2013101024IFBab2001

BAB 2

TINJAUAN PUSTAKA

2.1

Landasan Teori

2.1.1

Jaringan Saraf Tiruan (Artificial Neural Network)

Menurut Haykin

(2009), Jaringan Saraf Tiruan (JST)

atau

Artificial Neural Network (ANN)

adalah sebuah jaringan yang

dirancang untuk menyerupai otak manusia

yang bertujuan untuk

melaksanakan suatu tugas tertentu.

Jaringan ini biasanya

diimplementasikan dengan menggunakan komponen elektronik atau

disimulasikan pada aplikasi komputer.

2.1.1.1 Definisi

Terdapat

berbagai macam definisi Jaringan Saraf

Tiruan (JST), diantaranya:

Menurut Haykin

(2009), Jaringan Saraf Tiruan

adalah

prosesor yang terdistribusi besar – besaran secara parallel

yang dibuat dari unit proses sederhana, yang mempunyai

kemampuan untuk menyimpan pengetahuan berupa

pengalaman dan dapat digunakan untuk proses lain. JST

menyerupai otak manusia dalam dua hal:

Pengetahuan didapat oleh jaringan dari lingkungan

melalui proses pembelajaran.

Tenaga koneksi Interneuron, yang diketahui sebagai

bobot sinaptik (synaptic weights), yang digunakan

untuk menyimpan pengetahuan yang didapat.

Menurut Fausett (1994), Jaringan Saraf Tiruan

adalah

proses sistem informasi yang mempunyai performa

karakteristik yang jelas dalam kesamaannya dengan

jaringan saraf dalam bidang biologi. JST sudah

dikembangkan sebagai generalisasi model matematika

dari pengertian manusia atau saraf biologi, berdasarkan

asumsi bahwa:

Proses informasi yang terjadi di banyak elemen

sederhana yang disebut neuron.

Sinyal dikirimkan melalui hubungan koneksi di antara

neuron – neuron.

Setiap hubungan koneksi mempunyai bobot yang

saling berhubungan, di mana jaringan saraf yang khas

memperbanyak sinyal yang ditransmisi.

Setiap neuron

mengaplikasikan sebuah fungsi aktifasi

(biasanya berupa non –

linear)

ke jaringan inputnya

(jumlah dari bobot sinyal input)

untuk menentukan

sinyal outputnya.

2.1.1.2 Sejarah

Awal dari Jaringan Saraf Tiruan

dimulai pada tahun

1940an. Jaringan Saraf Tiruan pertama dirancang oleh Warren

McCulloch dan Walter Pitts

pada tahun 1943

yang dikenal

dengan McCulloch-Pitts neurons.

Peneliti ini menyadari

bahwa dengan menggabungkan banyak neuron

sederhana

menjadi sistem saraf

adalah sumber peningkatan kemampuan

berhitung.

Donald Hebb merancang hukum pembelajaran pertama

untuk Jaringan Saraf Tiruan

yang dikenal dengan Hebb

Learning.

Pemikiran dia adalah jika dua neuron

aktif secara

bersamaan maka kekuatan koneksi antara neuron

seharusnya

bertambah.

Pada tahun 1950-an dan 1960-an, Jaringan Saraf

Tiruan

memasuki masa keemasannya.

Dimulai oleh Frank

Rosenblatt bersama beberapa peneliti lainnya mengenalkan

dan mengembangkan sekumpulan besar Jaringan Saraf Tiruan

yang disebut perceptrons.

Aturan pembelajaran perceptrons

menggunakan pengulangan untuk penyesuaian bobot yang

lebih efektif daripada aturan Hebb.

Bernard Widrow dan muridnya, Marcian (Ted)

Hoff

[Widrow-Hoff, 1960], mengembangkan aturan pembelajaran

yang berhubungan dekat dengan aturan pembelajaran

perceptron. Aturan ini menyesuaikan bobot untuk mengurangi

perbedaan antara net input

ke unit output

yang diharapkan.

Aturan pembelajaran Widrow-Hoff untuk single-layer network

adalah pelopor dari aturan backpropagation

untuk

multilayer

nets.

Jaringan ini disebut juga ADALINE

yang diinterpretasi

dari Adaptive Linear Neuron atau Adaptive Linear System.

Pada tahun 1970-an pengembangan Jaringan Saraf

Tiruan

memasuki masa sunyi, karena ada demonstrasi dari

Minsky dan Papert dari terbatasnya perceptrons

(contohnya

single-layer

nets) yang tidak mampu menyelesaikan masalah

sederhana seperti XOR dan kurangnya metode umum untuk

melatih jaringan multilayer

net. Walaupun begitu penelitian

untuk Jaringan Saraf Tiruan

masih berlanjut.

Banyak dari

pemimpin – pemimpin yang mulai mempublikasikan pekerjaan

mereka, seperti Kohonen, Anderson, Grossberg, dan

Carpenter.

Pada tahun 1980-an antusias dari peneliti kembali

terbentuk, karena ditemukannya metode baru untuk

menyelesaikan masalah XOR

tersebut yaitu metode

backpropagation. Metode ini berguna untuk menyebarkan

informasi tentang kesalahan –

kesalahan pada unit output

kembali ke unit hidden.

