Anda di halaman 1dari 6

JARINGAN SYARAF TIRUAN BACKPROPAGATION

SEBAGAI METODE PERAMALAN PADA PERHITUNGAN


TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA
Nurmalasari Rusmiati
1

Sistem Informasi, Fakultas Ilmu Komputer, Universitas Gunadarma


2
Jl. KH. Noer Ali, Kalimalang, Bekasi, 17113
Telp: (021) 88860117
Email: nurmalasari.purba@gmail.com
Abstract

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

mata uang Rupiah terhadap mata uang


luar negeri, harga aset yang digunakan
dalam ekonomi makro, ekspetasi publik
terhadap inflasi yang sedang terjadi, dan
tingkat investasi yang dilakukan penanam
modal, baik pihak lokal maupun pihak
asing.
Dengan berdasar pada seluruh
penjelasan di atas, penulis memutuskan
untuk membahas mengenai metode
peramalan tingkat suku bunga di
Indonesia
dengan
menggunakan
algoritma Backpropagation.

2. Suku Bunga Pinjaman


Bunga pinjaman adalah biaya atau
harga yang harus dibayar oleh nasabah
(peminjam) kepada bank atas dana yang
diberikan kepadanya. Salah satunya
adalah
bunga
kredit.
Agar
bank
memperoleh pendapatan, perlu ditetapkan
tingkat suku bunga kredit, dengan
berdasarkan 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
otak yang memproses suatu informasi.
Elemen
mendasar
dari
paradigma
tersebut adalah struktur yang baru dari
sistem pemrosesan informasi. Jaringan
syaraf tiruan seperti manusia, belajar dari
suatu contoh. JST dibentuk untuk
memecahkan suatu masalah tertentu.
3.1 Arsitektur JST
JST dapat dibagi kedalam dua
kategori :
a) Struktur Feedforward
Sebuah
jaringan
yang
sederhana
mempunyai struktur feedforward dimana
signal bergerak dari input kemudian
melewati
lapisan
tersembunyi
dan

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.

Gambar 1 Arsitektur Backpropagation

4.2 Pelatihan Backpropagation


1) Fase Propagasi Maju
Selama propagasi maju, sinyal
masukan (x ) dipropagasikan ke layer
1

tersembunyi menggunakan fungsi aktivasi


yang ditentukan. Keluaran dari unit
tersembuyi (Z ) tersebut selanjutnya
j

dipropagasi
maju
lagi
ke
layer
tersembunyi berikutnya dengan fungsi
aktivasi yang telah ditentukan. Dan
seterusnya hingga menghasilkan keluaran
jaringan (y ).
Berikutnya, keluaran
k

jaringan (y ) dibandingkan dengan target


k

yang harus dicapai (t ). Selisih t y


k

adalah kesalahan yang terjadi. Jika


kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi
dihentikan. Jika kesalahan masih lebih
besar dari batas toleransi, maka bobot
setiap garis dari jaringan akan dimodifikasi
untuk mengurangi kesalahan.
2) Fase Propagasi Mundur
Berdasarkan kesalahan

dihitung faktor ( k= 1, ..., m ) yang


k

dipakai untuk mendistribusikan kesalahan


di unit Y ke semua unit tersembunyi yang
k

terhubung langsung dengan Y . juga


k

dipakai untuk mengubah bobot garis yang

berhubungan
keluaran.

langsung

dengan

unit

Dengan cara yang sama, dihitung


faktor di setiap layer tersembunyi
j

sebagai dasar perubahan bobot semua


garis yang berasal dari unit tersembunyi di
layer di bawahnya. Dan seterusnya
hingga semua faktor di unit tersembunyi
yang terhubung langsung dengan unit
masukan dihitung.
3) Fase Modifikasi Bobot
Setelah semua faktor dihitung,
bobot
semua
garis
dimodifikasi
bersamaan. Perubahan bobot suatu garis
didasarkan atas faktor neuron di layer
atasnya. Sebagai contoh, perubahan
bobot garis yang menuju ke layer keluaran
didasarkan atas yang ada di unit
k

keluaran.

Langkah 2
:
Hitung
semua
keluaran di unit tersembunyi zj (j = 1,2,..,p)

z_netj = v0j + =1 xivij


-z_net_j
zj = f(z_netj) = 1 / ( 1 + e
)
Langkah 3
:
Hitung
semua
keluaran jaringan di unit yk (k = 1,2,,m)
y_netk = woj +
= jwjk
=1
-y_net_k
yk = f(y_netk) = 1 / ( 1 + e
)
Fase II : Propagasi Mundur
Langkah 4
: Hitung faktor unit
keluaran berdasarkan kesalahan di setiap
unit keluaran yk = (k = 1,2,,m)
= ( t y ) f (y
) = (t y ) y (1 y )
k

yang

akan

Langkah 5 : Hitung faktor unit


tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi zj = (j=1,2,,p)

=
=1 k wkj
_net j

Faktor unit tersembunyi :


=
f(z
)=
z (1 z )
j

_net j

_net j

_net j

Hitung suku perubahan bobot v (yang


ij

akan dipakai untuk merubah v )


ij

v = x (j = 1,2, ..., p ; i = 0,1,2, ..., n)


ij

4.3 Algoritma Backpropagation


Inisialisasi bobot ( ambil bobot awal
dengan nilai random yang cukup kecil
).
Tetapkan : Maksimum epoh, kinerja
tujuan, dan learning rate.
Kerjakan
langkah-langkah
berikut
selama ( epoh < maksimum epoh ) dan
( MSE < kinerja tujuan ).
Untuk setiap pasang data pelatihan,
lakukan langkah 1-6.

kesalahan

dipakai dalam perubahan bobot layer


dibawahnya (langkah 7).
Hitung suku perubahan bobot wkj (yang
akan dipakai nanti untuk merubah bobot
W kj ) dengan laju percepatan .
w = z (k= 1,2, ..., m ; j = 0,1,2, ..., p)
jk

Ketiga fase tersebut diulang-ulang


hingga kondisi penghentian dipenuhi.
Umumnya kondisi penghentian yang
sering dipakai adalah jumlah interasi atau
kesalahan. Iterasi akan dihentikan jika
jumlah iterasi yang dilakukan sudah
melebihi jumlah maksimum iterasi yang
ditetapkan, atau jika kesalahan yang
terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.

_net k

merupakan

Fase III : Perubahan Bobot


Langkah 6 : Hitung semua perubahan
bobot. Perubahan bobot garis yang
menuju ke unit keluaran ;
w (baru) = w (lama) + w (k=1,2, ...m ; j
jk

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.

5.2 Hasil Peramalan


Tabel 2 Hasil Peramalan Suku Bunga
Pinjaman ( 2 layer )

Learning
Rate

Momen
-tum

0,01

Tabel 1 Suku Bunga Pinjaman Indonesia


Tahun 1998 - 2010
Tahun

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

Berdasarkan hasil tabel di atas,


dapat dilihat bahwa jaringan mengenali
pola tidak begitu cepat. Dari hasil tersebut
didapatkan arsitektur jaringan yang terbaik
adalah 50.1 dengan learning rate = 0,03
dan momentum = 0,6, dan hasil MSE =
0,00995 dan persentase = 99,585%.

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.