapatkan hasil prediksi mata uang tersebut.
Untuk garis besar program adalah user akan meng-inputkan nilai dari kurs
jual serta kurs beli hari ini dari mata uang yang akan diprediksi. Kemudian
inputan tersebut akan melewati proses normalisasi agar diperoleh nilai yang sesuai
untuk penghitungan fungsi aktivasi. Setelah itu sistem akan men-training dengan
menggunakan JST dari data yang telah ada, sehingga diperoleh bobot JST baru
dari hasil Training yang kemudian disimpan menjadi suatu bentuk file baru untuk
data prediksi. Kemudian sistem akan masuk ke proses utama, yaitu prediksi kurs
mata uang yang nantiny hasil prediksi akan di-denormalisasi sehingga diperoleh
nilai kurs beli dan kurs jual esok hari yang valid. Hasil dari prediksi bisa berupa
hasil per hari ataupun hasil dari range tanggal tertentu sesuai dengan yang user
START
Input Nilai Mata Uang
Normalisasi
Bobot JST Hasil Training
Trainer JST
Sistem Prediksi
[image:51.595.266.400.78.567.2]END Denormalisasi
Gambar 3.2. Diagram Alir Program.
Gambar diatas adalah diagram alir program secara umum, yang dimana
masing-masing proses juga memiliki algoritma tersendiri. Sedangkan untuk detail
algoritma dari sistem Trainer JST ini meliputi inputan-inputan dari MGF, Laju
Gambar 3.3. Algoritma Trainer JST.
Sebelum masuk ke proses-proses yang ada di sistem, data akan melewati
kondisi-kondisi yang disesuaikan dengan inputan sehingga didapatkan inputan
Feedforward, proses Quickpropagation, dan proses update bobot dan perhitungan
error.
Proses Feedforward adalah proses tahap maju dimana di antara lapisan
masukan dan keluaran, terdapat satu atau lebih lapisan tersembunyi (hidden
[image:53.595.168.476.221.639.2]layer). Hubungan antar lapisan berlangsung satu arah.
Gambar 3.4. Algoritma Feedforward.
Kemudian pada proses Quickpropagation merupakan metode yang
dgunakan untuk melakukan proses pelatihan (training) pada sistem prediksi mata
ini sudah di-normalisasi terlebih dahulu dan kemudian menggunakan feedforward
untuk selanjutnya dilakukan proses ini. Pada proses Quickpropagation dilakukan
pendekatan dengan asumsi bahwa masing-masing bobot penghubung tidak
[image:54.595.170.494.193.637.2]terpengaruh oleh bobot yang lain.
Gambar 3.5. Algoritma Quickpropagation.
Sedangkan pada proses update bobot dan perhitungan error merupakan
uang. Hasil bobot-bobot yang baru akan disimpan menjadi file extension baru
yaitu berformat .JST, yang dimana file tersebut memuat data dari masing-masing
mata uang. Untuk perhitungan error-nya disesuaikan dengan inputan user yang
telah ditetapkan sewatu user menginputkan di program, dan merupakan hasil
[image:55.595.166.457.217.644.2]paling minimal dari error yang ditentukan.
Gambar 3.6. Algoritma Update Bobot dan Perhitungan Error.
Setelah proses sistem pelatihan (Trainer JST) selesai, akan masuk ke
proses utama berikutnya, yaitu proses sistem prediksi. Di proses utama ini user
hari dan juga untuk range tanggal tertentu. Data-data yang dipakai merupakan
bobot-bobot baru yang telah di-update dari sistem pelatihan (Trainer JST) serta
data-data kurs mata uang yang telah di-normalisasi. Disini user hanya perlu
memasukkan data kurs mata uang, yaitu kurs jual dan kurs beli hari ini. Kemudian
sistem akan melakukan prediksi berdasarkan data-data yang telah diproses lalu
data-data tersebut akan di-denormalisasi sehingga tercipta data kurs mata uang
yaitu kurs jual dan kurs beli hari esok ataupun pada range tanggal tertentu yang
valid.
Hasil_Prediksi_Mata_Uang Hasil_Pelatihan
Data_Mata_Uang_Baru Data_Fluktuasi_Mata_Uang
0
Sistem_JST_Peramalan_Kurs_ Mata_Uang
+ Bursa_Efek
3.5.1. Context diagram
Context diagram berfungsi memetakan model lingkungan
(menggambarkan hubungan antara entitas luar, masukan dan keluaran sistem),
yang direpresentasikan dengan lingkaran tunggal yang mewakili keseluruhan
sistem. DFD levelled menggambarkan sistem sebagai jaringan kerja antara fungsi
yang berhubungan satu sama lain dengan aliran dan penyimpanan data, model ini
mampu memodelkan sistem dari sudut pandang fungsi.
