Anda di halaman 1dari 13

PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN

BACKPROPAGATION DALAM MEMPREDIKSI


TINGKAT SUKU BUNGA BANK
Badrul Anwar
Program Studi Sistem Komputer, STMIK Triguna Dharma
badrul.anwar@gmail.com

ABSTRAK: Prediksi tingkat suku bunga bank dapat dilakukan dengan berbagai teknik dan
metode, salah satunya dengan menggunakan algoritma jaringan saraf tiruan backpropagation. Pada
penelitian ini digunakan tujuh variabel masukan yaitu perkembangan likuiditas perekonomian,
tingkat inflasi, tingkat pertumbuhan ekonomi, CAR, LDR, Suku Bunga US dan suku bunga BI yang
datanya diambil dari Laporan Tahunan Bank Indonesia, SEKI (Statistik Ekonomi dan Keuangan
Indonesia) dan Data Perbankan Indonesia. Data inilah yang akan dilatih dan diuji dengan
menggunakan software Matlab dengan target atau keluaran berupa tingkat suku bunga naik, tetap
atau turun.
Kata Kunci: prediksi tingkat suku bunga bank, jaringan saraf tiruan, backpropagation.

A. PENDAHULUAN
Salah satu tolak ukur kemajuan suatu
negara adalah dari kemajuan ekonominya dan
tulang punggung dari kemajuan ekonomi adalah
dunia usaha. Perkembangan dunia usaha dalam
situasi perekonomian yang semakin terbuka
perlu dilandasi dengan sarana dan prasarana
serta sistem penilaian tingkat kinerja atau
tingkat kesehatan yang dapat mendorong
perusahaan ke arah peningkatan efisiensi dan
daya saing.
Masalah pokok dan paling sering dihadapi
oleh setiap perusahaan yang bergerak dalam
bidang usaha apapun, baik yang baru maupun
yang sudah berjalan yaitu kebutuhan akan dana
atau modal. Kebutuhan akan dana ini diperlukan
baik untuk modal kerja atau modal investasi.
Untuk memenuhi kebutuhan akan dana tersebut
mau tidak mau setiap perusahaan harus
berhubungan dengan perusahaan yang bergerak
dibidang keuangan atau yang sering disebut
dengan lembaga keuangan.

Dalam prakteknya lembaga keuangan


digolongkan ke dalam dua golongan besar yaitu
lembaga keuangan bank dan lembaga keuangan
lainnya (lembaga pembiayaan). Dari kedua
golongan tersebut, lembaga keuangan bank atau
yang lebih dikenal dengan bank merupakan
lembaga keuangan yang memberikan jasa
keuangan paling lengkap.
Bank sebagai suatu
perusahaan juga
mengharapkan keuntungan yang digunakan
untuk
kelangsungan
hidup
usahanya.
Keuntungan atau laba ini ditargetkan dari imbal
jasa atau yang lebih dikenal dengan istilah
bunga yang diberikan bank kepada perusahaan
yang meminjam dana atau dikenal dengan
istilah nasabah. Selain itu bank juga
memberikan bunga kepada para penyimpan
dana untuk dapat menghimpun dana dari
masyarakat luas sebanyak-banyaknya. Istilah
bunga juga dapat diartikan sebagai harga yang
harus dibayar kepada nasabah (yang memiliki
simpanan) dengan yang harus dibayar oleh
111
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

nasabah kepada
bank
(nasabah
yang
memperoleh pinjaman).
Bunga yang diberikan bank kepada para
nasabah tidaklah sama, hal ini tergantung
kepada jangka waktu peminjaman. Semakin
panjang jangka waktu pinjaman, maka akan
semakin tinggi bunganya, hal ini disebabkan
besarnya
kemungkinan
resiko
dimasa
mendatang. Penetapan suku bunga untuk
masing-masing bank tidaklah sama. Hal ini
tergantung kebijaksanaan masing-masing bank
untuk menarik para nasabah.
Penetapan suku bunga merupakan urat nadi
bagi setiap bank, karena kesalahan dalam
penetapan suku bunga maka akan berdampak
negatif bagi bank tersebut. Bila suatu bank
terlalu tinggi menetapkan tingkat suku bunga
simpanan masyarakat baik dalam bentuk
tabungan maupun deposito, maka bank tersebut
akan membayar biaya dana yang terlalu tinggi
dari yang seharusnya. Demikian juga, terlalu
rendahnya tingkat suku bunga simpanan
masyarakat yang ditetapkan bank, maka bank
tersebut akan kesulitan untuk menghimpun dana
masyarakat. Tingkat suku bunga simpanan yang
ditetapkan oleh bank akan mempengaruhi
tingkat suku bunga pinjaman atau kredit.
Semakin tinggi tingkat suku bunga simpanan
maka akan tinggi pula tingkat suku bunga
pinjaman. (Syakir, 2001).
Tingkat suku bunga bank dapat berubah
sewaktu-waktu, hal ini disebabkan oleh
beberapa faktor, baik internal maupun eksternal.
Karena perubahan yang tidak pasti ini,
menyebabkan para nasabah berhati-hati dalam
melakukan aktivitas perbankannya, karena hal
ini dapat merugikan para nasabah. Untuk
mencegah kerugian yang tidak diinginkan
tersebut, para nasabah harus dapat memprediksi
perubahan tingkat suku bunga bank. Dan bagi
bank itu sendiri, juga harus dapat memprediksi
apakah tingkat suku bunganya akan berubah
serta kapan perubahan itu harus dilakukan,
sehingga bank tidak akan ditinggalkan oleh para
nasabahnya.
Dengan memanfaatkan kemajuan di bidang
teknologi dan informasi yang semakin pesat saat
ini, dapat dirancang sebuah sistem jaringan saraf
112
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

