Current Artificial Neural Networks (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 backpropagation. 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 backpropagation 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 workings process of neural networks, but also in understanding the
development of loan rates in Indonesia.
Keyword: Loan rates, Backpropagation, Forecasting, Artificial Neural Network
Abstraksi
Jaringan syaraf tiruan saat ini telah mengalami perkembangan yang sangat pesat dan
diterapkan untuk berbagai tujuan. Salah satu bentuk penerapannya adalah proses
peramalan. Metode yang digunakan dalam proses ini pun turut berkembang, dan salah satu
metode tersebut adalah backpropagation. Penerapan secara nyata untuk metode ini dapat
dilihat pada peramalan tingkat suku bunga.
Suku bunga merupakan salah satu bagian penting dalam kebijakan moneter pemerintah,
yang secara langsung dipengaruhi oleh kondisi perekonomian Indonesia. Apabila
perekonomian turun, maka suku bunga pun dapat turun, dan begitu pula sebaliknya. Hal ini
dapat mempengaruhi hal-hal lain yang terkait dengan bidang perekonomian, baik secara
langsung maupun tak langsung.
Penulisan ini membahas tentang backpropagation sebagai metode peramalan tingkat suku
bunga pinjaman. Implementasinya dilakukan dengan menggunakan Matlab. Peramalan ini
diharapkan dapat membantu pengguna tak hanya dalam memahami cara kerja jaringan
syaraf tiruan, namun juga dalam memahami perkembangan suku bunga pinjaman di
Indonesia.
Kata Kunci : Suku Bunga Pinjaman, Backpropagation, Peramalan, Jaringan Syaraf Tiruan.
1. Pendahuluan
Jaringan syaraf tiruan ( Artificial
Neural Network ) adalah suatu teknologi
komputasi yang berbasis pada model
syaraf
biologis
dan
mencoba
mensimulasikan tingkah laku dan kerja
model syaraf terhadap berbagai macam
masukan. Namun, saat ini jaringan syaraf
tiruan sudah berkembang sangat pesat,
diantaranya untuk tujuan peramalan (
forecasting ). Terdapat berbagai metode
jaringan syaraf tiruan terkait dengan
peramalan dan salah satunya adalah
metode jaringan syaraf tiruan dengan
algoritma backpropagation. Algoritma ini
merupakan salah satu algoritma yang
cocok untuk digunakan dalam proses
peramalan, diantaranya adalah peramalan
dalam bidang moneter.
Kebijakan
moneter
adalah
kebijakan yang dilakukan oleh pemerintah
melalui bank sentral, guna mengatur
penawaran uang dan tingkat bunga dalam
tingkat yang wajar dan aman. Kebijakan
ini pada umumnya terbagi dua yaitu
kebijakan kuantitatif
dan kebijakan
kualitatif. Kebijakan kuantitatif adalah
kebijakan
yang
bertujuan
untuk
mempengaruhi penawaran uang dan
tingkat bunga dalam perekonomian,
sedangkan kebijakan kualitatif adalah
kebijakan yang bersifat non-intervensi dan
lebih
banyak
menekankan
pada
kesadaran
pihak
perbankan
pada
umumnya.
Suku bunga merupakan salah satu
bagian
penting
dalam
kebijakan
kuantitatif,
yang
secara
langsung
dipengaruhi oleh kondisi perekonomian
negara. Apabila perekonomian turun,
maka suku bunga pun dapat turun, dan
begitu pula sebaliknya. Secara tak
langsung, perubahan tingkat suku bunga
ini juga mempengaruhi berbagai hal lain
terkait perekonomian, seperti nilai tukar
akhirnya
mencapai
unit
output
(mempunyai struktur perilaku yang stabil).
b) Struktur Recurrent ( Feedback )
Jika suatu jaringan berulang (mempunyai
koneksi kembali dari output ke input) akan
menimbulkan ketidakstabilan dan akan
menghasilkan dinamika yang sangat
kompleks.
3.2 Faktor Keberhasilan JST
Handal. JST adalah teknik pemodelan
yang sangat memuaskan yang dapat
membuat model suatu fungsi yang sangat
kompleks, khususnya JST nonlinear.
Mudah digunakan. Pengguna JST
mengumpulkan data dan melakukan
pembelajaran
algoritma
untuk
mempelajari secara otomatis struktur
data,
sehingga
pengguna
tidak
memerlukan
pengetahuan
khusus
mengenai bagaimana memilih dan
mempersiapkan data, bagaimana memilih
JST yang tepat, bagaimana membaca
hasil, serta tingkatan pengetahuan yang
diperlukan untuk keberhasilan.
4. Backpropagation
Backpropagation
dibuat
untuk
menggeneralisasi aturan belajar WidrowHoff terhadap jaringan berlapis banyak
dan
fungsi
transfer
diferensial.
Backpropagation standar adalah algoritma
gradient descent, yaitu aturan belajar
Widrow-Hoff.
