prediksi tingkat suku bunga bank
TRANSCRIPT
-
7/23/2019 Prediksi tingkat suku bunga bank
1/13
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN
BACKPROPAGATION DALAM MEMPREDIKSI
TINGKAT SUKU BUNGA BANK
Badrul Anwar
Program Studi Sistem Komputer, STMIK Triguna Dharma
ABSTRAK: Prediksi tingkat suku bunga bank dapat dilakukan dengan berbagai teknik danmetode, salah satunya dengan menggunakan algoritma jaringan saraf tiruan backpropagation. Pada
penelitian ini digunakan tujuh variabel masukan yaitu perkembangan likuiditas perekonomian,tingkat inflasi, tingkat pertumbuhan ekonomi, CAR, LDR, Suku Bunga US dan suku bunga BI yang
datanya diambil dari Laporan Tahunan Bank Indonesia, SEKI (Statistik Ekonomi dan KeuanganIndonesia) dan Data Perbankan Indonesia. Data inilah yang akan dilatih dan diuji dengan
menggunakan software Matlab dengan target atau keluaran berupa tingkat suku bunga naik, tetapatau turun.
Kata Kunci:prediksi tingkat suku bunga bank, jaringan saraf tiruan, backpropagation.
A. PENDAHULUAN
Salah satu tolak ukur kemajuan suatu
negara adalah dari kemajuan ekonominya dantulang punggung dari kemajuan ekonomi adalah
dunia usaha. Perkembangan dunia usaha dalamsituasi perekonomian yang semakin terbuka
perlu dilandasi dengan sarana dan prasaranaserta sistem penilaian tingkat kinerja atau
tingkat kesehatan yang dapat mendorongperusahaan ke arah peningkatan efisiensi dan
daya saing.Masalah pokok dan paling sering dihadapi
oleh setiap perusahaan yang bergerak dalambidang usaha apapun, baik yang baru maupun
yang sudah berjalan yaitu kebutuhan akan danaatau modal. Kebutuhan akan dana ini diperlukan
baik untuk modal kerja atau modal investasi.Untuk memenuhi kebutuhan akan dana tersebut
mau tidak mau setiap perusahaan harusberhubungan dengan perusahaan yang bergerak
dibidang keuangan atau yang sering disebutdengan lembaga keuangan.
Dalam prakteknya lembaga keuangan
digolongkan ke dalam dua golongan besar yaitulembaga keuangan bank dan lembaga keuangan
lainnya (lembaga pembiayaan). Dari keduagolongan tersebut, lembaga keuangan bank atau
yang lebih dikenal dengan bank merupakanlembaga keuangan yang memberikan jasa
keuangan paling lengkap.Bank sebagai suatu perusahaan juga
mengharapkan keuntungan yang digunakanuntuk kelangsungan hidup usahanya.
Keuntungan atau laba ini ditargetkan dari imbaljasa atau yang lebih dikenal dengan istilah
bunga yang diberikan bank kepada perusahaanyang meminjam dana atau dikenal dengan
istilah nasabah. Selain itu bank jugamemberikan bunga kepada para penyimpan
dana untuk dapat menghimpun dana darimasyarakat luas sebanyak-banyaknya. Istilah
bunga juga dapat diartikan sebagai harga yangharus dibayar kepada nasabah (yang memiliki
simpanan) dengan yang harus dibayar oleh
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
111
-
7/23/2019 Prediksi tingkat suku bunga bank
2/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
112
nasabah kepada bank (nasabah yang
memperoleh pinjaman).Bunga yang diberikan bank kepada para
nasabah tidaklah sama, hal ini tergantungkepada jangka waktu peminjaman. Semakin
panjang jangka waktu pinjaman, maka akansemakin tinggi bunganya, hal ini disebabkan
besarnya kemungkinan resiko dimasamendatang. Penetapan suku bunga untuk
masing-masing bank tidaklah sama. Hal initergantung kebijaksanaan masing-masing bank
untuk menarik para nasabah.Penetapan suku bunga merupakan urat nadi
bagi setiap bank, karena kesalahan dalampenetapan suku bunga maka akan berdampak
negatif bagi bank tersebut. Bila suatu bankterlalu tinggi menetapkan tingkat suku bunga
simpanan masyarakat baik dalam bentuktabungan maupun deposito, maka bank tersebut
akan membayar biaya dana yang terlalu tinggidari yang seharusnya. Demikian juga, terlalu
rendahnya tingkat suku bunga simpananmasyarakat yang ditetapkan bank, maka bank
tersebut akan kesulitan untuk menghimpun danamasyarakat. Tingkat suku bunga simpanan yang
ditetapkan oleh bank akan mempengaruhitingkat suku bunga pinjaman atau kredit.
Semakin tinggi tingkat suku bunga simpananmaka akan tinggi pula tingkat suku bunga
pinjaman. (Syakir, 2001).Tingkat suku bunga bank dapat berubah
sewaktu-waktu, hal ini disebabkan olehbeberapa faktor, baik internal maupun eksternal.