Tokoh kunci lain yang membuat antusias dari peneliti

kembali adalah John Hopfield. Bersamaan dengan David Tank,

Hopfield mengembangkan beberapa Jaringan Saraf Tiruan

berdasarkan bobot tetap dan aktifasi yang dapat beradaptasi.

Selain itu juga ada Neocognition

yang ditemukan oleh

Kunihiko Fukushima dan teman – temannya.

2.1.1.3 Keuntungan

Menurut Haykin (2009), Jaringan Saraf Tiruan

memberikan banyak sifat dan kemampuan yang berguna

diantaranya:

Nonlinearity

adalah sifat yang sangat berguna jika

mekanisme fisik yang mendasari bertanggung jawab

atas pembuatan sinyal input adalah non-linear.

Input-output Mapping

Paradigma pembelajaran popular pada saat ini yang

disebut learning with a teacher

atau supervised

learning, melibatkan modifikasi dari bobot sinaptik

Jaringan Saraf Tiruan

dengan mengaplikasikan

sekumpulan contoh training

atau contoh tugas.

Pelatihan pada jaringan dilakukan berulang –

ulang

kali untuk semua contoh yang ada, sampai jaringan

tersebut mencapai keadaan yang stabil di mana

tidak

ada perbedaan yang jauh di dalam bobot sinaptik

(synaptic weights).

Adaptivity

Jaringan Saraf Tiruan

mempunyai kemampuan untuk

mengadaptasi bobot sinaptiknya untuk mengubah

lingkungannya.

Pada intinya, Jaringan Saraf Tiruan

dilatih untuk beroperasi didalam lingkungan tertentu

dapat dilatih ulang dengan mudah untuk menghadapai

perubahan kecil di dalam kondisi lingkungan yang

sedang beroperasi.

Evidential Response

Dalam konteks pengenalan pola, sebuah Jaringan Saraf

Tiruan dapat dirancang untuk menyediakan informasi

tidak hanya tentang pola mana saja yang harus dipilih,

tapi juga keyakinan pada keputusan yang dibuat.

Contextual Information

Pengetahuan yang direpresentasikan oleh struktur dan

keadaan aktifasi Jaringan Saraf Tiruan.

Setiap neuron

di dalam jaringan berpotensi dipengaruhi oleh aktifitas

global dari seluruh neuron lainnya di dalam jaringan.

Fault Tolerance

Jaringan Saraf Tiruan diimplementasikan dalam bentuk

perangkat keras, mempunyai potensi untuk

diwariskannya Fault Tolerance atau kemampuan untuk

berhitung dengan tepat dalam arti performanya

menurun secara perlahan dalam kondisi operasi yang

merugikan.

VLSI Implementability

Sifat paralel yang besar –

besaran dari Jaringan Saraf

Tiruan

membuatnya berpotensi cepat untuk

menghitung tugas tertentu. Fitur yang sama ini

membuat Jaringan Saraf Tiruan

cocok untuk

implementasi menggunakan

teknologi

very-large-

scale-integrated (VLSI).

Uniformity of Analysis and Design

Pada dasarnya, Jaringan Saraf Tiruan

menikmati

universalitas sebagai pengolah informasi. Fitur ini

menunjukkan dirinya sendiri dalam berbagai cara :

Neuron, dalam satu bentuk atau lainnya

merepresentasikan sebuah bahan umum untuk

semua Jaringan Saraf Tiruan

Keumuman ini membuatnya memungkinkan

untuk menyebarkan teori dan algoritma

pembelajaran dalam aplikasi yang berbeda dari

Jaringan Saraf Tiruan

Jaringan –

jaringan modular dapat dibentuk

melalui integrasi modul (seamless integration

of modules).

Neurobiological Analogy

Rancangan dari Jaringan Saraf Tiruan dimotivasi oleh

analogi dengan otak, yang menjadi bukti hidup bahwa

proses paralel fault-tolerant

tidak hanya mungkin

secara fisik, tapi juga cepat dan kuat. Neurobiologist

melihat Jaringan Saraf Tiruan

sebagai alat penelitian

untuk menafsirkan fenomena neurobiologis

(neurobiological phenomena).

2.1.1.4 Model Neuron

Menurut Haykin (2009), neuron adalah unit pengolah

informasi yang merupakan dasar dari proses sebuah Jaringan

Saraf Tiruan. Dijelaskan juga ada tiga elemen dasar dari model

saraf yaitu:

Satu set dari sinapsis, atau penghubung yang masing-

masing digolongkan oleh bobot atau kekuatannya.

Sebuah penambah untuk menjumlahkan sinyal-sinyal

input. Ditimbang dari kekuatan sinaptik masing-masing

neuron.

Sebuah fungsi aktivasi

untuk membatasi amplitudo

output

dari neuron. Fungsi ini bertujuan membatasi

jarak amplitude

yang diperbolehkan oleh sinyal output

menjadi sebuah angka yang terbatas.

Gambar 2.1 Model neuron non-linear

Model

saraf

juga mencakup

bias

diterapkan secara

eksternal. Bias

memiliki

efek meningkatkan

atau menurunkan

input bersih fungsi aktivasi tergantung pada apakah positif atau

negatif. Fungsi aktivasi mendefinisikan output

dari neuron.

Ada dua tipe dasar dari fungsi aktivasi:

Threshold Function

(fungsi aktivasi threshold). Di

engineering bentuk fungsi ini sering disebut juga

Heaviside function.

