ESTIMASI TINGKAT BI RATE

Transkripsi

1 ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM : Jurusan : Akuntansi / S1 Pembimbing : Dr. Armaini Akhirson, SE., MMA

2 Latar Belakang Masalah Suku Bunga dari Beberapa negara di Asia Tenggara (%) Indonesia (bi.go.id) Malaysia (bnm.gov.my) Singapura (mas.gov.sg) Thailand (bot.or.th) Filipina (bsp.gov.ph) ,75 3,5 2,75 5 7, ,5 0,13 3,25 5, ,25 3,25 0,06 2,75 5, ,5 2 0,01 1, ,5 2,75 0, ,02 3,25 4,5 Sumber:

3 Latar Belakang Masalah Suku bunga Bank Indonesia (BI Rate) adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh Bank Indonesia dan diumumkan kepada publik. BI Rate sebagai respon (stance) kebijakan moneter ditetapkan untuk mengarahkan pergerakan inflasi dan ekonomi ke depan agar tetap berada pada jalur pencapaian sasaran inflasi yang telah ditetapkan (konsistensi) Adanya penurunan BI Rate yang cukup signifikan pada tahun 2009 dimaksudkan agar dapat membuka peluang pembiayaan terhadap kegiatan sektor riil, dan juga diperkirakan kegiatan investasi swasta akan semakin terdorong dikarenakan iklim investasi yang semakin membaik. Selain itu penurunan BI Rate juga untuk pencapaian sasaran inflasi yang rendah. Secara keseluruhan kemungkinan perkembangan faktor-faktor yang dapat mempengaruhi tingkat bunga BI Rate, diantaranya adalah inflasi, Jumlah Uang Beredar (JUB), PDB, nilai tukar rupiah, dan lain-lain. Rumusan Masalah Bagaimanakah bentuk inferensi fuzzy estimasi tingkat BI Rate berdasarkan variabel Nilai Tukar(Kurs USD/Rp), JUB, Inflasi, IHSG dan PDB dengan metode Adaptive Neuro Fuzzy? Bagaimanakah perbandingan estimasi tingkat BI Rate yang menggunakan metode ANFIS dengan tingkat BI Rate aktual? Bagaimanakah tingkat keakurasian dari ANFIS dalam mengestimasi BI Rate?

4 BATASAN MASALAH Dalam penelitian ini penulis membatasi permasalahan dalam mengestimasi tingkat BI Rate ini dengan data makro ekonomi Indonesia dari 2006 hingga 2012 yaitu berupa beberapa variabel. Variabel yang menjadi perhatian dalam penelitian ini diantaranya adalah: Nilai Tukar (Kurs USD/Rp), Jumlah Uang yang Beredar (M2), Inflasi, IHSG dan PDB. Logika penalaran menggunakan Himpunan Fuzzy. Metode yang digunakan dalam memodelkan input-ouput adalah Adaptive Neuro Fuzzy Inference System (ANFIS). TUJUAN PENELITIAN Mengetahui bentuk inferensi fuzzy estimasi tingkat BI Rate berdasarkan variabel Nilai Tukar(Kurs USD/Rp), JUB, Inflasi, IHSG dan PDB dengan metode Adaptive Neuro Fuzzy. Mengetahui perbandingan estimasi tingkat BI Rate yang menggunakan metode ANFIS dengan tingkat BI Rate aktual. Mengetahui seberapa besar tingkat keakurasian dari logika fuzzy dalam mengestimasi BI Rate.

5 LANDASAN TEORI BI RATE NILAI TUKAR UANG BEREDAR INFLASI IHSG PDB ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) FUZZY LOGIC

6 MENGUAT ATAU MELEMAH MENGUAT ATAU MELEMAH BERTAMBAH ATAU BERKURANG MENGUAT ATAU MELEMAH BERTAMBAH ATAU BERKURANG KERANGKA PIKIRAN ESTIMASI BI RATE BI (Moneter) Statistik Ekonomi dan Keuangan Indonesia KURS Manurung & Rahardja, 2004 INFLASI Yuliadi, 2008 JUB Manurung & Rahardja, 2004 IHSG BEI, 2008 PDB McEachern, 2000 ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) APLIKASI ESTIMASI BI RATE

7 SAMPEL DAN PENGUMPULAN DATA Jumlah sampel untuk checking data sebanyak 15. VARIABEL Variabel Output BI RATE Variabel Input Data yang digunakan merupakan data sekunder dari website bi.go.id KURS JUB INFLASI IHSG PDB

8 Hasil Penelitian Input 1 Input 2 Input 3 Input 4 Input 5 Output 1 Cluster , , ,5 Cluster , , ,25 Cluster , , ,5 Cluster , , ,25 Cluster , , ,5 Cluster , , ,5 Cluster , , ,75 Cluster , , ,25 Dengan menetapkan range of influence sebesar 0,5, accept ratio sebesar 0,5 squash factor sebesar 1,25 dan reject ratio sebesar 0,15, maka terdapat 8 data pusat cluster dari matriks berukuran 75x6. Dari tabel output subtractive clustering diatas, terlihat bahwa pusat cluster pertama berada pada vektor November 2010 dengan rincian sebagai berikut: Nilai tukar (USD/Rp) pada posisi Rp8.948; Jumlah uang beredar sejumlah Rp2.348 triliun; Tingkat Inflasi sebesar 6,33%; Indeks Harga Saham Gabungan yaitu sebesar 3,531,21; PDB yaitu sebesar Rp milyar dan tingkat BI Rate sebesar 6,5%. Cluster kedua berada pada vektor September 2007 dengan rincian: Nilai tukar (USD/Rp) pada posisi Rp9.299; Jumlah uang beredar sejumlah Rp1.517 triliun; Tingkat Inflasi sebesar 6,95%; Indeks Harga Saham Gabungan yaitu sebesar 2.359,21; PDB yaitu sebesar Rp milyar dan tingkat BI Rate sebesar 8,25%.