4.1 Arsitektur Backpropagation
Backpropagation memiliki beberapa
unit yang ada dalam satu atau lebih layar
tersembunyi. Gambar 1 adalah arsitektur
backpropagation dengan n buah masukan
( ditambah sebuah bias ), sebuah layar
tersembunyi yang terdiri dari p unit (
ditambah sebuah bias ), serta m buah unit
keluaran.
dipropagasi
maju
lagi
ke
layer
tersembunyi berikutnya dengan fungsi
aktivasi yang telah ditentukan. Dan
seterusnya hingga menghasilkan keluaran
jaringan (y ).
Berikutnya, keluaran
k
berhubungan
keluaran.
langsung
dengan
unit
keluaran.
Langkah 2
:
Hitung
semua
keluaran di unit tersembunyi zj (j = 1,2,..,p)
yang
akan
=
=1 k wkj
_net j
_net j
_net j
_net j
kesalahan
_net k
merupakan
jk
jk
=0,1,2,...,p)
Perubahan bobot garis yang menuju ke
unit tersembunyi:
v (baru) = v (lama) + v (j=1,2, ...p ; i
ij
ij
ij
=0,1,2,...,n)
Langkah 7 : Stop
Fase I : Propagasi
Langkah 1
: Tiap unit masukan
menerima sinyal dan meneruskannya ke
unit tersembunyi di atasnya.
5. Pembahasan
5.1 Pengumpulan Data
Data yang digunakan dalam
penulisan ini tidak diambil secara
langsung dari lapangan tetapi diambil dari
data yang telah ada ( dicatat ) pada
Badan Pusat Statistik Indonesia, pada
kurun waktu tahun 1998 hingga tahun
2010.
Learning
Rate
Momen
-tum
0,01
Persentase (%)
1998
23,16
1999
22,93
2000
16,59
2001
17,90
2002
17,82
2003
15,68
0,02
0,03
Arsitektur
Jaringan
Terbaik
MSE
Prosentase
0,01
99,461%
60
0,01
99,46%
0,8
60
0,01
99,48%
0,9
60
0,01
99,467%
0,6
65
0,01
99,459%
Layer
1
La
yer
2
0,6
60
0,7
0,7
50
0,8
60
0,9
30
0,01
99,461%
0,0099
5
99,585%
0,01
99,498%
0,6
50
0,7
60
2004
14,05
0,8
50
2005
15,66
0,9
50
2006
15,10
0,6
30
2007
13,01
0,7
25
2008
14,40
2009
12,96
2010
12,28
0,04
0,05
0,0099
9
0,0099
9
0,0099
9
0,0099
9
99,462%
99,476%
99,46%
99,476%
0,01
99,462%
0,01
99,463%
0,0099
9
0,0099
9
0,8
50
0,9
70
0,6
30
0,01
99,463%
0,0099
9
99,46%
99,47%
99,461%
0,7
80
0,8
25
0,01
99,461%
0,0099
7
99,463%
0,9
60
6. Penutup
Dengan berdasarkan pada hasil dari
implementasi
metode
peramalan
menggunakan Jaringan Syaraf Tiruan
Backpropagation dalam peramalan tingkat
suku bunga pinjaman di Indonesia, maka
dapat diambil kesimpulan sebagai berikut:
1. Metode Backpropagation mempunyai
kemampuan
yang
baik
untuk
peramalan
tingkat
suku
bunga
berdasarkan hasil perhitungan.
2. Semakin banyak jumlah layer yang
digunakan
maka
semakin
kecil
kesalahannya.
Daftar Pustaka
1. Abdia,
Gunaidi
Away,
Matlab
Programming, Penerbit Informatika,
Bandung, 2010.
2. Eliyani, Peramalan Harga Saham
Perusahaan Menggunakan Artificial
Neural Network, Seminar Nasional
Aplikasi Teknologi Informasi, 2007.
3. Engelbrecht,
Andries
P.,
Computational
Intelligence:
An
Introduction, John Wiley & Sons Ltd,
England, 2007.
4. Rajagukguk,
Elisna,
Determinan
Tingkat Suku Bunga Pinjaman di
Indonesia,
Skripsi,
Universitas
Sumatra Utara, Medan, 2007.
5. Siamat, Dahlan, Manajemen Lembaga
Keuangan: Kebijakan Moneter dan
Perbankan,
Lembaga
Penerbit
Fakultas
Ekonomi
Universitas
Indonesia, Jakarta, 2005.
6. Siang, Drs. Jong Jek, M.Sc., Jaringan
Syaraf Tiruan & Pemrogramannya
Menggunakan
MATLAB,
Penerbit
Andi, Yogyakarta, 2009.
7. Subdirektorat Layanan dan Promosi
Statistik, Perkembangan Beberapa
Indikator
Utama
Sosial-Ekonomi
Indonesia, Badan Pusat Statistik,
Jakarta, 2011.
8. Data Suku Bunga Pinjaman tahun
1998 2010, Badan Pusat Statistik,
Jakarta, 2011.