Gambar 2.2 Grafik Fungsi Threshold

Sigmoid Function (fungsi aktivasi sigmoid). Fungsi

aktivasi sigmoid merupakan bentuk paling umum dari

fungsi aktivasi yang digunakan untuk pembuatan

Jaringan Saraf Tiruan. Fungsi yang meningkat secara

tepat yang memperlihatkan keseimbangan yang tinggi

antara sifat linear dan non-linear.

Gambar 2.3 Grafik Fungsi Sigmoid

2.1.1.5 Arsitektur

Menurut Haykin (2009), secara umum, ada tiga jenis

arsitektur dari Jaringan Saraf Tiruan yaitu:

Single-Layer Feedforward Networks

Di dalam Jaringan Saraf Tiruan

dengan satu layer,

neuron

diorganisasi dalam bentuk layer

layer. Dalam bentuk paling sederhana dari Jaringan

Saraf Tiruan

dengan satu layer, kita mempunyai

sebuah input layer dari node sumber di mana informasi

diproyeksikan ke output layer

dari neuron

tapi tidak

bisa sebaliknya. Dengan kata lain, jaringan ini adalah

tipe feedforward. Input layer

dari node

sumber tidak

dihitung karena tidak ada perhitungan yang dilakukan

Gambar 2.4 Single-Layer Feedforward Networks

Multilayer Feedforward Network

Jenis kedua dari Jaringan Saraf Tiruan

yang

bersifat feedforward

dibedakan dengan adanya

keberadaan satu atau lebih hidden

layer.

Hidden disini

berarti bagian dari Jaringan Saraf Tiruan

ini secara

langsung tidak terlihat

dari input

atau output

dari

jaringan tersebut. Fungsi dari hidden

layer

adalah

untuk mengintervensi antara input eksternal dan output

dari jaringan dalam cara yang berguna. Dengan

menambah satu atau lebih hidden layer, jaringan dapat

mengeluarkan statistik tingkat tinggi dari input.

Sumber node

di input

layer

dari jaringan

menyediakan masing-masing elemen dari pola aktivasi

(vectorinput), yang merupakan sinyal input

yang

diaplikasikan ke neuron-neuron

di layer

kedua

(hiddenlayer

pertama). Sinyal output

dari layer

kedua

digunakan sebagai input-input

ke layer

ketiga, dan

seterusnya sampai ke sisa dari jaringan.

Gambar di

bawah menunjukkan multi-layer

network

dengan 10

input layer, 4 hidden layer, dan 2 output layer

Gambar 2.5 Multilayer Feedforward Network

Recurrent Networks

Jaringan Saraf Tiruan

Recurrent

berbeda dari

Jaringan Saraf Tiruan

Feedforward

lainnya dengan

mempunyai paling tidak satu feedback loop.

Contohnya, sebuah jaringan recurrent

bisa terdiri dari

neuron

single layer

dengan setiap neuron

memberi

sinyal output

kembali ke input

dari neuron-neuron

lainnya.

Adanya feedback loop

mempunyai pengaruh

yang sangat besar kepada kemampuan pembelajaran

dari jaringan dan juga performanya.

Feedback loop

melibatkan penggunaaan dari cabang-cabang yang

terbentuk dari elemen unit-time delay (dilambangkan

dengan Z

-1

)

Gambar 2.6 Recurrent Networks

2.1.1.6 Algoritma Backpropagation

Algoritma Backpropagation untuk melakukan training

terhadap suatu jaringan terdiri dari tiga tahap, yaitu

feedforward

dari pola input

training, backpropagation

dari

error yang terkait, dan penyesuaian bobot.

Langkah-langkah dalam algoritma backpropagation

oleh

Fausett (1994) adalah sebagai berikut

Langkah 0:

Inisialisasi bobot (set bobot pada nilai random

yang kecil).

Langkah 1:

Ketika pada kondisi berhenti salah, lakukan

langkah 2 – 9.

Langkah 2:

Untuk setiap pasangan training, lakukan

langkah 3 – 8.

Feedforward

Langkah 3:

Setiap unit input

, i =1,. . . , n) menerima

sinyal

input

dan

memancarkan

sinyal

ini

kepada

semua

unit

pada

lapisan

diatasnya

(hidden unit)

Langkah 4:

Setiap hidden unit (Z

,j=1,. . . ,p)

menjumlahkan bobot sinyal input.

mengaplikasikan fungsi aktivasi untuk

menghitung sinyal output

dan mengirim sinyal ke semua unit di lapisan di

atasnya (output unit).

Langkah 5:

Setiap unit output

, k = 1, . . . , m)

menjumlahkan bobot sinyal input.

dan mengaplikasikan fungsi aktivasinya untuk

menghitung sinyal output.

Backpropagation

Langkah 6:

Setiap unit output (Y

, k = 1, . .. , m) menerima

pola target sesuai dengan pola training

input,

menghitung informasi error.

menghitung koreksi bobotnya (digunakan

untuk memperbaharui w

)

menghitung koreksi bias (digunakan untuk

memperbaharui w

)

mengirim

ke unit lapisan dibawahnya

Langkah 7:

Setiap hidden unit (Z

, j = 1, . . . , p)

menjumlahkan delta input (dari

unit di lapisan

atas).

dikalikan dengan turunan dari fungsi aktivasi

untuk menghitung informasi error.

menghitung koreksi bobot (digunakan untuk

memperbaharui v

)

dan menghitung koreksi bias (digunakan untuk

memperbaharui v

)

Update bobot dan bias

Langkah 8:

Setiap unit output

, k = 1, . .. , m)

memperbaharui bias dan bobot (j = 0 , . . . . , p)

Setiap

hidden unit (Z

j = 1, . . .

