Neural Network Implementation in Foreign Exchange Kurs Prediction

Dini Oktaviani Maru'ao

Undergraduate Program, Faculty of Industrial Engineering, 2010

Gunadarma University

http://www.gunadarma.ac.id

Keywords : Foreign currency exchange rate prediction, Neural Network, Bacpropagation

Abstract

Technology neural network system has been implemented in various applications,

especially in terms of forecasting (forecasting), including backpropagation that can be applied to

predict foreign exchange rates. There are two steps being taken in this backpropagation method

of training and testing phases. In this network backpropagation algorithm is given a pair of

pattern - a pattern that consists of the input pattern and desired pattern. When a pattern is given

to the network, weights - weights modified to minimize the differences in the pattern of output

and the desired pattern. This exercise is performed over and over - re-issued so that all the

patterns the network can meet the desired pattern. The next stage is the testing stage. This stage

begins by using the best weights obtained from the training phase to process the input data to

produce the appropriate output. It is used to test whether the ANN can work well is that it can

predict the pattern of data that has been drilled with a small error rate. From the test results using

data from the monthly period in the training process the network can recognize input patterns are

provided so entirely in accordance with the target. While testing with the use of data daily and

weekly period that does not comply with the given target, it is because the network requires more

data to identify patterns provided. As more data are trained, the better the network will recognize

the pattern - a pattern so that the results more accurate predictions, but will be impacted by

slowing the process of training.

Pendahuluan

Setiap negara mempunyai mata uang

sebagai alat tukar. Pertukaran barang dengan

uang yang terjadi di dalam negeri tidak akan

menimbulkan masalah mengingat nilai

barang sudah disesuaikan dengan nilai uang

yang berlaku. Masalah akan timbul jika

barang berasal dari negara lain. Sehubungan

dengan itu, perlu adanya mekanisme yang

menyediakan akses untuk menukarkan mata

uang asing sehingga pembayaran dari

barang tersebut dapat diterima. Dengan kata

lain dibutuhkan transaksi valuta asing untuk

menukarkan mata uang antar negara (Cross

1998).

Bursa valuta asing atau foreign

exchage market ( FX market ) adalah jenis

pasar yang memperdagangkan mata uang

suatu Negara terhadap mata uang negara

lainnya. Harga yang dibentuk dipasar ini

merupakan hasil dari permintaan ( demand )

dan penawaran ( supply ) valas.

Trader adalah salah satu elemen

pelaku pasar valuta asing yang

memanfaatkan fluktuasi nilai tukar mata

uang tertentu untuk mendapatkan

keuntungan. Untuk itu seorang trader harus

menguasai metode yang akurat dalam

memprediksi fluktuasi mata uang tertentu.

Keakuratan prediksi akan menentukan

keberhasilan seorang trader. Salah satu mata

uang yang paling banyak diperdagangkan di

bursa valuta internasional adalah Dolar

Amerika Serikat. Terdapat dua pendekatan

yang dipakai untk menganalisis pergerakan

pasar yaitu analisis fundamental dan analisis

teknikal.

Peramalan merupakan suatu proses

untuk memprediksi kejadian ataupun

perubahan di masa yang akan datang. Dalam

suatu proses kegiatan, proses peramalan ini

merupakan awal dari suatu rangkaian

kegiatan, dan sebagai titik tolak kegiatan

berikutnya. Pemodelan time series seringkali

dikaitkan dengan proses peramalan

(forecasting) suatu nilai karakteristik

tertentu pada periode kedepan, melakukan

pengendalian suatu proses ataupun untuk

mengenali pola perilaku sistem. Dengan

mendeteksi pola dan kecenderungan data

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

proses pengambilan keputusan.

Salah satu metode peramalan yang

berkembang saat ini adalah menggunakan

Artificial Neural Network (ANN), dimana

ANN telah menjadi objek penelitian yang

menarik dan banyak digunakan untuk

menyelesaikan masalah pada beberapa

bidang kehidupan, salah satu diantaranya

adalah untuk analisis data time series pada

masalah Forecasting (Loh, 2003). Salah satu

jaringan yang sering digunakan untuk

prediksi data time series adalah

Backpropagation neuron network. Dalam

penulisan ini akan dibahas mengenai

penggunaan jaringan saraf tiruan

backpropagation untuk memprediksi kurs

valuta asing.

Berdasarkan uraian di atas, penulis

tertarik untuk melakukan penelitian dengan

judul “IMPLEMENTASI JARINGAN

SARAF TIRUAN BACKPROPAGATION

DALAM MEMPREDIKSI KURS

VALUTA ASING”

TINJAUAN PUSTAKA

Valuta Asing

Valuta asing dapat diartikan sebagai

mata uang yang dikeluarkan dan digunakan

sebagai alat pembayaran yang sah di negara

alin. Didalam hukum ekonomi bila terdapat

suatu barang dan keduanya bertemu maka

akan terbentuk dua hal yaitu pasar dan

harga. Begitu juga halnya dengan valuta

asing, bila permintaan terhadap valuta

tertentu bertemu dengan penawaran valut

yang sama makan akan terbentuk pasar dan

harga.

Pasar valuta asing dapat diartikan

tempat bertemunya penawaran dan

permintaan valuta asing. Pasar valuta asing

terdapat diseluruh dunia dan dilakukan

mulai dari perorangan sampai pemerintah.

Prediksi Kurs Valuta Asing

Salah satu aktivitas penting yang

dilakukan oleh para pelaku pasar dipasar

valuta asing adalah melakukan analisis

untuk memprediksi arah kurs valuta asing di

masa mendatang. Prediksi kurs valuta asing

ini sangatlah penting dilakukan mengingat

dengan melakukan prediksi ini maka para

pelaku pasar dapat menghindari kerugian

dan bahkan memperoleh keuntungan dari

pergerakan kurs valuta asing. Terdapat dua

tipe analisis yang biasa dilakukan oleh para

pelaku pasar dipasar valuta aing untuk

memprediksi pergerakan kurs valuta asing di

masa mendatang, yaitu analisis fundamental

dan analisis teknikal.

