PREDIKSI TREND FOREIGN EXCHANGE EURO TERHADAP DOLLAR AMERIKA MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION SKRIPSI DWIKY HERMAWAN 081402007 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
PREDIKSI TREND FOREIGN EXCHANGE EURO TERHADAP DOLLAR AMERIKA MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat untuk mencapai gelar Sarjana Teknologi Informasi Dwiky Hermawan 081402007 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
ii PERSETUJUAN Judul : PREDIKSI TREND FOREIGN EXCHANGE EURO TERHADAP DOLLAR AMERIKA MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Kategori : SKRIPSI Nama : DWIKY HERMAWAN Nomor Induk Mahasiswa : 081402007 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, Agustus 2014 Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Sajadin Sembiring, S.Si., M.Comp.Sc M. Fadly Syahputra, B.Sc., M.Sc.IT NIP - NIP 19830129 200912 1 003 Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar ST., MM.IT NIP 19800110 200801 1 010
iii PERNYATAAN PREDIKSI TREND FOREIGN EXCHANGE EURO TERHADAP DOLLAR AMERIKA MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Agustus 2014 Dwiky Hermawan 081402007
iv UCAPAN TERIMA KASIH Segala puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi. Ucapan terima kasih penulis sampaikan kepada Bapak M. Fadly Syahputra, B.Sc, M.Sc.IT selaku pembimbing satu dan Bapak Sajadin Sembiring, S.Si, M.Comp.Sc selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Bapak Dedy Arisandi, ST, M.Kom dan Ibu Sarah Purnamawati, ST, M.Sc yang telah bersedia menjadi dosen pembanding. Penulis juga mengucapkan terimakasih kepada Ketua Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, ST. MM.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, semua dosen serta pegawai Tata Usaha Ibu Delima, Bang Faisal Hamid dan pegawai Fakultas Program Studi S1 Teknologi Informasi. Skripsi ini penulis persembahkan terutama untuk kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik moril maupun materil, ayahanda tercinta Heriyanto dan ibunda tersayang Tuti Maryani yang selalu sabar dalam mendidik dan membesarkan penulis. Untuk adik-adik penulis Aulia Pertiwi dan Fikri Fachrezi yang selalu memberikan dorongan kepada penulis, untuk Zulfa Suza, S.Si, Yoan Puspita Sari dan Fanindya Purnama Sari, S.TI yang selalu memberikan dukungan semangat dan doa untuk penulis. Terima kasih penulis ucapkan kepada teman-teman terutama teman terbaik penulis selama menjalani masa perkuliahan, Adinas Putra, Ahmad Fauzi Nursalam, S.TI, Muhammad Andika Syaputra, S.TI, Umi Hani, S.TI dan seluruh angkatan 2008, serta teman-teman mahasiswa Teknologi Informasi lainnya yang tidak dapat penulis sebutkan satu persatu. Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah.
v ABSTRAK Pergerakan nilai forex selalu berfluktuasi setiap detiknya, oleh karena itu diperlukan suatu pendekatan dalam memprediksi besarnya nilai forex dengan tingkat keakuratan maksimum. Salah satu jenis prediksi kuantitatif adalah prediksi data time series yakni suatu teknik prediksi yang dibangun menggunakan data runtun waktu pada periode terdahulu. Dalam skripsi ini digunakan metode backpropagation untuk memprediksi trend pergerakan forex euro terhadap dollar Amerika berdasarkan data terdahulu. Backpropagation merupakan bagian dari jaringan saraf tiruan dengan metode pembelajaran terawasi. Untuk mengubah bobot yang terhubung dengan neuron pada lapisan tersembunyi, algoritma ini menggunakan error keluaran untuk mengubah nilai bobotnya dalam arah mundur (backward) sedangkan untuk mendapatkan error, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner. Hasil prediksi trend backpropagation diukur dengan nilai MAPE (Mean Absolute Percentage Error). Sistem kemudian di uji dengan melakukan pembelajaran untuk hasil 5 hari kedepan, yaitu dari tanggal 1 Januari 2014 sampai dengan 5 Januari 2014. Dari hasil pembelajaran ini, diperoleh nilai error rata-rata sebesar 1.6555%. Kata kunci : forex, prediksi, jaringan syaraf tiruan, fungsi aktivasi, time series, backpropagation, neuron, mean absolute percentage error.