tiruan (Artificial Neural Network) dalam


memprediksi tingkat suku bunga bank. Jaringan
saraf tiruan (JST) merupakan salah satu cabang
dari AI (Artificial Intelligence) atau kecerdasan
buatan. Jaringan saraf tiruan merupakan salah
satu sistem pemrosesan informasi yang didesain
dengan menirukan cara kerja otak manusia
dalam menyelesaikan suatu masalah dengan
melakukan proses belajar melalui perubahan
bobot yang diterimanya. JST mampu melakukan
pengenalan kegiatan berbasis data masa lalu
atau belajar dari pengalaman. Data masa lalu
akan dipelajari oleh jaringan saraf tiruan
sehingga mempunyai kemampuan untuk
memberikan keputusan terhadap data yang
belum pernah dipelajari (Kiki dan Kusumadewi,
2004).
Jaringan
perambatan
galat
mundur
(backpropagation) merupakan salah satu
algoritma jaringan saraf tiruan yang sering
digunakan dalam menyelesaikan masalahmasalah yang rumit berkaitan dengan
identifikasi, prediksi pengenalan pola dan
sebagainya. Hal ini dimungkinkan karena
jaringan dengan algoritma ini dilatih dengan
menggunakan metode belajar terbimbing.
Pelatihan dilakukan berulang-ulang sehingga
dihasilkan jaringan yang memberikan tanggapan
yang benar terhadap semua masukannya. Hal ini
merupakan kelebihan dari jaringan saraf tiruan
backpropagation sehingga dapat mewujudkan
sistem yang tahan akan kerusakan dan konsisten
bekerja dengan baik (Hermawan, 2006).
1.1 Ruang Lingkup Penelitian
Ruang
lingkup
pembahasan
dalam
penelitian ini yaitu memprediksi tingkat suku
bunga deposito berjangka pada bank umum di
Indonesia dengan beberapa faktor utama yang
sering menyebabkan perubahan tingkat suku
bunga deposito berjangka tersebut dengan
menggunakan algoritma jaringan saraf tiruan
backpropagation.
1.2 Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian
ini adalah:

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

1. Memprediksi tingkat suku bunga deposito


berjangka pada bank umum di Indonesia
dengan menggunakan algoritma jaringan
saraf tiruan backpropagation.
2. Mengimplementasikan hasil prediksi jaringan
saraf tiruan backpropagation dalam bentuk
sistem informasi berbasis GUI.

B. FAKTOR-FAKTOR YANG
MEMPENGARUHI SUKU BUNGA
BANK
Untuk menentukan besar kecilnya suku
bunga simpanan dan pinjaman sangat
dipengaruhi oleh keduanya, artinya baik bunga
simpanan
maupun
pinjaman
saling
mempengaruhi disamping pengaruh faktorfaktor lainnya. Faktor-faktor utama yang
mempengaruhi besar kecilnya penetapan suku
bunga adalah sebagai berikut :
1. Kebutuhan Dana
Apabila bank kekurangan dana, sementara
permohonan pinjaman meningkat, maka
yang dilakukan oleh bank agar dana
tersebut
cepat
terpenuhi
dangan
meningkatkan suku bunga simpanan.
Peningkatan bunga simpanan secara
otomatis akan pula meningkatkan bunga
pinjaman. Namun apabila dana yang ada
simpanan banyak sementara permohonan
simpanan sedikit maka bunga simpanan
akan turun.
2. Persaingan
Dalam memperebutkan dana simpanan,
maka di samping faktor promosi, yang
paling utama pihak perbankan harus
memperhatikan pesaing.
3. Kebijaksanaan Pemerintah.
Dalam arti baik untuk bunga simpanan
maupun bunga pinjaman, tidak boleh
melebihi bunga yang sudah ditetapkan oleh
pemerintah.
4. Jangka Waktu
Semakin panjang jangka waktu pinjaman,
maka akan semakin tinggi bunganya, hal ini
disebabkan besarnya kemungkinan resiko
dimasa
mendatang.
Demikian
pula

