Anda di halaman 1dari 29

PRESENTASI TUGAS AKHIR – CF 1380

HIBRIDISASI METODE EXPONENTIAL SMOOTHING DAN


BACKPROPAGATION NEURAL NETWORK UNTUK
PERAMALAN NILAI TUKAR MATA UANG ASING

Penyusun Tugas Akhir :


Retno Aulia Vinarti
(NRP : 5205.100.017)

Dosen Pembimbing :
Wiwik Anggraeni, S.Si, M.Kom.
Rully Soelaiman, S.Kom., M.Kom.

21 Januari 2009 Tugas Akhir - CF1380 1


.:LATAR BELAKANG:.

Nilai tukar mata uang asing mempunyai karakter nonlinier dan linier
Jaringan Saraf Tiruan (JST) dapat menangkap karakter nonlinier dan
volatilitas yang tinggi pada nilai tukar mata uang asing.
Exponential Smoothing (ES) dapat menangkap karakter linier dari nilai
tukar mata uang asing.
Pada paper yang disusun Kin Keung Lai, Lean Yu, Shouyang Wang dan
Wei Huang (2006) diajukan sebuah metode baru yang dinamakan
Peramalan Hybrid Exponential Smoothing dengan Neural Network.
Lai et al. menyatakan bahwa peramalan metode hybrid akan
menghasilkan peramalan yang lebih baik.

21 Januari 2009 Tugas Akhir - CF1380 2


.:TUJUAN:.

Tujuan tugas akhir ini adalah :


 Mengimplementasikan metode Peramalan Hybrid Exponential
Smoothing dengan Neural Network untuk melakukan prediksi
nilai tukar mata uang dengan menggunakan tool Meta Trader.
 Melakukan uji coba terhadap metode Peramalan Hybrid
Exponential Smoothing dengan Neural Network dengan
melakukan prediksi nilai tukar mata uang dengan dua skenario.

21 Januari 2009 Tugas Akhir - CF1380 3


.:PERMASALAHAN:.

Bagaimana meramalkan nilai tukar mata uang asing


dengan metode Hybrid antara Exponential Smoothing
dengan Backpropagation Neural Network?

Bagaimana akurasi dari model dan profit yang


didapatkan dengan mengimplementasikan metode
Hybrid pada tool Meta Trader?

21 Januari 2009 Tugas Akhir - CF1380 4


.:BATASAN PERMASALAHAN:.

Implementasi metodologi Peramalan Hybrid Exponential


Smoothing dan Backpropagation Neural Network pada Meta
Trader.
Time-frame transaksi yang dilakukan adalah transaksi harian
(daily).
Model JST yang digunakan adalah JST feed-forward dengan
tiga layer, yaitu input layer, satu hidden layer, dan output
layer dengan pembelajaran secara Backpropagation.
Data yang digunakan ialah data mata uang asing USD/JPY
dan EUR/USD
.:METODE HIBRIDISASI:.

Metode Peramalan hybrid ini terdiri dari 4 langkah


utama, yaitu :
1. Meramalkan nilai tukar mata uang asing dengan metode
Exponential Smoothing

2. Meramalkan nilai tukar mata uang asing dengan metode


Backpropagation Neural Network

3. Menentukan nilai konstanta hybrid

4. Meramalkan nilai tukar mata uang asing dengan metode


hybrid Exponential Smoothing dengan Backpropagation
Neural Network

21 Januari 2009 Tugas Akhir - CF1380 6


.:METODE HIBRIDISASI:.

Langkah 1 : Meramalkan nilai tukar mata uang asing dengan


metode Exponential Smoothing (Makridakis, 2005)
Mencari St dengan alpha tetap 0.2

t =  Yt-1
SMencari + (1- ) St-1
Error
Keterangan :
Mencari
St Yt Mt
et = hasil dan Et
- Speramalan
t-1
Yt = data history
Mt =  |et| + (1- ) et-1
 = nilai
Jika Mt danpemulusan
konstanta Et sama besar, alpha tetap 0.2
Et =  et + (1- ) et-1
Keterangan :
Jika nilai Mt dan Et berbeda, ubah nilai alpha Alpha = |Mt/Et|
et = Error
 = konstanta pemulusan
Mencari nilai St+1

21 Januari 2009 Tugas Akhir - CF1380 7


.:METODE HIBRIDISASI:.