vi TREND PREDICTION OF FOREIGN EXCHANGE EURO (EUR) AGAINST AMERICAN DOLLAR (USD) USING NEURAL NETWORK BACKPROPAGATION ABSTRACT Foreign exchange rate movements always fluctuate every second, therefore we need an approach to predict the value of forex with maximum accuracy level. One type is the quantitative predictions predictive time series prediction is a technique that is built using time series data in the previous period. In this paper the back propagation method is used to predict the trend of the movement of forex euro to the dollar based on the data earlier. Backpropagation is part of a neural network with supervised learning methods. To change the weights connected to the neurons in the hidden layer, the algorithm uses the output error to change the value of its weight in the reverse direction (backward) while to get an error, advanced propagation phase (forward propagation) should be done first. When the forward propagation, neurons activated by using the binary sigmoid activation function. Backpropagation trend prediction results measured by the value of MAPE (Mean Absolute Percentage Error). Later in the test system by learning to results next 5 days, ie from January 1, 2014 through January 5, 2014 From the results of this study, obtained an average error rate of 1.6555%. Keyword : foreign exchange, predict, neural network, activation function, time series, backpropagation, neuron, mean absolute percentage error.
vii DAFTAR ISI Hal. PERSETUJUAN... ii PERNYATAAN... iii UCAPAN TERIMA KASIH... iv ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x BAB 1 PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 3 1.4 Tujuan Penelitian... 4 1.5 Manfaat Penelitian... 4 1.6 Metodologi Penelitian... 4 1.7 Sistematika Penulisan... 6 BAB 2 LANDASAN TEORI... 8 2.1 Artificial Intelligence (AI)... 8 2.2 Jaringan Syaraf Tiruan... 12 2.2.1 Arsitektur Jaringan Syaraf Tiruan... 13 2.2.2 Proses Pembelajaran... 16 2.2.3 Fungsi Aktivasi... 17 2.2.4 Backpropagation... 19 2.2.5 Normalisasi Data... 19 2.2.6 Parameter Neural Network Backpropagation... 20 2.3 Foreign Exchange (Forex)... 23 2.3.1 Trading Forex... 23 2.3.2 Teknik Forex... 23 2.3.2.1 Analisis fundamental... 23 2.3.2.2 Analisis teknikal... 24 2.4 Teknik Peramalan (Forecasting)... 24 2.5 Teknik Prediksi Terdahulu... 27 BAB 3 ANALISIS DAN PERANCANGAN SISTEM... 31 3.1 Identifikasi Masalah... 31 3.2 Data yang Digunakan... 31 3.3 Analisis Teknikal Prediksi Forex Menggunakan Backpropagation... 33 3.4 Perancangan Sistem... 38 3.4.1 Rancangan Umum Sistem... 38
3.4.2 Use Case Diagram... 40 3.4.3 Use Case Specification... 40 3.4.4 Class Diagram... 44 3.4.5 Activity Diagram... 45 3.4.6 Model Entity-Relationship... 49 3.4.7 Rancangan Menu Sistem... 50 3.4.8 Perancangan Interface... 50 3.4.8.1 Rancangan halaman home... 51 3.4.8.2 Rancangan halaman data forex... 52 3.4.8.3 Rancangan halaman grafik forex... 53 3.4.8.4 Rancangan halaman analisis forex... 54 3.4.8.5 Rancangan halaman pengaturan parameter... 55 3.4.8.6 Rancangan halaman tutorial aplikasi... 56 3.4.8.7 Rancangan halaman about... 57 viii BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM... 58 4.1 Implementasi Sistem... 58 4.1.1 Spesifikasi Software dan Hardware yang Digunakan... 58 4.1.2 Implementasi Data... 58 4.2 Pengujian Sistem... 59 4.2.1 Rencana Pengujian Sistem... 60 4.2.2 Kasus dan Hasil Pengujian Sistem... 60 4.2.3 Implementasi Perancangan Antarmuka... 64 4.2.4 Pengujian Kinerja Sistem... 68 4.3 Hasil Pengujian... 71 4.3.1 Data Pelatihan... 71 4.3.2 Data Pengujian... 74 BAB 5 KESIMPULAN DAN SARAN... 77 5.1 Kesimpulan... 77 5.2 Saran... 78 DAFTAR PUSTAKA... 79
