NASKAH PUBLIKASI
PROYEK TUGAS AKHIR
IMPLEMENTASI JARINGAN SYARAF TIRUAN
UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
DENGAN ALGORITMA BACKPROPAGATION
Program Studi Informatika
Fakultas Teknologi Informasi dan Elektro
Disusun Oleh;
Wahyu Aji Prabowo
5130144394
PROGRAM STUDI INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI DAN ELEKTRO
UNIVERSITAS TEKNOLOGI YOGYAKARTA
Implementasi Jaringan Syaraf Tiruan Untuk Prediksi Nilai Tukar Rupiah
Terhadap Dollar Amerika Dengan Algoritma Backpropagation
Wahyu Aji Prabowo
Porgram Studi Informatika, Fakultas Teknologi Informasi dan Elektro Universitas Teknologi Yogykarta
Jl. Ringroad Utara Jombor Sleman Yogyakarta
E-mail : wahyuajiprabowo3003@gmail.com
ABSTRAK
Perdangan valas merupakan salah satu bentuk investasi yang sekarang banyak diminati oleh para investor. Seperti perdangan valas mata uang Rupiah dengan mata uang Dolla Amerika. Akan tetapi fluktuasi yang tinggi mengakibatkan kekhawatiran bagi para pedagang valas dan masyarakat umum terhadap perubahan harga tersebut. Oleh karena itu, tujuan penelitian ini adalah dapat membangun sebuah sistem yang mampu memprediksi nilai tukar Rupiah terhadap Dollar Amerika dengan menggunakan algoritma backpropagation. Dalam proses implementasi program pada penelitian ini diperoleh akurasi dengan menggunakan data uji baru sebesar 99.85% dengan Mean Average Percentage Error (MAPE) 0.15%. Parameter yang digunakan untuk memperoleh akurasi tersebut menggunakan Iterasi (epoch) 137000, hidden layer 11, learning rate 0.5 dan target error 0.00001.
Kata kunci : Prediksi, Nilai Tukar Rupiah, Backpropagation, Mean Absolute Percentage Error (MAPE)
1. PENDAHULUAN
1.1. Latar Belakang
Menurut Adiningsih, dkk (1998:155), nilai tukar rupiah adalah harga rupiah terhadap mata uang negara lain. Jadi, nilai tukar rupiah merupakan nilai mata uang rupiah yang ditranslasikan ke dalam mata uang negara lain. Misalnya nilai tukar rupiah terhadap dolar Amerika, nilai tukar rupiah terhadap euro dan sebagainya. Perdagangan valas pada awal mulanya dilakukan secara konvensional yaitu dengan menukarkan suatu mata uang dengan mata uang negara lain secara fisik. Namun seiring berkembangnya teknologi transaksi dapat dilakukan secara online
melalui aplikasi yang disediakan untuk melakukan
trading. Pada umumnya pasangan Rupiah yang digunakan dalam perdagangan valas adalah mata uang yang dominan. Mata uang yang dominan dipilih karena mata uang tersebut merupakan mata uang yang sering digunakan sebagai alat pembayaran dalam transaksi internasional, contohnya adalah mata uang Dollar Amerika (USD). Berdasarkan data nilai tukar rupiah dari Bank Indonesia dari tahun 2013 sampai dengan 2017, nilai tukar rupiah terhadap dollar amerika mengalami fluktuasi namun cenderung melemah. Hal ini mengakibatkan kekhawatiran bagi pihak-pihak yang berkepentingan khusunya bagi para pedagang valas untuk mencari waktu yang tepat
melakukan proses penukaran uang. Oleh karena itu diperlukan sebuah sistem yang mampu memprediksi nilai tukar mata uang tersebut pada hari berikutnya.