Analisis Fundamental

Analisis fundamental adalah suatu

metode untuk memprediksi arah pergerakan

kurs valuta asing yang berdasarkan pada

pengenalan dan pengukuran faktor – faktor

yang mempengaruhi pergerakan kurs valuta

asing tersebut. Analisis fundamental

berusaha mengindentifikasi faktor – faktor

apa saja yang mempengaruhi pergerakan

kurs valuta asing dan melakukan

pengukuran terhadap faktor – faktor tersebut

untuk menentukan kurs valuta asing di masa

mendatang. Adapun faktor – faktor tersebut

biasanya merupakan faktor fundamental

ekonomi, politik, keuangan, dan lain – lain.

Analisis Teknikal

Analisis teknikal merupakan suatu

metode peramalan pergerakan harga dengan

menggunakan informasi yang terkandung

pada pergerakan harga di masa lalu. Analisis

teknikal dapat juga diartikan sebagai suatu

metode peramalan harag dengan

menggunakan grafik. Saat ini analisis

teknikal banyak digunakan oleh para pelaku

pasar valuta asing dan merupakan salah satu

alat analisis utama dipasar valuta asing.

Flowchart

Flowchart adalah penggambaran

secara grafik dari langkah-langkah dan urut-

urutan prosedur dari suatu program.

Flowchart menolong analis dan programmer

untuk memecahkan masalah kedalam

segmen-segmen yang lebih kecil dan

menolong dalam menganalisis alternatif-

alternatif lain dalam pengoperasian.

Flowchart biasanya mempermudah

penyelesaian suatu masalah khususnya

masalah yang perlu dipelajari dan dievaluasi

lebih lanjut

Flowchart terbagi atas lima jenis,

yaitu :

Flowchart Sistem (System

Flowchart)

Flowchart Paperwork / Flowchart

Dokumen (Document Flowchart)

Flowchart Skematik (Schematic

Flowchart)

Flowchart Program (Program

Flowchart)

Flowchart Proses (Process

Flowchart)

Sejarah Jaringan Saraf Tiruan

Jaringan syaraf tiruan telah

dikembangkan sejak tahun 1940. Pada tahun

1943 McCulloch dan W.H.Pitts

memperkenalkan pemodelan matematis

neuron. Tahun 1949, Hebb mencoba

mengkaji proses belajar yang dilakukan oleh

neuron. Teori ini dikenal sebagai Hebbian

Law. Tahun 1958, Rosenblatt

memperkenalkan konsep perseptron suatu

jaringan yang terdiri dari beberapa lapisan

yang saling berhubungan melalui umpan

maju (feed foward). Konsep ini

dimaksudkan untuk memberikan ilustrasi

tentang dasar-dasar intelejensia secara

umum. Hasil kerja Rosenblatt yang sangat

penting adalah perceptron convergence

theorem (tahun 1962) yang membuktikan

bahwa bila setiap perseptron dapat memilah-

milah dua buah pola yang berbeda maka

siklus pelatihannya dapat dilakukan dalam

jumlah yang terbatas.

Pada tahun 1960 Widrow dan Hoff

menemukan ADALINE (Adaptive Linear

Neuruon). Alat ini dapat beradaptasi dan

beroperasi secara linier. Penemuan ini telah

memperlebar aplikasi jaringan syaraf tiruan

tidak hanya untuk pemilihan pola, tetapi

juga untuk pengiriman sinyal khususnya

dalam bidang adaptive filtering. Tahun

1969, Minsky dan Papert melontarkan suatu

kritikan tentang kelemahan perseptronnya

Rosenblatt di dalam memilah-milah pola

yang tidak linier. Sejak saat itu penelitian di

bidang jaringan syaraf tiruan telah

mengalami masa vakum untuk kurang lebih

satu dasawarsa.

Tahun 1982, Hopfield telah

memperluas aplikasi JST untuk

memecahkan masalah-masalah optimasi.

Hopfield telah berhasil memperhitungkan

fungsi energi ke dalam jaringan syaraf yaitu

agar jaringan memiliki kemampuan untuk

mengingat atau memperhitungkan suatu

obyek dengan obyek yang pernah dikenal

atau diingat sebelumnya (associative

memory). Konfigurasi jaringan yang

demikian dikenal sebagai recurrent network.

Salah satu aplikasinya adalah Travelling

Salesman Problem (TSP).

Pada tahun 1986 Rumelhart, Hinton

dan William menciptakan suatu algoritma

belajar yang dikenal sebagai propagasi balik

(backpropagation). Bila algoritma ini

diterapkan pada perseptron yang memiliki

lapisan banyak (multi layer perceptron),

maka dapat dibuktikan bahwa pemilahan

pola-pola yang tidak linier dapat

diselesaikan sehingga dapat mengatasi

kritikan yang dilontarkan oleh Minsky dan

Papert.

Definisi Jaringan Saraf Tiruan

Jaringan syaraf tiruan merupakan

sistem pemroses informasi yang memiliki

karakteristik mirip dengan jaringan syaraf

biologi (Siang 2005:2). Menurut Sekarwati

(2005:1), jaringan syaraf tiruan merupakan

sistem komputasi yang didasarkan atas

pemodelan sistem syaraf biologis (neurons)

melalui pendekatan dari sifat-sifat

komputasi biologis (biological

computation). Menurut Subiyanto (2002:2),

jaringan syaraf tiruan adalah membuat

model sistem komputasi yang dapat

menirukan cara kerja jaringan syaraf biologi.

Menurut Siang (2005:2), jaringan

syaraf tiruan dibentuk sebagai generalisasi

model matematika dari jaringan syaraf

biologi dengan asumsi sebagai berikut.

a. Pemrosesan informasi terjadi pada

banyak elemen sederhana (neurons).

b. Sinyal dikirimkan diantara neuron-

neuron melalui penghubung -

penghubung.

c. Penghubung antar neuron memiliki

bobot yang akan memperkuat atau

memperlemah sinyal

d. Untuk menentukan keluaran

(output), setiap neuron menggunakan

fungsi aktivasi yang dikenakan pada

penjumlahan masukan (input) yang

diterima. Besarnya keluaran (output)

ini selanjutnya dibandingkan dengan

suatu batas ambang.