Karena perubahan yang tidak pasti ini,menyebabkan para nasabah berhati-hati dalam
melakukan aktivitas perbankannya, karena halini dapat merugikan para nasabah. Untuk
mencegah kerugian yang tidak diinginkantersebut, para nasabah harus dapat memprediksi
perubahan tingkat suku bunga bank. Dan bagi
bank itu sendiri, juga harus dapat memprediksiapakah tingkat suku bunganya akan berubahserta kapan perubahan itu harus dilakukan,
sehingga bank tidak akan ditinggalkan oleh paranasabahnya.
Dengan memanfaatkan kemajuan di bidangteknologi dan informasi yang semakin pesat saat
ini, dapat dirancang sebuah sistem jaringan saraf
tiruan (Artificial Neural Network) dalam
memprediksi tingkat suku bunga bank. Jaringansaraf tiruan (JST) merupakan salah satu cabang
dari AI (Artificial Intelligence) atau kecerdasanbuatan. Jaringan saraf tiruan merupakan salah
satu sistem pemrosesan informasi yang didesaindengan menirukan cara kerja otak manusia
dalam menyelesaikan suatu masalah denganmelakukan proses belajar melalui perubahan
bobot yang diterimanya. JST mampu melakukanpengenalan kegiatan berbasis data masa lalu
atau belajar dari pengalaman. Data masa laluakan dipelajari oleh jaringan saraf tiruan
sehingga mempunyai kemampuan untukmemberikan keputusan terhadap data yang
belum pernah dipelajari (Kiki dan Kusumadewi,2004).
Jaringan perambatan galat mundur(backpropagation) merupakan salah satu
algoritma jaringan saraf tiruan yang seringdigunakan dalam menyelesaikan masalah-
masalah yang rumit berkaitan denganidentifikasi, prediksi pengenalan pola dan
sebagainya. Hal ini dimungkinkan karenajaringan dengan algoritma ini dilatih dengan
menggunakan metode belajar terbimbing.Pelatihan dilakukan berulang-ulang sehingga
dihasilkan jaringan yang memberikan tanggapanyang benar terhadap semua masukannya. Hal ini
merupakan kelebihan dari jaringan saraf tiruanbackpropagation sehingga dapat mewujudkan
sistem yang tahan akan kerusakan dan konsistenbekerja dengan baik (Hermawan, 2006).
1.1 Ruang Lingkup Penelitian
Ruang lingkup pembahasan dalampenelitian ini yaitu memprediksi tingkat suku
bunga deposito berjangka pada bank umum diIndonesia dengan beberapa faktor utama yang
sering menyebabkan perubahan tingkat suku
bunga deposito berjangka tersebut denganmenggunakan algoritma jaringan saraf tiruanbackpropagation.
1.2 Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitianini adalah:
-
7/23/2019 Prediksi tingkat suku bunga bank
3/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
113
1. Memprediksi tingkat suku bunga deposito
berjangka pada bank umum di Indonesiadengan menggunakan algoritma jaringan
saraf tiruan backpropagation.2. Mengimplementasikan hasil prediksi jaringan
saraf tiruan backpropagation dalam bentuksistem informasi berbasis GUI.
B. FAKTOR-FAKTOR YANG
MEMPENGARUHI SUKU BUNGA
BANK
Untuk menentukan besar kecilnya sukubunga simpanan dan pinjaman sangat
dipengaruhi oleh keduanya, artinya baik bungasimpanan maupun pinjaman saling
mempengaruhi disamping pengaruh faktor-faktor lainnya. Faktor-faktor utama yang
mempengaruhi besar kecilnya penetapan sukubunga adalah sebagai berikut :
1. Kebutuhan DanaApabila bank kekurangan dana, sementara
permohonan pinjaman meningkat, makayang dilakukan oleh bank agar dana
tersebut cepat terpenuhi danganmeningkatkan suku bunga simpanan.
Peningkatan bunga simpanan secaraotomatis akan pula meningkatkan bunga
pinjaman. Namun apabila dana yang adasimpanan banyak sementara permohonan
simpanan sedikit maka bunga simpananakan turun.
2. PersainganDalam memperebutkan dana simpanan,
maka di samping faktor promosi, yangpaling utama pihak perbankan harus
memperhatikan pesaing.3. Kebijaksanaan Pemerintah.
Dalam arti baik untuk bunga simpanan
maupun bunga pinjaman, tidak bolehmelebihi bunga yang sudah ditetapkan olehpemerintah.
4. Jangka WaktuSemakin panjang jangka waktu pinjaman,
maka akan semakin tinggi bunganya, hal inidisebabkan besarnya kemungkinan resiko
dimasa mendatang. Demikian pula
sebaiknya jika pinjaman berjangka pendek,
maka bunganya relatif lebih rendah.Selain faktor yang di sebutkan di atas yang
merupakan faktor dari dalam bank itu sendiri,secara umum ada dua faktor yang
mempengaruhi arah tingkat suku bunga(Tadjudin, 2003), yakni faktor dari luar
(eksternal) dan dari dalam (internal).1. Faktor Eksternal.
Faktor eksternal yang mempengaruhitingkat suku bunga yaitu Federal Open Market
Committee(FOMC) atau Komite Operasi PasarTerbuka Bank Sentral Amerika Serikat (US.