, p)

memperbaharui bobot dan bias (i = 0 , . . . . , n)

Langkah 9:

Tes kondisi berhenti.

Algoritma aplikasi

Setelah training, jaringan saraf backpropagation diaplikasikan

dengan hanya menggunakan fase feedforward

dari algoritma

training. Langkah-langkahnya sebagai berikut oleh Fausett

(1994):

Langkah 0:

Inisialisasi bobot (dari algoritma training).

Langkah 1:

Untuk setiap vektor input lakukan langkah 2-4.

Langkah 2:

Untuk i = 1, . . . , n set aktivasi untuk unit input

Feedforward

Langkah 3:

Untuk setiap j = 1, . . . , p

Langkah 4:

Untuk setiap k = 1, . . . , m

2.1.2

Human Brain (otak manusia)

Oleh Haykin (2009), diberikan penjelasan mengenai detil

jaringan saraf dalam otak manusia yang dipakai sebagai model

Jaringan Saraf Tiruan. Sistem saraf manusia dibagi dalam tiga

tahapan, seperti yang digambarkan

pada blok diagram dari gambar

2.7. Pusat sistem adalah otak, diwakili oleh jaringan saraf, yang terus

menerima informasi, merasakannya, dan membuat keputusan yang

sesuai. Rangsangan yang diterima akan dikirimkan ke dalam sistem

melalui forward transmission

yang berguna untuk menyampaikan

informasi berupa sinyal, lalu diubah oleh reseptor (receptors) menjadi

impuls listrik (electrical impulses) yang membawa informasi ke

jaringan saraf (otak). Sedangkan efektor (effectors) mengkonversi

impuls listrik yang sudah dihasilkan oleh jaringan saraf menjadi

respon yang dapat dilihat sebagai output sistem.

Gambar 2.7 Tiga Tahap Sistem Saraf Manusia

Untuk mempermudah dalam mempelajari otak, Ramon y Cajal

(1911) menyatakan neuron

sebagai komponen otak. Karena proses

neuron

yang lambat, otak menutupi kekurangan itu dengan

mempunyai neuron dalam jumlah yang banyak dan interkoneksi yang

sangat besar antar neuron.

Diperkirakan terdapat sekitar 10 milyar

neuron pada korteks manusia (human cortex) dan 60 triliun sinapsis

atau koneksi.

Sinapsis atau ujung saraf, adalah struktur dasar dan unit

fungsional yang menengahi interaksi antar neuron. Jenis sinapsis yang

paling umum adalah chemical synapse, yang beroperasi sebagai

berikut: Presynaptic melepaskan pemancar substansi yang berdifusi

melintasi persimpangan sinaptik antara neuron

dan kemudian

bertindak pada proses postsynaptic. Demikian sinapsis mengubah

presynaptic sinyal elektrik (electrical signal)

ke sinyal kimia

(chemical signal) dan kemudian kembali lagi ke post synaptic dalam

bentuk sinyal elektrik.

Pada otak orang dewasa, akson, jalur transmisi, dan dendrit,

zona reseptif merupakan dua jenis filamen sel yang dibedakan atas

dasar morfologi.

Akson memiliki permukaan yang halus, sedikit

cabang, dan lebih panjang, sedangkan dendrit mempunyai permukaan

yang tidak biasa, dan memiliki banyak cabang (Freeman, 1975).

Ukuran dan bentuk neuron

berbeda-beda menurut letaknya di otak.

Pada gambar 2.8

diilustrasikan bentuk

dari sel piramida (pyramidal

cell), yang merupakan salah satu jenis yang paling umum dari neuron

kortikal. Seperti neuron

lainnya, input

yang diterima berasal dari

ujung dendrit. Sel piramida dapat menerima 10,000 atau lebih kontak

sinaptik, dan dapat memproyeksikannya ke ribuan sel target.

Gambar 2.8 Pyramidal Cell (Sel Piramida)

Mayoritas neuron menerjemahkan outputnya sebagai

rangkaian tegangan pulsa singkat yang biasa dikenal sebagai action

potentials atau

spike

yang dekat atau terletak pada badan sel neuron

dan lalu merambat melintasi neuron individu pada kecepatan konstan

dan amplitudo.

Karena fisik akson yang tipis, sangat panjang, dan

kapasitasnya yang tinggi, maka action potentials sangat dibutuhkan

untuk komunikasi antar neuron.

Pada otak, terdapat dua skala organisasi anatomi, yaitu skala

kecil dan skala besar, dan perbedaan fungsi pada tingkat yang rendah

dan yang lebih tinggi. Pada gambar 3 terdapat hirarki tingkat jalinan

organisasi yang dihasilkan dari pekerjaan yang luas pada analisis

daerah lokal di otak (Sheperd dan Koch, 1990; Churchland and

Sejnow-ski, 1992). Sinapsis merupakan tingkat yang paling mendasar,

tergantung pada molekul dan ion.

Pada tingkat selanjutnya, terdapat

neural microcircuits, dendritic trees (pohon dendrit), dan lalu neuron.