Neuron adalah unit pemroses

informasi yang menjadi dasar dalam

pengoperasian jaringan syaraf tiruan (Siang

2005:23). Neuron terdiri dari 3 elemen

pembentuk sebagai berikut.

a. Himpunan unit-unit yang

dihubungkan dengan jalur koneksi.

b. Suatu unit penjumlah yang akan

menjumlahkan masukan-masukan

sinyal yang sudah dikalikan dengan

bobotnya.

Fungsi aktivasi yang akan

menentukan apakah sinyal dari input neuron

akan diteruskan ke neuron lain ataukah tidak

Arsitektur Jaringan ( Konfigurasi

Jaringan )

Berdasarkan arsitekturnya, model

jaringan syaraf tiruan digolongkan menjadi:

a. Jaringan Layar Tunggal (Single

Layer Network)

Pada jaringan ini, sekumpulan

masukan neuron dihubungkan langsung

dengan sekumpulan keluarannya. Sinyal

mengalir searah dari layar (lapisan) masukan

sampai layar (lapisan) keluaran.

Setiap simpul dihubungkan dengan

simpul lainnya yang berada diatasnya dan

dibawahnya, tetapi tidak dengan simpul

yang berada pada lapisan yang sama. Model

yang masuk kategori ini antara lain :

ADALINE, Hopfield, Perceptron, LVQ, dan

lain-lain. Pada gambar 2.2 diperlihatkan

arsitektur jaringan layar tunggal dengan n

buah masukan (x1, x2,..., xn) dan m buah

keluaran (y1, y2,..., ym)

Gambar 2.6 Jaringan Layar Tunggal

b. Jaringan Layar Jamak (Multiple

Layer Network)

Jaringan ini merupakan perluasan

dari jaringan layar tunggal. Dalam jaringan

ini, selain unit masukan dan keluaran, ada

unit-unit lain (sering disebut layar

tersembunyi). Dimungkinkan pula ada

beberapa layar tersembunyi. Model yang

termasuk kategori ini antara lain :

MADALINE, backpropagation.

Pada gambar 2.3 diperlihatkan

jaringan dengan n buah unit masukan (x1,

x2,..., xn), sebuah layar tersembunyi yang

terdiri dari m buah unit (z1,z2,..., zm) dan 1

buah unit keluaran.

Gambar 2.7 Jaringan Layar jamak

c. Jaringan Reccurent

Model jaringan reccurent (reccurent

network) mirip dengan jaringan layar

tunggal ataupun jamak. Hanya saja, ada

simpul keluaran yanng memberikan sinyal

pada unit masukan (sering disebut feedback

loop). Dengan kata lain sinyal mengalir dua

arah, yaitu maju dan mundur. Contoh :

Hopfield network, Jordan network, Elmal

network.

Jaringan Saraf Tiruan

Backpropagation

Backpropagation merupakan model

jaringan syaraf tiruan dengan layar jamak.

Seperti halnya model jaringan syaraf tiruan

lainnya, backpropagation melatih jaringan

untuk mendapatkan keseimbangan antara

kemampuan jaringan untuk mengenali pola

yang digunakan selama pelatihan serta

kemampuan jaringan untuk memberikan

respon yang benar terhadap pola masukan

yang serupa (tapi tidak sama) dengan pola

yang dipakai selama pelatihan.

a. Fungsi Aktivasi pada Backpropagation

Dalam backpropagation, fungsi

aktivasi yang dipakai harus

memenuhi beberapa syarat sebagai

berikut.

1. Kontinu.

2. Terdiferensial dengan mudah.

3. Merupakan fungsi yang tidak

turun.

Salah satu fungsi yang memenuhi

ketiga syarat tersebut sehingga sering

dipakai adalah fungsi sigmoid biner yang

memiliki range (0,1). Fungsi sigmoid biner

didefinisikan sebagai berikut.

Fungsi lain yang sering dipakai

adalah fungsi sigmoid bipolar dengan range

(-1,1) yang didefinisikan sebagai berikut.

Fungsi sigmoid memiliki nilai

maksimum 1. Untuk pola yang targetnya

lebih dari 1, pola masukan dan keluaran

harus terlebih dahulu ditransformasi

sehingga semua polanya memiliki range

yang sama seperti fungsi sigmoid yang

dipakai.

Alternatif lain adalah menggunakan

fungsi aktivasi sigmoid hanya pada layar

yang bukan layar keluaran. Pada layar

keluaran, fungsi aktivasi yang dipakai

adalah fungsi identitas f (x) = x .

b. Pelatihan Backpropagation

Pelatihan backpropagation meliputi 3

fase. Fase pertama adalah fase maju. Pola

masukan dihitung maju mulai dari layar

masukan hingga layar keluaran

menggunakan fungsi aktivitasi yang

ditentukan. Fase kedua adalah fase mundur.

Selisih antara keluaran jaringan dengan

target yang diinginkan merupakan kesalahan

yang terjadi. Kesalahan tersebut

dipropagation mundur, dimulai dari garis

yang berhubungan langsung dengan unit –

unit di layar keluaran. Fase ketiga adalah

modifikasi bobot untuk

menurunkankeslahan yang terjadi.

Pelatihan backpropagation meliputi

3 fase sebagai berikut.

1. Fase 1, yaitu propagasi maju.

Selama propagasi maju, sinyal

masukan ( = xi ) dipropagasikan ke

layar tersembunyi menggunakan

funsi aktivitasi yang ditentukan.

Keluaran dari setiap unit layar

tersembunyi (= zj ) tersebut

selanjutnya dipropagasikan maju lagi

ke layar tersembunyi di atasnya

menggunakan fungsi aktivitas yang

ditentukan. Demikian seterusnya

hingga menghasilkan

keluaranjaringan ( = yk ).

Berikutnya, keluaran jaringan ( = yk

) dibandingkan dengan target yang

harus dicapai ( = tk ). Selisih tk – yk

adalah kesalahan yang terjadi. Jika

kesalahan ini lebih kecil dari batas

toleransi yang ditentukan , maka

iterasi dihentikan. Akan tetapi

apabila kesalahan masih lebih besar

dari batas toleransinya, maka bobot

setiap garis dalam jaringan akan

dimodifikasi untuk mengurangi

kesalahan yang terjadi

2. Fase 2, yaitu propagasi mundur.

Berdasarkan keslahan tk – yk,

dihitung faktor δk ( k = 1,2,...., m )

yang dipakai untuk mendistribusikan

keslahan di unit yk ke semua unit

tersembunyi yang terhubung

langsung dengan yk. δk juga dipakai

untuk mengubah bobot garis yang

berhubungan langsung dengan unit

keluaran.

