BAB 1
PENDAHULUAN
1.1. Latar Belakang
Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang yang berlaku sudah disesuaikan dengan nilai barang. Masalah itu akan muncul jika barang berasal dari negara lain. Oleh karena itu perlu adanya mekanisme yang menyediakan akses untuk menukarkan mata uang negara dengan mata uang negara lainnya, sehingga pembayaran dari barang tersebut dapat diterima. Dengan kata lain dibutuhkan transaksi valuta asing untuk menukarkan mata uang antar negara.
Pasar valuta asing (foreign exchange market) merupakan suatu jenis perdagangan atau transaksi yang memperdagangkan mata uang suatu negara terhadap mata uang negara lainnya yang melibatkan pasar-pasar uang utama di dunia selama 24 jam secara berkesinambungan. Pasar valuta asing membantu perdagangan internasional dan investasi dengan memungkinkan konversi mata uang. Salah satu mata uang yang paling banyak diperdagangkan di bursa valuta internasional adalah Dolar Amerika Serikat.
Peramalan merupakan salah satu metode statistik yang berperan penting dalam pengambilan keputusan. Peramalan berfungsi untuk memperkirakan apa yang akan terjadi pada masa depan berdasarkan data masa lalu. Salah satu metode yang digunakan dalam peramalan adalah metode time series. Pendugaan masa
Universitas Sumatera Utara
depan dilakukan berdasarkan informasi masa lalu dari suatu variabel atau kesalahan masa lalu ini dinamakan deret berkala atau time series (Makridakis, 1999:21). Teknik peramalan yang digunakan dalam metode ini antara lain Auto Regressive Integrated Moving Avarege (ARIMA) atau Box-Jenkins, ekonometri regresi, exponential smoothing, dan lain sebagainya. Metode-metode tersebut dapat digunakan untuk meramal data pengunjung perpustakaan, volume penjualan teh hitam, dan keuangan (seperti peramalan nilai tukar (kurs), peramalan produk domestik bruto, peramalan harga saham, dan lain sebagainya).
Dalam beberapa tahun terakhir telah terjadi peningkatan yang substansial dalam volatilitas pertukaran nilai mata uang, kenaikan volatilitas ini terkait dengan peningkatan atau penurunan dalam perdagangan. Menurut Baxter dan Stockman (1989), memberikan bukti empiris bahwa peningkatan volatilitas nilai tukar memberikan dampak yang besar terhadap nilai tukar suatu negara dan inflasi. Peningkatan dari volatilitas nilai tukar ini dapat menghambat perdagangan internasional dan investasi internasional. Artinya, pasar valuta asing merupakan pasar yang paling volatil. Karena itulah akan muncul suatu masalah apabila data runtun waktu mengandung volatil atau data runtun waktu memiliki sistem pola data dengan formulasi yang selalu berubah-ubah atau dengan kata lain sistem yang memiliki tingkat kesulitan yang tinggi untuk dibuat formulasi modelnya sehingga hasil ramalan atau prediksi dengan menggunakan metode-metode statistik sebelumnya kurang memberikan hasil yang baik, karena metode-metode sebelumnya sulit untuk menangkap adanya volatilitas. Salah satu aplikasi data runtun waktu yang terkenal sulit untuk diprediksi adalah nilai tukar, hal ini dikarenakan kurs merupakan salah satu pasar yang sangat volatile (Yu et al, 2007).
Dalam beberapa dekade, ilmu pengetahuan dan teknologi mempunyai tujuan mengembangkan mesin cerdas dengan sejumlah elemen sederhana. Pada tahun 1943 sampai dengan 1986, sekelompok peneliti melahirkan metode baru yang dilatarbelakangi dari sistem jaringan syaraf pada manusia yaitu neural network (NN) atau jaringan syaraf tiruan (JST). Jaringan syaraf tiruan adalah
Universitas Sumatera Utara
sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Salah satu metode dari jaringan syaraf tiruan yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan juga dapat digunakan untuk peramalan adalah metode backpropagation atau propagasi balik (Puspitaningrum, 2006:125).
