Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 11, November 2018, hlm. 4794-4801 http://j-ptiik.ub.ac.id

Prediksi Nilai Tukar Rupiah Terhadap Dolar Amerika Dengan

Menggunakan Algoritme Genetika – Backpropagation
Dwi Novi Setiawan1, Candra Dewi2, Sigit Adinugroho3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dn.setiawan39@gmail.com, 2dewi_candra@ub.ac.id, 3sigit.adinu@ub.ac.id

Abstrak
Nilai tukar (kurs) merupakan nilai mata uang suatu negara yang dinyatakan ke dalam bentuk mata
uang negara lain. Nilai tukar berperan penting dalam perdagangan internasional. Untuk menjaga
kestabilan nilai tukar rupiah, maka pemerintah perlu memberlakukan kebijakan yang tepat. Oleh
karena itu diperlukan sebuah algoritme prediksi yang mampu mengenali pola dari perubahan nilai
tukar rupiah. Metode Backpropagation merupakan salah satu metode yang mampu mengenali pola
pada data time series, sedangkan Algoritme Genetika merupakan metode yang mampu melakukan
eksplorasi solusi yang lebih luas bagi Backpropagation. Pada Algoritme Genetika, bobot
Backpropagation direpresentasikan dalam bentuk real-code. Implementasi Algoritme Genetika –
Backpropagation memiliki tahapan inisialisasi populasi, crossover, mutasi, pelatihan setiap individu
menggunakan Backpropagation, evaluasi, dan seleksi. Dari pengujian yang telah dilakukan didapatkan
parameter yang paling optimum bagi Algoritme Genetika – Backpropagation jumlah generasi 90,
ukuran populasi sebesar 20, crossover rate 0.1, mutation rate 0.9, jumlah neuron pada lapisan
tersembunyi 13, learning rate 1 dan jumlah iterasi pelatihan Backpropagation sebesar 500. Hasil
pengujian yang telah dilakukan didapatkan nilai MAPE terbaik sebesar 1.575318 dan rata-rata MAPE
sebesar 1.741747. Algoritme juga mampu melakukan validasi terbaik dengan MAPE sebesar
1.0004917 dan rata-rata MAPE sebesar 1.077603.
Kata kunci: nilai tukar, Kurs, algoritme genetika, jaringan syaraf tiruan, backpropagation, algoritme
genetika – backpropagation.

Abstract
The exchange rate is the value of the currency of a country which is expressed in the form of currency
of another country. Exchange rate has an important role in international trade. To maintain the
stability of the rupiah exchange rate, the government needs to enact the right policy. Therefore, a
prediction algorithm that is able to recognize the pattern of exchange rate changes is needed.
Backpropagation is one of method that is able to recognize patterns in time series data, while Genetic
Algorithm is one of the capable method to exploring wider solutions for Backpropagation. In the
Genetic Algorithm, the weight of Backpropagation is represented in real-code. Implementation of
Genetic Algorithm - Backpropagation has initialization phase of population, crossover, mutation,
individual training using Backpropagation, evaluation, and selection. The most optimum parameters
for Genetic Algorithm - Backpropagation are in 90th generation, 20 population size, 0.1 crossover
rate, 0.9 mutation rate, number of neurons in hidden layer 13, learning rate 1 and number of iteration
of Backpropagation training were 500. The results of the tests that have been done got the best MAPE
value of 1.575318 and the average MAPE of 1.741747. The algorithm is also capable of performing
the best validation with MAPE of 1,0004917 and the average MAPE of 1.077603.
Keywords: exchange rate, genetic algorithm (GA), artificial neural network (ANN), backpropagation,
GA-Backpropagation.
memiliki mata uang yang berbeda-beda.Nilai
1. PENDAHULUAN mata uang suatu negara terhadap negara lain
Uang dapat didefinisikan sesuatu yang dalam pasar valuta asing selalu berubah-ubah
secara umum dapat diterima sebagai alat dan tidak tetap. Hal ini menyebabkan
pembayaran yang sah. Umumnya setiap negara perubahan dalam pasar valuta terlihat seakan

Fakultas Ilmu Komputer

Universitas Brawijaya 4794
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
terjadi secara acak (Shioda, Deng dan Sakurai,
2011).