Jaringan syaraf tiruan merupakan salah satu metode yang dapat digunakan untuk memprediksi nilai tukar suatu mata uang. Hal ini dikarenakan di dalam jaringan syaraf tiruan terdapat proses pelatihan (training) dimana sistem akan mempelajari pola data yang telah dimasukkan ke dalam sistem sehingga nantinya akan mampu menghasilkan akurasi ketika dilakukan proses pengujian (testing).Backpropagation
merupakan sebuah metode sistematik pada jaringan syaraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya dipakai oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation merupakan jenis pelatihan terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dan keluaran nyata (F.Suhandi,2009).Berdasarkan permasalahan di atas, penulis mencoba memberikan sebuah solusi dengan melakukan penelitian yang mengambil judul “Implementasi Jaringan Syaraf Tiruan Untuk Prediksi Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Dengan Algoritma
berkepentingan dalam memprediksi nilai tukar mata uang tersebut pada hari berikutnya.
1.2 Tujuan
Tujuan dari penelitian ini adalah mampu menghasilkan sebuah sistem yang mampu memprediksi nilai tukar rupiah terhadap dollar amerika dengan akurasi yang tinggi, sehingga dapat membantu bagi orang-orang yang berkepentingan khusunya para pedagang valas dan masyarakat umum yang ingin mengetahui nilai tukar rupiah dimasa mendatang.
2. LANDASAN TEORI
2.1. Nilai Tukar Rupiah
Menurut Triyono (2008), nilai tukar rupiah adalah perbandingan nilai atau harga mata uang rupiah terhadap mata uang negara lain. Nilai tukar biasanya berubah-ubah, perubahan nilai tukar dapat berupa depresiasai atau apresiasi. Depresiasi mata uang rupiah terhadap Dollar Amerika Serikat artinya penurunan harga Dollar Amerika Serikat terhadap rupiah. Apresiasi rupiah terhadap Dollar Amerika Serikat adalah kenaikan rupiah terhadapa Dollar Amerika Serikat. Apresiasi mata uang suatu negara membuat harga barang-barang domestik menjadi mahal bagi pihak luar negeri.
2.2. Jaringan Syaraf Tiruan
Menurut Hermawan, A., (2006), jaringan perambatan galat mundur (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan.
Algoritma pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan.
3. METODOLOGI PENELITIAN
3.1. Pengumpulan Data
Terdapat beberapa teknik yang digunakan oleh penulis dalam mengumpulkan data nilai tukar rupiah terhadap dollar Amerika, yaitu:
1. Observasi
Melakukan proses pengamatan terhadap nilai tukar Rupiah terhadap Dollar Amerika yang terdapat pada situs-situs web yang menyediakan info tersebut maupun melalu media pemberitaan. 2. Wawancara
Proses pencarian data nilai tukar rupiah terhadap dollar dengan cara memberikan pertanyaan secara langsung terhadap Bapak Dadang Purwanta, SE., M.M., selaku dewan komisaris PT BPR Nusantara Artha Makmur untuk mendapatkan data nilai tukar Rupiah terhadap Dollar Amerika.
3. Dokumen atau Literatur
Proses pengumpulan data ini dilakukan oleh penulis dengan cara mengumpulkan referensi jurnal, proposal peneliti terdahulu, dan buku-buku yang berhubungan dengan penelitian yang dilakukan penulis.
4. HASIL DAN PEMBAHASAN
4.1. Perancangan Sistem
Sistem yang dibuat berbentuk program berbasis
dekstop dengan menggunakan Delphi 7 sebagai bahasa pemrogramannya. Sistem ini dirancang untuk memprediksi data nilai tukar rupiah pada masa mendatang, sehingga dapat membantu bagi para pedagang valas dan masayarakat umum dalam mengambil keputusan kapan untuk membeli atau menjual mata uang Rupiah terhadap Dollar Amerika.
Untuk dapat menghasilkan prediksi nilai tukar rupiah dimasa mendatang dengan menggunakan algoritma backpropagation, terlebih dahulu harus menentukan parameter yang akan digunakan dalam mendukung proses prediksi nilai tukar Rupiah terhadap Dollar Amerika dengan algoritma
1. Flowchart
Pada flowchart ini digambarkan alur pada saat proses pelatihan program dimana program akan melakukan proses pembelajaran (training) terlebih dahulu untuk mendapatkan bobot yang optimal. Bobot tersebut nantinya akan digunakan pada saat proses pengujian sistem.