Berdasarkan latar belakang tersebut, maka penulis tertarik untuk mengadakan penelitian mengenai “PERAMALAN NILAI TUKAR MATA UANG RUPIAH TERHADAP DOLAR AMERIKA SERIKAT TAHUN 2014 DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN MODEL BACKPROPAGATION”.
1.2. Perumusan Masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah ”Bagaimana penggunaan jaringan syaraf tiruan model backpropagation untuk meramal nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat pada tahun 2014”.
1.3. Pembatasan Masalah
Agar permasalahan yang dikaji lebih fokus dan menjadi lebih jelas. Adapun pembatasan dalam penelitian ini adalah:
1.
Peramalan pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat tersebut dilakukan untuk tahun 2014.
2.
Data yang digunakan adalah data pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat mulai tahun 1985 – 2013.
3.
Hasil penelitian tidak mempertimbangkan pengaruh-pengaruh fundamental ekonomi yang terjadi.
Universitas Sumatera Utara
1.4. Tinjauan Pustaka
Menurut Siang (2005:2), Jaringan syaraf tiruan atau neural network adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Menurut Fausett (1994:3), jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut:
1.
Pemrosesan informasi terjadi pada banyak elemen sederhana (neurons).
2.
Sinyal yang dikirimkan diantara neuron-neuron melalui penghubungpenghubung.
3.
Penghubung antar neuron memiliki bobot yang akan memperlemah atau memperkuat sinyal.
4.
Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas ambang.
dan jaringan syaraf tiruan ditentukan oleh tiga hal, yakni: 1.
Pola hubungan antar neuron (arsitektur jaringan).
2.
Metode untuk menentukan bobot penghubung (metode training/ learning/ algoritma).
3.
Fungsi aktivasi.
Universitas Sumatera Utara
Sebagai contoh, perhatikan arsitektur jaringan pada gambar berikut:
1 𝑋𝑋1 𝑋𝑋2 𝑋𝑋3
𝑤𝑤0
𝑤𝑤1 𝑤𝑤2
𝑌𝑌
𝑤𝑤3
Gambar 1.1. Sebuah Sel Jaringan Syaraf Pada gambar 1.1 terlihat sebuah sel jaringan syaraf tiruan pada simpul 𝑌𝑌
menerima masukan dari neuron 1, 𝑥𝑥1 , 𝑥𝑥2 , dan 𝑥𝑥3 dengan bobot (weight) masing-
masing adalah 𝑤𝑤0 , 𝑤𝑤1 , 𝑤𝑤2 , dan 𝑤𝑤3 . Argumen fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya). Keempat sinyal neuron yang ada
dijumlahkan sehingga diperoleh persamaan net = 1𝑤𝑤0 + 𝑥𝑥1 𝑤𝑤1 + 𝑥𝑥2 𝑤𝑤2 + 𝑥𝑥3 𝑤𝑤3 . Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat digunakan sebagai dasar untuk merubah bobot.