Federal Reserve atau The Fed) danperkembangan perekonomian negara-
negara besar, seperti Amerika Serikat.2. Faktor Internal.
Faktor internal yang mempengaruhi adalahmakro-ekonomi nasional, terutama inflasi dan
juga nilai tukar Rupiah. Selain itu juga adafaktor-faktor non ekonomi, seperti keamanan
nasional dan kegiatan politik.Untuk tingkat suku bunga deposito
berjangka dipengaruhi beberapa faktor antaralain :
1. Likuiditas perekonomian yang diukur dariperkembangan jumlah yang uang beredar
setiap triwulanan dan dinyatakan dalampersen. Berdasarkan SEKI (Statistik
Ekonomi dan Keuangan Indonesia),likuiditas perekonomian (M2) adalah
penjumlahan dari M1 dengan uang kuasi.Sedangkan M1 adalah penjumlahan dari
uang kartal dengan uang giral.2. Tingkat inflasi merupakan perubahan harga
yang cenderung meningkat, tanpa diimbangiperubahan daya beli masyarakat yang
meningkat.3. Tingkat Pertumbuhan ekonomi atau GDP
(Gross Domestic Product) adalah tingkat
pertumbuhan produk dalam negeri.Perubahan GDP riil merefleksikan kinerja /pertumbuhan ekonomi dari tahun ketahun.
4. CAR (Capital Adequacy Ratio) yaitu rasiokinerja bank untuk mengukur kecukupan
modal yang dimiliki bank untuk menunjangaktiva yang mengandung atau menghasilkan
risiko.
-
7/23/2019 Prediksi tingkat suku bunga bank
4/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
114
5. ROA (Return on Assets) adalah kemampuan
manajemen bank dalam memperolehkeuntungan (laba) secara keseluruhan.
Semakin besar ROA suatu bank, semakinbesar pula tingkat keuntungan yang dicapai
bank tersebut dan semakin baik pula posisibank tersebut dari segi penggunaan aset.
6. LDR (Loan to Deposits Ratio) (X6). LoanTo Deposit Ratioadalah rasio antara seluruh
jumlah kredit yang diberikan bank dengandana yang diterima oleh bank. LDR
menyatakan seberapa jauh kemampuan bankdalam membayar kembali penarikan dana
yang dilakukan deposan denganmengandalkan kredit yang diberikan sebagai
sumber likuiditasnya. Semakin tinggi rasiotersebut memberikan indikasi semakin
rendahnya kemampuan likuiditas bank yangbersangkutan.
C. ALGORITMA BACKPROPAGATION
Perambatan galat mundur
(Backpropagation) adalah sebuah metodesistematik untuk pelatihan multilayer jaringan
saraf tiruan. Jaringan backpropagationmerupakan salah satu algoritma yang sering
digunakan dalam menyelesaikan masalah-masalah yang rumit. Algoritma ini memiliki
dasar matematis yang kuat dan dilatih denganmenggunakan metode belajar terbimbing. Pada
jaringan diberikan sepasang pola yang terdiriatas pola masukan dan pola yang diinginkan.
Ketika suatu pola diberikan kepada jaringan,bobot-bobot diubah untuk memperkecil
perbedaan pola keluaran dan pola yangdiinginkan. Latihan ini dilakukan berulang-
ulang sehingga semua pola yang dikeluarkanjaringan dapat memenuhi pola yang diinginkan.
Jaringan backpropagation terdiri atas tiga
lapisan atau lebih unit pengolah, yaitu lapisanmasukan (input) terdiri atas variabel masukanunit sel saraf, lapisan tersembunyi dan lapisan
keluaran (output). Seperti diperlihatkan padaGambar 1. Ketiga lapisan ini terhubung secara
penuh.
Langkah yang dilakukan pada perambatangalat mundur adalah menghitung galat dan
mengubah bobot-bobot pada semuainterkoneksinya. Di sini galat dihitung pada
semua unit pengolah dan bobotpun diubah padasemua sambungan. Perhitungan dimulai dari
lapisan keluaran dan mundur sampai lapisanmasukan. Hasil keluaran dari perambatan maju
dibandingkan hasil keluaran yang diinginkan.Berdasarkan perbedaan ini kemudian dihitung
galat untuk tiap-tiap lapisan pada jaringan.Pertama-tama dihitung galat untuk lapisan
keluaran, kemudian bobot-bobot setiapsambungan yang menuju ke lapisan keluaran
disesuaikan. Setelah itu dihitung harga galatpada lapisan yang menuju ke lapisan
tersembunyi. Demikian proses dilakukanmundur sampai ke lapisan masukan secara
iteratif.
D. PELATIHAN ALGORITMA
BACKPROPAGATION
Algoritma pelatihan dengan metodebackpropagationdimunculkan pada tahun 1969.
Neural network dengan metodebackpropagationini memiliki tahap pengenalan
terhadap jaringan multi layer, yaitu:
Gambar 1. Tiga Lapis Jaringan Backpropagation
Pola Keluaran
Pola Masukan
Lapisan
Tersembunyi...