Gambar 1 Flowchart Pelatihan
Pada flowchart selanjutnya adalah fowchart pada saat peroses pengujian sistem. Pada saat proses pengujian sistem, bobot optimal yang didapatkan pada proses pelatihan sebelumnya akan digunakan proses ini. Proses pengujian berfungsi untuk dapat mengetahui seberapa besar akurasi yang diperoleh dengan menggunakan bobot optimal pada saat proses pelatihan sebelumnya. Apabila hasil akurasi yang didapatkan tinggi pada saat proses pengujian maka bobot tersebut dapat digunakan untuk melakukan proses prediksi nilai tukar Rupiah terhadap Dollar Amerika. Flowchart proses pengujian dapat dilihat pada Gambar 2.
Gambar 2 Flowchart pengujian
2. Diagram Alir Data (DAD) a. Diagram Konteks
Diagram konteks merupakan gambaran umum dari program prediksi nilai tukar Rupiah terhadap Dollar Amerika.
Gambar 3 Diagram konteks
b. DAD Level 1
Pada diagram level 1 menggambarkan 4 proses yang terdapat didalam sistem. Terdapat proses login, home master dan laporan. Diagram Alir Data Level 1 merupakan diagram yang lebih rinci lagi dari diagram konteks.
Mulai
Penjumlahan Bobot pada unit tersembunyi
Fungsi aktivasi yang digunakan
Penjumlahan bobot pada unit keluaran
Fungsi aktivasi yang digunakan
Perambatan Balik Galat (Backpropagation) Menghitung galat tiap unit keluaran
Hitung koreksi bobot dan prasikapnya
Penjumlahan delta lapisan tersembunyi
Hitung galat informasinya
Hitung Koreksi Bobot dan prasikapnya
Memperbaharui bobot unit keluaran dan prasikapnya
Memperbaharui bobot unit tersembunyi dan prasikapnya
Mulai
Penjumlahan Bobot pada unit tersembunyi
Fungsi aktivasi yang digunakan
Penjumlahan bobot pada unit keluaran
Fungsi aktivasi yang digunakan
MSE Hasil Prediksi Nilai Tukar Rupiah
Input MaxEpoch Input Parameter JST
Gambar 4 Diagram Alir Data Level 1 4.2 Implementasi
1. Pelatihan
Gambar 5 Implementasi proses pelatihan
Pada gambar 5 merupakan implementasi proses pelatihan kedalam sistem, didalam form pelatihan terdapat parameter epoch, hidden layer, learning rate,
dan target error. Kemudian setelah parameter sudah dimasukan selanjutnya parameter dan data akan diproses dengan menggunakan algoritma
backpropagation.
2. Pengujian
Proses pengujian merupakan proses pengujian sistem dengan menggunakan bobot optimal yang didapatkan sebelumnya pada proses pelatihan. Bobot optimal tersebut digunakan untuk mengetahui apakah bobot tersebut dapat menghasilkan akurasi yang tinggi atau belum. Apabila bobot tersebut menghasilkan akurasi yang tinggi, maka bobot tersebut dapat digunakan untuk memprediksi nilai tukar Rupiah terhadap Dollar Amerika. Implementasi prose pengujian dapat dilihat pada Gambar 6.
Gambar 6 Implementasi proses pengujian
3. Prediksi
Pada form prediksi pengguna dapat melakukan proses prediksi setelah memilih tanggal berapa yang dipilih untuk dilakukan proses prediksi. Setalah proses dilakukan, kemudian menghasilkan hasil prediksi, batas atas prediksi dan batas bawah prediksi
Gambar 7 Implementasi proses prediksi
4. Hasil Pengujian Data
Berikut adalah hasil pengujian yang dilakukan terhadap data uji baru. Pada proses pengujian data uji baru data nila tukar rupiah yang digunakan adalah pada periode bulan januari 2014-februari 2014. Hasil pengujian data uji baru dapat dilihat pada Tabel 1.