Nilai tukar rupiah terhadap dolar Amerika
menjadi perhatian tersendiri. Data dari Bank
Indonesia menunjukkan terjadinya fluktuasi
nilai tukar rupiah terhadap dolar Amerika yang
begitu beragam namun cenderung menurun di
setiap harinya (Subintara, 2015). Bahkan
anjloknya nilai tukar rupiah terhadap dolar
Amerika sempat terjadi di tahun 2015 yang
menembus angka Rp 14.470 dan tercatat
sebagai yang terburuk sejak tahun 1988.
Dengan melihat keadaan tersebut, penelitian
terhadap prediksi nilai tukar rupiah dirasa perlu
dilakukan.
Menurut Suhendra dan Wardoyo (2015)
jaringan syaraf tiruan mampu menyelesaikan
masalah klasifikasi dengan skala masalah yang
cukup luas namun terkendala dengan
kemungkinan terjadinya konvergensi yang
buruk dan tidak stabil karena terjebak dalam
lokal optimum.
Huda (2013) melakukan prediksi
Backpropagation dengan menggunakan
Algoritme Genetika pada Backpropagation
Neural Network pada peramalan saham dengan
tingkat akurasi rata-rata hingga 87%. Sehingga
dapat disimpulkan optimasi Backpropagation
dengan menggunakan Algoritme Genetika
dirasa mampu memberikan hasil yang lebih
baik pada hasil Backpropagation. Dengan
pertimbangan seperti yang telah dipaparkan
diatas, penelitian berkaitan dengan prediksi
nilai tukar rupiah terhadap dolar Amerika
dengan menggunakan metode Backpropagation
yang pencarian bobotnya akan dioptimasi
menggunakan Algoritme Genetika diharapkan
mampu melakukan eksplorasi solusi yang lebih
luas.
2. DASAR TEORI
2.1 Nilai Tukar (Kurs)
Nilai tukar (kurs) menurut Kamus Besar
Bahasa Indonesia (KBBI) merupakan nilai mata
uang suatu negara yang dinyatakan ke dalam
bentuk mata uang negara lain. Nilai tukar
berperan penting dalam perdagangan antar
negara. Fluktuasi nilai tukar dapat
membahayakan operasi bisnis internasional
(Bahramy dan Crone, 2013). Menurut
Adiningsih (dalam Mansur, 2009), penurunan
kurs rupiah terhadap mata uang asing akan
memberikan pengaruh negative pada kondisi
Fakultas Ilmu Komputer, Universitas Brawijaya
4795
ekonomi Indonesia termasuk pasar modal.
Peningkatan tingkat suku bunga akan
mempengaruhi minat pemodal untuk
melakukan investasi.
2.2 Inflasi
Inflasi adalah suatu kondisi dimana harga
barang akan terus mengalami kenaikan. Inflasi
dapat dipengaruhi dari dalam maupun luar
negeri. Hal ini dapat dipengaruhi oleh tarif
impor barang yang meningkat, ataupun
memang terjadi kenaikan pada harga barang
impor.
2.3 Tingkat Suku Bunga
Tingkat suku bunga merupakan harga dari
penggunaan uang yang dinyatakan dalam
bentuk persen pada jangka waktu tertentu.
Tingkat suku bunga juga dapat diartikan
sebagai harga yang harus dibayarkan atas
pertukaran mata uang nantinya (Boediono,
1998).
BI rate merupakan suku bunga kebijakan
yang menggambarkan kebijakan moneter yang
ditetapkan oleh Bank Indonesia yang kemudian
diumumkan ke masyarakat luas.
2.4 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan cabang
dari Kecerdasan Buatan dengan metode atau
algoritme yang bertujuan untuk mencerdaskan
sistem dengan mampu melakukan pembelajaran
terhadap suatu masalah.
2.4.1 Backpropagation.
Backpropagation merupakan salah satu
metode dalam Jaringan Syaraf Tiruan yang
cukup akurat dalam melakukan peramalan
terhadap data time series. Menurut Pratama,
(1999) Backpropagation merupakan algoritme
yang menggunakan pendekatan steepest
descent. Pada Backpropagation pembelajaran
dilakukan dengan melihat nilai error pada
sistem yang kemudian menjadi variabel yang
digunakan sebagai penyesuai bobot yang
digunakan.