-
7/23/2019 Prediksi tingkat suku bunga bank
5/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
115
1. Nilai dikirim melalui input layer ke hidden
layer (forward) sampai ke output layer(actual output).
2. Actual output dibandingkan dengan outputyang diharapkan jika ada perbedaan maka
dinyatakan sebagai error.3. Selanjutnya error dikirim secara backward
mulai dari output layer ke hidden layerkemudian diteruskan ke inputlayer.
Untuk menentukan nilai pemberat dariinput (the net weighted input) defenisikan
terlebih dulu nilai inputnya. Jika nilai inputtelah ditentukan, maka selanjutnya tentukan
fungsi aktivasi. Neuron pada backpropagationmenggunakan fungsi aktivasisigmoid.
Algoritma pelatihan pada Backpropagationsebagai berikut :
1. InitiliazationMemberikan nilai awal terhadap nilai-nilai
yang diperlukan oleh neural network sepertiweight, threshold.
2. ActivationNilai-nilai yang diberikan pada tahap
Initiliazation akan digunakan pada tahapActivation.
Dengan melakukan perhitungan:a. Menentukan actual output pada hidden
layerb. Menghitung actual output pada output
layer3.Weight Training
Pada tahap weighttrainingdilakukan 2 (dua)kegiatan yaitu :
a. Menghitung error gradient pada outputlayer
b. Menghitung errorgradient pada hiddenlayer
4. IterationPada tahap ini dilakukan proses pengulangan
sampai mendapat erroryang minimal.
E. ANALISA DAN PERANCANGAN
1. Analisa Sistem Dalam Menentukan
Tingkat Suku Bunga Bank
Berdasarkan analisis dan hasil temuan
ternyata Perkembangan likuiditasperekonomian, tingkat inflasi, dan tingkat
pertumbuhan ekonomi yang merupakan faktoreksternal berpengaruh terhadap tingkat suku
bunga deposito berjangka satu bulan, tiga bulan,enam bulan dan dua belas bulan pada Bank
Umum Swasta Nasional di Indonesia.Sedangkan CAR, LDR, Suku Bunga US dan
suku bunga SBI juga berpengaruh terhadaptingkat suku bunga deposito berjangka satu
bulan, tiga bulan, enam bulan dan dua belasbulan Bank Umum Swasta Nasional di
Indonesia.Berdasarkan analisa tersebut dapat
disimpulkan kerangka pemikiran penilitianseperti pada Gambar 2 di bawah ini.
2. Pengolahan Data dengan Algoritma
Backpropagation
2.1. Formulasi MasalahArsitektur sebuah jaringan akan
menentukan keberhasilan target yang akan
dicapai karena tidak semua permasalahan dapatdiselesaikan dengan arsitektur yang sama.Arsitektur jaringan yang akan digunakan untuk
memprediksi perubahan tingkat suku bungadeposito bank adalah jaringan dengan banyak
lapisan. Model ini merupakan jaringan denganbanyak lapisan dan memiliki satu atau lebih
lapisan tersembunyi yang terletak diantaralapisan input dan lapisan output. Adapun
Gambar 2. Kerangka Pemikiran Penelitian
-
7/23/2019 Prediksi tingkat suku bunga bank
6/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
116
arsitektur jaringan ini dapat dilihat pada Gambar
3 berikut:
Dari arsitektur jaringan tersebut dapat diformulasikan lapisan dan variabel yang
digunakan.1. Lapisan input atau variabel input (X) adalah
variabel yang mempengaruhi Output (Y)dengan lapisan yang terdiri dari 7 (tujuh)
simpul yaitu X1, X2, X3, X4, X5, X6 danX7, di mana :
a. X1 = Likuiditas perekonomianb. X2 = Tingkat inflasi
c. X3 = Pertumbuhan ekonomid. X4 = CAR
e. X5 = LDRf. X6 = US Rate
g. X7 = BI Rate2. Lapisan tersembunyi (Z) berjumlah 3
simpul. Untuk memperoleh hasil yang lebihtepat, jumlah simpul ini dapat diubah
berulang-ulang dengan mengisikan jumlah
simpul yang berbeda-beda.3. Lapisan output atau variabel output (Y)
dengan lapisan 1 (satu) simpul, yaitu untuk
memprediksi tingkat suku bunga depositobank umum swasta nasional. Hasil prediksi
yang diharapkan adalah tingkat suku bungadeposito naik, tetap atau menurun.