Backpropagation memiliki beberapa neuron yang ada dalam satu atau lebih lapisan tersembunyi. Gambar 1.2 adalah arsitektur backpropagation dengan 𝑛𝑛 buah masukan (ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri dari 𝑝𝑝 neuron (ditambah sebuah bias), serta 𝑚𝑚 buah neuron keluaran. 𝑣𝑣𝑗𝑗𝑗𝑗
merupakan bobot garis dari neuron masukan 𝑥𝑥𝑖𝑖 ke neuron lapisan tersembunyi 𝑧𝑧𝑗𝑗
(𝑣𝑣𝑗𝑗0 merupakan bobot garis yang menghubungkan bias di neuron masukan ke
neuron lapisan tersembunyi 𝑧𝑧𝑗𝑗 ). 𝑤𝑤𝑘𝑘𝑘𝑘 merupakan bobot dari neuron lapisan
Universitas Sumatera Utara
tersembunyi 𝑧𝑧𝑗𝑗 ke neuron keluaran 𝑦𝑦𝑘𝑘 (𝑤𝑤𝑘𝑘0 merupakan bobot dari bias di lapisan
tersembunyi ke neuron keluaran 𝑦𝑦𝑘𝑘 ). 𝑌𝑌1
𝑤𝑤10
1
𝑤𝑤𝑘𝑘0
𝑤𝑤11
𝑤𝑤𝑚𝑚 0
𝑣𝑣10
𝑣𝑣𝑗𝑗0
𝑣𝑣𝑝𝑝0
1
𝑌𝑌𝑚𝑚
𝑌𝑌𝑘𝑘
𝑣𝑣11
𝑤𝑤𝑘𝑘1 𝑍𝑍1
𝑣𝑣𝑗𝑗1
𝑋𝑋1
𝑤𝑤𝑚𝑚 1
𝑣𝑣𝑝𝑝1
𝑤𝑤1𝑗𝑗
𝑤𝑤𝑘𝑘𝑘𝑘 𝑍𝑍𝑗𝑗
𝑣𝑣1𝑖𝑖
𝑤𝑤𝑚𝑚𝑚𝑚
𝑣𝑣𝑗𝑗𝑗𝑗
𝑋𝑋𝑖𝑖
𝑣𝑣𝑝𝑝𝑝𝑝
𝑤𝑤1𝑝𝑝
𝑤𝑤𝑘𝑘𝑘𝑘
𝑤𝑤𝑚𝑚𝑚𝑚
𝑍𝑍𝑝𝑝
𝑣𝑣𝑗𝑗𝑗𝑗
𝑣𝑣1𝑛𝑛
𝑣𝑣𝑝𝑝𝑝𝑝 𝑋𝑋𝑛𝑛
Gambar 1.2. Arsitektur Jaringan Model Backpropagation Algoritma pelatihan untuk jaringan backpropagation dengan satu lapisan tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut:
1.
Langkah 1 Inisialisasi semua bobot dengan bilangan acak kecil
2.
Langkah 2 Jika kondisi penghentian belum dipenuhi, lakukan langkah 3-9
Universitas Sumatera Utara
3.
Langkah 3 Untuk setiap pasang data pelatihan, lakukan langkah 4-9
Fase I : Propagasi maju 4.
Langkah 4 Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya.
5.
Langkah 5 Hitung semua keluaran di unit tersembunyi 𝑧𝑧𝑗𝑗 (𝑗𝑗 = 1, 2,..., 𝑝𝑝) 𝑛𝑛
𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 = 𝑣𝑣𝑗𝑗𝑗𝑗 + � 𝑥𝑥𝑖𝑖 𝑣𝑣𝑗𝑗𝑗𝑗
6.
𝑧𝑧𝑗𝑗 = 𝑓𝑓�𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 � =
Langkah 6
𝑖𝑖=1
1 1 + 𝑒𝑒 −𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛 𝑗𝑗
Hitung semua keluaran jaringan di unit 𝑦𝑦𝑘𝑘 (𝑘𝑘 = 1, 2,..., 𝑚𝑚) 𝑝𝑝
𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 = 𝑤𝑤𝑘𝑘𝑘𝑘 + � 𝑧𝑧𝑗𝑗 𝑤𝑤𝑘𝑘𝑘𝑘
𝑦𝑦𝑘𝑘 = 𝑓𝑓(𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 ) =
𝑗𝑗 =1
1
1 + 𝑒𝑒 −𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛 𝑘𝑘
Fase II : Propagasi Mundur 7.
Langkah 7 Hitung faktor 𝛿𝛿 unit keluaran berdasarkan kesalahan di setiap unit keluaran 𝑦𝑦𝑘𝑘 (𝑘𝑘 = 1, 2,…, 𝑚𝑚)
𝛿𝛿𝑘𝑘 = (𝑡𝑡𝑘𝑘 − 𝑦𝑦𝑘𝑘 )𝑓𝑓 ′ (𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 ) = (𝑡𝑡𝑘𝑘 − 𝑦𝑦𝑘𝑘 )𝑦𝑦𝑘𝑘 (1 − 𝑦𝑦𝑘𝑘 )
𝑡𝑡𝑘𝑘 = target keluaran
𝛿𝛿𝑘𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya.