Berikut langkah-langkah yang dilakukan
dalam proses pembelajaran Backpropagation.
1. Langkah 1
Inisialisasi bobot dengan menggunakan
bilangan acak
2. Langkah 2
Ulangi langkah pelatihan hingga kondisi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4796

iterasi terpenuhi untuk bobot pada node keluaran

3. Langkah 3
Untuk setiap pasang data latih, lakukan
langkah 4 hingga langkah 9
Fase I: Feedforward
4. Langkah 4
Setiap node masukan (xi, i = 1, … , n)
menerima sinyal masukan dan meneruskan
masukan xi, ke node-node lapisan
tersembunyi.
5. Langkah 5
Hitung semua keluaran pada node lapisan
tersembunyi zj, (j = 1, … , p)
z_net j = vj0 + ∑nj=1 xi . vji (1)
1
zj = f (xnet j) =
1+exp(−znet j )
6. Langkah 6
Hitung semua keluaran pada node
𝑦𝑘 (𝑘 = 1, … , 𝑚)
𝑝
𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑗=1 𝑧𝑗 . 𝑤𝑘𝑗 (3)
1 2. Inisialisasi Populasi
𝑦𝑘 = 𝑓(𝑦𝑛𝑒𝑡𝑘 ) =
1+exp −𝑦𝑛𝑒𝑡𝑘
Fase II: Backpropagation
7. Langkah 7
Hitung faktor δ pada node keluaran
berdasarkan kesalahan hasil pada setiap
node keluaran yk dimana k = 1, … , m
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓 ′ (𝑦𝑛𝑒𝑡𝑘 ) = (𝑡𝑘 −
𝑦𝑘 ) 𝑦𝑘 (1 − 𝑦𝑘 )
δk merupakan nilai kesalahan yang
digunakan dalam perubahan bobot.
Hitung perubahan bobot wkj dengan
tingkat pembelajaran α
∆𝑤𝑘𝑗 = 𝛼𝛿𝑘 𝑧𝑗
Dimana 𝑘 = 1, … , 𝑚 dan 𝑗 = 0, … , 𝑝
8. Langkah 8
Hitung faktor 𝛿 lapisan tersembunyi
berdasarkan kesalahan pada setiap lapisan
tersembunyi 𝑧𝑗 dimana 𝑗 = 1, … , 𝑝
𝛿𝑛𝑒𝑡𝑗 = ∑𝑚 𝑘=1 𝛿𝑘 . 𝑤𝑘𝑗
Faktor 𝛿 lapisan tersembunyi:
𝛿𝑗 = 𝛿𝑛𝑒𝑡𝑗 . 𝑓 ′ (𝑧𝑛𝑒𝑡𝑗 ) = 𝛿𝑛𝑒𝑡𝑗 . 𝑧𝑗 (1 −
𝑧𝑗 )
Hitung perubahan bobot 𝑣𝑗𝑖
∆𝑣𝑗𝑖 = 𝛼𝛿𝑗 𝑥𝑖
Dimana 𝑗 = 1, … , 𝑝 dan 𝑖 = 0, … , 𝑛
Fase I: Weight Update
9. Langkah 9
Lakukan penghitungan pada perubahan
𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (10)
Dimana 𝑘 = 1, … , 𝑝 dan 𝑖 = 0, … , 𝑝
Hitung perubahan bobot garis yang menuju
lapisan tersembunyi
𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (11)
Dimana 𝑗 − 1, … , 𝑝 dan 𝑖 = 0, … , 𝑛
2.5 Algoritme Genetika
Algoritme Genetika merupakah salah satu
algoritme yang digunakan dalam melakukan
pencarian. Algoritme Genetika berbasis pada
mekasnisme genetika dan seleksi alam.
Algoritme ini mampu menyelesaikan
permasalahan optimasi yang kompleks, yang
(2) umumnya sulit diselesaikan oleh metode
konvensional (Dasiani dan Arhami, 2006).
