1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba

Transkripsi

1 JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma 2 Jl. KH. Noer Ali, Kalimalang, Beasi, Telp: (021) nurmalasari.purba@gmail.com Abstract Current Artificial Neural Networs (ANN) has been progressing very rapidly and applied for various purposes. One form of application is forecasting process. The methods used in this process have developed as well, and one of it is bacpropagation. Significant application to this method can be seen in the interest rate forecast. Interest rate is one important part in government monetary policy, which is directly affected by the economic conditions of Indonesia. If the economy falls, the interest rate can go down, and vice versa. These things can affect other matters related to the fields of economy, both directly and indirectly. This writing is about the bacpropagation as a method of forecasting loan rates. The implementation is done by using Matlab. This forecasting is expected to help users not only in understanding the worings process of neural networs, but also in understanding the development of loan rates in Indonesia. Keyword: Loan rates, Bacpropagation, Forecasting, Artificial Neural Networ Abstrasi Jaringan syaraf tiruan saat ini telah mengalami perembangan yang sangat pesat dan diterapan untu berbagai tuuan. Salah satu bentu penerapannya adalah proses peramalan. Metode yang digunaan dalam proses ini pun turut berembang, dan salah satu metode tersebut adalah bacpropagation. Penerapan secara nyata untu metode ini dapat dilihat pada peramalan tingat suu bunga. Suu bunga merupaan salah satu bagian penting dalam ebiaan moneter pemerintah, yang secara langsung dipengaruhi oleh ondisi pereonomian Indonesia. Apabila pereonomian turun, maa suu bunga pun dapat turun, dan begitu pula sebalinya. Hal ini dapat mempengaruhi hal-hal lain yang terait dengan bidang pereonomian, bai secara langsung maupun ta langsung. Penulisan ini membahas tentang bacpropagation sebagai metode peramalan tingat suu bunga pinaman. Implementasinya dilauan dengan menggunaan Matlab. Peramalan ini diharapan dapat membantu pengguna ta hanya dalam memahami cara era aringan syaraf tiruan, namun uga dalam memahami perembangan suu bunga pinaman di Indonesia. Kata Kunci : Suu Bunga Pinaman, Bacpropagation, Peramalan, Jaringan Syaraf Tiruan. 1

2 1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba mensimulasian tingah lau dan era model syaraf terhadap berbagai macam masuan. Namun, saat ini aringan syaraf tiruan sudah berembang sangat pesat, diantaranya untu tuuan peramalan ( forecasting ). Terdapat berbagai metode aringan syaraf tiruan terait dengan peramalan dan salah satunya adalah metode aringan syaraf tiruan dengan algoritma bacpropagation. Algoritma ini merupaan salah satu algoritma yang coco untu digunaan dalam proses peramalan, diantaranya adalah peramalan dalam bidang moneter. Kebiaan moneter adalah ebiaan yang dilauan oleh pemerintah melalui ban sentral, guna mengatur penawaran uang dan tingat bunga dalam tingat yang waar dan aman. Kebiaan ini pada umumnya terbagi dua yaitu ebiaan uantitatif dan ebiaan ualitatif. Kebiaan uantitatif adalah ebiaan yang bertuuan untu mempengaruhi penawaran uang dan tingat bunga dalam pereonomian, sedangan ebiaan ualitatif adalah ebiaan yang bersifat non-intervensi dan lebih banya meneanan pada esadaran piha perbanan pada umumnya. Suu bunga merupaan salah satu bagian penting dalam ebiaan uantitatif, yang secara langsung dipengaruhi oleh ondisi pereonomian negara. Apabila pereonomian turun, maa suu bunga pun dapat turun, dan begitu pula sebalinya. Secara ta langsung, perubahan tingat suu bunga ini uga mempengaruhi berbagai hal lain terait pereonomian, seperti nilai tuar mata uang Rupiah terhadap mata uang luar negeri, harga aset yang digunaan dalam eonomi maro, espetasi publi terhadap inflasi yang sedang teradi, dan tingat investasi yang dilauan penanam modal, bai piha loal maupun piha asing. Dengan berdasar pada seluruh penelasan di atas, penulis memutusan untu membahas mengenai metode peramalan tingat suu bunga di Indonesia dengan menggunaan algoritma Bacpropagation. 2. Suu Bunga Pinaman Bunga pinaman adalah biaya atau harga yang harus dibayar oleh nasabah (peminam) epada ban atas dana yang diberian epadanya. Salah satunya adalah bunga redit. Agar ban memperoleh pendapatan, perlu ditetapan tingat suu bunga redit, dengan berdasaran pada Cost of Fund (COF), Overhead Cost (OHC), dan Spread Profit. 3. Jaringan Syaraf Tiruan (JST) JST adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti ota yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah strutur yang baru dari sistem pemrosesan informasi. Jaringan syaraf tiruan seperti manusia, belaar dari suatu contoh. JST dibentu untu memecahan suatu masalah tertentu. 3.1 Arsitetur JST JST dapat dibagi edalam dua ategori : a) Strutur Feedforward Sebuah aringan yang sederhana mempunyai strutur feedforward dimana signal bergera dari input emudian melewati lapisan tersembunyi dan 2

