BACKPROPAGATION
SKRIPSI
DWIKY HERMAWAN
081402007
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
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
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,
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
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.
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,
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,
Hal.
PERSETUJUAN ... ii
PERNYATAAN ... iii
UCAPAN TERIMA KASIH ... iv
ABSTRAK ... v
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
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
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
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 3.10 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
Gambar 4.10 Grafik Hasil Testing 74
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,
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,
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
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
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
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
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
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
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
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
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).
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 :
3. Commonsence reasoning : a. Robot control
Computer vision
Natural Language Processing (NLP)
NLP NLP NLP
NLP 2. Tugas formil (Formal task)
1. Games :
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 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).
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
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
_
(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
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)
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
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$%&
(2.10)
!′( ) = '!( )[1 − !( )]
Gambar 2.6 Fungsi Aktivasi Sigmoid Biner (Kusumadewi, 2010)
2. Fungsi Sigmoid Bipolar
Fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saja keluaran dari fungsi ini antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan seperti berikut ini :
= !( ) =1 + #1 − #$%&$&
(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
=
(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
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
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
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%
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.
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
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
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
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
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.
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
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
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
(www.histdata.com) dari tanggal 3 Januari 2005 s.d. 31 Desember 2013 sebanyak
2339 data seperti yang dirangkum pada tabel 3.1.
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
metode backpropagation hingga diperoleh hasil prediksi. Adapun gambaran algoritma dari metode backpropagation dapat dilihat pada gambar 3.2
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 :
= 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)
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
( -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
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
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
Tabel 3.2 Use Case Specification Home
Tipe Use Case Penjelasan
Nama use case Home
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
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
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
