PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN … · Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan… Jurnal SAINTIKOM Vol. 10 / No. 2 / Mei 2011 113 1. Memprediksi tingkat

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 dan

metode, 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 Keuangan Indonesia) dan Data Perbankan Indonesia. Data inilah yang akan dilatih dan diuji dengan menggunakan software Matlab dengan target atau keluaran berupa tingkat suku bunga naik, tetap atau 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 dan tulang punggung dari kemajuan ekonomi adalah dunia usaha. Perkembangan dunia usaha dalam situasi perekonomian yang semakin terbuka perlu dilandasi dengan sarana dan prasarana serta sistem penilaian tingkat kinerja atau tingkat kesehatan yang dapat mendorong perusahaan ke arah peningkatan efisiensi dan daya saing.

Masalah pokok dan paling sering dihadapi oleh setiap perusahaan yang bergerak dalam bidang usaha apapun, baik yang baru maupun yang sudah berjalan yaitu kebutuhan akan dana atau modal. Kebutuhan akan dana ini diperlukan baik untuk modal kerja atau modal investasi. Untuk memenuhi kebutuhan akan dana tersebut mau tidak mau setiap perusahaan harus berhubungan dengan perusahaan yang bergerak dibidang keuangan atau yang sering disebut dengan lembaga keuangan.

Dalam prakteknya lembaga keuangan digolongkan ke dalam dua golongan besar yaitu lembaga keuangan bank dan lembaga keuangan lainnya (lembaga pembiayaan). Dari kedua golongan tersebut, lembaga keuangan bank atau yang lebih dikenal dengan bank merupakan lembaga keuangan yang memberikan jasa keuangan paling lengkap.

Bank sebagai suatu perusahaan juga mengharapkan keuntungan yang digunakan untuk kelangsungan hidup usahanya. Keuntungan atau laba ini ditargetkan dari imbal jasa atau yang lebih dikenal dengan istilah bunga yang diberikan bank kepada perusahaan yang meminjam dana atau dikenal dengan istilah nasabah. Selain itu bank juga memberikan bunga kepada para penyimpan dana untuk dapat menghimpun dana dari masyarakat luas sebanyak-banyaknya. Istilah bunga juga dapat diartikan sebagai harga yang harus dibayar kepada nasabah (yang memiliki simpanan) dengan yang harus dibayar oleh

Jurnal SAINTIKOM Vol. 10 / No. 2 / Mei 2011

111

Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan…


112

nasabah kepada bank (nasabah yang memperoleh pinjaman).

Bunga yang diberikan bank kepada para nasabah tidaklah sama, hal ini tergantung kepada jangka waktu peminjaman. Semakin panjang jangka waktu pinjaman, maka akan semakin tinggi bunganya, hal ini disebabkan besarnya kemungkinan resiko dimasa mendatang. Penetapan suku bunga untuk masing-masing bank tidaklah sama. Hal ini tergantung kebijaksanaan masing-masing bank untuk menarik para nasabah.

Penetapan suku bunga merupakan urat nadi bagi setiap bank, karena kesalahan dalam penetapan suku bunga maka akan berdampak negatif bagi bank tersebut. Bila suatu bank terlalu tinggi menetapkan tingkat suku bunga simpanan masyarakat baik dalam bentuk tabungan maupun deposito, maka bank tersebut akan membayar biaya dana yang terlalu tinggi dari yang seharusnya. Demikian juga, terlalu rendahnya tingkat suku bunga simpanan masyarakat yang ditetapkan bank, maka bank tersebut akan kesulitan untuk menghimpun dana masyarakat. Tingkat suku bunga simpanan yang ditetapkan oleh bank akan mempengaruhi tingkat suku bunga pinjaman atau kredit. Semakin tinggi tingkat suku bunga simpanan maka akan tinggi pula tingkat suku bunga pinjaman. (Syakir, 2001).

Tingkat suku bunga bank dapat berubah sewaktu-waktu, hal ini disebabkan oleh beberapa faktor, baik internal maupun eksternal. Karena perubahan yang tidak pasti ini, menyebabkan para nasabah berhati-hati dalam melakukan aktivitas perbankannya, karena hal ini dapat merugikan para nasabah. Untuk mencegah kerugian yang tidak diinginkan tersebut, para nasabah harus dapat memprediksi perubahan tingkat suku bunga bank. Dan bagi bank itu sendiri, juga harus dapat memprediksi apakah tingkat suku bunganya akan berubah serta kapan perubahan itu harus dilakukan, sehingga bank tidak akan ditinggalkan oleh para nasabahnya.