Dari data input tersebut dapat dilakukan
pengelompokan dan representasi yang terdiridari:
1. Likuiditas perekonomian (X1)
a. Naik = 1b. Tetap = 0,5
c. Turun = 02. Tingkat inflasi (X2)
a. Naik = 1b. Tetap = 0,5
c. Turun = 03. Pertumbuhan ekonomi (X3)
a. Naik = 1b. Tetap = 0,5
c. Turun = 04. CAR (X4)
a. Naik = 1b. Tetap = 0,5
c. Turun = 05. LDR (X5)
a. Naik = 1b. Tetap = 0,5
c. Turun = 06. US Rate (X6)
a. Naik = 1b. Tetap = 0,5
c. Turun = 07. BI Rate (X7)
a. Naik = 1b. Tetap = 0,5
c. Turun = 0
Dan hasil (output) yang diharapkan adalahterdeteksinya suatu nilai untuk memprediksi
tingkat perubahan suku bunga deposito bankumum swasta nasional. Adapun hasil yang
dimaksuh adalah sebagai berikut:a. Turun jika output bernilai 0
b. Tetap jika output bernilai antara 0.01 sampai
dengan 0.5c. Naik jika output bernilai antara 0.51 sampai
dengan 1
2.2.Perancangan JST dengan Algoritma
BackpropagationPada tahap perancangan JST dengan
algoritma backpropagation ini hasil analisis
Gambar 3. Arsitektur Jaringan Prediksi Perubahan
Tingkat Suku Bunga
-
7/23/2019 Prediksi tingkat suku bunga bank
7/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
117
yang telah didapat akan diterapkan pada
langkah-langkah algoritma backpropagationdengan menggunakan fungsi aktivasi sigmoid.
Adapun langkah-langkahnya sebagai berikut :1. TahapInitialization
Merupakan tahap untuk mendefinisikanatau menset awal nilai untuk variabel-
variabel yang diperlukan seperti : nilaiinput, weight, output yang diharapkan,
learningrate() dan sebagainya.2. TahapActivation
Pada tahap activation ini dilakukan 2 (dua)kegiatan yaitu menghitung actual output
Yj(P) pada hidden layer dan menghitungactualoutputpada outputlayerYk(P).
3. Tahap Weight TrainingPada tahap ini dilakukan 2 (dua) kegiatan
yaitu menghitung error gradient padaoutput layer k(P) dan menghitung error
gradientpada hiddenlayerj(P).4. TahapIteration
Tahap Iteration merupakan tahapanterakhir. Pada tahap ini dilakukan pengujian
di mana jika error yang diharapkan belumditemukan maka akan kembali lagi kepada
tahapan ke 2 (dua) yaitu tahap Activation.
Arsitektur yang dipilih dimisalkan seperti yangterdapat pada Gambar 4. Jumlah simpul pada
lapisan input 2 dari 7 variabel input yang ada, dimana masing-masing variabelnya sebagai
contoh adalah X1 dan X2. Jumlah simpul padalapisan tersembunyi (hidden layer) ada 2.
Jumlah simpul pada lapisan output 1 (satu) yangdigunakan untuk mempresentasikan pola.
Keterangan :
X1 dan X2 = Masukan (Input Layer) atau
disebut dengan iZ1 dan Z2 = Hidden Layer atau disebut
dengan jY = Keluaran hasil (Output Layer)
atau disebut dengan kV = Bobot pada lapisan tersembunyi
W = Bobot pada lapisan keluaran
= Bias pada lapisan tersembunyidan lapisan keluaran
Dari gambar arsitektur di atas terdapat tiga
lapisan pengolah. Lapisan pertama sebagailapisan masukan yang menyatakan nilai sebuah
pola. Lapisan ke dua adalah lapisan tersembunyiyang menanggapi sifat tertentu yang mungkin
terlihat dalam pola masukan. Dan terakhirmerupakan lapisan keluaran sebagai tempat
keluaran bagi jaringan syaraf.Untuk membentuk jaringan syaraf tiruan,
terlebih dahulu dilakukan inisialisasi bobotawal. Bobot awal yang menghubungkan simpul-
simpul pada lapisan masukan dan lapisantersembunyi untuk arsitektur pada Gambar 4.3
adalah V = (V11, V12, V21, V22) dan bobotbias dipilih secara acak. Demikian pula bobot
awal yang menghubungkan simpul-simpul padalapisan tersembunyi dan lapisan keluaran (W1,
W2) juga dipilih secara acak.
F. PENGUJIAN DAN IMPLEMENTASI
1. Pengujian Hasil dengan Matlab
Matlab (MatrixLaboratory) adalah sebuah
software programming yang bekerja dengankonsep matrix dan memiliki pustaka fungsi
matematika dan rekayasa.Matlab merupakan salah satu perangkat
lunak yang bisa digunakan untuk melakukansimulasi jaringan saraf tiruan dengan
menggunakan NeuralNetworkToolbox Matlab.Toolbox pada Matlab merupakan sebuah
perpustakaan fungsi yang membantu Matlabuntuk memecahkan suatu kelompok
permasalahan. Setiap toolbox ditulis dalamGambar 4. Contoh Arsitektur Jaringan Backpropagation
-
7/23/2019 Prediksi tingkat suku bunga bank
8/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
118
bahasa Matlab sehingga dapat dilihat algoritma
sumber dan ditambah dengan yang baru.Sebelum dilakukan pengujian, terlebih
dahulu dilakukan pelatihan sesuai dengan datainput serta target atau outputyang ingin dicapai.
Untuk pelatihan pada Matlab dapat dilakukandengan menggunakan fungsi-fungsi atau dapat
dilakukan melalui kotak dialog NNTool. Setelahdilakukan pelatihan jaringan saraf
backpropagationsiap untuk diuji.
