Anda di halaman 1dari 9

JUDUL Muhamad Pramana Baharsyah1, Sulistyo Unggul Wicaksono2, Nora Novita Sianturi3 Teknik Informatika Institut Teknologi Telkom

Bandung Jln. Terusan Buah Batu, Bandung Email : nra.sianturi@gmail.com,


3

ABSTRAKSI
Kurs Rupiah terhadap Dolar AS, merupakan salah satu faktor yang sangat mempengaruhi perekonomian di Indonesia. Tidak stabilnya nilai rupiah terhadap dolar juga sangat berpengaruh terhadap keadaan perdagangan di Indonesia, sebagai contohnya adalah harga saham dan harga jual beli barang barang elektronik sangat dipengaruhi oleh berapa nilai tukar rupiah terhadap dolar AS pada saat tersebut. Untuk meramalkan kurs rupiah terhadap dolar tersebut, maka data historis kurs harga jual rupiah tersebut akan dipelajari hingga dihasilkan pola-pola tertentu. Pada makalah ini dikembangkan suatu sistem untuk memperkirakan kurs jual rupiah berdasarkan data historis kurs jual rupiah dengan menggunakan Genetic Algorithm. Semakin optimal algoritma diaplikasikan maka semakin tinggi pula akurasi yang dihasilkan. Genetic Algorithm merupakan salah satu jenis dari Evolutionary Algorithm. Dengan Evolutionary Algorithm ini nantinya dapat dibangun Genetic Algorithm yang optimal. Ruang masalah yang sangat besar serta kemampuan analisa matematika yang memadai adalah salah satu kelebihan algoritma ini. Sedangkan pada algoritma genetika, algoritma ini mampu menampilkan kinerja yang lebih baik daripada metode konvensional ketika diaplikasikan pada permasalahan dunia nyata yang sulit [Matlab & Evolutionary Programming Exclusive Training, 2010]. Keyword : algoritma genetika, kurs , prediksi , rupiah , dolar AS.

1. Pendahuluan
Nilai tukar rupiah terhadap dolar AS adalah faktor yang sangat mempengaruhi di perekonomian Indonesia. Mata uang asing juga dapat dijadikan indikator dalam melihat keadaan di pasar keuangan internasional. Masalah peramalan atau prediksi nilai tukar rupiah terhadap dolar AS menjadi sangat menarik sebagai contohnya adalah harga saham dan harga jual beli barang barang elektronik sangat dipengaruhi oleh berapa nilai tukar rupiah terhadap dolar AS pada saat tersebut. Untuk melakukan peramalan ini, akan digunakan data nilai tukar rupiah terhadap dolar beberapa waktu sebelumnya. Data kurs yang seperti inilah, yang disebut juga sebagai data time-series.

Secara umum nilai tukar valuta asing ini dikategorikan ke dalam dua kelas yaitu analisa fundamental dan analisa teknis. Analisa fundamental adalah nilai tukar rupiah dan dolar AS didasarkan pada informasi permintaan dan ketersediaan mata uang domestik dibandingkan dengan mata uang asing. Tetapi analisa fundamental memiliki keterbatasan dalam melakukan prediksi pergerakan nilai tukar, karena kurs biasanya tidak hanya ditentukan oleh penawaran dan permintaan mata uang domestik terhadap mata uang asing, tetapi juga dipengaruhi oleh banyak faktor lainnya, contohnya faktor psikologis di pasar (perang, masalah dan insiden politik, dan lain - lain) menyebabkan sangat sulit melakukan kuantifikasi dalam memprediksi model. Dan faktor lainnya adalah tidak diketahuinya waktu yang pasti kapan berpengaruhnya beberapa faktor dalam nilai mata uang. Sehingga sangat sulit meramalkan perubahan kurs mata uang asing hanya dengan analisa fundamental saja. Maka, diperlukan analisa teknik untuk mempelajari pertukaran dan historis harga supaya menemukan keteraturan empiris yang kuat,mempelajari struktur internal data sehingga mendapatkan pemahaman yang lebih baik mengenai dinamika proses dari data time series yang dihasilkan [DEF, 2005]. Genetic Algortihm (GA) adalah algoritma yang menirukan perilaku kehidupan dalam rangka menyelesaikan masalah optimasi yang pelik. GA seringkali dapat menampilkan kinerja yang lebih baik daripada metode konvensional ketika diaplikasikan pada permasalahan dunia nyata yang sulit. Dalam hubungannya dengan prediksi nilai tukar rupiah terhadap dolar AS, GA diharapkan dapat mengoptimasi sistem dalam hal pembelajaran, kecepatan berfikir, kecepatan memberikan solusi untuk menjawab semua pertanyaan yang berkaitan dengan What, How, dan Why, serta dapat memberikan ketepatan dalam melakukan prediksi.