Neural microcircuit

mengacu pada perakitan sinapsis yang diatur

dalam pola konektivitas untuk menghasilkan operasi fungsional yang

penting. Neural microcircuit berkumpul untuk membentuk dendritic

subunits dalam dendritic trees pada neuron

individu. Pada tingkat

kompleksitas berikutnya, terdapat local circuits yang terbuat dari

neuron-neuron

yang sama atau berbeda. Setelah itu terdapat

interregional circuits

yang terdiri dari jalur-jalur (pathways), kolum-

kolum (columns), dan peta topografi (topographic maps), yang

melibatkan beberapa daerah yang terletak di berbagai bagian otak.

Gambar 2.9 Hierarki Tingkat Jaringan Pada Otak

Topographic maps

disusun untuk menanggapi informasi

sensorik yang masuk, biasanya dalam bentuk lembaran, seperti di

superior colliculus. Pada level kompleksitas terakhir, topographic

maps

dan interregional circuit (sirkuit antar

daerah) lainnya

menengahi jenis perilaku tertentu dalam central neurvous system

(sistem saraf pusat).

2.1.3

Forecasting (Prediksi /Peramalan)

Menurut Marshall dan Oliver (1995), peramalan

adalah

sesuatu yang harus dilakukan jika ingin merencanakan untuk masa

depan. Kebanyakan Peramalan

menggunakan data masa lalu untuk

mengidentifikasi trend jangka pendek, menengah ataupun panjang dan

menggunakan pola-pola ini untuk memproyeksikan posisi sekarang

untuk masa yang akan datang

Peran dari Peramalan

ini adalah untuk menggunakan semua

informasi yang tersedia dan saling berhubungan untuk mempertajam

pengetahuan dan mengurangi ketidakpastian dari hasil pengukuran

yang mempengaruhi keputusan dan hasil akhir. Informasi bisa dalam

bentuk pengamatan data yang lalu dari beberapa variabel tambahan

yang mempengaruhi atau dipengaruhi dari nilai pengukuran yang

digunakan pada perumusan masalah

Menurut Edward dan Finlay (1997), untuk meramal suatu nilai

berdasarkan data yang lalu, maka digunakan teknik time series

analysis. Time series adalah kumpulan hasil observasi dari suatu nilai

sebuah variabel yang membentuk suatu rangkaian waktu. Pendekatan

dari teknik ini ada dua, salah satunya melakukan peramalan dengan

mengidentifikasi pola dari data yang lalu. Cara yang lain adalah

dengan melakukan peramalan

secara langsung dari nilai-nilai dari

suatu data.

Filosofi dari pendekatan berdasarkan pola dari masa lalu

adalah:

Masa yang akan datang akan sama seperti masa lalu.

Laju perubahan di masa yang akan datang akan sama seperti

masa lalu.

Perubahan pada laju perubahan di masa yang akan datang akan

sama seperti masa lalu.

Tujuannya adalah untuk mengidentifikasi pola yang cukup

kompleks untuk memproduksi peramalan

yang diterima, tetapi tidak

terlalu kompleks daripada yang dibutuhkan.

Pendekatan berdasarkan nilai-nilai data yang memusatkan

lebih pada pekerjaan dengan nilai yang lalu.

Gagasan ini adalah

melakukan peramalan dengan memperbaharui data dengan data yang

baru segera setelah data itu tersedia.

2.1.4

Nilai Tukar

Menurut Copeland (2008), cara mudah mengerti nilai tukar

adalah harga. Ketika berhadapan dengan nilai tukar, muncul fakta

bahwa dalam pasar mata uang banyak transaksi yang melibatkan

perantara yang bertindak sebagai pembeli sementara untuk agen yang

ingin menjual barangnya dan sebaliknya bagi yang ingin membeli.

Dalam beberapa kasus, mereka memberikan biaya tambahan atau

komisi untuk jasa tersebut agar pembeli dan penjual sepakat. Namun

dalam kebanyakan transaksi, sumber dari penghasilan mereka berada

pada selisih antara harga di mana mereka membeli mata uang tersebut

dan harga mereka menjual. Ada kalimat khusus untuk menjelaskan

hal ini oleh Copeland (2008:8)

“The bid rate for currency A in terms of currency B is the rate

at which dealers buy currency A (sell currency B). The offer

(or ask) rate is the rate at which dealers sell currency A (buy

currency B). The (bid/ask) spread is the gap between the offer

and bid rates.”

Seperti harga-harga barang, harga nilai tukar ditentukan oleh

jumlah penawaran dan permintaan. Jika diibaratkan dengan dolar dan

rupiah, maka semua penawaran dari dolar adalah sama dengan

permintaan kepada rupiah dan sebaliknya.

Ada beberapa sistem tukar yang dikenal salah satunya adalah

sistem nilai tukar mengambang (floating exchange rate). Sistem nilai

tukar mengambang merupakan sistem nilai tukar yang tingkatnya

ditentukan

secara eksklusif

oleh keseimbangan

yang mendasari

penawaran dan permintaan

untuk

mata uang yang terlibat

tanpa

campur tangan

dari luar. Jika permintaan dolar bertambah dan

penawaran rupiah bertambah maka akan membuat rupiah turun

hingga posisi di bawah normal. Membuat bertambahnya penukaran

dolar menjadi rupiah daripada membeli dolar dengan rupiah. Dan

kalau permintaan rupiah bertambah dan penawaran dolar juga

bertambah maka akan membuah harga rupiah naik di atas harga

normal membuat bertambahnya pembelian dolar dengan rupiah.

