Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

OPTIMASI PARAMETER ARTIFICIAL NEURAL NETWORK DENGAN

MENGGUNAKAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI
NILAI TUKAR RUPIAH

Khairul Fahmi1, Stefanus Santosa 2, A. Zainul Fanani 3

123
Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

ABSTRACT
To predict foreign exchange rate is not easy, accurate prediction is necessary for investor to reduce hig
risk about exchange rate volatility. In predicting foreign exchange rate is used Artificial Neural Network
Backpropagation as a model that applied. There are several parameters to implement Artificial Neural
Network that must be determined as training cyclel, learning rate, and momentum, the problem is the lack
of standard guidelines in determining the parameters that will be used, therefore in this method used the
experimental method. So that we need a method that can resolve the problem, then that the parameters
obtained become more optimal. Solutions that can be applied is to apply the genetic algorithm (GA) on
Artificial Neural Networks, in order to optimize the value of training cycle, learning rate and momentum
parameters. The results are the application of optimization techniques with Genetic Algorithm can
facilitate the search for optimal parameter values and reduce error (RMSE) or increase the value of the
accuracy of the Artificial Neural Network algorithm, thus the model obtained can be used by investor to
predict foreign exchange rate.
Keywords : Exchange Rate, Artificial Neural Network, Parameter, Genetic Algorithm

1. PENDAHULUAN
Pertukaran mata uang asing merupakan salah satu faktor yang sangat penting bagi investor. Namun karena
nilai tukar cepat berubah dalam periode waktu yang sangat singkat dan memiliki karakteristik perubahan
yang sangat tinggi, investor menginginkan sebuah metode yang efektif untuk mengevaluasi
kecenderungan perubahan yang dinamis dan mengurangi risiko. Meskipun ada banyak model keuangan
yang telah disediakan untuk menjelaskan dan menganalisis perilaku nilai tukar, akurasi peramalan nilai
tukar masih menjadi masalah penting dan perlu perbaikan [1]. Dalam kajian stabilitas keuangan Bank
Indonesia Nomor 23 September 2014, Utang Luar Negeri (ULN) khususnya sektor swasta meningkat
tajam. Kondisi ini dipicu oleh kebutuhan pembiayaan pembangunan yang masih cukup besar, peningkatan
spread suku bunga dalam dan luar negeri, serta likuiditas global yang melimpah. ULN memiliki risiko
yang inherent selain risiko default. Risiko inherent ini adalah risiko nilai tukar sebagai akibat utang
diperoleh dalam valuta asing dan risiko mismatch jangka waktu yang muncul sebagai akibat ULN yang
diperoleh memiliki jangka waktu pendek namun dipergunakan untuk proyek yang berjangka panjang.
Oleh karena itu peramalan nilai tukar yang akurat untuk mengurangi risiko inherent sangat diperlukan
oleh para investor.
Prediksi nilai tukar terhadap mata uang asing merupakan isu yang penting dalam keuangan. Pemilihan
model prediksi dan perbaikan akurasi tidak mudah untuk dipecahkan sebab niilai tukar sangat berkaitan
dengan banyak faktor seperti indeks harga, tingkat suku bunga, jumlah uang beredar, neraca perdagangan,
dan sebagainya[2]. Bursa nilai tukar mata uang asing sangat komplek dan mudah berubah, dengan kadar
karakteristik perubahan yang sangat tinggi [3]. Prediksi nilai tukar beberapa mata uang asing dipengaruhi
oleh beberapa faktor antara lain ekonomi, politik, psikologis, oleh karena itu memprediksi nilai tukar mata
uang asing merupakan tugas yang sangat berat jika dilakukan secara konvensional [4]
Pertukaran mata uang asing memainkan peranan penting dalam memberikan akses ke mata uang asing.
Dalam jangka pendek, pertukaran mata uang asing berarti proses membeli satu mata uang dan penjualan
dalam waktu yang bersamaan, biasanya harga satu mata uang disebut dengan kurs. Pertukaran mata uang