Siklus pada Algoritme Genetika meliputi:
1. Representasi Kromosom.
Pada penelitian ini koromosom akan
merepresentasikan nilai bobot pada
Backpropagation dengan pengkodean real
(4)
Individu dibentuk secara acak sejumlah
ukuran populasi yang telah ditetapkan.
3. Reproduksi
a. Crossover
Sebelum mendapatkan nilai rasio offspring
kita perlu menentukan tingkat crossover.
Rasio offspring dihasilkan dari proses
crossover sehingga dapat dituliskan rumus
(5) seperti pada Persamaan 12 hingga
Persamaan 14.
𝑜𝑓𝑓𝑠𝑝𝑟𝑖𝑛𝑔 = 𝑐𝑅𝑎𝑡𝑒 𝑥 𝑝𝑜𝑝𝑆𝑖𝑧𝑒 (12)
𝐶1 = 𝑃1 + ∝ (𝑃2 − 𝑃1 ) (13)
(6) 𝐶2 = 𝑃2 + ∝ (𝑃1 − 𝑃2 ) (14)
Keterangan:
P1 = Parent ke-1
P2 = Parent ke-2
C1 = Child ke-1
C2 = Child ke-2
(7) α = variabel acak
b. Mutasi
(8) Tingkat mutasi harus ditentukan yang
kemudian akan menghasilkan nilai yang
menyatakan rasio offspring yang akan
(9)
dihasilkan pada proses mutasi sehingga
dihasilkan rumus seperti pada Persamaan
15 hingga Persamaan 16.
𝑜𝑓𝑓𝑠𝑝𝑟𝑖𝑛𝑔 = 𝑚𝑅𝑎𝑡𝑒 𝑥 𝑝𝑜𝑝𝑆𝑖𝑧𝑒 (15)
𝑥𝑖′ = 𝑥𝑖 + 𝑟 (𝑚𝑎𝑥𝑖 − 𝑚𝑖𝑛𝑖 ) (16)

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4797

Keterangan: parameter pelatihan seperti jumlah generasi

xi’ = nilai gen terpilih baru (jGenerasi), ukuran populasi (popSize),
r = nilai acak antara -0.1 hingga 0.1 probabilitas crossover (cRate), probabilitas
maxi = nilai maximum dari domain gen xi mutasi (mRate), jumlah neuron pada lapisan
mini = nilai minimum dari domain gen xi tersembunyi, learning rate pada
4. Evaluasi Backpropagation (lRate), dan maksimum iterasi
Evaluasi merupakan tahapan dimana pada Backpropagation (jIterasi). Data yang
kromosom akan diperiksa nilai fitness-nya. akan digunakan sebagai pelatihan dan
Penentuan nilai fitness dapat dilakukan pengujian dilakukan normalisasi. Pada
dengan melihat nilai f(x), dalam tahap ini penelitian ini normalisasi yang digunakan
fitness=f(x). merupakan normalisasi Min-Max. Setelah data
1 dinormalisasi dilakukan pelatihan dengan
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (17)
𝑀𝐴𝑃𝐸 menggunakan Algoritme Genetika dan
5. Seleksi Backpropagation dengan tahapan seperti yang
Tahapan ini dilakukan untuk memilih ditunjukkan pada Gambar 2.
individu-individu dari populasi yang dapat Pelatihan Algoritme Genetika –
bertahan hidup untuk menjadi induk dari Backpropagation memiliki tahapan inisialisasi
generasi selanjutnya, agar generasi populasi, crossover dengan penghitungan
selanjutnya lebih baik daripada generasi jumlah offspring ditunjukkan pada Persamaan
sebelumnya. 11 dan proses pembentukan bobot pada
offspring ditunjukkan pada Persamaan 12 dan
2.6 Algoritme Genetika dan 13. Kemudian melakukan proses mutasi dengan
Backpropagation jumlah offspring yang akan terbentuk sesuai
Backpropagation merupakan metode pada Persamaan 14 dan proses pembentukan
dalam jaringan syaraf tiruan yang mampu
melakukan klasifikasi yang baik terhadap
masalah dengan cakupan yang cukup luas,
namun hal ini terkendala dengan kemungkinan
terjadinya konvergensi yang buruk dan tidak
tetap. Algoritme Gentika metode pencarian
auto-adaptif yang diharapkan akan mampu
menyelesaikan masalah konvergensi pada
Backpropagation. Penerapan Backpropagation
akan tetap melakukan pelatihan
Backpropagation untuk mendapatkan bobot
yang terbaik pada local optimum (Asriningtyas,
Dachlan, dan Yudaningtyas, 2015). Langkah-
langkah yang dilakukan untuk mendapatkan
bobot yang optimum bagi Backpropagation
diantaranya adalah:
