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