196 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

asing mirip dengan bursa saham. Nilai tukar mata uang asing mempunyai karakteristik yang mudah
berubah, oleh karena itu sangat memungkinkan untuk dilakukan peramalan terhadap nilai mata uang asing
[5]. Di samping itu prediksi kurs mata uang asing juga sangat penting bagi pengambil kebijakan ekonomi
makro dan mikro. Hal ini mempengaruhi perdagangan luar negeri, kegiatan ekonomi dan distribusi
kekayaan antarnegara, serta perusahaan multinasional mempunyai risiko terhadap fluktuasi kurs mata
uang asing[6].
Penelitian prediksi nilai tukar rupiah ini sebelumnya sudah pernah dilakukan oleh para peneliti, Halim
Siana dkk, tahun 2000 meneliti Prediksi Nilai Tukar Rupiah Indonesia, Yen Jepang, Dolar Singapura, dan
Baht Thailand terhadap Dolar Amerika dengan menggunakan Jaringan Syaraf Tiruan dan menghasilkan
akurasi yang diukur dengan RMSE sebesar 0.0272[7]. Penelitian lain Helmy Herlina pada tahun 2012
meneliti Prediksi nilai tukar rupiah terhadap dolar Amerika dengan menggunakan Metode Box-Jenkins
(ARIMA) dan menghasilkan MAPE sebesar 5.704500% [8]. Penelitian lain Amanda Risky dkk. Pada
tahun 2014 meneliti prediksi nilai tukar rupiah terhadap dolar Amerika dengan menggunakan Support
Vector Machine (SVM) dan menghasilkan akurasi diukur dengan MAPE sebesar 0.6131% [9].
Artificial Neural Network (ANN) mempunyai struktur tersebar paralel yang sangat besar dan
mempunyai kemampuan belajar, sehingga bisa melakukan generalisasi, yaitu bisa menghasilkan output
yang benar untuk input yang belum pernah dilatihkan. Dengan kedua kemampuan pemrosesan informasi
ini, ANN mampu menyelesaikan masalah-masalah yang sangat kompleks, mulai dari klasifikasi, optimasi,
kompresi, peramalan (forecasting), sistem kontrol, sistem pendeteksian kecurangan (intrusion detection
systems), dan sebagainya. Pada umumnya, ANN sangat sesuai untuk permasalahan yang bernilai kontinyu
seperti pengenalan tulisan tangan, pengenalan wajah, peramalan kurs tengah mata uang, dan sebagainya
[10]. Artificial Neural Network juga dapat melakukan pembelajaran data tidak hanya untuk data linear
saja tetapi juga untuk data non-linear [11].
Salah satu kelemahan ANN adalah mempunyai banyak parameter yang ditentukan, seperti laju
pembelajaran, iterasi maksimal, momentum, fungsi pembelajaran, jumlah neuron dan sebagainya. Semua
penentuan parameter tersebut dilakukan secara trial-error sehingga hasil yang diharapkan kurang optimal
[12].
Algoritma Genetika merupakan metode metaheuristik yang paling popular. Hal ini disebabkan karena
algoritma genetika memiliki performa yang baik untuk berbagai macam jenis permasalahan optimasi [13].
Algoritma Genetika adalah algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan
genetika alamiah. Pada awalnya AG digunakan sebagai algoritma pencarian parameter-parameter optimal.
Pada bidang Soft Computing, AG banyak digunakan untuk mendapatkan nilai-nilai parameter yang
optimal pada Artificial Neural Network maupun system fuzzy [10]. Algoritma genetika bisa mengadaptasi
dirinya dalam pencarian nilai yang optimal secara alami seleksi dan warisan alam. Hal ini dapat digunakan
untuk pencarian parameter dalam suatu populasi untuk mendapatkan solusi yang optimal [14].
Pada penelitian ini, digunakan metode gabungan yaitu Algoritma Genetika (AG) untuk menentukan
parameter dari Artificial Neural Network untuk memprediksi nilai tukar rupiah terhadap dolar. Akurasi
dari metode tersebut diukur menggunakan root mean squared error (RMSE) terkecil.
Rumusan masalah yang diambil adalah para pelaku ekonomi sulit untuk menentukan sebuah kebijakan
pengambilan keputusan dalam meminimalkan risiko usaha terkait dengan fluktuasi nilai tukar mata uang.
Prediksi nilai tukar rupiah terhadap dolar Amerika dengan Artificial Neural Network Backpropagation
saja parameternya belum optimal, sehingga tujuan dari penelitian ini adalah diperolehnya model prediksi
nilai tukar rupiah terhadap dolar Amerika menggunakan Model gabungan Artificial Neural Network dan
Algoritma Genetika sehingga nilai akurasi dari prediksi lebih baik.
Dari hasil penelitian ini diharapkan agar pelaku ekonomi dapat menggunakan metode algoritma yang
kinerjanya akurat sebagai alat untuk memprediksi nilai tukar mata uang asing dalam rangka mengurangi
risiko yang diakibatkan oleh fluktuasi mata uang asing. Selain itu bagi iptek hasil penelitian ini diharapkan
dapat memberikan alternatif model prediksi nilai tukar rupiah terhadap dolar dengan metode gabungan
Artificial Neural Network dan Algoritma Genetika.

http://research.pps.dinus.ac.id , 197
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

2. TINJAUAN PUSTAKA
2.1. Penelitian Terkait
Penelitian yang dilakukan oleh Halim Siana pada tahun 2000, penelitian ini membahas Prediksi Nilai
Tukar Rupiah Indonesia, Yen Jepang, Dolar Singapura, dan Baht Thailand terhadap Dolar Amerika
menggunakan Artificial Neural Network Backpropagation dan GARCH. Penelitian ini berusaha mencari
solusi atas masalah peredaman jump (perubahan yang terjadi secara mendadak pada fluktuasi mata uang).
Data yang digunakan dalam memodelkan prediksi dilakukan melalui normalisasi dalam range 0 sampai 1
kemudian parameter Artificial Neural Network Backpropagation dimasukkan secara trial-error untuk
mendapatkan RMSE yang terbaik. Hasil penelitian ini menunjukkan Artificial Neural Network
mempunyai kemampuan meredam jump yang lebih baik dibandingkan dengan Model GARCH. RMSE
yang dihasilkan dalam penelitian ini 0.0293 untuk data training dan 0.0272 untuk data testing [7].
Penelitian lain dilakukan oleh Helmy Herlina pada tahun 2012, penelitian ini membahas peramalan
nilai tukar rupiah terhadap dolar Amerika menggunakan metode ARIMA. Penelitian ini meneliti tentang
akurasi metode ARIMA untuk memprediksi nilai tukar rupiah terhadap dolar Amerika dengan data per
semester dari tahun 1997 sampai dengan 2006. Metode ARIMA yang digunakan ada dua model yaitu
model ARIMA (2,0,1) dan model ARIMA (4,0,1). Berdasarkan hasil pengujian terhadap 2 model tersebut
diketahui untuk model ARIMA (4,0,1) menghasilkan MAPE sebesar 5.973050 % dan model ARIMA
(4,0,1) menghasilkan MAPE sebesar 5.704500 % [8].
Penelitian lain dilakukan oleh Amanda Risky pada tahun 2014. Penelitian ini membahas prediksi nilai
tukar rupiah terhadap dolar amerika dengan menggunakan metode Support Vector Machine (SVM).
Dalam penelitian ini dataset yang digunakan adalah data kurs jual harian rupiah terhadap dolar Amerika
periode 2 Januari 2012 sampai dengan 31 Desember 2013. Metode yang digunakan SVM dengan kernel
linear dan polynomial. Pada kernel linear dihasilkan MAPE 0.3757% sedangkan kernel polynomial
dihasilkan MAPE 0.6135% untuk data training dan untuk data testing dengan kernel linear dihasilkan
MAPE 0.6131% dan data testing dengan kernel polynomial dihasilkan MAPE 0.6135% [9].

