3
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).
 |