sebaiknya jika pinjaman berjangka pendek,


maka bunganya relatif lebih rendah.
Selain faktor yang di sebutkan di atas yang
merupakan faktor dari dalam bank itu sendiri,
secara umum ada dua faktor yang
mempengaruhi arah tingkat suku bunga
(Tadjudin, 2003), yakni faktor dari luar
(eksternal) dan dari dalam (internal).
1. Faktor Eksternal.
Faktor eksternal yang mempengaruhi
tingkat suku bunga yaitu Federal Open Market
Committee (FOMC) atau Komite Operasi Pasar
Terbuka Bank Sentral Amerika Serikat (US.
Federal Reserve atau The Fed)
dan
perkembangan perekonomian
negaranegara besar, seperti Amerika Serikat.
2. Faktor Internal.
Faktor internal yang mempengaruhi adalah
makro-ekonomi nasional, terutama inflasi dan
juga nilai tukar Rupiah. Selain itu juga ada
faktor-faktor non ekonomi, seperti keamanan
nasional dan kegiatan politik.
Untuk tingkat suku bunga deposito
berjangka dipengaruhi beberapa faktor antara
lain :
1. Likuiditas perekonomian yang diukur dari
perkembangan jumlah yang uang beredar
setiap triwulanan dan dinyatakan dalam
persen. Berdasarkan SEKI (Statistik
Ekonomi dan Keuangan Indonesia),
likuiditas perekonomian (M2) adalah
penjumlahan dari M1 dengan uang kuasi.
Sedangkan M1 adalah penjumlahan dari
uang kartal dengan uang giral.
2. Tingkat inflasi merupakan perubahan harga
yang cenderung meningkat, tanpa diimbangi
perubahan daya beli masyarakat yang
meningkat.
3. Tingkat Pertumbuhan ekonomi atau GDP
(Gross Domestic Product) adalah tingkat
pertumbuhan
produk
dalam
negeri.
Perubahan GDP riil merefleksikan kinerja /
pertumbuhan ekonomi dari tahun ketahun.
4. CAR (Capital Adequacy Ratio) yaitu rasio
kinerja bank untuk mengukur kecukupan
modal yang dimiliki bank untuk menunjang
aktiva yang mengandung atau menghasilkan
risiko.
113
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

5. ROA (Return on Assets) adalah kemampuan


manajemen bank dalam memperoleh
keuntungan (laba) secara keseluruhan.
Semakin besar ROA suatu bank, semakin
besar pula tingkat keuntungan yang dicapai
bank tersebut dan semakin baik pula posisi
bank tersebut dari segi penggunaan aset.
6. LDR (Loan to Deposits Ratio) (X6). Loan
To Deposit Ratio adalah rasio antara seluruh
jumlah kredit yang diberikan bank dengan
dana yang diterima oleh bank. LDR
menyatakan seberapa jauh kemampuan bank
dalam membayar kembali penarikan dana
yang
dilakukan
deposan
dengan
mengandalkan kredit yang diberikan sebagai
sumber likuiditasnya. Semakin tinggi rasio
tersebut memberikan indikasi semakin
rendahnya kemampuan likuiditas bank yang
bersangkutan.
C. ALGORITMA BACKPROPAGATION
Perambatan
galat
mundur
(Backpropagation) adalah sebuah metode
sistematik untuk pelatihan multilayer jaringan
saraf
tiruan.
Jaringan
backpropagation
merupakan salah satu algoritma yang sering
digunakan dalam menyelesaikan masalahmasalah yang rumit. Algoritma ini memiliki
dasar matematis yang kuat dan dilatih dengan
menggunakan metode belajar terbimbing. Pada
jaringan diberikan sepasang pola yang terdiri
atas pola masukan dan pola yang diinginkan.
Ketika suatu pola diberikan kepada jaringan,
bobot-bobot diubah untuk memperkecil
perbedaan pola keluaran dan pola yang
diinginkan. Latihan ini dilakukan berulangulang sehingga semua pola yang dikeluarkan
jaringan dapat memenuhi pola yang diinginkan.
Jaringan backpropagation terdiri atas tiga
lapisan atau lebih unit pengolah, yaitu lapisan
masukan (input) terdiri atas variabel masukan
unit sel saraf, lapisan tersembunyi dan lapisan
keluaran (output). Seperti diperlihatkan pada
Gambar 1. Ketiga lapisan ini terhubung secara
penuh.

114
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Pola Keluaran

...

Lapisan
Tersembunyi

Pola Masukan

Gambar 1. Tiga Lapis Jaringan Backpropagation

Langkah yang dilakukan pada perambatan


galat mundur adalah menghitung galat dan
mengubah
bobot-bobot
pada
semua
interkoneksinya. Di sini galat dihitung pada
semua unit pengolah dan bobotpun diubah pada
semua sambungan. Perhitungan dimulai dari
lapisan keluaran dan mundur sampai lapisan
masukan. Hasil keluaran dari perambatan maju
dibandingkan hasil keluaran yang diinginkan.
Berdasarkan perbedaan ini kemudian dihitung
galat untuk tiap-tiap lapisan pada jaringan.
Pertama-tama dihitung galat untuk lapisan
keluaran,
kemudian
bobot-bobot
setiap
sambungan yang menuju ke lapisan keluaran
disesuaikan. Setelah itu dihitung harga galat
pada lapisan yang menuju ke lapisan
tersembunyi. Demikian proses dilakukan
mundur sampai ke lapisan masukan secara
iteratif.