Tabel 1. Penelitian Terkait

Nama Peneliti Masalah Pendekatan Hasil
dan Tahun
Halim Siana, Prediksi nilai tukar rupiah Backpropaga RMSE yang dihasilkan dalam
Wibisono untuk peredaman jump tion Artificial penelitian ini 0.0293 untuk data
Adrian Michael, (perubahan yang terjadi secara Neural training dan 0.0272 untuk data
2000 mendadak pada fluktuasi mata Network testing
uang) (BPNN)
Helmy Herlina, Mencari akurasi model ARIMA MAPE terbaik yang dihasilkan
2012 prediksi nilai tukar rupiah sebesar 5.704500 %
terhadap dolar yang terbaik.
Amanda Risky, Sulitnya menentukan prediksi Support Untuk data training kernel linear
Yasin Hasbi, nilai tukar rupiah yang akurat Vector MAPE 0.3757% sedangkan kernel
Prahutama untuk mengurangi resiko Machine polynomial dihasilkan MAPE
Alan, 2014 fluktuasi mata uang (SVM) 0.6135%
untuk data testing dengan kernel
linear MAPE 0.6131% dan kernel
polynomial dihasilkan MAPE
0.6135%

2.2. Landasan Teori

2.2.1 Artificial Neural Network
Artificial Neural Network (NN) atau Jaringan Syaraf Tiruan (JST) merupakan salah satu upaya manusia

198 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

untuk memodelkan cara kerja atau fungsi system syaraf manusia dalam melaksanakan tugas tertentu.
Pemodelan ini didasari oleh kemampuan otak manusia dalam mengorganisasikan sel-sel penyusunnya
yang disebut neuron, sehingga mampu melaksanakan tugas-tugas tertentu, khusunya pengenalan pola
dengan efektifitas yang sangat tinggi. JST mempunyai struktur tersebar parallel yang sangan besar dan
mempunyai kemampuan belajar, sehingga bisa melakukan generalization atau diterjemahkan generalisasi,
yaitu bisa menghasilkan output yang benar untuk input yang belum pernah dilatihkan. Dengan kedua
kemampuan pemrosesan informasi ini, JST mampu menyelesaikan masalah-masalah yang sangat
kompleks [10].

2.2.2 Algoritma Propagasi Balik

Salah satu dari sekian banyak algoritma pelatihan untuk MLP yang sangat popular adalah Back
Propagation atau Propagasi Balik. Sesuai dengan namanya, algoritma ini melakukan dua tahap
perhitungan, yaitu perhitungan maju untuk menghitung error antara keluaran actual dan perhitungan
mundur yang mempropagasikan balik error tersebut untuk memperbaiki bobot-bobot sinaptik pada semua
neuron yang ada [15]. Berikut ini adalah langkah-langkah detail dari algoritma pelatihan Propagasi Balik
untuk MLP dengan satu hidden layer :
1. Definisikan masalah
Misalkan matriks pola masukan (P) dan matriks target (T).
2. Inisialisasi parameter jaringan
Parameter jaringan terdiri dari : a) arsitektur jaringan (misalkan I-H-O, I adalah jumlah elemen input,
H adalah jumlah neuron pada hidden layer, dan O adalah jumlah neuron pada output layer), b) nilai
ambang (threshold) untuk menghentikan proses learning yang bisa berupa Mean Square Error (MSE)
atau rata-rata kuadrat error, c) learning rate(lr) serta bobot-bobot sinaptik yang bisa dilakukan melalui
pembangkitan nilai acak pada interval nilai sembarang, misalnya [-1,+1] atau [-0.5,+0.5] atau interval
lainnya.
3. Pelatihan Jaringan
a. Perhitungan Maju
Dengan bobot-bobot yang telah ditentukan pada inisialisasi awal, hitung keluaran dari hidden
layer. Jika kita menggunakan fungsi aktivasi sigmoid dengan a=1, maka keluaran dari hidden
layer yang dinotasikan A1 adalah
               (0‐1) 
W1 adalah matriks bobot sinaptik antara input layer dan hidden layer. W1 memiliki dimensi
sebesar H x 1. Sedangkan P adalah matriks pola masukan dan B1 adalah bias yang digunakan oleh
neuron pada hidden layer. Hasil keluaran dari hidden layer dipakai untuk mendapatkan keluaran
output layer menggunakan persamaan
                  (0‐2) 
W2 adalah matriks bobot sinaptik antara hidden layer dan output layer. W2 memiliki dimensi
sebesar O x H. Sedangkan B2 adalah bias yang digunakan oleh neuron pada output layer.
Selanjutnya, keluaran jaringan ini dibandingkan dengan nilai target. Selisih antara nila target
dengan keluaran jaringan adalah error atau error E yang dapat dituliskan sebagai
                       (0‐3) 
Sedangkan rata-rata kuadrat error atau MSE dinyatakan oleh persamaan
                       (0‐4) 
N adalah jumlah pola masukan.
b. Perhitungan Mundur
MSE yang diperoleh dipakai sebagai parameter dalam pelatihan. Pelatihan akan selesai jika MSE
yang diperoleh sudah dapat diterima. Error tersebut dipropagasikan balik untuk memperbaiki
bobot-bobot sinaptik dari semua neuron pada hidden layer dan output layer. Perhitungan
perbaikan bobot diberikan pada persamaan-persamaan berikut :

http://research.pps.dinus.ac.id , 199
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

                  (0‐5) 
                               (0‐6) 
                              (0‐7) 
                               (0‐8) 
                              (0‐9) 
                (0‐10) 
Setelah neuron-neuron mendapatkan nilai yang sesuai dengan kontribusinya pada error keluaran,
bobot-bobot jaringan diperbaiki agar error dapat diperkecil. Perbaikan bobot jaringan dilakukan
dengan cara
                       (0‐11) 
                      (0‐12) 
                      (0‐13) 
                      (0‐14) 
4. Langkah – langkah di atas adalah untuk satu kali siklus pelatihan (satu epoch). Biasanya, pelatihan
harus diulang-ulang lagi hingga jumlah siklus tertentu atau telah tercapai MSE (Mean Square Error)
yang diinginkan.
5. Hasil akhir dari pelatihan jaringan adalah bobot-bobot W1,W2, B1 dan B2.