9 Hasil Penelitian Pada plot diatas, menjelaskan bahwa output yang dihasilkan sistem inferensi fuzzy tampak mengikuti arah data training. Data training ditunjukkan dengan simbol lingkaran sedangkan output sistem inferensi fuzzy ditunjukkan dengan simbol bintang. Selanjutnya dari proses training data akan dibentuk fuzzy rule sesuai jumlah pusat cluster yang ada yaitu 8 fuzzy rule.

10 Hasil Penelitian Dilihat dari arsitektur ANFIS diatas terlihat bahwa 5 variabel input di hubungkan dengan simpul adaptif maupun non adaptif sesuai aturan fuzzy yang sudah dibentuk dengan penghubung and model sugeno orde satu yang nantinya akan menghasilkan 1 model output.

11 Periode Hasil Penelitian BI Rate BI Rate BI Rate BI Rate Periode Aktual ANFIS Aktual ANFIS ,5 6, ,86 2 6,75 6,63 2 5,75 5,91 3 6,75 6,71 3 5,75 5,76 4 6,75 6,74 5 6,75 6,82 6 6,75 6,78 7 6,75 6,67 8 6,75 6,84 9 6,75 6, ,5 6, , ,93 Dari tabel diatas, dapat dihitung bahwa nilai rata-rata error sebesar 0,0964 hal ini menggambarkan hasil estimasi dari data yang sudah ditraining dengan ANFIS bisa dikatakan memiliki hasil tingkat akurasi yang tinggi.

12 Hasil Penelitian Perbandingan BI Rate Aktual dengan BI Rate ANFIS BI Rate Aktual BI Rate ANFIS Grafik diatas menunjukkan perbandingan hasil output BI Rate model Adaptive Neuro Fuzzy dengan BI Rate yang sebenarnya, terlihat hanya beberapa titik perbedaan hasil antara estimasi dengan yang sebenarnya. Namun secara keseluruhan model mampu menerangkan hubungan inputoutput dengan baik. Hal ini ditunjukkan dengan pergerakan titik-titik mengikuti arah garis.

13 Hasil Penelitian Keakurasian Hasil Asumsi ANFIS 0,20 0,15 0,10 0,05 0,00-0, ,10-0,15-0,20 Error Dari grafik diatas, dapat dilihat error negatif terbesar adalah -0,18 dan positif terbesar adalah 0,14. Sedangkan error negatif terkecil adalah -0,03 dan positif terkecil adalah 0,01. Error negatif terbesar terjadi pada bulan November 2011.

14 K E S I M P U L A N Permodelan ANFIS yang telah diolah menghasilkan 8 aturan fuzzy (fuzzy rules) yang dapat memodelkan perilaku input-output antara variabel makro ekonomi (Rp, M2, Inflasi, IHSG, dan PDB) terhadap BI Rate. Secara keseluruhan, Adaptive Neuro Fuzzy Inference System (ANFIS) mampu melakukan training atas data dan memodelkan perilaku hubungan antara input dengan output secara baik, hal ini dibuktikan dengan rata-rata tingkat error mampu hampir mencapai nilai 0 yaitu sebesar 0,0964. Data training berhasil diuji dengan baik, hal ini ditunjukan dengan hasil output checking data yaitu mengalami selisih antara aktual dan estimasi tidak jauh dari nilai 0 yaitu antara -1 dan 1, sehingga selisih tersebut masih bisa dibilang cukup kecil.. S A R A N 1. Walaupun hasil yang diuji oleh penulis mendapatkan tingkat keakurasian dari hasil estimasi yang cukup tinggi yaitu sebesar 0,0964, namun penulis yang selanjutnya dengan penelitian sejenis kedepannya diharapkan untuk dapat memperbaiki dan lebih memperkecil tingkat error tersebut. 2. Berdasarkan hasil analisis dan pembahasan, tingkat error yang ada tersebut, kedepannya diharapkan dapat diperkecil dengan melibatkan variabel-variabel di luar makro ekonomi itu sendiri.

15

16 Kajian Penelitian Sejenis No Nama Tahun Judul Kesimpulan 1 Syudastri 2011 Estimasi tingkat inflasi dengan pendekatan adaptive neuro fuzzy. sistem fuzzy menghasilkan 9 aturan fuzzy yang bisa mendefinisikan kelakuan inputoutput. Hasil dari penelitan ini menunjukkan tingkat akurasi yang cukup tinggi dengan rata-rata tingkat error mampu mencapai 0 yaitu sebesar 0,6031 setelah di uji dengan data pada periode

17 Kajian Penelitian Sejenis No Nama Tahun Judul Kesimpulan 2 Ayu Azmy Amalia dan Agus Maman Abadi 2011 Prediksi Suku Bunga Bank Indonesia (BI Rate) menggunakan model Neuro Fuzzy berdasarkan 6 model neuro fuzzy dengan FIS metode Sugeno orde nol yang dibangun untuk prediksi BI Rate, model prediksi terbaik adalah model prediksi dengan 5 variabel input, yaitu BI Rate 1 bulan, 2 bulan, 4 bulan, hingga 6 bulan sebelumnya, dengan nilai MAPE atas TRD dan CHD berturuttur ut adalah 8.5% dan 14.22%, dan nilai MSE atas TRD dan CHD berturut-turut adalah 0.99 dan 2.18