3 ahirnya mencapai unit output (mempunyai strutur perilau yang stabil). b) Strutur Recurrent ( Feedbac ) Jia suatu aringan berulang (mempunyai onesi embali dari output e input) aan menimbulan etidastabilan dan aan menghasilan dinamia yang sangat omples. 3.2 Fator Keberhasilan JST Handal. JST adalah teni pemodelan yang sangat memuasan yang dapat membuat model suatu fungsi yang sangat omples, hususnya JST nonlinear. Mudah digunaan. Pengguna JST mengumpulan data dan melauan pembelaaran algoritma untu mempelaari secara otomatis strutur data, sehingga pengguna tida memerluan pengetahuan husus mengenai bagaimana memilih dan mempersiapan data, bagaimana memilih JST yang tepat, bagaimana membaca hasil, serta tingatan pengetahuan yang diperluan untu eberhasilan. 4. Bacpropagation Bacpropagation dibuat untu menggeneralisasi aturan belaar Widrow- Hoff terhadap aringan berlapis banya dan fungsi transfer diferensial. Bacpropagation standar adalah algoritma gradient descent, yaitu aturan belaar Widrow-Hoff. 4.1 Arsitetur Bacpropagation Bacpropagation memilii beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 1 adalah arsitetur bacpropagation dengan n buah masuan ( ditambah sebuah bias ), sebuah layar tersembunyi yang terdiri dari p unit ( ditambah sebuah bias ), serta m buah unit eluaran. Gambar 1 Arsitetur Bacpropagation 4.2 Pelatihan Bacpropagation 1) Fase Propagasi Mau Selama propagasi mau, sinyal masuan (x 1 ) dipropagasian e layer tersembunyi menggunaan fungsi ativasi yang ditentuan. Keluaran dari unit tersembuyi (Z ) tersebut selanutnya dipropagasi mau lagi e layer tersembunyi beriutnya dengan fungsi ativasi yang telah ditentuan. Dan seterusnya hingga menghasilan eluaran aringan (y ). Beriutnya, eluaran aringan (y ) dibandingan dengan target yang harus dicapai (t ). Selisih t y adalah esalahan yang teradi. Jia esalahan ini lebih ecil dari batas toleransi yang ditentuan, maa iterasi dihentian. Jia esalahan masih lebih besar dari batas toleransi, maa bobot setiap garis dari aringan aan dimodifiasi untu mengurangi esalahan. 2) Fase Propagasi Mundur Berdasaran esalahan t y dihitung fator δ ( = 1,..., m ) yang dipaai untu mendistribusian esalahan di unit Y e semua unit tersembunyi yang terhubung langsung dengan Y. δ uga dipaai untu mengubah bobot garis yang 3

4 berhubungan langsung dengan unit eluaran. Dengan cara yang sama, dihitung fator δ di setiap layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di bawahnya. Dan seterusnya hingga semua fator δ di unit tersembunyi yang terhubung langsung dengan unit masuan dihitung. 3) Fase Modifiasi Bobot Setelah semua fator δ dihitung, bobot semua garis dimodifiasi bersamaan. Perubahan bobot suatu garis didasaran atas fator δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuu e layer eluaran didasaran atas δ yang ada di unit eluaran. Ketiga fase tersebut diulang-ulang hingga ondisi penghentian dipenuhi. Umumnya ondisi penghentian yang sering dipaai adalah umlah interasi atau esalahan. Iterasi aan dihentian ia umlah iterasi yang dilauan sudah melebihi umlah masimum iterasi yang ditetapan, atau ia esalahan yang teradi sudah lebih ecil dari batas toleransi yang ditetapan. 4.3 Algoritma Bacpropagation Inisialisasi bobot ( ambil bobot awal dengan nilai random yang cuup ecil ). Tetapan : Masimum epoh, inera tuuan, dan learning rate. Keraan langah-langah beriut selama ( epoh < masimum epoh ) dan ( MSE < inera tuuan ). Untu setiap pasang data pelatihan, lauan langah 1-6. Fase I : Propagasi Langah 1 : Tiap unit masuan menerima sinyal dan menerusannya e unit tersembunyi di atasnya. Langah 2 : Hitung semua eluaran di unit tersembunyi z ( = 1,2,..,p) p z_net = v 0 + =1 x i v i z = f(z_net ) = 1 / ( 1 + e -z_net_ ) Langah 3 : Hitung semua eluaran aringan di unit y ( = 1,2,,m) m y_net = w o + =1 = w y = f(y_net ) = 1 / ( 1 + e -y_net_ ) Fase II : Propagasi Mundur Langah 4 : Hitung fator δ unit eluaran berdasaran esalahan di setiap unit eluaran y = ( = 1,2,,m) δ = ( t y ) f (y ) = (t y ) y (1 y ) _net δ merupaan esalahan yang aan dipaai dalam perubahan bobot layer dibawahnya (langah 7). Hitung suu perubahan bobot w (yang aan dipaai nanti untu merubah bobot W ) dengan lau percepatan α. Δw = α δ z (= 1,2,..., m ; = 0,1,2,..., p) Langah 5 : Hitung fator δ unit tersembunyi berdasaran esalahan di setiap unit tersembunyi z = (=1,2,,p) δ _net m =1 = δ w Fator δ unit tersembunyi : δ = δ f (z ) = δ z _net _net _net (1 z Hitung suu perubahan bobot v i aan dipaai untu merubah v ) i Δv = α δ x i i ) (yang ( = 1,2,..., p ; i = 0,1,2,..., n) Fase III : Perubahan Bobot Langah 6 : Hitung semua perubahan bobot. Perubahan bobot garis yang menuu e unit eluaran ; w (baru) = w (lama) + Δw (=1,2,...m ; =0,1,2,...,p) Perubahan bobot garis yang menuu e unit tersembunyi: vi (baru) = v (lama) + Δv (=1,2,...p ; i i i =0,1,2,...,n) Langah 7 : Stop 4