1. Melakukan inisialisasi populasi.
2. Melakukan crossover dan mutasi.
3. Melakukan pelatihan dengan menggunakan Gambar 1 Diagram alur sistem
Backpropagation pada seluruh individu.
4. Menghitung nilai fitness dari masing-
masing individu.
5. Melakukan seleksi.

3. METODE
Implementasi metode Algoritme Genetika
– Backpropagation dalam melakukan
peramalan niai tukar rupiah terhadap dolar
Amerika memiliki tahapan seperti yang
ditunjukkan pada Gambar 1, yaitu memasukan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 2 Diagram alur pelatihan
dengan Algoritme Genetika –
Backpropagation
bobot pada offspring ditunjukan pada
Persamaan 15. Setelah melalui proses
reproduksi setiap individu diberikan pelatihan
Backpropagation sesuai dengan Persamaan 1
hingga Persamaan 11. Setelah dilatih dengan
Backpropagation setiap individu dihitung nilai
fitnessnya dengan Persamaan 17. Setelah
menghitung nilai fitness dilakukan seleksi
dengan metode Roulette Wheel.
Pada proses pelatihan Backpropagation
sebelum dilakukannya evaluasi, individu akan
melalui 3 tahap, yaitu Feedforward,
Backpropagation, dan Wight Update. Pada
proses Feedforward berlaku proses
penghitungan dengan Persamaan 1 hingga
Persamaan 6. Diikuti proses Backpropagation
dengan melakukan penghitungan sesuai
Persamaan 5 hingga Persamaan 9. Pada Proses
Weight Update persamaan yang berlaku adalah
Persamaan 10 dan Persamaan 11.
4. HASIL DAN PEMBAHASAN
4.1 Pengujian Jumlah Generasi
Pengujian jumlah generasi akan dilakukan
sebanyak 10 kali dengan jumlah generasi mulai
10 generasi hingga 100 generasi. Pengujian
akan dilakukan dengan ukuran populasi sebesar
50, crossover rate 0.6, mutation rate 0.001,
jumlah neuron 5, learning rate 1, dan 100
Fakultas Ilmu Komputer, Universitas Brawijaya
4798
Gambar 3 Hasil pengujian jumlah generasi
jumlah iterasi pada pelatihan Backpropagation.
Pada Gambar 3 menunjukkan bahwa
jumlah populasi akan mempengaruhi hasil yang
diberikan dari proses pelatihan. Hasil pada
proses pelatihan relative membaik pada setiap
peningkatan jumlah generasi. Hasil yang
semakin membaik menunjukan bahwa
eksplorasi yang dilakukan Algoritme Genetika
berhasil memberikan solusi yang lebih optimum
bagi Backpropagation dengan terpilihnya
individu yang lebih baik dari setiap proses
seleksi pada setiap generasi. Generasi terbaik
berada pada 90 generasi dengan nilai rataan
fitness mencapai 0.732022.
4.2 Pengujian Ukuran Populasi
Pada pengujian ukuran populasi akan
dilakukan percobaan sebanyak 10 kali pada
setiap ukuran populasi. Ukuran populasi yang
diujikan adalah 10 hingga 100. Pengujian akan
dilakukan dengan menggunakan generasi
sebesar 90 generasi, 0.6 crossover rate, 0.001
mutation rate, 5 neuron pada lapisan
tersembunyi, 1 learning rate, dan 100 iterasi
pada pelatihan Backpropagation di dalam
Algoritme Genetika.