1.1 Pelatihan DataTujuan dari pelatihan yaitu agar sistem
berjalan dengan akurat dan konsisten sertamampu mengeksploitasi keunggulan jaringan
saraf tiruan. Dalam melakukan pelatihan datauntuk mempredikti tingkat perubahan suku
bunga deposito berjangka, data diperoleh daridata asli yaitu diambil dari Laporan Tahunan
Bank Indonesia, SEKI (Statistik Ekonomi danKeuangan Indonesia) dan Data Perbankan
Indonesia.Data masukan yang diperoleh berupa nilai
nomimal uang dan persentase, dan pelatihannyadengan melihat tingkat perubahan nilai
masing-masing variabel dari bulan sebelumnya.Untuk menyamakan data dilakukan transformasi
dengan tiga nilai untuk masing-masing variabelmasukan yaitu: 1 jika nilai perubahannnya
meningkat, 0.5 jika tidak ada perubahan (tetap)dan 0 jika nilai perubahannya menurun.
Adapun data pelatihan prediksi tingkatperubahan suku bunga deposito bank dapat
dilihat pada Tabel 1 berikut ini :
Tabel 1. Data Pelatihan Prediksi Tingkat Perubahan SukuBunga Bank
Data X1 X2 X3 X4 X5 X6 X7 Y
1 0 1 0 1 1 0.5 1 0.5
2 0 0 0.5 1 1 1 0.5 0
3 1 1 0.5 0 1 1 1 14 1 0 0 1 0 0.5 1 1
5 1 0 0.5 0 1 1 1 1
6 1 1 0.5 0 1 1 1 1
7 1 1 0 1 1 0.5 1 1
8 1 1 0.5 1 1 1 1 1
9 1 1 0.5 1 0 0.5 1 1
10 1 1 0 1 0 1 1 1
11 1 1 0.5 1 0 1 1 1
12 1 0 0.5 1 0 1 1 1
13 0 0 0 1 0 1 0.5 1
14 1 1 0.5 1 1 0.5 0.5 0
15 1 0 0.5 1 1 0.5 0.5 0
16 1 0 1 1 1 1 0.5 0
17 1 1 0.5 0 1 0.5 0 0
18 1 0 0.5 0 0 1 0.5 0
19 0 0 1 1 1 0.5 0 0
20 1 0 0.5 1 1 0.5 0 0
21 1 0 0.5 1 1 0.5 0 0
22 1 0 1 1 0 0.5 0 0
23 1 0 0.5 1 0 0.5 0 0
24 1 1 0.5 1 0 0.5 0 0
25 0 0 0 1 0 0.5 0 0
26 1 1 0.5 1 1 0.5 0 0
27 1 1 0.5 1 1 0.5 0 0
28 1 0 1 1 1 0.5 0.5 0
29 1 0 0.5 1 1 0.5 0 0
30 1 0 0.5 0 1 0.5 0 0
31 1 1 1 1 1 0.5 0 0
32 1 1 0.5 1 1 0.5 0.5 0
33 1 1 0.5 1 1 0.0 0.5 034 1 0 0 1 1 0.0 0.5 1
35 1 0 0.5 0 1 0.5 0.5 1
36 1 0 0.5 1 0 0.5 0 0.5
37 0 1 0.5 1 0 0.0 0.5 0
38 1 1 0.5 1 1 0.5 0.5 0
39 0 1 0.5 0 1 0.0 0.5 1
40 1 1 1 0 1 0.0 0.5 1
41 1 1 0.5 0 1 0.5 1 1
42 1 1 0.5 0 1 0.5 1 1
43 0 1 0 1 1 0.5 1 1
44 0 0 0.5 1 0 0.5 1 1
45 1 1 0.5 1 0 0.5 1 1
46 1 0 0.5 0 1 0.0 1 147 1 0 0.5 1 0 0.5 0.5 1
48 1 0 0.5 1 0 0.5 0 1
Pelatihan dimulai dengan menginisialisasiawal bobot dan bias jaringan saraf
backpropagation. Pada pelatihan ini modeljaringan saraf backpropagationyang digunakan
terdiri atas lapisan input sebanyak 7 (tujuh)lapisan, lapisan tersembunyi sebanyak 3 (tiga)
lapisan dan 1 (satu) lapisan output.