2.2.3 Algoritma Genetika

Algoritma Genetika (AG) adalah algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah
dan genetika alamiah. Pada awalnya, AG memang digunakan sebagai algoritma pencarian parameter-
parameter optimal. Tetapi dalam perkembangannya, AG bisa diaplikasikam untuk berbagai masalah lain
seperti learning, peramalan, pemrograman otomatis, dan sebagainya. Pada bidang soft computing, AG
banyak digunakan untuk mendapatkan nilai-nilai parameter yang optimal pada JST maupun system fuzzy
[10].
Seleksi alamiah secara sederhana diilustrasikan dalam kasus populasi jerapah. Pada kondisi jumlah
makanan sangat terbatas dan berada di tempat yang tinggi, maka jerapah berleher panjang akan bertahan
hidup karena bisa menjangkau dedaunan yang berada di tempat yang tinggi, sedangkan jerapah berleher
pendek akan mati. Dalam hal ini, jerapah berleher panjang dikatakan sebagai individu yang memiliki
kualitas tinggi sehingga lolos dari proses seleksi alamiah [10]. Pada evolusi di dunia nyata, individu
bernilai fitness tinggi akan bertahan hidup. Sedangkan individu bernilai fitness rendah akan mati. Pada AG,
suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran nilai fitness-nya.
Pada masalah optimasi, jika solusi yang dicari adalah memaksimalkan sebuah fungsi h (masalah
maksimasi), maka nilai fitness yang digunakan adalah nilai dari fungsi h tersebut, yakni f = h (f adalah
nilai fitness). Tetapi jika masalahnya adalah meminimalkan fungsi h (masalah minimasi), maka fungsi h
tidak bisa digunakan secara langsung. Hal ini disebabkan AG memiliki aturan bahwa individu yang
memiliki nilai fitness lebih tinggi akan memiliki kemampuan bertahan hidup lebih tinggi daripada individu
yang bernilai fitness rendah. Oleh karena itu, nilai fitness untuk masalah minimasi adalah f = 1/h , yang
artinya semakin kecil nilai h semakin besar nilai f. Tetapi, fungsi ini akan bermasalah jika h bisa bernilai 0,
yang mengakibatkan f bisa bernilai tak hingga. Untuk mengatasi masalah tersebut, h perlu ditambah
dengan sebuah bilangan yang dianggap sangat kecil, sehingga formula fungsi fitness-nya menjadi f =
1/(h+a), dimana a adalah bilangan yang dianggap sangat kecil dan bervariasi sesuai dengan masalah yang
akan diselesaikan [16].
Sejak pertama kali dirintis oleh John Holland pada tahun 1960-an, AG telah dipelajari, diteliti dan
diaplikasikan secara luas pada berbagai bidang. AG banyak digunakan pada masalah praktis yang
berfokus pada pencarian parameter-parameter optimal. Hal ini membuat banyak orang mengira bahwa AG
hanya bisa digunakan untuk masalah optimasi. Pada kenyataannya, AG juga memiliki performansi yang
bagus untuk masalah-masalah selain optimasi [16].
Keuntungan penggunaan AG sangat jelas terlihat dari kemudahan implementasi dan kemampuannya
untuk menemukan solusi yang ‘bagus’ (bisa diterima) secara cepat untuk masalah-masalah berdimensi

200 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

tinggi. AG sangat berguna dan efisien untuk masalah dengan karakteristik sebagai berikut :
Ruang masalah yang sangat besar, kompleks dan sulit dipahami,
1. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk merepresentasikan masalah ke dalam
ruang pencarian yang lebih sempit,
2. Tidak tersedianya analisis matematika yang memadai,
3. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi,
4. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus atau bisa diterima,
5. Terdapat batasan waktu, misalnya dalam real time systems atau sistem waktu nyata.
AG telah banyak diaplikasikan untuk penyelesaian masalah dan permodelan dalam bidang teknologi,
bisnis, dan entertainment, seperti optimasi, pemrograman otomatis, machine learning, model ekonomi,
model sistem imunisasi, model ekologis, interaksi antara evolusi dan belajar.
Berikut langkah-langkah AG standar [16].
1. Satu populasi dengan N kromosom (individu)
2. Binary encoding
3. Linear fitness ranking
4. Roulette-wheel selection
5. Pindah silang satu titik potong
6. Probabilitas pindah silang dan probabilitas mutasi bernilai tetap selama evolusi
7. Elitisme, satu atau dua buah kopi dari individu bernilai fitness tertinggi
8. Generational replacement. Penggantian semua individu sekaligus.

2.2.4 Root Mean Square Error (RMSE)

Root Mean Square Error adalah penjumlahan kuadrat error atau selisih antara nilai sebenarnya (aktual)
dan nilai prediksi, kemudian membagi jumlah tersebut dengan banyaknya waktu data peramalan dan
kemudian menarik akarnya, atau dapat dirumuskan sebagai berikut.