Dengan cara yang sama, dihitung

faktor δj di setiap unit layar

tersembunyi sebagai dasar perubahan

bobot semua garis yang berasal dari

unit tersembunyi di layar

dibawahnya. Demikian seterusnya

hingga semua faktor δ di unit

tersembunyi yang berhubungan

langsung dengan unit masukan

dihitung.

3. Fase 3, yaitu perubahan bobot.

Setelah semua faktor δ dihitung,

bobot semua garis dimodifikasi

bersamman. Perubahan bobot suatu

garis didasarkan atas faktor δ neuron

dilayar atasnya. Sebagai contoh,

perubahan bobot garis yang menuju

ke layar keluaran didasarkan atas δk

yang ada di unit keluaran.

Ketiga fase tersebut diulang – ulang

terus hingga kondisi penghentian

dipenuhi. Umumnya kondisi

penghentian yang sering dipakai

adalah jumlah iterasi atau kesalahan.

Iterasi akan dihentikan jika jumlah

iterasi yang dilakukan sudah

melebihi jumlah maksimum iterasi

yang ditetapkan, atau jika kesalahan

yang terjadi sudah lebih kecil dari

batas toleransi yang diijinkan.

Algoritma pelatihan untuk jaringan

backpropagation dengan satu layar

tersembunyi (dengan fungsi aktivasi

sigmoid biner) adalah sebagai

berikut.

a. Langkah 0

Inisialisasi semua bobot dengan

bilangan acak kecil.

b. Langkah 1

Jika kondisi penghentian belum

dipenuhi, lakukan langkah 2-8.

c. Langkah 2

Untuk setiap pasang data pelatihan,

lakukan langkah 3-8.

d. Langkah 3 (langkah 3-5

merupakan fase 1)

Tiap unit masukan menerima sinyal

dan meneruskannya ke unit

tersembunyi diatasnya.

e. Langkah 4

Hitung semua keluaran di unit

tersembunyi zj (j = 1, 2,..., p).

f. Langkah 5

Hitung semua keluaran

jaringan di unit keluaran yk (k = 1,

2,...,m).

g. Langkah 6 (langkah 6-7

merupakan fase 2)

Hitung faktor δ unit keluaran

berdasarkan kesalahan di

setiap unit keluaran yk (k = 1,

2,..., m).

keluaran

δk merupakan unit kesalahan

yang akan dipakai dalam

perubahan bobot layar

dibawahnya.

Hitung perubahan bobot wkj

dengan laju pemahaman α.

h. Langkah 7

Hitung faktor δ unit

tersembunyi berdasarkan

kesalahan di setiap unit

tersembunyi zj (j = 1, 2, ...,

p).

Faktor δ unit tersembunyi.

Hitung suku perubahan bobot vji.

i. Langkah 8 (fase 3)

Hitung semua perubahan

bobot. Perubahan bobot garis

yang menuju ke unit

keluaran, yaitu:

Perubahan bobot garis yang menuju ke unit

tersembunyi, yaitu:

Parameter α merupakan laju

pemahaman yang menentukan kecepatan

iterasi. Nilai α terletak antara 0 dan 1 (0 ≤ α

≤ 1). Semakin besar harga α , semakin

sedikit iterasi yang dipakai. Akan tetapi jika

harga α terlalu besar, maka akan merusak

pola yang sudah benar sehingga pemahaman

menjadi lambat. Satu siklus pelatihan yang

melibatkan semua pola disebut epoch.

Pemilihan bobot awal sangat

mempengaruhi jaringan syaraf tiruan dalam

mencapai minimum global (atau mungkin

lokal saja) terhadap nilai error (kesalahan)

dan cepat tidaknya proses pelatihan menuju

kekonvergenan.

Apabila bobot awal terlalu besar

maka input (masukan) ke setiap lapisan

tersembunyi atau lapisan output (keluaran)

akan jatuh pada daerah dimana turunan

fungsi sigmoidnya akan sangat kecil.

Apabila bobot awal terlalu kecil, maka input

(masukan) ke setiap lapisan tersembunyi

atau lapisan output (keluaran) akan sangat

kecil. Hal ini akan menyebabkan proses

pelatihan berjalan sangat lambat. Biasanya

bobot awal diinisialisasi secara random

dengan nilai antara -0.5 sampai 0.5 (atau -1

sampai 1 atau interval yang lainnya).

Setelah pelatihan selesai dilakukan,

jaringan dapat dipakai untuk pengenalan

pola. Dalam hal ini, hanya propagasi maju

(langkah 4 dan 5) saja yang dipakai untuk

menentukan keluaran jaringan.

Backpropagation dalam Peramalan

Salah satu bidang dimana

backpropagation dapat diaplikasikan dengan

baik adalah bidang peramalan ( forecating ).

Peramalan yang sering kita dengar adalah

peramalan besarnya penjualan, nilai tukar

valuta asing, prediksi besarnya aliran

sungai,dll. Sebagai contoh, dalam penjualan

barang, diketahui record data penjualan

suatu produk beberapa bulan/tahun terakhir.

Masalahnya adalah memperkirakan berapa

perkiraan produk yang terjual dalam

bulan/tahun yang akan datang.

Secara umum, masalah peramalan

dapat dinyatakan sebagai berikut :

Diketahui sejumlah data runtun waktu (time

series) x1, x2,..., xn. Masalahnya adalah

memperkirakan berapa harga xn+1

berdasarkan x1, x2,..., xn.

Dengan backpropagation, record data

dipakai sebagai data pelatihan untuk

mencari bobot yang optimal. Untuk itu kita

perlu menetpakan besarnya periode dimana

data berfluktuasi. Periode ini kita tentukan

secara intuitif. Misalkan pada data besarnya

debit air sungai dengan data bulanan,

periode data dapat diambil selama satu tahun

karena pergantian musim terjadi selama satu

tahun.