2.1.5

Unified Modelling Language (UML)

Whitten dan Bentley (2007) menjelaskan dalam bukunya beberapa bentuk

diagram UML, antara lain :

2.1.5.1 Use Case

Use case diagram adalah diagram yang menggambarkan interaksi

antara sistem dan pengguna. Dengan kata lain, secara grafis

menggambarkan siapa yang menggunakan sistem dan bagaimana

interaksinya dengan sistem.

Bagian utama dalam use case ada 2 yaitu:

Actor

Use

case

dimulai oleh pengguna eksternal dinamakan

aktor. Seorang aktor memulai aktivitas pada sistem dengan

tujuan menyelesaikan suatu tugas yang menghasilkan

sesuatu. Aktor digambarkan dengan

stick figure

dengan

penamaan sesuai peran dari aktor.

Relationship

Relationship digambarkan sebagai garis antara dua simbol

di use

case

diagram. Relationship

digunakan untuk

menggambarkan hubungan interaksi yang terjadi.

2.1.5.2 Sequence Diagram

Sequence Diagram

atau yang disebut juga system sequence

diagram

adalah diagram yang menggambarkan interaksi

antara aktor dan sistem pada skenario

use

case. Sequence

diagram

membantu kita mengidentifikasi high-level messages

yang masuk dan keluar dari sistem. Pesan ini dikirimkan antar

objek untuk saling berkomunikasi.

Notasi dari Sequence Diagram

Actor

–

aktor digambarkan dengan simbol aktor dari

use case.

System – kotak menggambarkan sistem sebagai “black

box” atau secara keseluruhan. Titik dua (:) adalah

notasi standar sequence

diagram

untuk menunjukkan

“instance” yang berjalan dari sistem.

Lifelines –

garis vertical putus-putus yang memanjang

ke bawah dari simbol aktor dan sistem menunjukkan

riwayat dari sequence.

Activation

bars

–

batang yang diletakkan di atas

lifeline

menunjukkan periode waktu ketika peserta

aktif dalam interaksi

Input messages – panah horizontal dari aktor ke sistem

menunjukkan pesan input. Konvensi pesan di UML

adalah dengan memulai kata pertama dengan huruf

kecil dan kata tambahan

dengan huruf besar tanpa

spasi. Parameter dipisahkan dengan tanda koma.

Output

messages

–

panah horizontal dari sistem ke

aktor dengan garis putus-putus.

Panduan menggambar sequence diagram

Pilih use case

mana yang akan digambarkan sequence

diagram-nya.

Gambar persegi panjang untuk menunjukkan sistem

secara keseluruhan dan tambahkan lifeline

dibawahnya.

Identifikasi setiap aktor yang secara langsung

menyediakan input

ke sistem atau secara langsung

menerima output

dari sistem. Tambahkan lifeline

bawah aktor.

Periksa use case narrative untuk mengenali input dan

output sistem. Abaikan message di dalam sistem.

Gambarkan pesan eksternal dengan panah horizontal

dari lifeline aktor ke sistem atau sebaliknya. Namakan

input sesusai penamaan UML.

Tambahkan frame

untuk menunjukkan pesan opsional

dengan kondisi.

Pastikan pesan yang ditampilkan dalam urutan yang

benar.

2.1.5.3 Activity Diagram

Activity

Diagram

adalah diagram yang digunakan secara

grafik menggambarkan aliran dari proses, langkah –

langkah

use case

atau logika dari perilaku objek (metode). Mereka

mirip dengan flowchart namun berbeda pada mekanisme yang

disediakan untuk menggambarkan aktivitas yang terjadi secara

parallel. Oleh karena itu mereka sangat berguna untuk

memodelkan action

yang akan dilakukan ketika suatu operasi

dilakukan maupun hasil dari tindakan tersebut. Activity

diagram

fleksibel karena mereka dapat digunakan pada saat

desain dan analisis.

Notasi dari activity diagram

Initial node

–

lingkaran solid yang menggambarkan

permulaan dari proses.

Actions

–

rounded rectangle

yang menggambarkan

langkah individual.

Flow

–

panah pada diagram menunjukkan.

Kebanyakan flow tidak membutuhkan kata-kata untuk

menjelaskan mereka kecuali datang dari decision.

Decision

–

bentuk diamond

dengan satu flow

masuk

dan dua atau lebih flow

keluar. Flow

yang keluar

menandakan kondisi.

Merge –

bentuk diamond

dengan dua atau lebih flow

keluar dan satu flow

masuk. Kombinasi flow

yang

dipisahkan oleh decision. Proses berlanjut dengan flow

yang mana saja yang masuk ke merge.

Fork – batang hitam dengan satu flow

masuk dan dua

atau lebih flow

keluar. Action

dalam flow

parallel di

bawah fork dapat terjadi pada urutan apapun atau

berbarengan.

Join – batang hitam dengan dua atau lebih flow masuk

dan satu flow keluar, di akhir proses yang berbarengan.

Semua action

yang datang ke join

harus lengkap

sebelum proses berlanjut.

Activity final –

lingkaran solid

di dalam lingkaran

hollow (kosong) menggambarkan akhir dari proses.