Proses pelatihan jaringan sarafbackpropagation untuk prediksi tingkatperubahan suku bunga deposito bank ini
dilakukan berkali-kali untuk mencarikonfigurasi terbaik dengan cara mengubah
konstanta belajar (learning rate) secara coba-coba (trial and error) sedangkan hidden layer
tetap berjumlah 3 simpul. Adapun hasil
-
7/23/2019 Prediksi tingkat suku bunga bank
9/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
119
pelatihan jaringan saraf backpropagation dapat
dilihat pada Tabel 2 berikut :
Tabel 2. Hasil Pelatihan dengan Perubahan
Konstanta Belajar dengan maksimum
iterasi 100.000 iterasi
Pelatihan KB Iterasi/Epochs
1 0.01 TK
2 0.02 TK
3 0.03 3429
4 0.04 TK
5 0.05 9184
6 0.06 TK
7 0.07 TK
8 0.08 862159 0.09 5285
10 0.10 19613
11 0.20 3297
12 0.30 1141
13 0.40 TK
14 0.50 65934
15 0.60 9750
16 0.70 68389
17 0.80 407
18 0.90 4721
19 1.00 1650520 2.00 2123
Keterangan :KB : Konstanta Belajar
TK : Tidak Konvergen
Berdasarkan tabel pelatihan di atas,pelatihan pola tercepat pada iterasi ke 407
dengan konstanta belajar 0.80. Adapunkonfigurasinya sebagai berikut:
1. Algoritma jaringan saraf yaitu PerambatanGalat Mundur (Backpropagation)
2. Jumlah sel lapisan input : 73. Jumlah sel lapisan output : 1
4. Jumlah sel lapisan tersembunyi : 35. Konstanta belajar : 0.80
6. Besar galat : 0.17. Fungsi aktifasi : logsig
Adapun grafik pada saat pelatihan jaringankonvergensi adalah sebagai berikut (Gambar 5):
1.2 Pengujian DataPengujian dilakukan melalui 2 tahap, yaitu
pengujian terhadap data yang dilatihkan dan
pengujian pada data baru yang belum pernahdilatihkan. Pengujian untuk data yang dilatihkan
dilakukan terhadap seluruh jaringankonvergensi untuk mendapatkan hasil keluaran
yang sesuai dengan target atau outputyang telah
ditentukan. Berdasarkan pengujian yangdilakukan, ternyata kecepatan pelatihan jaringansaraf backpropagation tidak memastikan
ketepatan hasil keluaran dengan output yangdiharapkan.
Adapun hasil lengkap pengujian terhadap48 data yang dilatihkan dapat dilihat pada Tabel
3 berikut:
Tabel 3. Hasil Pengujian Data yang Dilatihkan
Pelatihan
KB Iterasi(Epochs)
Ketepatan
dari48
data
Persentase
3 0.03 3429 24 50%5 0.05 9184 33 69%8 0.08 86215 30 63%9 0.09 5285 39 81%
10 0.10 19613 39 81%11 0.20 3297 27 56%
Gambar 5. Grafik Konvergensi Pelatihan Tercepat
-
7/23/2019 Prediksi tingkat suku bunga bank
10/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
120
12 0.30 1141 33 69%14 0.50 65934 45 94%15 0.60 9750 27 56%16 0.70 68389 30 63%17 0.80 407 34 71%18 0.90 4721 33 69%19 1.00 16505 44 92%
20 2.00 2123 37 77%
Berdasarkan tabel pengujian di atas,
ketepatan hasil keluaran data yang dilatihkandengan output yang diharapkan terdapat pada
iterasi ke 65934 dengan konstanta belajar 0.50.Jaringan mengenali sebanyak 45 data dari 48
data yang dilatihkan atau 94% data dikenali olehjaringan. Adapun hasil lengkap pengujian
terhadap 48 data yang dilatihkan dengankonstanta bejalar 0.50 pada iterasi 65934 adalah
seperti pada Tabel 4 berikut :
Tabel 4. Hasil Pengujian dari Prediksi Tingkat PerubahanSuku Bunga Terhadap Data yang Dilatih
Keterangan :X1-7 : Variabel Masukan (Input)
Y : Keluaran (output) atau targetHP : Hasil Pengujian
K : Ketepatan ( = tepat; = tidak tepat)
Selanjutnya jaringan diuji dengan 36 databaru yang belum pernah dilatih untuk
menentukan seberapa besar jaringan sarafmampu mengenali data baru. Tabel 5 berikut ini
merupakan hasil pengujian terhadap data baru.
Tabel 5. Hasil Pengujian dari Prediksi Tingkat Perubahan
Suku Bunga Terhadap Data Baru
-
7/23/2019 Prediksi tingkat suku bunga bank
11/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
121
Keterangan :X1-7 : Variabel Masukan (Input)
Y : Keluaran (output) atau targetHP : Hasil Pengujian
PS : Prediksi Sebenarnya
K : Ketepatan JST ( = tepat ; = tidak
tepat)
Hasil pengujian menunjukkan bahwa 28 data(78%) sesuai dengan target sedangkan 8 data
(22%) tidak sesuai dengan target.
Setelah pelatihan dan pengujian sesuaidengan arsitektur JST yang telah ditetapkan
selesai dilaksanakan, kemudian dicoba pelatihandan pengujian dengan mengubah jumlah hidden
note (jumlah simpul) dan learning rate(konsentrasi belajar) secara coba-coba (trialand
error) untuk mengetahui apakah arsitektur JSTyang telah ditetapkan adalah arsitektur yangterbaik.
Setelah pelatihan selesai maka dilakukanpengujian terhadap data yang dilatih tersebut
sesuai dengan konstanta belajar dan jumlahsimpul lapisan tersembunyi untuk mengetahui
ketepatan antara actual output dengan outputyang diharapkan. Adapun hasil pengujiannya
dapat dilihat pada tabel 6 berikut:
Tabel 6. Ketepatan AntaraActualOutputdengan Output
yang Diharapkan Pada Saat Pengujian Terhadap Data
yang Dilatih
Keterangan :
KB : Konstanta BelajarLT : Lapisan Tersembunyi (HiddenLayer)
TK : Tidak KonvergenBerdasarkan tabel pengujian di atas, tingkat
ketepatan yang paling tinggi antara actualoutput dengan output yang diharapkan adalah
sebesar 90% terdapat pada pada iterasi ke 1048dengan konstanta belajar 0.01 dan jumlah
simpul hiddenlayersebanyak 8 simpul.Dengan hasil pelatihan dan pengujian ini,
terbukti bahwa arsitektur JST yang telahditetapkan adalah arsitektur JST yang terbaik.