Dengan memanfaatkan kemajuan di bidang teknologi dan informasi yang semakin pesat saat ini, dapat dirancang sebuah sistem jaringan saraf

tiruan (Artificial Neural Network) dalam memprediksi tingkat suku bunga bank. Jaringan saraf tiruan (JST) merupakan salah satu cabang dari AI (Artificial Intelligence) atau kecerdasan buatan. Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot yang diterimanya. JST mampu melakukan pengenalan kegiatan berbasis data masa lalu atau belajar dari pengalaman. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari (Kiki dan Kusumadewi, 2004).

Jaringan perambatan galat mundur (backpropagation) merupakan salah satu algoritma jaringan saraf tiruan yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit berkaitan dengan identifikasi, prediksi pengenalan pola dan sebagainya. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pelatihan dilakukan berulang-ulang sehingga dihasilkan jaringan yang memberikan tanggapan yang benar terhadap semua masukannya. Hal ini merupakan kelebihan dari jaringan saraf tiruan backpropagation sehingga dapat mewujudkan sistem yang tahan akan kerusakan dan konsisten bekerja dengan baik (Hermawan, 2006). 1.1 Ruang Lingkup Penelitian

Ruang lingkup pembahasan dalam penelitian ini yaitu memprediksi tingkat suku bunga deposito berjangka pada bank umum di Indonesia dengan beberapa faktor utama yang sering menyebabkan perubahan tingkat suku bunga deposito berjangka tersebut dengan menggunakan algoritma jaringan saraf tiruan backpropagation.

1.2 Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah:



113

1. Memprediksi tingkat suku bunga deposito berjangka pada bank umum di Indonesia dengan menggunakan algoritma jaringan saraf tiruan backpropagation.

2. Mengimplementasikan hasil prediksi jaringan saraf tiruan backpropagation dalam bentuk sistem informasi berbasis GUI.

B. FAKTOR-FAKTOR YANG MEMPENGARUHI SUKU BUNGA BANK Untuk menentukan besar kecilnya suku

bunga simpanan dan pinjaman sangat dipengaruhi oleh keduanya, artinya baik bunga simpanan maupun pinjaman saling mempengaruhi disamping pengaruh faktor-faktor lainnya. Faktor-faktor utama yang mempengaruhi besar kecilnya penetapan suku bunga adalah sebagai berikut : 1. Kebutuhan Dana

Apabila bank kekurangan dana, sementara permohonan pinjaman meningkat, maka yang dilakukan oleh bank agar dana tersebut cepat terpenuhi dangan meningkatkan suku bunga simpanan. Peningkatan bunga simpanan secara otomatis akan pula meningkatkan bunga pinjaman. Namun apabila dana yang ada simpanan banyak sementara permohonan simpanan sedikit maka bunga simpanan akan turun.

2. Persaingan Dalam memperebutkan dana simpanan, maka di samping faktor promosi, yang paling utama pihak perbankan harus memperhatikan pesaing.

3. Kebijaksanaan Pemerintah. Dalam arti baik untuk bunga simpanan maupun bunga pinjaman, tidak boleh melebihi bunga yang sudah ditetapkan oleh pemerintah.

4. Jangka Waktu Semakin panjang jangka waktu pinjaman, maka akan semakin tinggi bunganya, hal ini disebabkan 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 mempengaruhi tingkat suku bunga yaitu Federal Open Market Committee (FOMC) atau Komite Operasi Pasar Terbuka Bank Sentral Amerika Serikat (US. Federal Reserve atau The Fed) dan perkembangan perekonomian negara-negara besar, seperti Amerika Serikat. 2. Faktor Internal.

Faktor internal yang mempengaruhi adalah makro-ekonomi nasional, terutama inflasi dan juga nilai tukar Rupiah. Selain itu juga ada faktor-faktor non ekonomi, seperti keamanan nasional dan kegiatan politik.

Untuk tingkat suku bunga deposito berjangka dipengaruhi beberapa faktor antara lain : 1. Likuiditas perekonomian yang diukur dari

perkembangan jumlah yang uang beredar setiap triwulanan dan dinyatakan dalam persen. 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 diimbangi perubahan 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 rasio kinerja bank untuk mengukur kecukupan modal yang dimiliki bank untuk menunjang aktiva yang mengandung atau menghasilkan risiko.