Hitung perubahan bobot 𝑤𝑤𝑘𝑘𝑘𝑘 dengan laju pemahaman ∆𝑤𝑤𝑘𝑘𝑘𝑘 = 𝛼𝛼𝛿𝛿𝑘𝑘 𝑧𝑧𝑗𝑗 ,
(𝑘𝑘 = 1, 2, ⋯ , 𝑚𝑚 ; 𝑗𝑗 = 1, 2, ⋯ , 𝑝𝑝)
Universitas Sumatera Utara
8.
Langkah 8 Hitung faktor 𝛿𝛿 unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi 𝑧𝑧𝑗𝑗 (𝑗𝑗 = 1, 2, ..., 𝑝𝑝)
𝑚𝑚
𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 = � 𝛿𝛿𝑘𝑘 𝑤𝑤𝑘𝑘𝑘𝑘 𝑘𝑘=1
Faktor 𝛿𝛿 unit tersembunyi:
𝛿𝛿𝑗𝑗 = 𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 𝑓𝑓 ′ �𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 � = 𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 𝑧𝑧𝑗𝑗 �1 − 𝑧𝑧𝑗𝑗 �
Hitung perubahan bobot 𝑣𝑣𝑗𝑗𝑗𝑗
∆𝑣𝑣𝑗𝑗𝑗𝑗 = 𝛼𝛼𝛿𝛿𝑗𝑗 𝑥𝑥𝑖𝑖 ,
(𝑗𝑗 = 1,2, … , 𝑝𝑝 ; 𝑖𝑖 = 0,1, … , 𝑛𝑛)
Fase III : Perubahan Bobot 9.
Langkah 9 Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu: 𝑤𝑤𝑘𝑘𝑘𝑘 (𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 ) = 𝑤𝑤𝑘𝑘𝑘𝑘 (𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 ) + ∆𝑤𝑤𝑘𝑘𝑘𝑘 , (𝑘𝑘 = 1, 2, ⋯ , 𝑚𝑚 ; 𝑗𝑗 = 0, 1, 2, ⋯ , 𝑝𝑝)
Perubahan bobot garis yang menuju ke unit tersembunyi adalah: 𝑣𝑣𝑗𝑗𝑗𝑗 (𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 ) = 𝑣𝑣𝑗𝑗𝑗𝑗 (𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 ) + ∆𝑣𝑣𝑗𝑗𝑗𝑗 ,
(𝑗𝑗 = 1, 2, ⋯ , 𝑝𝑝 ; 𝑗𝑗 = 0, 1, 2, ⋯ , 𝑛𝑛)
Setelah pelatihan selesai dilakukan, jaringan bisa digunakan untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 5 dan 6) saja yang digunakan untuk menentukan keluaran jaringan.
1.5. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengetahui hasil ramalan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat pada tahun 2014.
Universitas Sumatera Utara
1.6. Kontribusi Penelitian
Hasil penelitian ini diharapkan berkontribusi bagi:
1.
Penulis a. Meningkatkan wawasan dalam bidang nilai tukar mata uang. b. Sebagai penerapan ilmu dari mata kuliah yang telah diperoleh.
2.
Wisatawan/Pengamat pasar valuta asing a. Dapat mengetahui pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat pada tahun 2014. b. Menjadi bahan pertimbangan bagi para pengamat valuta asing dalam mengambil keputusan yang tepat.
3.
Departemen/Universitas a. Dapat dijadikan sebagai bahan studi kasus bagi pembaca dan acuan bagi mahasiswa. b. Dapat memberikan bahan referensi bagi pihak perpustakaan. c. Dapat berfungsi sebagai bahan bacaan yang dapat menambah ilmu pengetahuan bagi pembacanya.