Jumlah data dalam satu periode ini

dipakai sebagai jumlah masukan dalam

backpropagation. Sebagai targetnya diambil

data bulan pertama setelah periode berakhir.

Pada data bulanan dengan periode satu

tahun, maka masukan backpropagation yang

dipakai terdiri dari 12 masukan. Keluaran

adalah 1 unit.

Bagian tersulit adalah menetukan

jumlah layar ( dan unitnya ). Tidak ada teori

yang dengan pasti dapat dipakai. Tapi secara

praktis dicoba jarinagn yang kecil terlebih

dahulu ( misal terdiri dari 1 layar

tersembunyi dengan beberapa unit saja ).

Jika gagal ( kesalahan tidak tururn dalam

epoch yang besar ), maka jaringan dipebesar

dengan menambahkan unit tersembunyi atau

bahkan menambah layar tersembunyi.

Langkah-langkah membangun

struktur jaringan untuk peramalan sebagai

berikut:

1. Pembagian Data

Langkah pertama adalah pembagian data.

Data dibagi menjadi data pelatihan dan

pengujian. Beberapa komposisi data

pelatihan dan pengujian yang sering

digunakan adalah sebagai berikut:

(a) 80% untuk data pelatihan dan 20% untuk

data pengujian.

(b) 70% untuk data pelatihan dan 30 %

untuk data pengujian.

(c) 2 untuk data pelatihan dan 1 untuk data

3 3

pengujian.

(d) 50% untuk data pelatihan dan 50 %

untuk data pengujian.

(e) 60% untuk data pelatihan dan 40 %

untuk data pengujian.

Aspek penbagian data harus

ditekankan agar jaringan mendapat data

pelatihan yang secukupnya dan data

pengujian dapat menguji prestasi pelatihan

yang dilakukan berdasarkan nilai MSE data

pelatihan dan pengujian. Bilangan data yang

kurang untuk proses pelatihan akan

menyebabkan jaringan mungkin tidak dapat

mempelajari taburan data dengan baik.

Sebaliknya, data yang terlalu banyak untuk

proses pelatihan akan melambatkan proses

pemusatan (konvergensi). Masalah

overtraining (data pelatihan yang

berlebihan) akan menyebabkan jaringan

cenderung untuk menghafal data yang

dimasukkan daripada menggeneralisasi.

2. Preprocessing/ Normalisasi

Sebelum digunakan untuk proses

pelatihan, perlu dilakukan penskalaan

terhadap harga-harga input dan target

sedemikian hingga data-data input dan target

tersebut masuk dalam suatu range tertentu

yang disebut preprocessing atau normalisasi

data. Runtun data

masukan dan target dinormalisasi dengan

membawa data ke bentuk normal yang

memiliki mean = 0 dan deviasi standar = 1,

berdasarkan rumus:

Nilai baru = [Nilai lama (rata-rata)]

Deviasi standar

Matlab menyediakan fungsi prestd

untuk melakukan normalisasi, dengan

syntax: [pn,meanp,stdp,tn,meant,stdt] =

prestd(p,t)

dengan p adalah matriks input pelatihan dan

t adalah matriks target, yaitu nilai penutupan

esok hari. Fungsi ini akan menghasilkan:

pn : matriks input yang ternormalisasi

(mean= 0, deviasi standar= 1)

tn : matriks target yang ternormalisasi

(mean= 0, deviasi standard= 1)

meanp : mean pada matriks input asli (p)

stdp : deviasi standar pada matriks input

asli (p)

meant: mean pada matriks target asli (t)

stdt : deviasi standar pada matriks target asli

(t)

3. Perancangan Struktur Jaringan Yang

Optimum

Langkah selanjutnya adalah

penentuan jumlah lapisan masukan (input),

lapisan tersembunyi, dan jumlah lapisan

keluaran yang akan digunakan dalam

jaringan. Penggunaan jaringan dengan dua

atau lebih lapisan tersembunyi dalam

masalah peramalan kebanyakan tidak akan

memberikan pengaruh yang sangat besar

terhadap prestasi jaringan untuk melakukan

peramalan. Selain itu akan melambatkan

proses pelatihan yang disebabkan

bertambahnya unit.

4.Pemilihan Koefisien Pemahaman

(learning rate) dan Momentum

Pemilihan koefisien pemahaman dan

momentum mempunyai peranan yang

penting untuk struktur jaringan yang akan

dibangun dan digunakan dalam peramalan,

hasil keputusan yang kurang memuaskan

dapat diperbaiki dengan penggunaan

koefisien pemahaman dan momentum secara

trial and error untuk mendapatkan nilai

bobot yang paling optimum agar MSE

jaringan dapat diperbaiki.

5.Postprocessing/ Denormalisasi

Setelah proses pelatihan selesai,

harga-harga ternormalisasi output jaringan

harus dikembalikan (denormalisasi) ke harga

aslinya untuk mendapatkan nilai output pada

range yang sebenarnya. Matlab

menyediakan fungsi poststd untuk

melakukan denormalisasi, dengan syntax:

[p,t]=poststd(pn,meanp,stdp,tn,meant,std

t) dengan p dan t

adalah matriks yang telah didenormalisasi.

Apabila ada data input baru yang akan

disimulasikan yaitu pada proses pengujian,

data baru tersebut juga harus disesuaikan

dengan mean dan deviasi standar dari

jaringan. Matlab menyediakan fungsi trastd,

dengan syntax:

pnewn : trastd(pnew,minp,maxp);

anew : sim(net,pnewn);

a : poststd(anew,mint,maxt);

fungsi diatas akan menghasilkan:

pnewn : matriks input baru yang

ternormalisasi sesuai dengan

jaringan

a : matriks output jaringan yang telah

didenormalisasi

7. Pemilihan Jaringan Optimum dan

Penggunaannya untuk Peramalan

Langkah-langkah

pemilihan jaringan yang optimum sebagai

berikut:

a. Proses pelatihan dilakukan terhadap

data pelatihan dengan struktur

jaringan yang memiliki unit

tersembunyi berbeda akan diproleh

nilai MSE-nya. Jaringan dengan nilai

MSE terendah dipilih sebagai

jaringan yang optimum untuk

digunakan dalam peramalan.

b. Setelah proses pelatihan dilakukan

proses pengujian terhadap data

pengujian dan data yang ikut dilatih

dengan struktur jaringan yang

memiliki jumlah unit tersembunyi

berbeda yang telah dilatih akan

diperoleh nilai keluaran jaringan.