5 5. Pembahasan 5.1 Pengumpulan Data Data yang digunaan dalam penulisan ini tida diambil secara langsung dari lapangan tetapi diambil dari data yang telah ada ( dicatat ) pada Badan Pusat Statisti Indonesia, pada urun watu tahun 18 hingga tahun Tabel 1 Suu Bunga Pinaman Indonesia Tahun Tahun Persentase (%) 18 23, , , , , , , , , , , , , Hasil Peramalan Tabel 2 Hasil Peramalan Suu Bunga Pinaman ( 2 layer ) Learning Rate Momen -tum Arsitetur Jaringan Terbai Layer 1 La yer 2 MSE Prosentase 0,01 0, ,01,461% 0, ,01,46% 0, ,01,48% 0, ,01,467% 0,02 0, ,01,45% 0, ,8 60 1,462%,476% 0, ,01,461% 0,03 0, ,585% 0, ,01,48% 0, , 50 1,46%,476% 0,04 0, ,01,462% 0, ,01,463% 0, , 70 1,47%,461% 0,05 0, ,01,463% 0,7 80 1,46% 0, ,01,461% 0, ,463% Berdasaran hasil tabel di atas, dapat dilihat bahwa aringan mengenali pola tida begitu cepat. Dari hasil tersebut didapatan arsitetur aringan yang terbai adalah 50.1 dengan learning rate = 0,03 dan momentum = 0,6, dan hasil MSE = 5 dan persentase =,585%. 5

6 6. Penutup Dengan berdasaran pada hasil dari implementasi metode peramalan menggunaan Jaringan Syaraf Tiruan Bacpropagation dalam peramalan tingat suu bunga pinaman di Indonesia, maa dapat diambil esimpulan sebagai beriut: 1. Metode Bacpropagation mempunyai emampuan yang bai untu peramalan tingat suu bunga berdasaran hasil perhitungan. 2. Semain banya umlah layer yang digunaan maa semain ecil esalahannya. Daftar Pustaa 1. Abdia, Gunaidi Away, Matlab Programming, Penerbit Informatia, Bandung, Eliyani, Peramalan Harga Saham Perusahaan Menggunaan Artificial Neural Networ, Seminar Nasional Apliasi Tenologi Informasi, Engelbrecht, Andries P., Computational Intelligence: An Introduction, John Wiley & Sons Ltd, England, Raagugu, Elisna, Determinan Tingat Suu Bunga Pinaman di Indonesia, Sripsi, Universitas Sumatra Utara, Medan, Siamat, Dahlan, Manaemen Lembaga Keuangan: Kebiaan Moneter dan Perbanan, Lembaga Penerbit Faultas Eonomi Universitas Indonesia, Jaarta, Siang, Drs. Jong Je, M.Sc., Jaringan Syaraf Tiruan & Pemrogramannya Menggunaan MATLAB, Penerbit Andi, Yogyaarta, Subdiretorat Layanan dan Promosi Statisti, Perembangan Beberapa Indiator Utama Sosial-Eonomi Indonesia, Badan Pusat Statisti, Jaarta, Data Suu Bunga Pinaman tahun , Badan Pusat Statisti, Jaarta,