2. Tinjauan Pustaka
2.1 Evolutionary Algorithm (EA) EA merupakan sebuah algoritma yang mengimplementasikan evolutionary computation. Evolutiorary Computation (EC) adalah sebuah abstraksi dari teori evolusi biologi yang digunakan untuk membuat optimisasi prossedur atau metodologi, biasanya diimplementasikan pada computer, yang digunakan untuk menyelesaikan suatu permasalahan [JUL, 00]. Pada perkembangannya, EC banyak mengadopsi beberapa bahasan ilmu lain seperti probabilitas, statistika, fisika, dan sebagainya. Dalam implementasinya, EC mengalami beberapa penyederhanaan mulai dari representasi individu, pindah silang, mutasi, hingga proses penggantian populasi. Beberapa istilah dalam EA yang mengadopsi evolusi biologi tersebut diantaranya adalah : 1. Individu

Dalam EAs,istilah individu mengacu pada kandidat solusi. EAs memegang prinsip Satu individu terdiri dari satu kromosom, dan satu kromosom merepresentasikan satu solusi. 2. Populasi Populasi adalah sekumpulan kromosom. Artinya di dalam populasi tersebut terdapat banyak kandidat solusi. 3. Rekombinasi/Pindah silang Rekombinasi aatu pindah silang adalah proses perkawinan dua individu yang menghasilkan individu anak. Anak hasil rekombinasi tersebut mewarisi sifat sifat kedua orangtuanya. Dalam EAs, anak yang dihasilkan dapat bersifat lebih baik atau lebih buruk dari pada orangtuanya. Setiap pasangan orangtua juga memiliki probabilitas tertentu dalam menghasilkan anak, artinya tidak semua orang tua bisa menghasilkan anak. Hal ini mengadopsi fakta di dunia ini bahwa tidak setiap orangtua dapat menghasilkan anak. 4. Mutasi Mutasi adalah perubahan susunan gen dalam kromosom, sehingga dapat merubah sifat dari individu tersebut. Mutasi dapat menghasilkan individu bau yang lebih baik atau lebih buruk dari orangtuanya. Untuk membangun Evolutionary Algorithm (EAs), perlu diketahui prinsip prinsip yang mendasari adaptasi Eas dengan Evolusi Biologi. EAs merepresentasikan suatu kandidat solusi sebagai satu individu dan sekumpulan individu tersebut membentuk suatu populasi. Eas akan bekerja secara paralel dengan membangkitkan sejumlah individu secara acak, kemudian mengevaluasi individu tersebut. Suatu individu dapat menghasilkan anak dengan cara rekombinasi dan atau mutasi. Setiap individu yang dihasilkan akan dievaluasi untuk menentukan sekumpulan individu yang bertahan di generasi berikutnya. Proses ini terjadi secara terus menerus hingga pada akhir generasi dikeluarkan individu terbaik yang didapatkan sebagai solusi optimum. 2.2 Genetic Algorithm (GA) GA merupakan salah satu jenis dari EA. Algoritma Genetika (AG) adalah algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah [GOL89]. Istilah seleksi alamiah maupun genetika alamiah tersebut tentu sudah kerap didengar di telinga, terutama dalam bidng biologi. Seleksi alamiah adalah

suatu proses yang sehingga individu tertentu bisa terseleksi dengan sendirinya karena ketidakmampuannya bertahan di lingkungan habitatnya. Genetika Alamiah adalah mekanisme biologi yang cukup rumit. Penjelasan sederhananya adalah sebagai berikut : populasi seiring waktu mengalami evolusi hingga membentuk spesies baru (speciation). Tiap individu akan mengkodekan sifatsifat untuk diturunkan ke generasi berikutnya, yaitu sebuah genome yang didalamnya terdapat kromosom. Demikianlah informasi yang dapat diturunkan itu disimpan dalam suatu individu [SUY, 2007]. Berikut adalah struktur umum GA :

Gb.1 Struktur umum Algoritma Genetika Struktur umum dari algoritma genetika dijelaskan sebagai berikut :
Prosedur : Algoritma Genetika Begin T 0; Initialize P(t); Evaluate P(t);

While (not terminate condition) do recombine P(t) to yield C(t); Evaluate C(t); Select P(t+1) from P(t) and C(t); T t + 1; End End

Dalam operasi Genetika hanya ada 2 jenis operasi, yaitu : 1. Operasi Genetika 2. Operasi Evolusi : crossover dan mutasi : seleksi

