prediksi tingkat suku bunga bank

Upload: endangdwikurnia

Post on 19-Feb-2018

233 views

Category:

Documents


0 download

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

    [email protected]

    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.