1.7. Metodologi Penelitian
Metodologi penelitian dalam penelitian ini adalah:
1.
Merancang sistem peramalan nilai tukar mata uang menggunakan jaringan syaraf tiruan model backpropagation, langkah-langkahnya sebagai berikut: a. Menetapkan Tujuan Sistem Model jaringan yang akan dibangun mampu mempelajari pola serta mengidentifikasikan data nilai tukar mata uang, dan selanjutnya digunakan untuk peramalan.
Universitas Sumatera Utara
b. Memperoleh Data Data diperoleh dari buku Kajian Ekonomi dan Keuangan di Perpustakaan Kantor Perwakilan Bank Indonesia Wilayah IX (SUMUT & ACEH), pergerakan nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat mulai tahun 1985 – 2013.
c. Transformasi Data Masukan Transformasi data masukan bertujuan untuk menyesuaikan nilai range data
dengan
logsigmoid
threshold
function
dalam
sistem
backpropagation. Ini berarti nilai kuadrat masukan harus berada pada range 0 sampai 1. Sehingga range masukan yang memenuhi syarat adalah nilai data masukan dari 0 sampai 1 atau dari –1 sampai 1. Oleh karena itu keluaran yang dihasilkan pun akan berada pada range 0 sampai 1, untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses detransformasi.
d. Merancang Arsitektur Jaringan Merancang arsitektur jaringan bertujuan untuk memperoleh komposisi jumlah neuron, elemen masukan, lapisan tersembunyi, dan nilai parameter training yang optimal. Langkah-langkah untuk membangun model jaringan data ini adalah: 1)
Membentuk data pelatihan (training) dan pengujian (testing).
2)
Penentuan jumlah lapisan tersembunyi dan jumlah neuron ditentukan secara trial and error sampai dicapai error minimumnya.
e. Menentukan Fungsi Aktivasi Bentuk khusus dari suatu fungsi aktivasi dalam kasus ini tidak akan mempengaruhi performa suatu jaringan. Namun, dasar karakteristik data yang berfluktuasi kuat dan dilihat dari tujuan sistem jaringan yaitu untuk dapat mengatasi perubahan yang mendadak, maka fungsi aktivasi hendaknya bersifat smooth dan terdiferensial. Berdasarkan hal itu, maka dipilih fungsi aktivasi log sigmoid (sigmoid biner).
Universitas Sumatera Utara
f. Penentuan koefisien laju pemahaman (𝛼𝛼) dapat dilakukan dengan trial and error untuk memperoleh nilai bobot yang paling optimum agar Mean Squared Error (MSE) jaringan dapat diperbaiki.
g. Mendapatkan model pelatihan yang baik digunakan untuk mendapatkan peramalan.
h. Peramalan data nilai tukar mata uang untuk data pelatihan dan data pengujian.
i.
Grafik perbandingan antara data asli dengan peramalan menggunakan jaringan syaraf tiruan model backpropagation.
2.
Jaringan yang dibangun akan dinilai keakuratan peramalannya. Kaedah penilaian yang akan digunakan adalah Mean Square Error (MSE). Ketepatan model diukur secara relatif menggunakan MSE yang didapat dari persamaan berikut ini: 𝑛𝑛
𝑛𝑛
𝑖𝑖=1
𝑡𝑡 =1
𝑒𝑒𝑖𝑖 2 (𝑦𝑦𝑡𝑡 − 𝑦𝑦�𝑡𝑡 )2 𝑀𝑀𝑀𝑀𝑀𝑀 = � =� 𝑛𝑛 𝑛𝑛
(Makridakis, 1999:59)
keterangan: 𝑛𝑛
= bilangan ramalan
𝑦𝑦�𝑡𝑡
= nilai ramalan pada waktu 𝑡𝑡
𝑦𝑦𝑡𝑡
3.
= nilai aktual pada waktu 𝑡𝑡
Peramalan data nilai tukar mata uang Rupiah terhadap Dolar Amerika Serikat tahun 2014.
Universitas Sumatera Utara