D. PELATIHAN ALGORITMA
BACKPROPAGATION
Algoritma pelatihan dengan metode
backpropagation dimunculkan pada tahun 1969.
Neural
network
dengan
metode
backpropagation ini memiliki tahap pengenalan
terhadap jaringan multi layer, yaitu:

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

1. Nilai dikirim melalui input layer ke hidden


layer (forward) sampai ke output layer
(actual output).
2. Actual output dibandingkan dengan output
yang diharapkan jika ada perbedaan maka
dinyatakan sebagai error.
3. Selanjutnya error dikirim secara backward
mulai dari output layer ke hidden layer
kemudian diteruskan ke input layer.
Untuk menentukan nilai pemberat dari
input (the net weighted input) defenisikan
terlebih dulu nilai inputnya. Jika nilai input
telah ditentukan, maka selanjutnya tentukan
fungsi aktivasi. Neuron pada backpropagation
menggunakan fungsi aktivasi sigmoid.
Algoritma pelatihan pada Backpropagation
sebagai berikut :
1. Initiliazation
Memberikan nilai awal terhadap nilai-nilai
yang diperlukan oleh neural network seperti
weight, threshold.
2. Activation
Nilai-nilai yang diberikan pada tahap
Initiliazation akan digunakan pada tahap
Activation.
Dengan melakukan perhitungan:
a. Menentukan actual output pada hidden
layer
b. Menghitung actual output pada output
layer
3. Weight Training
Pada tahap weight training dilakukan 2 (dua)
kegiatan yaitu :
a. Menghitung error gradient pada output
layer
b. Menghitung error gradient pada hidden
layer
4. Iteration
Pada tahap ini dilakukan proses pengulangan
sampai mendapat error yang minimal.

E. ANALISA DAN PERANCANGAN


1.

Analisa Sistem Dalam Menentukan


Tingkat Suku Bunga Bank

Berdasarkan analisis dan hasil temuan


ternyata
Perkembangan
likuiditas
perekonomian, tingkat inflasi, dan tingkat
pertumbuhan ekonomi yang merupakan faktor
eksternal berpengaruh terhadap tingkat suku
bunga deposito berjangka satu bulan, tiga bulan,
enam bulan dan dua belas bulan pada Bank
Umum Swasta Nasional di Indonesia.
Sedangkan CAR, LDR, Suku Bunga US dan
suku bunga SBI juga berpengaruh terhadap
tingkat suku bunga deposito berjangka satu
bulan, tiga bulan, enam bulan dan dua belas
bulan Bank Umum Swasta Nasional di
Indonesia.
Berdasarkan
analisa
tersebut
dapat
disimpulkan kerangka pemikiran penilitian
seperti pada Gambar 2 di bawah ini.

Gambar 2. Kerangka Pemikiran Penelitian

2.

Pengolahan Data
Backpropagation

dengan

Algoritma

2.1. Formulasi Masalah


Arsitektur
sebuah
jaringan
akan
menentukan keberhasilan target yang akan
dicapai karena tidak semua permasalahan dapat
diselesaikan dengan arsitektur yang sama.
Arsitektur jaringan yang akan digunakan untuk
memprediksi perubahan tingkat suku bunga
deposito bank adalah jaringan dengan banyak
lapisan. Model ini merupakan jaringan dengan
banyak lapisan dan memiliki satu atau lebih
lapisan tersembunyi yang terletak diantara
lapisan input dan lapisan output. Adapun
115
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

arsitektur jaringan ini dapat dilihat pada Gambar


3 berikut:

Gambar 3. Arsitektur Jaringan Prediksi Perubahan


Tingkat Suku Bunga

Dari arsitektur jaringan tersebut dapat di


formulasikan lapisan dan variabel yang
digunakan.
1. Lapisan input atau variabel input (X) adalah
variabel yang mempengaruhi Output (Y)
dengan lapisan yang terdiri dari 7 (tujuh)
simpul yaitu X1, X2, X3, X4, X5, X6 dan
X7, di mana :
a. X1 = Likuiditas perekonomian
b. X2 = Tingkat inflasi
c. X3 = Pertumbuhan ekonomi
d. X4 = CAR
e. X5 = LDR
f. X6 = US Rate
g. X7 = BI Rate
2. Lapisan tersembunyi (Z) berjumlah 3
simpul. Untuk memperoleh hasil yang lebih
tepat, jumlah simpul ini dapat diubah
berulang-ulang dengan mengisikan jumlah
simpul yang berbeda-beda.
3. Lapisan output atau variabel output (Y)
dengan lapisan 1 (satu) simpul, yaitu untuk
memprediksi tingkat suku bunga deposito
bank umum swasta nasional. Hasil prediksi
yang diharapkan adalah tingkat suku bunga
deposito naik, tetap atau menurun.
116
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Dari data input tersebut dapat dilakukan