Gambar 3.8. Context Diagram Sistem JST Peramalan Kurs Mata uang.
3.5.2. Diagram Aliran Data ( Data Flow Diagram )
Diagram aliran data (DFD) dari sistem prediksi kurs mata uang terdiri dari
2 bagian utama, yaitu: Sistem Pelatihan Quickpropagation dan Sistem Prediksi
Kurs Mata Uang. Gambar 3.9 menunjukkan DFD level 0 dari Sistem JST
Gambar 3.9. DFD Level 0 Sistem JST Peramalan Kurs Mata Uang.
Sistem Pelatihan Quickpropagation dijabarkan lebih lanjut dengan DFD
level 1 yang ditunjukkan pada gambar 3.10. Training data set terdiri nilai mata
uang . Training data set akan mengalami preprocessing berupa normalisasi nilai
mata uang itu sendiri yang akan dijadikan sebagai input untuk proses training
yang menggunakan jaringan syaraf tiruan quickpropagation. Setelah proses
training selesai, akan dihasilkan nilai bobot jaringan syaraf tiruan yang disimpan
ke dalam file. File ini nantinya akan digunakan di dalam proses sistem prediksi
Gambar 3.10. DFD Level 1Sistem Pelatihan Quickpropagation.
Sedangkan penjabaran lebih lanjut dari Sistem Prediksi Kurs Mata Uang
yang berupa DFD level 1 ditunjukkan pada gambar 3.11.
User memasukkan data nilai mata uang yang akan diprediksi. Nilai mata
uang masukkan ini akan melalui proses preprocessing. Setelah didapatkan nilai
inputan, maka inputan ini akan digunakan pada proses JST, proses ini sampai
pada tahap maju / feedforward. Pada proses JST nilai bobot diambil dari file yang
berisi nilai bobot hasil dari pelatihan sebelumnya.
3.6. Entity Relationship Diagram (ERD)
Entity Relationship Diagram atau ERD merupakan suatu model untuk
menjelaskan hubungan antar data dalam basis data berdasarkan objek-objek dasar
data yang mempunyai hubungan antar relasi. ERD juga untuk untuk memodelkan
struktur data dan hubungan antar data, untuk menggambarkannya digunakan
beberapa notasi dan simbol.
memproses mengambil mengakses memakai t_mata_uang nama kode lambang <pi> VA20 VA10 VA10 <M> kode <pi> t_transaksi id_transaksi tanggal no_valas kurs_jual kurs_beli <pi> I D I F F <M> id_transaksi <pi> t_jst id_jst tgl_jst valas_jst kurs_jual_jst kurs_beli_jst <pi> I D VA20 F F <M> id_jst <pi> t_prediksi id_prediksi tgl_prediksi valas_prediksi kurs_jual_prediksi kurs_beli_prediksi <pi> I D VA20 F F <M> id_prediksi <pi> user id_user nama_user username password otoritas <pi> I VA20 VA20 VA10 VA20 <M> id_user <pi>
a. Conceptual Data Model (CDM)
FK_T_TRANSA_MEMPROSES_T_MATA_U FK_T_REPORT_MENGAMBIL_T_JSTFK_T_REPORT_MENGAMBIL_T_PREDIK FK_T_TRANSA_MENGAKSES_USER FK_T_PREDIK_MEMAKAI_USER t_mata_uang na ko ma de lambang varchar(20) varchar(10) varchar(10) <pk> t_transaksi id_transaksi kode id_user tanggal no_valas kurs_jual kurs_beli int varchar(10) int datetime int float float <pk> <fk1> <fk2> t_jst id_jst tgl_jst valas_j kurs_j kurs_b st ual_jst eli_jst int datetime varchar(20) float float <pk> t_prediksi id_prediksi id_user tgl_prediksi valas_prediksi kurs_jual_prediksi kurs_beli_prediksi int int datetime varchar(20) float float <pk> <fk> user id_user nama_user username password otoritas int varchar(20) varchar(20) varchar(10) varchar(20) <pk> t_report id_jst id_prediksi valas_report tgl_report kurs_jual_report kurs_beli_report int int varchar(20) datetime float float <pk,fk1> <pk,