Nilai error, SSE dan MSE masing-

masing struktur jaringan dihitung.

Proses pengujian dilakukan untuk

menguji prestasi pelatihan dan

sebagai pendukung bahwa jaringan

terpilih sebagai jaringan yang tepat

untuk model peramalan.

c. Proses peramalan dilakukan dengan

menggunakan jaringan terpilih.

MATLAB

MATLAB (Matrix Laboratory)

adalah sebuah program untuk analisis dan

komputasi numerik dan merupakan suatu

bahasa pemrograman matematika lanjutan

yang dibentuk dengan dasar pemikiran

menggunkan sifat dan bentuk matriks. Pada

awalnya, program ini merupakan interface

untuk koleksi rutin-rutin numeric dari

proyek LINPACK dan EISPACK, dan

dikembangkan menggunkan bahasa

FORTRAN namun sekarang merupakan

produk komersial dari perusahaan

Mathworks, Inc.yang dalam perkembangan

selanjutnya dikembangkan menggunakan

bahasa C++ dan assembler (utamanya untuk

fungsi-fungsi dasar MATLAB).

MATLAB telah berkembang

menjadi sebuah environment pemrograman

yang canggih yang berisi fungsi-fungsi

built-in untuk melakukan tugas pengolahan

sinyal, aljabar linier, dan kalkulasi

matematis lainnya. MATLAB juga berisi

toolbox yang berisi fungsi-fungsi tambahan

untuk aplikasi khusus . MATLAB bersifat

extensible, dalam arti bahwa seorang

pengguna dapat menulis fungsi baru untuk

ditambahkan pada library ketika fungsi-

fungsi built-in yang tersedia tidak dapat

melakukan tugas tertentu. Kemampuan

pemrograman yang dibutuhkan tidak terlalu

sulit bila Anda telah memiliki pengalaman

dalam pemrograman bahasa lain seperti C,

PASCAL, atau FORTRAN.

MATLAB (MATrix LABoratory)

yang merupakan bahasa pemrograman

tingkat tinggi berbasis pada matriks sering

digunakan untuk teknik komputasi numerik,

yang digunakan untuk menyelesaikan

masalah-masalah yang melibatkan operasi

matematika elemen, matrik, optimasi,

aproksimasi dll. Sehingga Matlab banyak

digunakan pada :

• Matematika dan Komputansi

• Pengembangan dan Algoritma

• Pemrograman modeling, simulasi, dan

pembuatan prototipe

• Analisa Data , eksplorasi dan visualisasi

• Analisis numerik dan statistik

• Pengembangan aplikasi teknik

Perancangan dan Implementasi

Pada bab ini akan membahas

mengenai perancangan dan implementasi

prediksi nilai tukar USD dengan AUD

menggunakan jaringan saraf tiruan dengan

metode backpropagation. Proses peramalan

menggunakan metode backpropagation

dibagi 4 proses, yaitu preprocessing, proses

training backpropagation, proses peramalan

dan postprocessing. Pada tahap

preprocessing dilakukan penentuan periode

input yang akan digunakan untuk training

nanti. Pada tahap proses backpropagation ,

data yang telah dinormalisasi akan

mengalami proses learning sehingga

didapatkan pola data. Pada tahap ketiga

adalah proses peramalan, pada tahap ini nilai

hasil training backpropagation akan

diinputkan pada data input periode akhir

untuk menghasilkan output peramalan.

Selanjutnya output yang didapat dari hasil

peramalan didenormalisasikan agar range

data sesuai dengan data asli

Diagram Alir Sistem ( Flowchart )

Diagram alir sistem digunakan untuk

menggambarkan langkah kerja sistem yang

akan dibuat dan juga akan digunakan oleh

penulis untuk menentukan langkah-langkah

berikutnya.. Data yang digunakan adalah

data sekunder dari harga kurs USD/AUD.

Input data kurs ini berdasarkan pada

variabel-variabel data harga pembukaan,

harga penutupan, harga tertinggi, harga

terendah, volume. Gambar 3.2 menunjukkan

flowchart pelatihan jaringan syaraf tiruan

untuk 1 arsitektur jaringan, untuk arsitektur

yang lain caranya juga sama. Pelatihan

dilakukan dengan data yang banyak yang

bisa mewakili keadaan kurs yang terjadi.

Gambar 3.3 Flowchart program

pengujian jaringan saraf tiruan

Pengumpulan Data

Data yang digunakan dalam

penelitian ini tidak diambil secara langsung

dari lapangan tetapi diambil dari data yang

telah ada (dicatat) pada sebuah website

dukascopy.com yang menyediakan data

histories perdagangan berbagai mata uang

asing. Data yang digunakan dalam

percobaan ini adalah data kurs mata uang

Dollar Amerika (USD) dengan Dollar

Australia (AUD) dari tanggal 1 Oktober

2008 sampai 19 Oktober 2009.

Perancangan Arsitektur Jaringan

Arsitektur jaringan adalah jumlah

layer dan neuron pada input, hidden dan

output. Dalam permasalahan ini untuk

memprediksi harga kurs USD terhadap

AUD, diperlukan data dari pasar Foreign

exchage market ( FX market ) atau pasar

valas yang bergerak di bidang perdagangan

mata uang asing, penulis memperoleh data

dari situs dukascopy.com yang menyediakan

data histories yang diperlukan penulis.