                              (0‐15) 

2.3. Prediksi Nilai Tukar Rupiah dengan Artificial Neural Network dan Algoritma Genetika
Kurs (exchange rate) adalah sebuah perjanjian yang dikenal sebagai nilai tukar mata uang terhadap
pembayaran saat kini atau di kemudian hari, antara dua mata uang masing-masing negara atau wilayah.
Kurs (exchange rate) adalah harga sebuah mata uang dari suatu negara yang diukur atau dinyatakan dalam
mata uang lainnya. Kurs memainkan peranan penting dalam keputusan-keputusan pembelanjaan, Karena
kurs memungkinkan kita menerjemahkan harga-harga dari berbagai negara ke dalam satu bahasa yang
sama. Bila semua kondisi lainnya tetap, depresiasi mata uang dari suatu negara terhadap segenap mata
uang lainnya (kenaikan harga valuta asing bagi negara yang bersangkutan) menyebabkan ekspornya lebih
murah dan impornya lebih mahal. Sedangkan apresiasi (penurunan harga valuta asing di negara yang
bersangkutan) membuat ekspornya lebih mahal dan impornya lebih murah. Beberapa faktor yang
mempengaruhi nilai tukar mata uang antara lain tingkat inflasi,tingkat suku bunga, neraca perdagangan,
hutang publik, ratio ekspor dan impor, dan kestabilan politik dan ekonomi.
Dalam sistem pertukaran dinyatakan oleh yang pernyataan besaran jumlah unit yaitu "mata uang"
(atau "harga mata uang" atau "sarian mata uang") yang dapat dibeli dari 1 penggalan "unit mata uang"
(disebut pula sebagai "dasar mata uang"). sebagai contoh, dalam penggalan disebutkan bahwa kurs EUR-
USD adalah 1,4320 (1,4320 USD per EUR) yang berarti bahwa penggalan mata uang adalah dalam USD
dengan penggunaan penggalan nilai dasar tukar mata uang adalah EUR.
Kurs sangat penting dalam pasar valuta asing (foreign exchange market). Walaupun perdagangan
valuta asing berlangsung di berbagai pusat keuangan yang tersebar di seluruh dunia, teknologi
telekomunikasi modern telah mempertautkan mereka menjadi sebuah rangkaian pasar tunggal yang
beroperasi 24 jam setiap hari. Salah satu kategori penting dalam perdagangan valuta asing adalah

http://research.pps.dinus.ac.id , 201
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

perdagangan berjangka (forward trading), yakni beberapa pihak sepakat mempertukarkan mata uang di
waktu mendatang atas dasar kurs yang mereka sepakati. Sedangkan kategori lainnya, yakni perdagangan
spot (spot trading) langsung melaksanakan pertukaran tersebut (ini biasanya untuk keperluan-keperluan
mendesak atau praktis).
Nilai tukar yang berdasarkan pada kekuatan pasar akan selalu berubah di setiap kali nilai-nilai salah
satu dari dua komponen mata uang berubah. Sebuah mata uang akan cenderung menjadi lebih berharga
bila permintaan menjadi lebih besar dari pasokan yang tersedia. nilai akan menjadi berkurang bila
permintaan kurang dari suplai yang tersedia.
Peningkatan permintaan terhadap mata uang adalah yang terbaik karena dengan meningkatnya
permintaan untuk transaksi uang, atau mungkin adanya peningkatan permintaan uang yang spekulatif.
Transaksi permintaan uang akan sangat berhubungan dengan tingkat aktivitas bisnis negara berkaitan,
produk domestik bruto (PDB) (gross domestic product (GDP) atau gross domestic income (GDI)), dan
tingkat permintaan pekerja. Semakin tinggi tingkat menganggur pada suatu negara akan semakin sedikit
masyarakatnya yang secara keseluruhan akan dapat menghabiskan uang pada belanja pengeluaran untuk
pembelian barang dan jasa dan Bank Sentral, di Indonesia dalam hal ini dilakukan oleh Bank Indonesia
biasanya akan sedikit kesulitan dalam melakukan penyesuaian pasokan uang yang dalam persediaan untuk
mengakomodasi perubahan dalam permintaan uang berkaitan dengan transaksi bisnis.
Dalam mengatasi permintaan uang dengan tujuan untuk spekulatif, Bank Sentral akan sangat sulit
untuk mengakomodasinya akan tetapi akan selalu mencoba untuk melakukan dengan melakukan
penyesuaian tingkat suku bunga agar seseorang Investor dapat memilih untuk membeli kembali mata
uangnya bila (yaitu suku bunga) cukup tinggi, akan tetapi, dengan semakin tinggi sebuah negara menaikan
suku bunganya maka kebutuhan untuk mata uangnya akan semakin besar pula. Dalam hal perlakuan
tindakan spekulasi terhadap realitas mata uang akan berkaitan dan dapat menghambat pada pertumbuhan
perekonomian negara serta para pelaku spekulasi akan terus, terutama sejak mata uang secara sengaja
dibuat agar bisa dalam bawah tekanan terhadap mata uang dalam rangka untuk memaksa agar Bank
Sentral dapat menjual mata uangnya untuk tetap membuat stabilitas (bila hal ini terjadi maka para
spekulan akan berusaha dapat membeli kembali mata uang tersebut dari bank dan pada harga yang lebih
rendah atau selalu akan dekat dengan posisi harapan dengan demikian pengambilan keuntungan terjadi).
Dalam memprediksi nilai tukar rupiah terhadap dolar digunakan Algoritma genetika untuk
mengoptimalkan parameter dari Artificial Neural Network. Artificial Neural Network dengan Algoritma
Pelatihan Backpropagation jika digunakan untuk melakukan prediksi ada beberapa parameter yang harus
dimasukkan untuk mempengaruhi pelatihan dari jaringan neuronnya. Parameter tersebut antara lain
hidden layer, training cycle, learning rate dan momentum. Learning rate adalah variabel yang digunakan
oleh algoritma pembelajaran untuk menentukan bobot dari neuron. Nilai learning rate yang besar
menyebabkan pembelajaran lebih cepat tetapi ada osilasi bobot, sedangkan nilai yang kecil menyebabkan
pembelajaran lebih lambat. Nilai learning rate berupa angka positif kurang dari 1. Momentum digunakan
untuk meningkatkan convergence memepercepat waktu pembelajaran dan mengurangi osilasi. Dalam
penelitian sebelumnya [7] penentuan dari parameter Artificial Neural Network Backpropagation dilakukan
secara trial error. Dalam penelitian ini beberapa parameter Artificial Neural Network Backpropagation
seperti training cycle, learning rate, dan momentum akan dicari dengan menggunakan Algoritma
Genetika. Yaitu dengan membangkitkan populasi yang berisi kromosom training cycle, learning rate, dan
momentum dan akan dievaluasi menggunakan fungsi fitness terbaik. Nilai fitness dalam hal ini adalah
nilai RMSE terkecil dari hasil pelatihan Artificial Neural Network Backpropagation.
Berikut langkah-langkah nya :
1. Encode satu set parameter (training cycle, learning rate, dan momentum) dengan definisi fitness
terbaik.
2. Mulai dengan populasi yang dipilih secara acak (individu merupakan satuan training cycle, learning
rate dan momentum)
3. Lanjutkan dengan operator Algoritma Genetika untuk membangun populasi anak dari salah satu
orang tua.