pengelompokan dan representasi yang terdiri
dari:
1. Likuiditas perekonomian (X1)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
2. Tingkat inflasi (X2)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
3. Pertumbuhan ekonomi (X3)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
4. CAR (X4)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
5. LDR (X5)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
6. US Rate (X6)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
7. BI Rate (X7)
a. Naik
= 1
b. Tetap = 0,5
c. Turun = 0
Dan hasil (output) yang diharapkan adalah
terdeteksinya suatu nilai untuk memprediksi
tingkat perubahan suku bunga deposito bank
umum swasta nasional. Adapun hasil yang
dimaksuh adalah sebagai berikut:
a. Turun jika output bernilai 0
b. Tetap jika output bernilai antara 0.01 sampai
dengan 0.5
c. Naik jika output bernilai antara 0.51 sampai
dengan 1
2.2. Perancangan JST dengan Algoritma
Backpropagation
Pada tahap perancangan JST dengan
algoritma backpropagation ini hasil analisis

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

yang telah didapat akan diterapkan pada


langkah-langkah algoritma backpropagation
dengan menggunakan fungsi aktivasi sigmoid.
Adapun langkah-langkahnya sebagai berikut :
1. Tahap Initialization
Merupakan tahap untuk mendefinisikan
atau menset awal nilai untuk variabelvariabel yang diperlukan seperti : nilai
input, weight, output yang diharapkan,
learning rate () dan sebagainya.
2. Tahap Activation
Pada tahap activation ini dilakukan 2 (dua)
kegiatan yaitu menghitung actual output
Yj(P) pada hidden layer dan menghitung
actual output pada output layer Yk(P).
3. Tahap Weight Training
Pada tahap ini dilakukan 2 (dua) kegiatan
yaitu menghitung error gradient pada
output layer k(P) dan menghitung error
gradient pada hidden layer j(P).
4. Tahap Iteration
Tahap Iteration merupakan tahapan
terakhir. Pada tahap ini dilakukan pengujian
di mana jika error yang diharapkan belum
ditemukan maka akan kembali lagi kepada
tahapan ke 2 (dua) yaitu tahap Activation.
Arsitektur yang dipilih dimisalkan seperti yang
terdapat pada Gambar 4. Jumlah simpul pada
lapisan input 2 dari 7 variabel input yang ada, di
mana
masing-masing variabelnya sebagai
contoh adalah X1 dan X2. Jumlah simpul pada
lapisan tersembunyi (hidden layer) ada 2.
Jumlah simpul pada lapisan output 1 (satu) yang
digunakan untuk mempresentasikan pola.

Gambar 4. Contoh Arsitektur Jaringan Backpropagation

X1 dan X2 = Masukan (Input Layer) atau


disebut dengan i
Z1 dan Z2 = Hidden Layer atau disebut
dengan j
Y
= Keluaran hasil (Output Layer)
atau disebut dengan k
V
= Bobot pada lapisan tersembunyi
W
= Bobot pada lapisan keluaran

= Bias pada lapisan tersembunyi


dan lapisan keluaran
Dari gambar arsitektur di atas terdapat tiga
lapisan pengolah. Lapisan pertama sebagai
lapisan masukan yang menyatakan nilai sebuah
pola. Lapisan ke dua adalah lapisan tersembunyi
yang menanggapi sifat tertentu yang mungkin
terlihat dalam pola masukan. Dan terakhir
merupakan lapisan keluaran sebagai tempat
keluaran bagi jaringan syaraf.
Untuk membentuk jaringan syaraf tiruan,
terlebih dahulu dilakukan inisialisasi bobot
awal. Bobot awal yang menghubungkan simpulsimpul pada lapisan masukan dan lapisan
tersembunyi untuk arsitektur pada Gambar 4.3
adalah V = (V11, V12, V21, V22) dan bobot
bias dipilih secara acak. Demikian pula bobot
awal yang menghubungkan simpul-simpul pada
lapisan tersembunyi dan lapisan keluaran (W1,
W2) juga dipilih secara acak.

F. PENGUJIAN DAN IMPLEMENTASI


1.

Pengujian Hasil dengan Matlab

Matlab (Matrix Laboratory) adalah sebuah


software programming yang bekerja dengan
konsep matrix dan memiliki pustaka fungsi
matematika dan rekayasa.
Matlab merupakan salah satu perangkat
lunak yang bisa digunakan untuk melakukan
simulasi jaringan saraf tiruan
dengan
menggunakan Neural Network Toolbox Matlab.
Toolbox pada Matlab merupakan sebuah
perpustakaan fungsi yang membantu Matlab
untuk
memecahkan
suatu
kelompok
permasalahan. Setiap toolbox ditulis dalam