2. Implementasi
Untuk mempermudah user atau pengguna
dalam memprediksi tingkat perubahan sukubunga deposito bank, maka dibuat suatu aplikasi
berbasis GUI dengan menggunakan softwareMatlab. Aplikasi ini didisain sesederhana
mungkin untuk mempermudah user dalammenggunakannya. Tampilan interfacenya hanya
terdiri dari tiga form yaitu :1. Form tampilan awal
Form ini berisi menubar yang terdiri dariFile, JST, Info dan Help.
2. Form Pelatihan dan PengujianForm ini berisi parameter JST untuk
pelatihan data dan pengujian data yangdilatih tersebut. Data masukan yang dilatih di
import dari file excel. Selanjutnya dilakukanpelatihan dengan mengatur nilai-nilai pada
parameter JST. Setelah pelatihan, dilakukanpengujian terhadap data yang dilatih tersebut.
3. Form PrediksiForm ini berisi faktor-faktor atau variabel
yang mempengaruhi tingkat perubahan sukubunga deposito yang dapat di isi dengan
kondisi yang diinginkan. Form ini berfungsi
untuk memprediksi perubahan tingkat sukubunga deposito. Form ini menyediakan 4(empat) data untuk contoh prediksi
perubahan tingkat suku bunga deposito.Adapun tampilan dari aplikasi untuk
memprediksi tingkat perubahan suku bungadeposito bank adalah sebagai berikut (Gambar
6, 7, dan 8):
-
7/23/2019 Prediksi tingkat suku bunga bank
12/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
122
Gambar 6. Tampilan Awal Aplikasi (Menu Bar)
Gambar 7. Tampilan Form Pelatihan dan Pengujian
Gambar 8. Tampilan Form Prediksi
G. SIMPULAN
Dari hasil analisa dan perancangan serta
penjabaran pengujian dapat diambil kesimpulansebagai berikut:
1. Jaringan saraf tiruan dengan algoritmabackpropagation mampu memprediksi
tingkat perubahan suku bunga deposito bankdengan pola yang disesuaikan dengan pola
perubahan dari data masa lalu sesuai kondisilikuiditas perekonomian, tingkat inflasi,
pertumbuhan ekonomi, CAR, LDR, US Rate,BI Rate yang terjadi pada saat itu.
2. Tingkat keakuratan dari prediksi terhadapperubahan tingkat suku bunga deposito bank
sangat baik, ini terbukti dengan tingkatkesesuaian antara actual output dengan target
atau output yang diharapkan sebesar 94%untuk data yang dilatihkan dan 75% lebih
untuk data baru. Tidak tercapainya tingkatkesesuaian sebesar 100% disebabkan data
yang dilatih hanya sebanyak 48 data.3. Aplikasi berbasis GUI dengan menggunakan
software Matlab dapat mempermudahprediksi terhadap perubahan tingkat suku
bunga deposito bank.
H. DAFTAR PUSTAKA
Almilia, Luciana Spica,. dan Utomo, AntonWahyu. 2006. Faktor-Faktor Yang
Mempengaruhi Tingkat Suku BungaDeposito Berjangka Pada Bank Umum Di
Indonesia. Jurnal Ekonomi dan BisnisANTISIPASI. Volume 10.
Away, Gunaidi Abdia. 2006. The Shortcut of
MATLAB Programming. Cetakan Pertama.Bandung: Informatika Bandung.
Hermawan, Arief. 2006.Jaringan Saraf Tiruan,
Teori dan Aplikasi. Edisi I. Yogyakarta:C.V. Andi Offset.
Jong Jek Siang, Drs, M.Sc. 2005. Jaringan SarafTiruan & Pemrogramannya Menggunakan
Matlab.Yohyakarta : Penebit ANDI.
-
7/23/2019 Prediksi tingkat suku bunga bank
13/13
Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan
Jurnal SAINTIKOM
123
Kasmir. 2007. Bank dan Lembaga Keuangan
Lainnya. Edisi Keenam. Jakarta: PT.Rajagrafindo Persada.
Kristanto, Andri. 2004. Kecerdasan Buatan.Yogyakarta : Graha Ilmu.
Kusumadewi, Sri. 2003. Artificial Intelligence
(Teknik dan Aplikasinya).Cetakan Pertama.Yogyakarta: Graha Ilmu.
Kuswadi, Son. 2007. Kendali Cerdas (Teori danAplikasi Praktisnya). Yogyakarta : Penerbit
ANDI.Puspitaningrum, Diyah. 2006. PengantarJaringan
Saraf Tiruan. Yogyakarta : Penerbit ANDI.