Gambar 4 menunjukkan hasil yang relative
sama dengan fitness yang cendrung berada di
sekitar 0.72 hingga 0.73. Hasil cenderung
memburuk pada setiap kenaikan nilai ukuran
populasi, hal ini dapat terjadi karena semakin
besar ukuran populasi yang digunakan semakin
sulit individu terbaik untuk dapat terus lolos
pada setiap generasinya jika mengingat jenis
seleksi yang digunakan adalah Roulette Wheel
yang masih didasari oleh probabilitas pemilihan
meskipun nilai probabiliitas didapatkan
berdasarkan nilai fitness-nya. Hasil terbaik
berada pada ukuran populasi 20 dengan fitness
mencapai 0.732491. Dengan begitu ukuran
populasi 20 yang akan digunakan pada
pengujian selanjutnya.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 4 Hasil pengujian ukuran populasi
Gambar 5 Hasil pengujian crossover rate dan mutation
rate
4.3 Pengujian Crossover Rate dan Mutation
Rate
Pengujian crossover rate(cr) dan mutation
rate(mr) dilakukan dalam sepuluh kali
percobaan. Pengujian akan dilakukan dengan
menggunakan generasi sebesar 90 generasi, 20
ukuran populasi, 5 neuron pada lapisan
tersembunyi, 1 learning rate, dan 100 iterasi
pada pelatihan Backpropagation di dalam
Algoritme Genetika.
Gambar 5 menunjukan hasil yang
beragam, dapat dilihat nilai berada pada kisaran
0.72 hingga 0.74. Hasil terbaik berada pada
crossover rate 0.1 dan mutation rate 0.9 dan
semakin memburuk pada crossover rate 0.3
dan mutation rate 0.7 hingga akhirnya membaik
lagi. Nilai crossover rate yang relative kecil dan
mutation rate yang besar menunjukan
Algoritma Genetika berperan sangat baik
sebagai algoritme yang melakukan eksplorasi
calon hasil optimum bagi Backpropagation
tanpa harus banyak melakukan eksploitasi yang
mendalam.
4.4 Pengujian Maksimum Iterasi
Pada pengujian maksimum iterasi
dilakukan dengan melakukan pelatihan
sebanyak 10 kali untuk setiap maksimum iterasi
yang berbeda. Maksimum iterasi yang diujikan
adalah 100 hingga 500 maksimum iterasi,
Fakultas Ilmu Komputer, Universitas Brawijaya
4799
Gambar 6 Hasil pengujian maksimum iterasi
dengan kenaikan setiap perubahan nilai
parameter sebesar 100. Pengujian akan
dilakukan dengan 90 kali generasi, 20 ukuran
populasi, 0.1 nilai crossover rate, 0.9 nilai
mutation rate, 5 neuron pada lapisan
tersembunyi, dan 0.1 nilai learning rate.
Hasil yang telah didapat pada pengujian
maksimum iterasi pada pelatihan Algoritme
Genetika – Backpropagation terus membaik
pada setiap kenaikan jumlah iterasi. Gambar 6
menunjukkan hasil yang terus membaik karena
semakin banyak iterasi yang dilakukan pada
Backpropagation semakin dalam pembelajaran
terhadap data yang dapat dilakukan jika
mengingat perbaikan error yang dilakukan pada
Backpropagation menggunakan pendekatan
steepest descent. Hasil terbaik ditunjukkan
pengujian dengan menggunakan 500
maksimum iterasi dengan MAPE sebesar
0.84289.
4.5 Pengujian Learning Rate (alpha)
Pengujian learning rate akan dilakukan
pada learning rate 0.1 hingga 1. Setiap
pelatihan rate diuji sebanyak 10 kali. Pengujian
dilakukan dengan 90 kali generasi, 20 ukuran
populasi, 0.1 crossover rate, 0.9 mutation rate,
dan 5 neuron pada lapisan tersembunyi serta
500.
Pada Gambar 7 menunjukkan hasil yang
relative semakin baik dengan puncaknya pada
learning rate 1. Hal ini terjadi karena pelatihan
yang sebenarnya masih dapat membaik dengan
parameter pelatihan yang ada namun pada
learning rate 0.1 hingga 0.9 perubahan yang
diberikan terlalu kecil sehingga membutuhkan
iterasi pada pelatihan Backpropagation dan
generasi pada Algoritme Genetika yang
semakin besar namun jika begitu akan
memerlukan waktu komputasi yang lebih lama.