Keterangan :
117
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

bahasa Matlab sehingga dapat dilihat algoritma


sumber dan ditambah dengan yang baru.
Sebelum dilakukan pengujian, terlebih
dahulu dilakukan pelatihan sesuai dengan data
input serta target atau output yang ingin dicapai.
Untuk pelatihan pada Matlab dapat dilakukan
dengan menggunakan fungsi-fungsi atau dapat
dilakukan melalui kotak dialog NNTool. Setelah
dilakukan
pelatihan
jaringan
saraf
backpropagation siap untuk diuji.
1.1 Pelatihan Data
Tujuan dari pelatihan yaitu agar sistem
berjalan dengan akurat dan konsisten serta
mampu mengeksploitasi keunggulan jaringan
saraf tiruan. Dalam melakukan pelatihan data
untuk mempredikti tingkat perubahan suku
bunga deposito berjangka, data diperoleh dari
data asli yaitu diambil dari Laporan Tahunan
Bank Indonesia, SEKI (Statistik Ekonomi dan
Keuangan Indonesia) dan Data Perbankan
Indonesia.
Data masukan yang diperoleh berupa nilai
nomimal uang dan persentase, dan pelatihannya
dengan melihat tingkat perubahan nilai
masing-masing variabel dari bulan sebelumnya.
Untuk menyamakan data dilakukan transformasi
dengan tiga nilai untuk masing-masing variabel
masukan yaitu: 1 jika nilai perubahannnya
meningkat, 0.5 jika tidak ada perubahan (tetap)
dan 0 jika nilai perubahannya menurun.
Adapun data pelatihan prediksi tingkat
perubahan suku bunga deposito bank dapat
dilihat pada Tabel 1 berikut ini :
Tabel 1. Data Pelatihan Prediksi Tingkat Perubahan Suku
Bunga Bank
Data
1
2
3
4
5
6
7
8
9
10
11
12

X1
0
0
1
1
1
1
1
1
1
1
1
1

X2
1
0
1
0
0
1
1
1
1
1
1
0

X3
0
0.5
0.5
0
0.5
0.5
0
0.5
0.5
0
0.5
0.5

118
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

X4
1
1
0
1
0
0
1
1
1
1
1
1

X5
1
1
1
0
1
1
1
1
0
0
0
0

X6
0.5
1
1
0.5
1
1
0.5
1
0.5
1
1
1

X7
1
0.5
1
1
1
1
1
1
1
1
1
1

Y
0.5
0
1
1
1
1
1
1
1
1
1
1

13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

0
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
0
1
0
1
1
1
0
0
1
1
1
1

0
1
0
0
1
0
0
0
0
0
0
1
0
1
1
0
0
0
1
1
1
0
0
0
1
1
1
1
1
1
1
0
1
0
0
0

0
0.5
0.5
1
0.5
0.5
1
0.5
0.5
1
0.5
0.5
0
0.5
0.5
1
0.5
0.5
1
0.5
0.5
0
0.5
0.5
0.5
0.5
0.5
1
0.5
0.5
0
0.5
0.5
0.5
0.5
0.5

1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
0
0
0
0
1
1
1
0
1
1

0
1
1
1
1
0
1
1
1
0
0
0
0
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
1
1
1
0
0
1
0
0

1
0.5
0.5
1
0.5
1
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.5
0.0
0.0
0.5
0.5
0.0
0.5
0.0
0.0
0.5
0.5
0.5
0.5
0.5
0.0
0.5
0.5

0.5
0.5
0.5
0.5
0
0.5
0
0
0
0
0
0
0
0
0
0.5
0
0
0
0.5
0.5
0.5
0.5
0
0.5
0.5
0.5
0.5
1
1
1
1
1
1
0.5
0

1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0.5
0
0
1
1
1
1
1
1
1
1
1
1

Pelatihan dimulai dengan menginisialisasi


awal bobot dan bias jaringan saraf
backpropagation. Pada pelatihan ini model
jaringan saraf backpropagation yang digunakan
terdiri atas lapisan input sebanyak 7 (tujuh)
lapisan, lapisan tersembunyi sebanyak 3 (tiga)
lapisan dan 1 (satu) lapisan output.
Proses
pelatihan
jaringan
saraf
backpropagation untuk prediksi tingkat
perubahan suku bunga deposito bank ini
dilakukan
berkali-kali
untuk
mencari
konfigurasi terbaik dengan cara mengubah
konstanta belajar (learning rate) secara cobacoba (trial and error) sedangkan hidden layer
tetap berjumlah 3 simpul. Adapun hasil

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

pelatihan jaringan saraf backpropagation dapat


dilihat pada Tabel 2 berikut :

Adapun grafik pada saat pelatihan jaringan


konvergensi adalah sebagai berikut (Gambar 5):

Tabel 2. Hasil Pelatihan dengan Perubahan


Konstanta Belajar dengan maksimum
iterasi 100.000 iterasi

Pelatihan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

KB
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
2.00

Iterasi/Epochs
TK
TK
3429
TK
9184
TK
TK
86215
5285
19613
3297
1141
TK
65934
9750
68389
407
4721
16505
2123