Panduan untuk menggambar activity diagram

Mulai dengan initial node sebagai titik awal

Tambahkan partisi jika sesuai dengan analisis

Tambahkan action

untuk setiap langkah di use

case

(atau setiap langkah yang dilakukan aktor)

Tambahkan flow

dari setiap action

ke action

lainnya,

decision point, atau end point. Untuk presisi

maksimum dari arti, setiap action hanya boleh ada satu

aliran masuk dan satu aliran keluar dengan semua

forks, joins, decisions

dan merges

ditampilkan secara

eksplisit.

Tambahkan decisions

dimana flow

menyebar ke rute

yang berbeda. Jangan lupa untuk menyambungkan

kembali dengan merge.

Tambahkan fork dan joins dimana aktivitas dijalankan

parallel.

Akhiri dengan satu notasi dengan activity final

2.2

Related Works

2.2.1

Stock Price Prediction using Neural Network with Hybridized Market

Indicators

Adebiyi

A.A., Ayo C.K. , Adebiyi

M.O. , dan Otokiti

S.O.

menulis jurnal tentang prediksi harga saham menggunakan Jaringan

Saraf Tiruan (Neural Network)

dengan indicator pasar campuran

(hybrid) yang menggabungkan penggunaan variabel-variabel analisis

teknis dan analisis dasar (fundamental) dari indikator pasar saham.

Jaringan Saraf Tiruan

(JST) adalah teknik data mining

yang

dapat

belajar dan mendeteksi hubungan antar variabel non-linear. JST juga

memungkinkan analisis yang lebih dalam pada set data yang besar

terutama yang memiliki kecenderungan untuk berfluktuasi dalam

periode waktu yang singkat.

Jurnal ini akan membahas tentang perbandingan

model JST

untuk memprediksi pasar saham dengan menggunakan JST multilayer

perceptron dengan jumlah 3 lapisan yang terdiri dari input

layer

node), hidden layer

(z node), dan output

layer

(y node).

Algoritma

pembelajaran (training)

yang dipakai adalah algoritma

backpropagation

dengan fungsi aktivasi sigmoid karena

telah

ditemukan literatur yang membuktikan bahwa fungsi aktivasi sigmoid

lebih baik daripada fungsi-fungsi

lainnya, seperti Unit Step function,

Gaussian function, Piecewise

Linear function, dan Binary Transfer

function.

Perbandingan model JST akan dilakukan dengan

membandingkan model JST dengan variabel input yang berbeda, yaitu

model JST hybrid (18 – z –

1, z=18, …

,26)

dengan variabel hybrid

(variabel analisis teknis dan analisis fundamental) dan model JST

analisis teknis (10 –

–

1, z = 10, … , 18) dengan variabel analisis

teknis sebagai variabel input

masing-masing JST. Variabel analisis

teknis adalah indeks inti pasar saham (harga saham saat ini, harga

pembukaan, harga penutupan, volume, harga tertinggi, harga terendah,

dll), sedangkan variabel analisis fundamental adalah indeks kinerja

perusahaan (harga per pendapatan tahunan, rumor/berita, nilai buku,

status keuangan, dll).

Hasil perbandingan yang didapat dengan kedua JST diatas

dengan jumlah input

node, hidden node

yang berbeda

dan 1 output

node

membuktikan

bahwa JST hybrid

lebih akurat daripada JST

analisis teknis. Hal ini didapat dengan membandingkan

hasil yang

paling akurat dari masing-masing JST, yaitu JST hybrid

dengan

jumlah node

input-hidden-output

18-24-1 (gambar 2.10)

dengan JST

analisis teknis dengan jumlah node

input-hidden-output

10-17-1

(gambar 2.11).

Gambar 2.10 Prediksi neural network I

Gambar 2.11 Prediksi neural network II

Berdasarkan jurnal diatas, dapat disimpulkan bahwa dengan

menggabungkan variabel utama dengan variabel-variabel lainnya

yang non-linear

dapat menghasilkan hasil prediksi yang lebih akurat

daripada menggunakan 1 variabel utama saja. Begitu pula dengan

tugas akhir ini yang menggabungkan mata uang sebagai variabel

utama dan faktor-faktor lainnya seperti inflasi, harga minyak mentah,

jumlah uang beredar, dan tingkat suku bunga sebagai variabel lainnya

agar dapat memperoleh hasil prediksi yang lebih akurat.

2.2.2

Artificial Neural Network Model for Forecasting Foreign Exchange

Rate

Dalam jurnal oleh

A.A.Philip, A.A.Taofiki, A.A.Bidemi

dijelaskan bahwa model statistik

saat

ini yang digunakan untuk

prediksi, tidak bisa menangani secara efektif ketidakpastian dan

ketidakstabilan dari data pertukaran mata uang.

AFERFM

(Artificial

Neural Network Foreign Exchange Rate Forecasting Model)

dirancang untuk membetulkan beberapa masalah ini. Dalam beberapa

tahun belakangan,

Jaringan Saraf Tiruan

(neural

network) berhasil

digunakan untuk pemodelan financial time series.

Jaringan Saraf

Tiruan

(JST) adalah fungsi universal yang dapat memetakan setiap

fungsi non-linear

tanpa asumsi dari sifat-sifat data.