Perbedaan algoritma genetika dengan optimasi konvensional dan prosedur pencarian adalah seperti di bawah ini : 1. GA bekerja dengan koding dari kumpulan solusi, bukan solusi itu sendiri. 2. GA mencari dari populasi solusi, bukan solusi tunggal. 3. GA menggunakan informasi hasil (fungsi fitness), bukan penurunan atau knowledge bantuan lainnya. 4. GA menggunakan rule transisi probabilistik, bukan rule deterministik. Dua isu terpenting dalam strategi pencarian adalah eksploitasi solusi terbaik dan eksplorasi ruang pencarian. GA merupakan metode pencarian umum yang mengkombinasikan elemen elemen pencarian terarah dan stokastik yang dapat membuat keseimbangan diantara eksplorasi dan eksploitasi dari ruang pencarian. Pada awal pencarian dalam pencarian genetika, terdapat populasi yang berbeda dan sangat acak, lalu operator crossover cenderung untuk menampilkan pencarian melebar dan mengeksplorasi semua ruang solusi. Dari hasil pengembangan solusi yang memiliki fitness tinggi, operator crossover menampilkan eksplorasi pada tetangga dari setiap solusi tersebut. Dengan kata lain, jenis apapun pencarian (eksploitasi atau eksplorasi) kinerja crossover ditentukan oleh lingkungan sistem genetika (keanekaragaman populasi), tetapi bukan oleh operator itu sendiri. Operator operator genetika sederhana didesain sebagai metode pencarian umum (metode pencarian yang tidak tergantung domain), mereka menampilkan secara esensial blind search dan tidak dapat menjamin untuk menghasilkan offspring yang makin baik.

Gb. 2 perbandingan pendekatan secara konvensional dengan genetika

Gb. 3 Kamus Genetik Algoritma Teori evolusi dalam bidang biologi inilah yang diadopsi dalam pembentukan algoritma genetika ini. Algoritma genetika dimulai dengan sekumpulan solusi awal yang disebut populasi. Populasi awal ini akan berevolusi menjadi populasi baru melalui serangkaian iterasi hingga nantinya pada akhir iterasi didapatkan algoritma

ini akan mengembalikan satu anggota populasi yang terbaik sebagai solusi untuk masalah yang dihadapi. 2.3 Data Time-Series Untuk melakukan prediksi nilai tukar rupiah terhadap dolar AS, data yang akan digunakan adalah tipe data time series. Data time-series yakni jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat dimodelkan bersifat kontinu), frekuensi pengumpulan selalu sama (equidistant) [BRO, 96]. Ada beberapa contoh data timeseries itu sendiri, misalnya : Data time series adalah waktu urutan pengamatan yang dilakukan pada interval ruang dan waktu yang sama. Pada permasalahan prediksi nilai tukar rupiah terhadap dolar dalam makalah ini, data histori dari nilai tukar beberapa tahun sebelumnya ini lah yang akan digunakan untuk memprediksi nilai rupiah tersebut di beberapa tahun ke depan.

3. Metodologi
Metodologi yang digunakan untuk penyelesaian masalah pada tugas akhir ini adalah : 1. Studi Literatur Pencarian literatur mengenai evolutionary algortihm (EA), algoritma genetika (GA), dan tipe data time-series. 2. Desain Penelitian Untuk mencapai tujuannya, prediksi nilai tukar rupiah terhadap dolar akan diimplementasikan secara langsung. Dari hasil desain penelitian dapat diketahui bagaimana GA dapat mengoptimasi permasalahan prediksi nilai tukar mata rupiah ini. 3. Pengujian dan Analisa Hasil Melakukan proses pengujian terhadap hasil prediksi serta melakukan analisa terhadap kelebihan dan keterbatasan GA untuk prediksi nilai tukar mata uang ini.

Daftar Pustaka : [BRO] [DEF] [SUB] [JUL] [SUY] Brockwell, P.J. dan Davis, R.A. 1996, Introduction to Time Series and Forecasting. Defu Zhang, Qingshan Jiang, Xin Li, 2005. Application of Neural Networks in Financial Data Mining, Cina. Subakti, Irfan. 2002. Sistem Berbasis Pengetahuan (Knowledge Based System). Julie Leung, Keith Kern, Jeremy Dawson. 2007, Genetic Algorithm and Evolution Strategies, Presentation Slide. Suyanto. 2008, Evolutionary Computation, Komputasi Berbasis Evolusi dan Genetika, Bandung : IT Telkom. [SUY07] Suyanto, 2007. Artificial Intellegence. Bandung : Penerbit Informatika. [TIM] Tim Penyusun. 2010. Matlab & Evolutionary Programming Exclusive Training. Bandung :IT Telkom.