202 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

Operasi cross over pada proses ini memiliki peran yang penting dalam perakitan blok terbaik untuk
membangun populasi baru yang terbaik. Salah satu cara untuk encoding parameter Artificial Neural
Network Backpropagation (training cycle, learning rate, momentum) dalam sebuah struktur. Kromosom
kemudian dapat dinyatakan sebagai contoh (1000, 0.1, 0.3). Angka 1000 mewakili nilai training cycle, 0.1
mewakili nilai learning rate, dan 0.3 mewakili nilai momentum.

Gambar 1. Model GA dalam Menemukan Parameter ANN Backpropagation yang Optimal

untuk Prediksi Nilai Tukar Rupiah terhadap Dolar

http://research.pps.dinus.ac.id , 203
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

Setelah didekodekan dalam kromosom, parameter dimasukkan kepada pelatihan Artificial Neural
Network Backpropagation dan kesalahan dihitung (RMSE). Dalam prosedur ini karena yang akan diambil
adalah hasil dengan RMSE terkecil, maka fungsi fitness nya adalah kebalikan (inverse) yaitu 1/RMSE.
Skema gabungan Algoritma Genetika dengan Artificial Neural Network Backpropagation (GA ANN)
memiliki kemampuan untuk menemukan parameter yang lebih optimal dan lebih cepat dari yang
ditemukan menggunakan metode trial-error parameter Artificial Neural Network Backpropagation.

3. METODE PENELITIAN
Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian seperti gambar
berikut.

Gambar 2. Diagram Alir Metode Penelitian

 

204 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

3.1. Pengumpulan Data

Data set yang digunakan pada penelitian ini adalah berupa data time series nilai tukar mata uang rupiah
terhadap dolar beserta faktor yang mempengaruhinya antara lain tingkat suku bunga, inflasi dan ekspor
impor yang diambil dari situs Kementerian Perdagangan RI (www.kemendag.go.id) dan situs Bank
Indonesia (www.bi.go.id). Adapun data yang diambil adalah nilai tukar rupiah terhadap dolar dalam
kurun waktu bulan Januari 2006 sampai dengan bulan desember 2014 yang terdiri dari empat atribut yaitu
tahun dan bulan, nilai tukar rupiah terhadap dolar, data ekspor dan impor dengan jumlah data 108 record
data. Dataset tingkat suku bunga dan inflasi diambil dari situs Bank Indonesia. Adapun data yang diambil
adalah tingkat suku bunga dan inflasi dalam kurun waktu bulan Januari 2006 sampai dengan bulan
Desember 2014 yang terdiri dari tiga atribut yaitu tahun dan bulan, tingkat suku bunga dan inflasi.

3.2. Pengolahan Data Awal (Preprocessing Data)

Proses pengumpulan data, maka data diolah dan digabungkan sehingga menjadi seperti tabel 2 di bawah
ini.

Tabel 2. Dataset Nilai Tukar Mata Uang Rupiah terhadap Dolar Beserta Faktor yang
Mempengaruhi
Tahun bulan Nilai Tukar suku bunga inflasi ekspor impor
2006-01 9,395.00 0.1275 0.1703 7,558.59 4,388.98
2006-02 9,230.00 0.1275 0.1792 7,397.54 4,527.92
2006-03 9,075.00 0.1275 0.1574 7,495.91 4,410.11
2006-04 8,775.00 0.1275 0.1540 7,641.31 4,779.66
2006-05 9,220.00 0.1250 0.1560 8,369.66 5,097.23
2006-06 9,300.00 0.1250 0.1553 8,454.13 5,724.91
2006-07 9,070.00 0.1225 0.1515 8,880.83 5,425.02
2006-08 9,100.00 0.1175 0.1490 8,911.24 5,704.12
2006-09 9,235.00 0.1125 0.1455 8,843.87 5,647.09
2006-10 9,110.00 0.1075 0.0629 8,717.10 4,582.10
2006-11 9,165.00 0.1025 0.0527 8,918.10 5,810.40
2006-12 9,020.00 0.0975 0.0660 9,610.31 4,968.00
… … … … … …
… … … … … …
… … … … … …
2014-12 12,440.00 0.0775 0.0836 14,621.31 14,434.5
Sumber: (www.kemendag.go.id dan www.bi.go.id)