Dari hasil pengujian learning rate maka
pengujian selanjutnya akan menggunakan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
learning rate 1.
Gambar 7 Hasil pengujian learning rate
Gambar 8 Hasil jumlah neuron pada lapisan
tersembunyi
4.6 Pengujian Jumlah Neuron pada Lapisan
Tersembunyi
Pada pengujian jumlah neuron pada
lapisan tersembunyi dilakukan untuk
mendapatkan jumlah neuron yang mampu
memberikan hasil paling optimal. Jumlah
neuron yang akan diujikan adalah 1 hingga 15
neuron pada lapisan tersembunyi. Setiap jumlah
neuron akan diujikan sebanyak 10 kali. Pada
pengujian ini akan digunakan 90 kali generasi,
20 ukuran populasi, 0.1 crossover rate, 0.9
mutation rate.
Hasil dalam grafik pada Gambar 8
menunjukkan fitness yang cenderung membaik
pada setiap kenaikan jumlah neuron pada
lapisan tersembunyi dengan fitness terbaik
didapat pada jumlah neuron 13. Hasil tersebut
menunjukkan semakin banyak jumlah neuron
pada lapisan tersembunyi semakin baik hasil
yang diberikan. Hasil ini menunjukkan
Algoritme Genetika mampu melakukan
eksplorasi calon hasil terbaik meskipun dengan
jumlah neuron yang terus meningkat. Dengan
hasil ini pengujian pada tahap berikutnya akan
menggunkan jumlah neuron 13 pada lapisan
tersembunyi pada pelatihan Algoritme Genetika
– Backpropagation.
Fakultas Ilmu Komputer, Universitas Brawijaya
4800
4.7 Validasi dan Pengujian Algoritme
Genetika – Backpropagation
Validasi dan pengujian ini dilakukan untuk
mendapatkan nilai akurasi pada pelatihan
Algoritme Genetika – Backpropagation. Pada
validasi hasil terbaik dari pelatihan diujikan
kedalam data latih, sedangkan pada pengujian
diujikan kedalam data uji. Pengujian akan
dilakukan sebanyak 10 kali dengan parameter
yang sama pada setiap pengujian. Parameter
yang digunakan pada pengujian adalah
parameter terbaik hasil pengujian sebelumnya
yaitu, jumlah generasi 90, ukuran populasi 20,
crossover rate 0.1, mutation rate 0.9, jumlah
neuron pada lapisan tersembunyi sebanyak 13,
nilai learning rate 1, dan jumlah itearsi
sebanyak 500. Hasil pengujian ditunjukkan
Tabel 1.
Tabel 1 menunjukkan hasil yang sangat
baik dari validasi pada pelatihan Algoritme
Genetika – Backpropagation dengan rata-rata
MAPE sebesar 1.077603 sedangkan pada
pengujian menggunakan data uji hasil yang
diberikan tidak berbeda jauh dengan nilai
MAPE yang dihasilkan dari pelatihan
Backpropagation yaitu dengan rata-rata MAPE
sebesar 1.741747.
Tabel 1 Validasi dan pengujian Algoritme Genetika -
Backpropagation
Percobaan MAPE MAPE
Validasi Pengujian
1 1.055239 1.75351
2 1.051115 1.68927
3 1.158695 1.71581
4 1.107816 1.76319
5 1.000491 1.78031
6 1.090253 1.71715
7 1.096619 1.92408
8 1.052772 1.75873
9 1.063127 1.74007
10 1.099897 1.57531
Rata-Rata 1.077603 1.74174
5. KESIMPULAN
Dari hasil telah didapatkan pada penelitian
prediksi nilai tukar rupiah terhadap dolar
Amerika dengan menggunakan metode
Algoritma Genetika – Backpropagation dapat
ditarik kesimpulan:
1. Implementasi Algoritme Genetika –
Backpropagation berhasil dilakukan dengan
jumlah data latih sebanyak 99 dan data uji
sebanyak 25, dengan tahapan inisialisasi
populasi, crossover, mutasi, pelatihan setiap
individu menggunakan Backpropagation,
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4801

evaluasi, dan seleksi. Hasil pengujian yang Performs better than Backpropagation
telah dilakukan didapatkan nilai MAPE Neural Network in Stock Rate
terbaik sebesar 1,575318 dan rata-rata Prediction. All Saints’ College of
MAPE sebesar 1,741747. Algoritme juga Technology. Bhopal.