Tabel 1 Hasil Pengujian Data Info Prediksi Nilai Tukar Rupiah
tb_prediksi
Laporan Data Prediksi Pelatihan Pengujian
Prediksi PengujianPelatihan
Prediksi Info Data RupiahData Rupiah
Data Hasil Prediksi
Info Bobot b2Bobot b2
Info bobot b1Bobot b1
tb_w2 Info bobot w1
Bobot w1
Info bobot w2Bobot w2
Tabel 1 Lanjutan
5. Hasil Prediksi
Berikut ini adalah hasil prediksi nilai tukar rupiah terhadap dollar amerika yang dilakukan pada periode bulan Mei 2017-Juni 2017. Dengan Mean Average Percentage Error (MAPE) sebesar 0.40 % diperoleh hasil prediksi, batas atas dan batas bawah seperti pada Tabel 2.
Tabel 2 Hasil Prediksi
Tabel 2 Lanjutan
5. PENUTUP
5.1. Kesimpulan
Berdasarkan hasil penelitan dan hasil program yang dilakukan oleh penulis, sistem prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika dengan menggunakan Algoritma Backpropagation dapat diimplementasikan menjadi program yang mampu menghasilkan akurasi prediksi dengan tingkat akurasi yang tinggi. Akurasi yang didapatkan dari program ini dengan menggunakan data uji baru sebanyak 35 data adalah sebesar 99.85%. Iterasi (epoch) yang diperoleh sehingga dapat menghasilkan bobot optimal dan akurasi seperti diatas adalah 137000 iterasi (epoch) dengan hiden layer 11, learning rate 0.5 dan target error 0.00001. Sehingga sistem ini mampu
No Tanggal Harga Hasil Uji Error (%) Hasil
11 2017-01-25 13340 13354 0.112443 Benar
12 2017-01-26 13325 13352 0.202626 Benar
13 2017-01-27 13359 13337 0.172168 Benar
14 2017-01-30 13335 13369 0.254968 Benar
15 2017-01-31 13343 13351 0.067451 Benar
16 2017-02-01 13349 13358 0.067420 Benar
17 2017-02-02 13374 13364 0.082249 Benar
18 2017-02-03 13362 13380 0.127226 Benar
19 2017-02-06 13329 13375 0.345112 Benar
20 2017-02-07 13322 13347 0.187659 Benar
21 2017-02-08 13337 13340 0.029991 Benar
22 2017-02-09 13308 13347 0.293056 Benar
23 2017-02-10 13318 13323 0.037543 Benar
24 2017-02-13 13330 13339 0.060015 Benar
25 2017-02-14 13330 13345 0.112528 Benar
26 2017-02-16 13329 13343 0.105034 Benar
27 2017-02-17 13328 13348 0.157563 Benar
28 2017-02-20 13352 13344 0.059916 Benar
29 2017-02-21 13370 13363 0.052356 Benar
30 2017-02-22 13356 13379 0.172207 Benar
31 2017-02-23 13360 13369 0.074850 Benar
32 2017-02-24 13336 13375 0.284943 Benar
33 2017-02-27 13339 13350 0.074968 Benar
34 2017-02-28 13347 13353 0.037461 Benar
No Tanggal Prediksi Harga Batas Atas Batas Bawah
1 2017-05-02 13339 13393 13286
2 2017-05-03 13334 13387 13280
3 2017-05-04 13322 13375 13268
4 2017-05-05 13346 13400 13293
5 2017-05-08 13348 13401 13295
6 2017-05-09 13341 13395 13288
7 2017-05-10 13339 13392 13286
8 2017-05-12 13365 13418 13311
9 2017-05-15 13351 13404 13297
10 2017-05-16 13339 13393 13286
11 2017-05-17 13321 13374 13268
12 2017-05-18 13320 13373 13267
13 2017-05-19 13354 13408 13301
14 2017-05-22 13413 13466 13359
15 2017-05-23 13319 13372 13265
16 2017-05-24 13326 13380 13273
17 2017-05-26 13329 13382 13276
18 2017-05-29 13300 13353 13247
19 2017-05-30 13339 13393 13286
20 2017-05-31 13350 13404 13297
21 2017-06-02 13335 13388 13281
22 2017-06-05 13334 13387 13280
23 2017-06-06 13308 13361 13255
24 2017-06-07 13303 13357 13250
25 2017-06-08 13324 13377 13271
26 2017-06-09 13331 13384 13278
27 2017-06-12 13315 13368 13261
28 2017-06-13 13315 13369 13262
29 2017-06-14 13312 13365 13258
30 2017-06-15 13304 13357 13251
31 2017-06-16 13305 13359 13252
32 2017-06-19 13317 13370 13264
33 2017-06-20 13305 13358 13252
34 2017-06-21 13318 13371 13265
memprediksi nilai tukar rupiah dengan akurasi hampir 100% dan dapat membantu bagi para pedagang valas maupun masyarakat umum dalam mengambil keputusan.