3.3. Eksperimen dan Pengujian

Tahapan awal dari model yang diusulkan adalah pengumpulan data yang diambil dari data rentet waktu
nilai tukar rupiah terhadap dolar amerika, data ekspor dan impor dari situs Kementerian Perdagangan RI
dan data rentet waktu tingkat suku bunga dan inflasi dari situs Bank Indonesia. Data yang dikumpulkan
dari situs Kementerian Perdagangan mempunyai 4 attribut yaitu atribut tahun dan bulan, nilai tukar
rupiah terhadap dolar, ekspor dan impor. Data yang dikumpulkan dari situs Bank Indonesia mempunyai 3
atribut yaitu atribut tahun dan bulan, tingkat suku bunga, dan laju inflasi. Kemudian dilakukan
penggabungan untuk data tersebut sesuai dengan periode waktunya sehingga data yang akan digunakan
mempunyai 6 atribut antara lain tahun dan bulan, nilai tukar rupiah terhadap dolar, tingkat suku bunga,
laju inflasi, ekspor dan impor. Setelah melakukan pengumpulan dan preprocessing data kemudian data

http://research.pps.dinus.ac.id , 205
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

dimasukkan kedalam tools rapid miner untuk digunakan dalam pembelajaran Artificial Neural Network.
Sebelum melakukan optimasi menggunakan Algoritma Genetika, parameter Artificial Neural Network
(training cycles, learning rate, dan momentum) ditentukan berdasarkan trial error (ANN tradisional)
untuk mendapatkan hasil terbaik dan diukur kinerjanya menggunakan RMSE. Setelah mendapatkan model
terbaik dari Artificial Neural Network yang penentuan parameternya ditentukan berdasarkan trial error,
langkah selanjutnya adalah menentukan parameter Artificial Neural Network (training cycles, learning
rate, dan momentum) menggunakan Algoritma genetika (ANN GA). Kemudian kinerja dari ANN GA
diukur menggunakan RMSE untuk dibandingkan dengan Metode ANN tradisional.

3.4. Evaluasi dan Validasi Penelitian

Forecasting Performance Accuration digunakan untuk melihat tingkat akurasi yang dihasilkan dari
proposed method. Pada penelitian ini yaitu dengan menggunakan metode Cross k-fold Validation untuk
mencari nilai Root Mean Square Error (RMSE) yang kemudian hasil dari akurasi tersebut dievaluasi
dengan cara membandingkan tingkat akurasi yang dihasilkan oleh model tradisional ANN dan proposed
ANN-GA.

4. HASIL DAN PEMBAHASAN

4.1. Model Artificial Neural Network yang dihasilkan
Untuk mendapatkan model yang sesuai dalam penelitian ini, arsitektur Artificial Neural Network yang
didapatkan adalah seperti pada gambar di bawah ini.

Gambar 3. Arsitektur Model Artificial Neural Network

 
Sesuai dengan gambar 3 diatas, jumlah neuron untuk input data adalah berjumlah 4 neuron, dengan
menggunakan 1 lapisan hidden layer dengan jumlah neuron sebanyak 7 neuron dan 1 neuron sebagai
output. Dengan menggunakan ANN sebagai model, maka parameter terbaik yang digunakan untuk
memprediksi nilai tukar rupiah seperti pada tabel 3 di bawah ini.

206 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

 
Tabel 3. Arsitektur Model NN
Input (neuron) 4
Output (neuron) 1
Training Cycles 700
Hidden layer / neurom 1 / 7 neuron
Learning rate 0.3
Momentum 0.1
RMSE 583.581 +/- 252.314
 
Dengan menggunakan model arsitektur seperti pada tabel di atas, dihasilkan sebuah nilai prediksi
RMSE (Root Mean Squared Error) sebesar 583.581 +/- 252.314.

4.2. Model Artificial Neural Network (ANN) berbasis Genetic Algorithm (GA) yang dihasilkan
Setelah nilai tersebut didapatkan kemudian dilakukan ekperimen dengan menerapkan algoritma genetika.
Nilai parameter untuk GA seperti pada tabel 4 di bawah ini:

Tabel 4. Penentuan Parameter Algoritma Genetika

Max generations 10
Population size 40
Mutation type Gaussian_mutation
Selection type Roulette wheel
Crossover prob 0.5
RMSE 425.143 +/- 177.736
 
Pada tabel di atas untuk optimasi nilai parameter pada Artificial Neural Network digunakan
pengaturan parameter pada GA itu sendiri, Max generations sebanyak maksimal 10, Population size
sebanyak 40, Mutation type yang digunakan adalah Gaussian_mutation dan Selection type menggunakan
model Roulette wheel serta Crossover prob adalah 0.5 sehingga dihasilkan nilai RMSE = 425.143 +/-
177.736
 
4.3. Hasil Analisis dan Komparasi
Berdasarkan analisis pengujian antara model Artificial Neural Network dengan Artificial Neural Network
berbasis Algoritma Genetika maka dapat dirangkumkan hasilnya pada tabel 5 dan gambar 4 berikut.