Keterangan :
KB : Konstanta Belajar
TK : Tidak Konvergen
Berdasarkan tabel pelatihan di atas,
pelatihan pola tercepat pada iterasi ke 407
dengan konstanta belajar 0.80. Adapun
konfigurasinya sebagai berikut:
1. Algoritma jaringan saraf yaitu Perambatan
Galat Mundur (Backpropagation)
2. Jumlah sel lapisan input
: 7
3. Jumlah sel lapisan output
: 1
4. Jumlah sel lapisan tersembunyi : 3
5. Konstanta belajar
: 0.80
6. Besar galat
: 0.1
7. Fungsi aktifasi
: logsig

Gambar 5. Grafik Konvergensi Pelatihan Tercepat

1.2 Pengujian Data


Pengujian dilakukan melalui 2 tahap, yaitu
pengujian terhadap data yang dilatihkan dan
pengujian pada data baru yang belum pernah
dilatihkan. Pengujian untuk data yang dilatihkan
dilakukan
terhadap
seluruh
jaringan
konvergensi untuk mendapatkan hasil keluaran
yang sesuai dengan target atau output yang telah
ditentukan. Berdasarkan pengujian yang
dilakukan, ternyata kecepatan pelatihan jaringan
saraf backpropagation tidak memastikan
ketepatan hasil keluaran dengan output yang
diharapkan.
Adapun hasil lengkap pengujian terhadap
48 data yang dilatihkan dapat dilihat pada Tabel
3 berikut:
Tabel 3. Hasil Pengujian Data yang Dilatihkan

Pelatih
an

KB

Iterasi
(Epochs)

3
5
8
9
10
11

0.03
0.05
0.08
0.09
0.10
0.20

3429
9184
86215
5285
19613
3297

Ketepatan
dari
Persen
48
tase
data
24
50%
33
69%
30
63%
39
81%
39
81%
27
56%

119
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

12
14
15
16
17
18
19
20

0.30
0.50
0.60
0.70
0.80
0.90
1.00
2.00

1141
65934
9750
68389
407
4721
16505
2123

33
45
27
30
34
33
44
37

69%
94%
56%
63%
71%
69%
92%
77%

Berdasarkan tabel pengujian di atas,


ketepatan hasil keluaran data yang dilatihkan
dengan output yang diharapkan terdapat pada
iterasi ke 65934 dengan konstanta belajar 0.50.
Jaringan mengenali sebanyak 45 data dari 48
data yang dilatihkan atau 94% data dikenali oleh
jaringan. Adapun hasil lengkap pengujian
terhadap 48 data yang dilatihkan dengan
konstanta bejalar 0.50 pada iterasi 65934 adalah
seperti pada Tabel 4 berikut :
Tabel 4. Hasil Pengujian dari Prediksi Tingkat Perubahan
Suku Bunga Terhadap Data yang Dilatih

Keterangan :
X1-7 : Variabel Masukan (Input)
Y
: Keluaran (output) atau target
HP
: Hasil Pengujian
K
: Ketepatan ( = tepat ; = tidak tepat)
Selanjutnya jaringan diuji dengan 36 data
baru yang belum pernah dilatih untuk
menentukan seberapa besar jaringan saraf
mampu mengenali data baru. Tabel 5 berikut ini
merupakan hasil pengujian terhadap data baru.
Tabel 5. Hasil Pengujian dari Prediksi Tingkat Perubahan
Suku Bunga Terhadap Data Baru

120
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

Keterangan :
X1-7 : Variabel Masukan (Input)
Y
: Keluaran (output) atau target
HP
: Hasil Pengujian
PS
: Prediksi Sebenarnya
K
: Ketepatan JST ( = tepat ; = tidak
tepat)
Hasil pengujian menunjukkan bahwa 28 data
(78%) sesuai dengan target sedangkan 8 data
(22%) tidak sesuai dengan target.
Setelah pelatihan dan pengujian sesuai
dengan arsitektur JST yang telah ditetapkan
selesai dilaksanakan, kemudian dicoba pelatihan
dan pengujian dengan mengubah jumlah hidden
note (jumlah simpul) dan learning rate
(konsentrasi belajar) secara coba-coba (trial and
error) untuk mengetahui apakah arsitektur JST
yang telah ditetapkan adalah arsitektur yang
terbaik.
Setelah pelatihan selesai maka dilakukan
pengujian terhadap data yang dilatih tersebut
sesuai dengan konstanta belajar dan jumlah
simpul lapisan tersembunyi untuk mengetahui
ketepatan antara actual output dengan output
yang diharapkan. Adapun hasil pengujiannya
dapat dilihat pada tabel 6 berikut:
Tabel 6. Ketepatan Antara Actual Output dengan Output
yang Diharapkan Pada Saat Pengujian Terhadap Data
yang Dilatih

Keterangan :
KB
: Konstanta Belajar
LT
: Lapisan Tersembunyi (Hidden Layer)
TK
: Tidak Konvergen
Berdasarkan tabel pengujian di atas, tingkat
ketepatan yang paling tinggi antara actual
output dengan output yang diharapkan adalah
sebesar 90% terdapat pada pada iterasi ke 1048
dengan konstanta belajar 0.01 dan jumlah
simpul hidden layer sebanyak 8 simpul.
Dengan hasil pelatihan dan pengujian ini,
terbukti bahwa arsitektur JST yang telah
ditetapkan adalah arsitektur JST yang terbaik.
2.