ix DAFTAR TABEL Tabel 2.1 Kelompok Tugas dengan Konsep AI 10 Tabel 2.2 Perbandingan AI dengan Komputasi Konvensional 11 Tabel 2.3 Penelitian Sebelumnya 30 Tabel 3.1 Data Nilai Pergerakan Forex Euro Terhadap Dollar Amerika 32 Tabel 3.2 Use Case Spesification Home 41 Tabel 3.3 Use Case Spesification Data Forex 41 Tabel 3.4 Use Case Spesification Grafik Forex 42 Tabel 3.5 Use Case Spesification Pengaturan Parameter 42 Tabel 3.6 Use Case Spesification Analisis Forex 43 Tabel 3.7 Use Case Spesification Tutorial 43 Tabel 3.8 Use Case Spesification About 44 Tabel 4.1 Data Forex Euro Terhadap Dollar Amerika Tahun 2015 s/d 2013 59 Tabel 4.2 Rencana Pengujian Sistem 60 Tabel 4.3 Hasil Pengujian Sistem 60 Tabel 4.4 Data Forex Euro terhadap Dollar Amerika 68 Tabel 4.5 Hasil Pengujian Kinerja Sistem 69 Tabel 4.6 Rangkuman Hasil Pengujian Sistem Data Forex 70 Tabel 4.7 Parameter dan Hasil Training 71 Tabel 4.8 Hasil Pembelajaran 75 Hal.
x DAFTAR GAMBAR Gambar 1.1 Kerangka Kerja Metodologi Penelitian 6 Gambar 2.1 Hubungan Computer Science dan Engineering Aplications 9 Gambar 2.2 Input-Output Model untuk AI 11 Gambar 2.3 Jaringan Layar Tunggal 13 Gambar 2.4 Model Neuron dengan Banyak Lapisan 15 Gambar 2.5 Model Neuron dengan Lapisan Kompetitif 16 Gambar 2.6 Fungsi Aktivasi Sigmoid Biner 18 Gambar 2.7 Fungsi Aktivasi Sigmoid Bipolar 18 Gambar 2.8 Fungsi Aktivasi Linear 19 Gambar 2.9 Pola Data Horizontal 26 Gambar 2.10 Pola Data Musiman 26 Gambar 2.11 Pola Data Siklis 26 Gambar 2.12 Pola Data Trend 27 Gambar 3.1 Chart Statistic Forex Euro Terhadap Dollar Amerika 2005-2013 33 Gambar 3.2 Flowchart Metode Backpropagation 34 Gambar 3.3 Arsitektur Mesin Prediksi 39 Gambar 3.4 Use Case Diagram Sistem 40 Gambar 3.5 Class Diagram Sistem 45 Gambar 3.6 Activity Diagram Home 45 Gambar 3.7 Activity Diagram Data Forex 46 Gambar 3.8 Activity Diagram Grafik Forex 47 Gambar 3.9 Activity Diagram Analisis Forex 47 Gambar 3.10 Activity Diagram Pengaturan Parameter 48 Gambar 3.11 Activity Diagram Tutorial 48 Gambar 3.12 Activity Diagram About 49 Gambar 3.13 Model E-R Peramalan Forex 49 Gambar 3.14 Struktur Menu Sistem 50 Gambar 3.15 Rancangan Halaman Home 51 Gambar 3.16 Rancangan Halaman Data Forex 52 Gambar 3.17 Rancangan Halaman Grafik Forex 53 Gambar 3.18 Rancangan Halaman Analisis Forex 54 Gambar 3.19 Rancangan Halaman Pengaturan Parameter 55 Gambar 3.20 Rancangan Halaman Tutorial 56 Gambar 3.21 Rancangan Halaman About 57 Gambar 4.1 Halaman Home 64 Gambar 4.2 Halaman Data Forex 65 Gambar 4.3 Halaman Grafik Forex 65 Gambar 4.4 Halaman Pengaturan Parameter 66 Gambar 4.5 Halaman Analisis Forex 67 Gambar 4.6 Halaman Tutorial 67 Gambar 4.7 Halaman About 68 Gambar 4.8 Grafik Hasil Peramalan 70 Hal.
Gambar 4.9 Grafik Error Hasil Training 73 Gambar 4.10 Grafik Hasil Testing 74 Gambar 4.11 Grafik Hasil Pembelajaran 76 xi