mampu melakukan validasi dengan MAPE Mansur, M. 2009. Pengaruh Tingkat Suku
terbaik sebesar 1,0004917 dan rata-rata Bunga SBI dan Kurs dolar AS
MAPE sebesar 1,077603. Terhadap Indeks Harga Saham
2. Implementasi Algoritme Genetika – Gabungan Bursa Efek Jakarta Periode
Backpropagation mampu memberikan hasil Tahun 2000‐2002. Working Paper
pengujian dengan nilai MAPE terbaik Accounting and Finance, pp.1-10.
sebesar 1,575318 dan rata-rata MAPE Pramesti, R. A. & Mahmudy, W. F. 2016.
sebesar 1,741747. Algoritme juga mampu Optimasi Fuzzy Inference Sistem
melakukan validasi dengan MAPE terbaik Mamdani Untuk Prediksi Nilai Tukar
sebesar 1,0004917 dan rata-rata MAPE Rupiah Terhadap dolar Amerika
sebesar 1,077603. Masing-masing pengujian Menggunakan Algoritme Genetika. S1.
dilakukan 10 kali percobaan yang dilakukan Unversitas Brawijaya.
pada 99 data latih dan 25 data uji. Parameter Pratama, T. I. B. 1999. Metode Peramalan
terbaik dalam melakukan pelatihan dengan Memakai Jaringan Syaraf Buatan
menggunakan Algoritme Genetika – Dengan Cara Backpropagation, Jurnal
Backpropagation adalah: Teknologi Industri. 3(2), pp.109-116.
a. Jumlah generasi = 90 Shioda, K., Deng, S & Sakurai, A., 2011.
b. Ukuran populasi = 0,1 Prediction of Foreign Exchange Market
c. Crossover rate = 0,1 States with Support Vector Mechine.
d. Mutation rate = 0,9 International Conference on Mechine
e. Jumlah neuron = 13 Learning and Applications, 10, pp.327-
f. Learning rate = 1 332.
g. Jumlah iterasi = 500 Subintara, R 2015, 'Prediksi Pergerakan Harga
Harian Nilai Tukar Rupiah (IDR)
6. DAFTAR PUSTAKA Terhadap Dollar Amerika (USD)
Al Huda, F., Ridok, A. dan Dewi, C. 2013. Menggunakan Metode Jaringan Syaraf
Peramalan TIime Series Saham Tiruan Backpropagatioan'. S1.
Menggunakan Backpropagation Neural Universitas Brawijaya.
Network Berbasis Algoritma Genetika. Sumarto, K. C., Cholissodin, I., & Data, M.
S1. Universitas Brawijaya. 2016. Peramalan Nilai Tukar Rupiah
Asriningtias, S. R., Dachlan, H. S., dan (IDR) Terhadap dolar Amerika (USD)
Yudaningtyas, E. 2015. Optimasi Menggunakan Metode Support Vector
Training Neural Network Regression (SVR) Dengan Simulated
Menggunakan Hybrid Adaptive Annealing – Genetic Algorithm (SA-
Mutation PSO-BP, Jurnal EECCIS. GA). S1. Universitas Brawijaya.
9(1), pp-79-84. functions. 16(3), pp.779–797.
Dewi, C. dan Muslikh, M. 2013. Perbandingan
Akurasi Backpropagation Neural
Network dan ANFIS Untuk
Memprediksi Cuaca. S1. Universitas
Brawijaya.
Fitriah, A., & Abadi, A. M. 2011. Aplikasi
Model Neuro Fuzzy Untuk Prediksi
Tingkat Inflasi Di Indonesia.
PROSIDING, (Matematika dan
Pendidikan Karakter dalam
Pembelajaran).
Khan, A. U 2008. Genetic Algorithm Based
Backpropagation Neural Network
Fakultas Ilmu Komputer, Universitas Brawijaya