5.2. Saran
Kekurangan sistem ini adalah sistem yang dibangun belum terkoneksi dengan website Bank Indonesia sebagai penyedia data nilai tukar rupiah sehingga proses update data nilai tukar rupiah belum dapat dilakukan secara otomatis. Disarankan bagi pengembang selanjutnya untuk dapat menambahkan
feature yang dapat mengkoneksikan sistem dengan
website Bank Indonesia sebagai penyedia data nilai tukar rupiah sehingga akan mempermudah proses
update data nilai tukar rupiah kedalam sistem ketika terdapat data nilai tukar rupiah baru.
DAFTAR PUSTAKA
[1] Afrianto, R.B. Tjandrasa, H. Arieshanti, I. Informatika, T. dan Informasi, F.T. (2013),
PREDIKSI PERGERAKAN HARGA SAHAM
MENGGUNAKAN METODE BACK
PROPAGATION NEURAL NETWORK, , 3(3), 132–141.
[2] Agustin, M. (2012), Penggunaan Jaringan Syaraf Tiruan Backpropagation untuk Seleksi Penerimaan Mahasiswa Baru pada Jurusan Teknik Komputer di Politeknik Sriwijaya,
Universitas Diponegoro, 2, 4–32.
[3] Ahmar, A.S. (2013), Modifikasi Template CMS Lokomedia, Yogyakarta: Garudhawaca.
[4] Anwary, A.A. (2011), Prediksi Kurs Rupiah
Terhadap Dollar Amerika Menggunakan Metode Fuzzy Time Series, , 18.
[5] Fathansyah (2012), Basis Data, P. Informatika, Ed. Bandung.
[6] Hermawan, A. (2006), Jaringan Syaraf Tiruan Teori dan Aplikasi, Andi, Ed. Yogyakarta: Andi.
[7] Jauhari, D. Hanafi, A. Y, M.F.A. Satria, A.R. dan H, L.H. (2016), Prediksi Nilai Tukar Rupiah Terhadap US Dollar Menggunakan Metode
Genetic Programming, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 3(4), 285–291.
[8] Kusnassriyanto (2011), Belajar Pemrograman Delphi, Modul, Ed. ed. 1 Bandung.
[9] Kusumadewi, F. (2014), PERAMALAN HARGA EMAS MENGGUNAKAN FEEDFORWARD NEURAL NETWORK DENGAN ALGORITMA BACKPROPAGATION, , 7.
[10] Meishytah Eka Aprilianti, Dedi Triyanto, I. (2010), Aplikasi Jaringan Syaraf Tiruan Untuk Memprediksi Volume Pemakaian Air Bersih Di Kota Pontianak, , 1–8.
[11] Siang, Jong Jek, (2005), Jaringan Syaraf Tiruan & Pemrogrammannya Menggunakan Matlab, Yogyakarta: Andi Offset.
[12] Suhendra, C.D. dan Wardoyo, R. (2015),
Penentuan Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal dan Bias Awal) Menggunakan Algoritma Genetika, Ijccs, 9(1), 77–88.
[13] Sukamto, R.A. dan Salahuddin, M. (2016),
Rekayasa Perangkat Lunak, Bandung: Informatika Bandung.
[14] Talahatu, J. Benarkah, N. dan Jimmy (2015),
PENGGUNAAN APLIKASI SISTEM
JARINGAN SYARAF TIRUAN BERULANG ELMAN UNTUK PREDIKSI PERGERAKAN HARGA SAHAM Julian Talahatu, Njoto Benarkah dan Jimmy, , 4(2), 1–12.
[15] Yanto, R. (2016), Manajemen Basis Data
menggunakan MySQL, Yogyakarta:
Deepublish