Langkah 2 : Meramalkan nilai tukar mata uang asing dengan


metode Backpropagation Neural Network (Yunus, 2008)
Membuat 10 indikator dari data nilai tukar mata uang asing

MA(5), MA(10),
Melakukan MA(15),
normalisasi dataMA(20), MA(25),
Open, Close(3), High, Data Selisih Inflasi
x
Melakukan training dataactual x
dengan arsitektur JST feed-forward dengan
X 
MA(d) = (Yd backpropagation
pembelajaran
min
+ Yd-1 + Yd-2 + … + Y1)/n
normalisasi
x x
Close(d) = Close d-hari yang lalu
max min
Meramalkan dengan Neural Network
Xnormalisasi = nilai hasil normalisasi yang berkisar antara 0-1
Xactual = nilai asli yang belum dinormalisasi
Xmin = nilai minimum pada data tersebut
Xmax = nilai maksimum pada data tersebut
21 Januari 2009 Tugas Akhir - CF1380 8
.:METODE HIBRIDISASI:.

Langkah 3 : Mencari nilai konstanta hybrid

Solve Linear Programming


 n
| et | et  0, et  0
 MinQ '    ut  vt  vt  
 2 et , et  0
t 1

 n
LP   yt    yt   1    yt     t 1  ut  vt   0
n
 ES BPNN

| e | et et , et  0
 t 1 ut  t 
  0, ut  0, vt  0, t  1, 2,3.....n 2  0, et  0


yES = hasil peramalan Exponential Smoothing
yBPNN = hasil peramalan BPNN
Yt = data history
21 Januari 2009 Tugas Akhir - CF1380 9
.:METODE HIBRIDISASI:.

Langkah 4 : Meramalkan nilai tukar mata uang asing


dengan metode hybrid Exponential Smoothing dengan
Backpropagation Neural Network

Meramalkan dengan model


y HYBRID  y ES  (1   ) y BPNN
Keterangan :
yHYBRID = hasil peramalan hybrid
yES = hasil peramalan Exponential Smoothing
yBPNN = hasil peramalan BPNN
 = konstanta hybrid
21 Januari 2009 Tugas Akhir - CF1380 10
.:IMPLEMENTASI & UJI COBA:.

Implementasi menggunakan tool Meta Trader dalam lingkungan


sistem operasi WINDOWS XP.
Data yang digunakan adalah data open, low, high dan close dari
pasangan mata uang USD/JPY dan EUR/USD pada bulan Januari 2007
– Juni 2008.
Data diambil dengan menggunakan perangkat lunak Meta Trader
4. Meta Trader 4 adalah perangkat lunak untuk melakukan
perdagangan valas melalui internet.
Untuk membantu peramalan digunakan tool Ms.Excel dan Matlab

21 Januari 2009 Tugas Akhir - CF1380 12


.:IMPLEMENTASI & UJI COBA:.

Uji coba dilakukan dalam dua skenario


 Skenario pertama : menggunakan dua pasangan mata uang yang
berbeda, yaitu USD/JPY dengan EUR/USD
 Skenario kedua : merubah periode peramalan menjadi tiga
minggu

Menggunakan arsitektur Jaringan Saraf Tiruan yaitu 10


node pada layer masukan, 4 node pada layer hidden dan
1 node pada layer keluaran (Vinit, 2005)

21 Januari 2009 Tugas Akhir - CF1380 13


.:IMPLEMENTASI & UJI COBA:.