Arsitektur jaringan terdiri dari input layer

sejumlah 5 neuron, hidden layer sejumlah n

neuron (n =10,11,12…40), output layer

terdiri dari 1 neuron yaitu harga penutupan

kurs USD esok hari. Misal input layer

sejumlah 5 neuron, hidden layer sejumlah 10

neuron dan output layer terdiri dari 1 neuron

maka arsitektur jaringan tersebut adalah 5-

10-1. Gambar 3.4 menunjukkan arsitektur

jaringan untuk peramalan nilai tukar mata

uang asing menggunakan 1 layer input, 1

hidden layer dan 1 output layer.

mulai

Load data pengujian

Normalisasi data

Ambil bobot terbaik

Feedforward

Denormalisasi data

Tampilkan hasil

prediksi

selesai

Jumlah Sel Tersembunyi

Hasil teoritis yang didapat

menunjukkan bahwa jaringan dengan sebuah

layer tersembunyi sudah cukup bagi

backpropagation untuk menegnali

sembarang perkawanan antara masukkan

dan target dengan tingkat ketelitian yang

ditentukan. Akan tetapi penambahan layer

tersembunyi kadangkala membuat pelatihan

lebih mudah.

Jumlah layer tersembunyi dan

jumlah selnya harus dicoba – coba, dimulai

dari yang kecil ( misal 2 sel).

Penulis menggunakan satu layer

tersembunyi, dan jumlah sel yang digunakan

dicoba dari sel terkecil yaitu 2.

Model Pelatihan

Data-data inputan akan diproses

menggunakan palatihan Artificial Neuron

Network (ANN) dengan metode

backpropagation. Input dari pelatihan ini

adalah data – data histories nilai tukar

USD/AUD yang diakses melalui situs

dukascopy.com . Sehingga Jaringan akan

mempunyai 5 sel input yaitu nilai

penutupan, nilai pembukaan, nilai tertinggi,

nilai terendah, dan volume. Fungsi aktivasi

atau pelatihan pada jaringan ini mempunyai

2(dua) buah lapisan. Lapisan pertama pada

fungsi aktivasi input memiliki 8 sel sel

lapisan tersembunyi untuk data periode

harian, mingguan dan bulanan, sedangkan

lapisan terakhir yang merupakan fungsi

aktivasi untuk output mempunyai 1 sel sel

untuk semua periode data Pelatihan dengan

metode ini menggunakan beberapa fungsi.

Fungsi yang dipakai antara lain adalah

sigmoid bipolar untuk lapisan tersembunyi

dan purelin untuk lapisan output.

Jaringan saraf tiruan ini juga

menggunakan metode pelatihan yaitu

algoritma gradien conjugate metode Polak -

Ribiere yaitu traincgp .

Analisis Hasil Pelatihan

Dari hasil simulasi jaringan saraf

tiruan untuk setiap inputan data berbeda –

beda. Dapat diambil kesimpulan adanya

pengaruh learning rate, banyaknya data

inputan.

Learning rate yang digunakan untuk

data harian dan mingguan adalah 0.5, proses

epoch berhenti pada 8480 untuk data harian,

2688 untuk data mingguan dan untuk data

bulanan learning rate yang digunakan lebih

besar yaitu 0.9, hasil proses epochs yang

dihasilkan lebih kecil yaitu 67.

Dari hasil diatas dapat diambil

kesimpulan Penggunaaan learning rate

terlalu besar, semakin cepat pula proses

pelatihan, akan tetapi jika learning rate

terlalu besar, maka algoritma menjadi tidak

stabil dan mencapai titik minimum local.

Banyaknya inputan untuk lapisan

input juga berpengaruh untuk keakuratan

prediksi oleh jaringan saraf tiruan yang

ditunjukkan oleh gambar grafik 4.8 , 4.5,

dan 4.2. Hasil dari korelasi yang ditunjukkan

dari ketiga data berbeda – beda. Untuk data

periode harian korelasi yang dihasilkan lebih

kecil dari hasil data periode mingguan, dan

korelasi yang hampir mendekati angka 1

dihasilkan oleh data bulanan.

Dengan learning rate, target error

dan data pembelajaran yang sama belum

pasti mengahasilkan tingkat prediksi yang

sama, hal ini dikarenakan nilai bobot –

bobot pada tiap – tiap neuron yang

dihasilkan oleh setiap pembelajaran berbeda.

Penyebab bobot dari tiap – tiap neuron yang

dihasilkan oleh setiap pembelajaran pasti

berbeda adalah dikarenakan pemberian nilai

bobot awal dengan nilai random dimana

nilai random setiap pembelajaran berbeda.

Hasil Pengujian

Setelah melewati tahap pelatihan,

yang dilakukan selanjutnya adalah tahap

pengujian. Pengujian jaringan memprediksi

harga penutupan kurs valas periode

selanjutnya,dimana terdapat nilai error yang

merupakan selisih antara harga prediksi

jaringan saraf tiruan dengan harga

penutupan aslinya, lalu diadakan evaluasi.

Evaluasi terhadap kinerja jaringan diukur

dengan analisi regresi, dan untuk melihat

lebih jelas penyimpangan antara nilai real

dan prediksi disajikan pula dalam bentuk

grafik.

Hasil Prediksi Harian

Setelah dilakukan pelatihan untuk

pola input data harian kurs valuta

USD/AUD selama periode 1 Oktober 2008

sampai 29 Januari 2009 dilakukan pengujian

jaringan untuk memprediksi kurs valuta

asing. Dalam hal ini jaringan diuji untuk

memprediksi harga penutupan keesokan

harinya dengan menggunakan data yang

tidak ikut dilatih dari tanggal 1-20 januari

2009.

Tabel 4.4 Hasil prediksi kurs valuta asing

dengan periode harian

Hasil Prediksi Mingguan

Prediksi harga penutupan kurs valuta

asing dilakukan setelah pelatihan jaringan

untuk pola input data mingguan. Dalam hal

ini jaringan diuji untuk memprediksi harga

penutupan minggu selanjutnya untuk data

pengujian sejumlah 11 data (10 Agustus

2009 sampai 19 Oktober 2009).Dengan

mendapatkan error dari selisih harga real

dan prediksi JST, hasil prediksi terlihat dalm

tabel dibawah ini.