114

5. ROA (Return on Assets) adalah kemampuan manajemen bank dalam memperoleh keuntungan (laba) secara keseluruhan. Semakin besar ROA suatu bank, semakin besar pula tingkat keuntungan yang dicapai bank tersebut dan semakin baik pula posisi bank tersebut dari segi penggunaan aset.

6. LDR (Loan to Deposits Ratio) (X6). Loan To Deposit Ratio adalah rasio antara seluruh jumlah kredit yang diberikan bank dengan dana yang diterima oleh bank. LDR menyatakan seberapa jauh kemampuan bank dalam membayar kembali penarikan dana yang dilakukan deposan dengan mengandalkan kredit yang diberikan sebagai sumber likuiditasnya. Semakin tinggi rasio tersebut memberikan indikasi semakin rendahnya kemampuan likuiditas bank yang bersangkutan.

C. ALGORITMA BACKPROPAGATION Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multilayer jaringan saraf tiruan. Jaringan backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Algoritma ini memiliki dasar matematis yang kuat dan dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan.

Jaringan backpropagation terdiri atas tiga lapisan atau lebih unit pengolah, yaitu lapisan masukan (input) terdiri atas variabel masukan unit sel saraf, lapisan tersembunyi dan lapisan keluaran (output). Seperti diperlihatkan pada Gambar 1. Ketiga lapisan ini terhubung secara penuh.

Langkah yang dilakukan pada perambatan

galat mundur adalah menghitung galat dan mengubah bobot-bobot pada semua interkoneksinya. Di sini galat dihitung pada semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan dimulai dari lapisan keluaran dan mundur sampai lapisan masukan. 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 setiap sambungan yang menuju ke lapisan keluaran disesuaikan. Setelah itu dihitung harga galat pada lapisan yang menuju ke lapisan tersembunyi. Demikian proses dilakukan mundur sampai ke lapisan masukan secara iteratif. D. PELATIHAN ALGORITMA

BACKPROPAGATION

Algoritma pelatihan dengan metode backpropagation dimunculkan pada tahun 1969. Neural network dengan metode backpropagation ini memiliki tahap pengenalan terhadap jaringan multi layer, yaitu:

Gambar 1. Tiga Lapis Jaringan Backpropagation

Pola Keluaran

Pola Masukan

Lapisan Tersembunyi

... ……



115

1. Nilai dikirim melalui input layer ke hidden layer (forward) sampai ke output layer (actual output).

2. Actual output dibandingkan dengan output yang diharapkan jika ada perbedaan maka dinyatakan sebagai error.

3. Selanjutnya error dikirim secara backward mulai dari output layer ke hidden layer kemudian diteruskan ke input layer.

Untuk menentukan nilai pemberat dari input (the net weighted input) defenisikan terlebih dulu nilai inputnya. Jika nilai input telah ditentukan, maka selanjutnya tentukan fungsi aktivasi. Neuron pada backpropagation menggunakan fungsi aktivasi sigmoid.

Algoritma pelatihan pada Backpropagation sebagai berikut : 1. Initiliazation

Memberikan nilai awal terhadap nilai-nilai yang diperlukan oleh neural network seperti weight, threshold.

2. Activation Nilai-nilai yang diberikan pada tahap Initiliazation akan digunakan pada tahap Activation. Dengan melakukan perhitungan: a. Menentukan actual output pada hidden

layer b. Menghitung actual output pada output

layer 3. Weight Training

Pada tahap weight training dilakukan 2 (dua) kegiatan yaitu : a. Menghitung error gradient pada output

layer b. Menghitung error gradient pada hidden

layer 4. Iteration

Pada tahap ini dilakukan proses pengulangan sampai mendapat error yang minimal.

E. ANALISA DAN PERANCANGAN 1. Analisa Sistem Dalam Menentukan

Tingkat Suku Bunga Bank

Berdasarkan analisis dan hasil temuan ternyata Perkembangan likuiditas perekonomian, tingkat inflasi, dan tingkat pertumbuhan ekonomi yang merupakan faktor eksternal 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 terhadap tingkat suku bunga deposito berjangka satu bulan, tiga bulan, enam bulan dan dua belas bulan Bank Umum Swasta Nasional di Indonesia.

Berdasarkan analisa tersebut dapat disimpulkan kerangka pemikiran penilitian seperti pada Gambar 2 di bawah ini.