JST

juga lebih

noise tolerant,

dengan kemampuan untuk mempelajari sistem yang

kompleks dengan data yang tidak lengkap atau rusak. Selain itu

mereka juga lebih fleksibel, memiliki kemampuan untuk mempelajari

sistem dinamis melalui proses training kembali dengan data baru.

Desainnya dibagi menjadi dua fase: training dan forecasting.

Dalam fase training, backpropagation

digunakan untuk melakukan

training

nilai tukar mata uang dan mempelajari bagaimana

memperkirakan input. Fungsi aktivasi sigmoid

digunakan untuk

merubah input

ke jarak standar [0,1]. Bobot yang digunakan diacak

antara [-0.1,0.1] untuk mendapat input

yang konsisten dengan

training. Salah satu model lain yang digunakan untuk memprediksi

nilai tukar mata uang adalah Hidden Markov Foreign Exchange Rate

Forecast Model (HFERFM).

Dalam training, umumnya meliputi pemberian sampel training

sebagai vektor input

melalui

JST,

menghitung kesalahan dari output

layer, kemudian menyesuaikan bobot dari jaringan untuk

meminimalisasi kesalahan. Proses menentukan besarnya perubahan

dari faktor bobot yang menghasilkan output

akurat adalah yang

disebut sebagai training.

Dalam backpropagation, penyesuaian bobot

terus dilakukan sampai kesalahan (error) lebih kecil dari batas yang

diinginkan di mana jaringan dianggap sudah terlatih.

Algoritma yang digunakan untuk menyebarkan pembetulan

kesalahan (error) adalah:

(baru)- W

(lama) =

Di mana

W adalah bobot, E adalah parameter error,

adalah faktor

proportional yang disebut learning rate.

Dari sejumlah tes yang telah dilakukan, kesimpulan yang

didapat, akurasi dari AFERFM adalah 81.2% lebih baik dibanding

dengan menggunakan HFERFM dengan akurasi 69.9%. Tingkat

perubahan dari AFERFM lebih pasti dan tidak berubah-rubah

dibanding dengan HFERFM.

Perbedaan di antara metode yang dipakai dalam tugas akhir ini

dengan metode di dalam jurnal ini adalah penggunaan faktor-faktor

lain yang mempengaruhi ditambah nilai tukar mata uang dalam kurun

waktu tertentu sebagai input sedangkan metode dalam jurnal ini hanya

memakai nilai tukar mata uang sebagai input. Dengan ini diharapkan,

metode kami dapat menghasilkan akurasi yang lebih baik.

2.2.3

A Network Model for Time-Series Forecasting

Kemudian satu jurnal menarik dari Nicolae Morariu, Eugenia

Iancu, Sorin Vlad

berjudul “A Network Model for Time-series

Forecasting“

mereka berpendapat bahwa pengkajian atas tingkat

pengembangan untuk suatu aktivitas tertentu dapat dilakukan dengan

menggunakan analisis evolusi indikator yang menggambarkan baik

tingkat kuantitatif serta mutasi kualitatif secara bersamaan.

Jika diperhatikan karakteristik sederet data x1

, x2, x

…, x

, x

adalah bentuk yang didefinisikan oleh karakteristik tersebut.

Kemudian bentuk x dapat dianggap sebagai vektor x (x1, x2, x

…, x

Parameter sebanyak n dari vektor x diberikan metode pengolahan

yang berbeda: normalisasi data, transformasi linier dan nonlinier,

seleksi pola. Jika nilai parameter besarnya berbeda, maka parameter

dengan nilai absolut yang tinggi akan memiliki pengaruh yang lebih

besar atas hasil klasifikasi dan nilai parameter harus memiliki urutan

yang sama besarnya. Metode yang sering digunakan adalah metode

penyesuaian domain. Transformasi dari nilai parameter berikut yang

diterapkan adalah:

Prediksi adalah masalah sulit dan dapat dilihat sebagai

pengenalan pola sementara yang sangat cocok diselesaikan dengan

JST.

Subjek variable perdiksi dapat berbeda dari data sebelumnya

(independent variables). Metode backpropagation dan fungsi aktivasi

sigmoid adalah hal yang paling penting dan merupakan metode yang

digunakan untuk pelatihan multilayer neural networks feedfoward.

Dalam jurnal ini terdapat satu metode lagi untuk

menyelesaikan masalah prediksi, yaitu analisa regresi.

Dalam

hal

sistem

linear, pendekatan regresi

memiliki

relevansi praktis. Karena

kemampuan mereka

untuk mendeteksi

ketergantungan

non-linear

dalam

input set data, jaringan saraf

yang

merupakan alternatif yang

efisien untuk metode yang ada.

Jurnal ini juga mengkonfirmasikan bahwa prediksi untuk

periode yang lebih

panjang tidak akurat (4 tahun). Untuk

mendapatkan hasil 4 tahun kedepan disarankan memprediksi secara

bertahap 1 tahun, 2 tahun, 3 tahun ke

depan.

Berdasarkan jurnal ini

prediksi memang cocok untuk diselesaikan dengan JST.

Oleh karena

itu, lebih baik prediksi dilakukan secara bertahap hingga mencapai

waktu yang diinginkan dengan mengisi kekosongan data pada tahap-

tahap sebelumnya yang dibutuhkan untuk prediksi selanjutnya agar

menghasilkan prediksi yang akurat pada hasil akhir.