Tabel 5. Hasil Analisis dan Komparasi ANN dan Optimasi ANN dengan AG untuk Pemodelan
Prediksi
 
Artificial Neural Network (NN) –
Artificial Neural Network Algoritma Genetika
(NN)

Training cycle 700 6886

Learning rate 0.3 0.07484454647719761

Momentum 0.1 0.6171612924758791

RMSE 583.581 +/- 252.314 425.143 +/- 177.736

 

http://research.pps.dinus.ac.id , 207
 Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

 
 
Gambar 4. Grafik Perbandingan RMSE Artificial Neural Network terhadap Artificial Neural Network –
Algoritma Genetika untuk Pemodelan Prediksi
 
Berdasarkan hasil analisis dalam eksperimen yang telah dilakukan seperti terlihat pada gambar 4
bahwa dengan adanya optimasi penentuan parameter Artificial Neural Network (ANN) dengan
menggunakan algoritma genetika (AG) menjadikan nilai prediksi RMSE menjadi lebih baik, yaitu adanya
penurunan nilai RMSE (Root Mean Squared Error) sebesar 158.438 dari 583.581 menjadi 425.143.
Dengan demikian dengan optimasi algoritma genetika terhadap Artificial Neural Network terjadi sebuah
peningkatan prediksi yaitu dengan adanya penurunan nilai RMSE (Root Mean Squared Error), sehingga
nilai akurasi Artificial Neural Network dengan menggunakan algoritma Genetika lebih baik dibandingkan
dengan Artificial Neural Network tanpa menggunakan Algoritma Genetika.

PENUTUP
Berdasarkan model gabungan Artificial Neural Network dan Algoritma Genetika untuk prediksi nilai tukar
rupiah terhadap dolar dengan data time-series yang telah dilakukan di atas, menunjukkan bahwa prediksi
nilai tukar rupiah menggunakan model gabungan tersebut dapat menurunkan nilai RMSE yaitu RMSE
yang dihasilkan dengan model Artificial Neural Network saja sebesar 583.581 dan setelah dilakukan
percobaan terhadap model gabungan yaitu melakukan optimasi terhadap parameter Artificial Neural
Network, RMSE yang dihasilkan menjadi 425.143. Ini menunjukkan adanya penurunan RMSE sebesar
158.438 atau mengalami penurunan sebesar 27% dari RMSE sebelumnya. Kendala penelitian ini adalah
lamanya estimasi waktu yang dibutuhkan untuk melakukan training dataset untuk menemukan parameter
yang optimal dari Artificial Neural Network menggunakan Algoritma Genetika.

Dari penelitian ini model gabungan algoritma Artificial Neural Network dan algoritma genetika yang
digunakan sudah memberikan hasil yang lebih baik, namun ada beberapa hal yang dapat ditambahkan
untuk penelitian selanjutnya:

208 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

1. Untuk menghasilkan prediksi yang lebih akurat dari penelitian ini, diperlukan tambahan lebih banyak
atribut yang mempengaruhi nilai tukar rupiah terhadap dolar dan melakukan seleksi untuk atribut-
atribut tersebut dengan menggunakan algoritma feature selection.
2. Perlu penelitian yang sejenis dengan variasi proses model misalnya dengan penambahan cross
validation, windowing dan lainnya sehingga dapat menjadi pembanding dari hasil penelitian ini.
3. Dari model yang terbentuk dapat diimplementasikan menjadi sebuah aplikasi yang dapat digunakan
investor terkait prediksi nilai tukar rupiah.

DAFTAR PUSTAKA

[1] Chen, A.-P. (2012). A Hybrid Forecasting Model for Foreign Exchange Rate Based on a
Multi-neural Network. Fourth International Conference on Natural Computation ,p 6.
[2] Chang, J.-F. (2013). Using Interactive Artificial Bee Colony to Forecast Exchange Rate.
Second International Conference on Robot, Vision and Signal Processing (p. 1). Taiwan:
IEEE.
[3] Liu, B. (2011). Exchange Rate Forecasting Method Based on Particle Swarm Optimization
and Probabilistic Neural Network Model. International Conference on Network Computing
and Information Security (p. 1). Chine: IEEE International Conference on Network
Computing and Information Security.
[4] Majhi, B. (2012). New robust forecasting models for exchange rates prediction. Expert
Systems with Applications , p.1
[5] Abdullah, L. (2011). High Order Fuzzy Time Series for Exchange Rates Forecasting.
Conference on Data Mining and Optimization (DMO) (p. 5). Selangor: IEEE.
[6] Bahramy, F. (2013). Forecasting Foreign Exchange Rates usingSupport Vector Regression.
IEEE Conference on Computational Intelligence for Financial Engineering & Economics.
[7] Halim, S., & Wibisono, A. M. (2000, Desember). Penerapan Jaringan Syaraf Tiruan Untuk
Peramalan. Jurnal Teknik Industri , p.106-114
[8] Helmy, H. (2012). Aplikasi Peramalan Kurs Valuta Asing Rupiah per Dollar Amerika
Serikat dengan Menggunakan Metode Box-Jenkins (ARIMA). p.16.
[9] Amanda, R., Yasin, H., & Prahutama, A. (2014). Analisis Support Vector Regression (SVR)
dalam Memprediksi Kurs Rupiah Terhadap Dollar Amerika Serikat. Jurnal Gaussian.
[10] Suyanto. (2014). Artificial Intelligence. Bandung: Informatika Bandung.
[11] Kumar, D. A., & Murugan, S. (2013). Performance Analysis of Indian Stock Market Index
using Neural Network Time Series Model. IEEE International Conference on Pattern
Recognition, Informatics and Mobile Engineering (PRIME), (p. 7).
[12] Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab.
Yogyakarta, Indonesia: Andi Offset.
[13] Purnomo, H. D. (2014). Cara Mudah Belajar Metode Optimasi Metaheuristik
Menggunakan Matlab. Yogyakarta: Gava Media.
[14] Shen, W., & Xing, M. (2009). Stock Index Forecast with Back PropagationNeural Network
Optimized by Genetic Algorithm. IEEE Information and Computing Science, (p. 4).
[15] Suyanto. (2008). Soft Computing membangun Mesin Ber IQ Tinggi. Bandung: Informatika.
[16] Suyanto. (2005). Algoritma Genetika dalam Matlab (1 ed.). (S. Nurasih, Ed.) Yogyakarta,
Indonesia: Penerbit Andi

http://research.pps.dinus.ac.id , 209