Implementasi

Untuk mempermudah user atau pengguna


dalam memprediksi tingkat perubahan suku
bunga deposito bank, maka dibuat suatu aplikasi
berbasis GUI dengan menggunakan software
Matlab. Aplikasi ini didisain sesederhana
mungkin untuk mempermudah user dalam
menggunakannya. Tampilan interfacenya hanya
terdiri dari tiga form yaitu :
1. Form tampilan awal
Form ini berisi menubar yang terdiri dari
File, JST, Info dan Help.
2. Form Pelatihan dan Pengujian
Form ini berisi parameter JST untuk
pelatihan data dan pengujian data yang
dilatih tersebut. Data masukan yang dilatih di
import dari file excel. Selanjutnya dilakukan
pelatihan dengan mengatur nilai-nilai pada
parameter JST. Setelah pelatihan, dilakukan
pengujian terhadap data yang dilatih tersebut.
3. Form Prediksi
Form ini berisi faktor-faktor atau variabel
yang mempengaruhi tingkat perubahan suku
bunga deposito yang dapat di isi dengan
kondisi yang diinginkan. Form ini berfungsi
untuk memprediksi perubahan tingkat suku
bunga deposito. Form ini menyediakan 4
(empat) data untuk contoh prediksi
perubahan tingkat suku bunga deposito.
Adapun tampilan dari aplikasi untuk
memprediksi tingkat perubahan suku bunga
deposito bank adalah sebagai berikut (Gambar
6, 7, dan 8):
121
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

G. SIMPULAN

Gambar 6. Tampilan Awal Aplikasi (Menu Bar)

Dari hasil analisa dan perancangan serta


penjabaran pengujian dapat diambil kesimpulan
sebagai berikut:
1. Jaringan saraf tiruan dengan algoritma
backpropagation
mampu
memprediksi
tingkat perubahan suku bunga deposito bank
dengan pola yang disesuaikan dengan pola
perubahan dari data masa lalu sesuai kondisi
likuiditas perekonomian, tingkat inflasi,
pertumbuhan ekonomi, CAR, LDR, US Rate,
BI Rate yang terjadi pada saat itu.
2. Tingkat keakuratan dari prediksi terhadap
perubahan tingkat suku bunga deposito bank
sangat baik, ini terbukti dengan tingkat
kesesuaian antara actual output dengan target
atau output yang diharapkan sebesar 94%
untuk data yang dilatihkan dan 75% lebih
untuk data baru. Tidak tercapainya tingkat
kesesuaian sebesar 100% disebabkan data
yang dilatih hanya sebanyak 48 data.
3. Aplikasi berbasis GUI dengan menggunakan
software Matlab dapat mempermudah
prediksi terhadap perubahan tingkat suku
bunga deposito bank.

Gambar 7. Tampilan Form Pelatihan dan Pengujian

H. DAFTAR PUSTAKA
Almilia, Luciana Spica,. dan Utomo, Anton
Wahyu.
2006.
Faktor-Faktor
Yang
Mempengaruhi Tingkat Suku Bunga
Deposito Berjangka Pada Bank Umum Di
Indonesia. Jurnal Ekonomi dan Bisnis
ANTISIPASI. Volume 10.
Away, Gunaidi Abdia. 2006. The Shortcut of
MATLAB Programming. Cetakan Pertama.
Bandung: Informatika Bandung.
Hermawan, Arief. 2006. Jaringan Saraf Tiruan,
Teori dan Aplikasi. Edisi I. Yogyakarta:
C.V. Andi Offset.

Gambar 8. Tampilan Form Prediksi

122
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011

Jong Jek Siang, Drs, M.Sc. 2005. Jaringan Saraf


Tiruan & Pemrogramannya Menggunakan
Matlab. Yohyakarta : Penebit ANDI.

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan

Kasmir. 2007. Bank dan Lembaga Keuangan


Lainnya. Edisi Keenam. Jakarta: PT.
Rajagrafindo Persada.
Kristanto, Andri. 2004. Kecerdasan
Yogyakarta : Graha Ilmu.

Buatan.

Kusumadewi, Sri. 2003. Artificial Intelligence


(Teknik dan Aplikasinya). Cetakan Pertama.
Yogyakarta: Graha Ilmu.
Kuswadi, Son. 2007. Kendali Cerdas (Teori dan
Aplikasi Praktisnya). Yogyakarta : Penerbit
ANDI.
Puspitaningrum, Diyah. 2006. Pengantar Jaringan
Saraf Tiruan. Yogyakarta : Penerbit ANDI.

123
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011