Tabel 4.5 Hasil prediksi kurs valuta asing

periode mingguan

Hasil Prediksi Bulanan

Hasil pengujian yang didapat oleh

jaringan backpropagation (5-8-1) untuk

memprediksi harga penutupan kurs valuta

asing (USD/AUD) pada bulan September,

November dan December setelah diadakan

pelatihan dengan pola masukkan data dari 1

Oktober 2008 sampai 1 Agustus 2009. dapat

dilihat dalam bentuk tabel 4.6

Tabel 4.6 Hasil prediksi kurs valuta asing

periode bulanan

Pengamatan Hasil

Pada pelatihan jaringan untuk

periode harian, mingguan dan bulanan, error

hasil pelatihan terhadap harga penutupan

real bernilai kecil, hal ini berarti jaringan

mampu mengenali pola masukkan dan

merespon dengan benar terhadap pola

masukkan yang serupa dengan pola yang

dipakai selama pelatihan. Begitu pula

terhadap pengujian jaringan untuk periode

bulan, namun hali ini berbeda untuk prediksi

kur valuta asing periode mingguan dan

bulanan. Hal ini disebabkan oleh beberapa

kemungkinan ( tidak bisa dijelaskan pasti

karena merupakan prakiraan) sebagai

berikut :

Data histories yang digunakan untuk

variable masukkan JST kurang

bayak.

Data yang digunakan untuk

memprediksi kurs valuta tidak bisa

mewakili sebagai factor utama yang

mempengaruhi nilai kurs valuta

asing.

Batas nilai kesalahan yang kurang

kecil.

Penutup

Kesimpulan

Setelah melakukan pelatihan dan pengujian,

dapat ditarik kesimpulan :

1. algoritma backpropagation dapat

melakukan proses prediksi, akan

tetapi baik atau tidaknya nilai

yang dihasilkan sangat

dipengaruhi oleh penentuan

parameter seperti besarnya

learning rate dan jumlah neuron

pada hidden layer. Untuk

menghasilkan konfigurasi

parameter yang baik diperlukan

waktu cukup lama dalam

melakukan eksperimen mencari

parameter yang terbaik yang

nantinya parameter yang baru

tersebut dapat dipakai untuk

proses prediksi. Berdasarkan

hasil eksperiman yang dilakukan

penulis jaringan yang

menghasilkan konvergensi

dengan epoch tercepat 67

memiliki parameter yaitu

learning rate = 0.9, jumlah

hidden layer =1, dan target error

yang digunakan adalah 0.0001.

Dari hasil pengujian dengan

menggunakan data periode

bulanan dalam proses training

jaringan mampu mengenali pola

masukan yang diberikan

sehingga seluruhnya sesuai

dengan target. Sedangkan

pengujian dengan menggunakan

data periode perhari dan

mingguan yang tidak sesuai

dengan target yang diberikan, ini

disebabkan karena jaringan

memerlukan data yang lebih

banyak lagi untuk mengenali

pola yang diberikan. Karena

semakin banyak data yang

dilatihkan, jaringan akan semakin

baik mengenali pola – pola

tertentu sehingga hasil

prediksinya lebih akurat, namun

akan berdampak dengan

melambatnya proses pelatihan.

2. Terdapat faktor – faktor yang

mempengaruhi tingkat kebenaran

prediksi pada jaringan saraf

tiruan Backpropagation yaitu

learning rate, taget error, jumlah

data pembelajaran dan nilai

bobot yang diberikan secara

random yang pada tiap - tiap

neuron

3. Dengan learning rate, target

error dan data pembelajaran

yang sama belum pasti

mengahasilkan tingkat prediksi

yang sama, hal ini dikarenakan

nilai bobot – bobot pada tiap –

tiap neuron yang dihasilkan oleh

setiap pembelajaran berbeda.

Penyebab bobot dari tiap – tiap

neuron yang dihasilkan oleh

setiap pembelajaran pasti

berbeda adalah dikarenakan

pemberian nilai bobot awal

dengan nilai random dimana nilai

random setiap pembelajaran

berbeda.

4. Penurunan leraning rate akan

membuat proses pembelajaran

semakin lambat

Saran

1. Dikembangkan penelitian lebih

mendalam dan variasi algoritma

pelatihan supaya didapatkan hasil

yang optimal dengan waktu

pelatihan yang lebih singkat.

2. Komposisi pembagian data yang

lain perlu dicoba untuk

memperoleh hasil yang lebih

optimal

3. Lapisan tersembunyi lebih dari

satu dan parameter yang

digunakan di set lebih tepat lagi

agar jaringan dapat mengenali

semua pola data input, dan dapat

memprediksi dengan akurat.

DAFTAR PUSTAKA

[1] Abdia Away, Gunaidi. 2006. The

shortcut of MATLAB programming.

Bandung : Informatika.

[2] Hermawan, Arief. 2006. Jaringan

Saraf Tiruan. Yogyakarta : ANDI.

[3] Jong Jek Siang. 2004. Jaringan

Saraf Tiruan dan Pemrogramannya

Menggunakan MATLAB.Yogyakarta:

ANDI.

[4] Muis,Saludin. 2006. Jaringan Saraf

Tiruan Sebagai Alat Bantu

Peramalan Harga Saham.

Yogyakarta : Graha ilmu .

[5] PSW, Anugrah. 2007 Perbandingan

Jaringan Syaraf Tiruan

Backpropagation dan Metode Deret

Berkala BOX-JENKINS (ARIMA)

sebagai Metode Peramalan Curah

Hujan. Penyelesaian Studi Strata 1.

Gelar Sarjana Sains Fakultas

Matematika dan Ilmu Alam

Universitas Negeri Semarang.

Semarang

[6] Rokhmawati,Kasni. 2008. Peramalan

Data Time Series Menggunakan

Metode ANFIS. Syarat dalam

Mencapai Gelar Sarjana Strata Satu

Program Teknik Informatika

Universitas Mercu Buana. Jakarta.

[7] Muqtashidah, Ida. 2009. Jaringan

Syaraf Tiruan Backpropagation dan

Analisis Runtun Waktu sebagai

Metode Forecast Pada

Penghitungan Laju Inflasi. Gelar

Sarjana Sains Program Studi

Matematika Universitas Negeri

Semarang. Semarang

[8] Yusiana, Rima Marina. Optimasi

Portofolio Menggunakan Jaringan

Saraf Tiruan. Universitas

Gunadarma. 2007.

[9] Kusumadewi, Sri, Sri Hartati.,

NEURO-FUZZY Integrasi Sistem

Fuzzy dan Jaringan Saraf.

Yogyakarta: Graha Ilmu, 2006.