Menggunakan fungsi aktivasi Logsig antara layer masukan


dengan layer hidden dan Purelin antara layer hidden
dengan layer keluaran

Menggunakan pembelajaran backpropagation Levenberg-


Marquadt (Vinit, 2005)

Menggunakan epoch sebanyak 3000 kali

21 Januari 2009 Tugas Akhir - CF1380 14


.:IMPLEMENTASI & UJI COBA:.

Untuk melakukan evaluasi digunakan tiga buah indikator


berikut :
 Root Mean Square Error (RMSE), ukuran ini banyak
digunakan sebagai ukuran evaluasi hasil peramalan pada
umumnya, semakin kecil nilai RMSE maka model peramalan
semakin bagus karena semakin mendekati kenyataan.
Keterangan :

 t t
y  ˆ
y  2
yt = data history
RMSE = n yˆt = data hasil peramalan
n = banyaknya data

21 Januari 2009 Tugas Akhir - CF1380 15


.:IMPLEMENTASI & UJI COBA:.

 Directional Statistics (Dstat), ukuran ini digunakan untuk


menganalisa arah pergerakan nilai tukar mata uang asing,
semakin besar nilai Dstat, maka semakin stabil suatu nilai
tukar mata uang asing tersebut.
1 n
Dstat   at  100%
n t 1
Dimana at=1 jika  yt 1  yt  yˆ t 1  yt   0
at=0 jika  yt 1  yt  yˆ t 1  yt   0

21 Januari 2009 Tugas Akhir - CF1380 16


.:IMPLEMENTASI & UJI COBA:.

 Net Profit, merupakan salah satu fitur dari Meta Trader


untuk menghitung perkiraan profit yang akan didapatkan
dengan cara akumulasi nilai profit dan loss dari simulasi
pada data offline.
 Net profit dihitung dengan cara

Net Profit = ((Balance – Modal Awal) / Modal Awal) x 100%


 Net profit diutamakan untuk menganalisa hasil peramalan
hybrid.

21 Januari 2009 Tugas Akhir - CF1380 17


.:HASIL UJI COBA SKENARIO 1:.

Untuk data pasangan mata uang USD/JPY


RMSE Dstat Net profit
ARRES 0.8113 50 % 2.827%
BPPN 0.5475 72.72 % 2.853%
Hybrid 0.8555 50 % 3.493%

21 Januari 2009 Tugas Akhir - CF1380 18


.:HASIL UJI COBA SKENARIO 1:.

Untuk data pasangan mata uang EUR/USD


RMSE Dstat Net profit
ARRES 1.2562 58.82 % 1.955%
BPPN 1.2639 47.06 % -1.925%
Hybrid 1.2557 52.94 % 6.02%

21 Januari 2009 Tugas Akhir - CF1380 19


.:HASIL UJI COBA SKENARIO 2:.

Untuk data pasangan mata uang USD/JPY

RMSE Dstat Net profit


ARRES 0.8575 37.5 % 2.822%
BPPN 0.5563 68.75 % 2.736%
Hybrid 0.9088 37.5 % 2.838%
.:HASIL UJI COBA SKENARIO 2:.

Untuk data pasangan mata uang EUR/USD

RMSE Dstat Net profit


ARRES 1.2559 50 % -1.334%
BPPN 1.2641 41.67 % 2.081%
Hybrid 1.2553 58.33 % 2.892%
.:KESIMPULAN:.

Metode Peramalan hybrid terbukti lebih baik untuk


implementasi dalam dunia nyata, hal ini terlihat dari
nilai net profit yang selalu lebih tinggi daripada net
profit sebelum dilakukan hibridisasi.
Semakin pendek periode peramalan, maka RMSE semakin
besar, Dstat semakin kecil dan Net Profit juga semakin
kecil.

21 Januari 2009 Tugas Akhir - CF1380 22


.:KESIMPULAN:.

Nilai RMSE yang semakin kecil tidak menentukan nilai


profit yang didapatkan akan tinggi, hal ini dibuktikan
dengan hasil RMSE hybrid yang tidak lebih kecil dari
masing-masing metode sebelum dilakukan hibridisasi.
Nilai Dstat yang semakin tinggi juga tidak menentukan
nilai profit yang didapatkan akan tinggi, hal ini dibuktikan
dengan hasil Dstat hybrid yang tidak lebih tinggi dari
masing-masing metode sebelum dilakukan hibridisasi.

21 Januari 2009 Tugas Akhir - CF1380 23


.:SARAN:.

Meningkatkan jumlah percobaan untuk training Neural


Network, agar mendapatkan nilai yang lebih optimal lagi
untuk hasil peramalan Backpropagation Neural Network.

Menggunakan lebih banyak scenario untuk uji coba,


seperti fungsi aktivasi yang berbeda atau jenis
pembelajaran atau data pasangan mata uang yang lebih
beragam.

21 Januari 2009 Tugas Akhir - CF1380 24


.:SARAN:.

Menggunakan metode lain untuk Hybrid sehingga


menghasilkan profit yang lebih tinggi dan robust untuk
pasangan mata uang-pasangan mata uang lainnya.
Namun pemilihan metode untuk hibridisasi juga harus
disesuaikan dengan karakteristik yang dimiliki oleh nilai
tukar mata uang asing.

21 Januari 2009 Tugas Akhir - CF1380 25


.:DAFTAR PUSTAKA:.

Demuth, Howard & Beale, Mark. 2000. Neural Network


Toolbox For Use with MATLAB. Massachusetts : The
MathWork Inc.
Goharian dan Grossman. 2003. Neural Network
Classification. Illinois:Institute Illinois of Technology.
James. 2008. Panduan singkat penggunaan meta trader.
<URL:http://www.gainscopepro.com>
Lai, K. K., Yu, L., Wang S. dan Huang, W. 2006. “Hybridizing
Exponential Smoothing and Neural Network for Financial
Time Series Predication”. ICCS 2006 (International
Conference on Computational) Science. Part I-IV. 28-31
Mei. United Kingdom (UK).

21 Januari 2009 Tugas Akhir - CF1380 26


.:DAFTAR PUSTAKA:.

Lumen, C. S. 2007. Forex Trading Basic.


<URL:http://www.lumenforex.com/download/forexbasic.pdf>
Makridakis, Spyros dan Wheelwright, Steven C. 1999, Metode dan
Aplikasi Peramalan. Jakarta : Erlangga.
Mukhyi, M. A. 2008. Forecasting. <URL:http://www.
mukhyi.staff.gunadarma.ac.id/Downloads/files/9309/FORECASTING.
pdf>
NN. 2008. Tips and tricks Stop Loss. <URL:
http://www.gosmartforex.com/2008/02/10/tips-and-tricks-stop-
loss/>
Parto. 2008. Take Profit dan Stop Loss. <URL:
http://www.happytrader88.blogspot.com/2008/10/take-profit-tp-
dan-stop-loss-sl.html>

21 Januari 2009 Tugas Akhir - CF1380 27


Vinit, N., Wu, Y. dan Wang, Q. G. 2005. “Forecast Studies for
Financial Markets using Technical Analysis”. ICCA 2005
(International Conference on Control and Automation). 27-
29 Juni. Hongaria:Budapest.
Yusuf, G. Y. 2008. Prediksi Nilai Tukar Valuta Asing
Menggunakan Quantitative Hybrid Indicator – Artificial
Neural Networks. Surabaya : Institut Teknologi Sepuluh
Nopember.
Yu, L., Wang, S., Lai K. K. 2005. “A novel nonlinear ensemble
forecasting model incorporating GLAR and ANN for foreign
exchange rates”. Computers & Operations Research 32,
2523–2541.

21 Januari 2009 Tugas Akhir - CF1380 28


TERIMA KASIH

21 Januari 2009 Tugas Akhir - CF1380 29