2. Pengolahan Data dengan Algoritma

Backpropagation 2.1. Formulasi Masalah Arsitektur sebuah jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. Arsitektur jaringan yang akan digunakan untuk memprediksi perubahan tingkat suku bunga deposito bank adalah jaringan dengan banyak lapisan. Model ini merupakan jaringan dengan banyak lapisan dan memiliki satu atau lebih lapisan tersembunyi yang terletak diantara lapisan input dan lapisan output. Adapun

Gambar 2. Kerangka Pemikiran Penelitian



116

arsitektur jaringan ini dapat dilihat pada Gambar 3 berikut:

Dari arsitektur jaringan tersebut dapat di

formulasikan 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 dan X7, di mana : a. X1 = Likuiditas perekonomian b. X2 = Tingkat inflasi c. X3 = Pertumbuhan ekonomi d. X4 = CAR e. X5 = LDR f. X6 = US Rate g. X7 = BI Rate

2. Lapisan tersembunyi (Z) berjumlah 3 simpul. Untuk memperoleh hasil yang lebih tepat, 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 deposito bank umum swasta nasional. Hasil prediksi yang diharapkan adalah tingkat suku bunga deposito naik, tetap atau menurun.

Dari data input tersebut dapat dilakukan pengelompokan dan representasi yang terdiri dari:

1. Likuiditas perekonomian (X1)

a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 2. Tingkat inflasi (X2) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 3. Pertumbuhan ekonomi (X3) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 4. CAR (X4) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 5. LDR (X5) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 6. US Rate (X6) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0 7. BI Rate (X7) a. Naik = 1 b. Tetap = 0,5 c. Turun = 0

Dan hasil (output) yang diharapkan adalah terdeteksinya suatu nilai untuk memprediksi tingkat perubahan suku bunga deposito bank umum 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 0.5 c. Naik jika output bernilai antara 0.51 sampai

dengan 1 2.2. Perancangan JST dengan Algoritma

Backpropagation Pada tahap perancangan JST dengan

algoritma backpropagation ini hasil analisis

Gambar 3. Arsitektur Jaringan Prediksi Perubahan Tingkat Suku Bunga



117

yang telah didapat akan diterapkan pada langkah-langkah algoritma backpropagation dengan menggunakan fungsi aktivasi sigmoid. Adapun langkah-langkahnya sebagai berikut : 1. Tahap Initialization

Merupakan tahap untuk mendefinisikan atau menset awal nilai untuk variabel-variabel yang diperlukan seperti : nilai input, weight, output yang diharapkan, learning rate (α) dan sebagainya.

2. Tahap Activation Pada tahap activation ini dilakukan 2 (dua) kegiatan yaitu menghitung actual output Yj(P) pada hidden layer dan menghitung actual output pada output layer Yk(P).

3. Tahap Weight Training Pada tahap ini dilakukan 2 (dua) kegiatan yaitu menghitung error gradient pada output layer δk(P) dan menghitung error gradient pada hidden layer δj(P).

4. Tahap Iteration Tahap Iteration merupakan tahapan terakhir. Pada tahap ini dilakukan pengujian di mana jika error yang diharapkan belum ditemukan maka akan kembali lagi kepada tahapan ke 2 (dua) yaitu tahap Activation.

Arsitektur yang dipilih dimisalkan seperti yang terdapat pada Gambar 4. Jumlah simpul pada lapisan input 2 dari 7 variabel input yang ada, di mana masing-masing variabelnya sebagai contoh adalah X1 dan X2. Jumlah simpul pada lapisan tersembunyi (hidden layer) ada 2. Jumlah simpul pada lapisan output 1 (satu) yang digunakan untuk mempresentasikan pola.

Keterangan :

X1 dan X2 = Masukan (Input Layer) atau disebut dengan i

Z1 dan Z2 = Hidden Layer atau disebut dengan j

Y = Keluaran hasil (Output Layer) atau disebut dengan k

V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran = Bias pada lapisan tersembunyi

dan lapisan keluaran

Dari gambar arsitektur di atas terdapat tiga lapisan pengolah. Lapisan pertama sebagai lapisan masukan yang menyatakan nilai sebuah pola. Lapisan ke dua adalah lapisan tersembunyi yang menanggapi sifat tertentu yang mungkin terlihat dalam pola masukan. Dan terakhir merupakan lapisan keluaran sebagai tempat keluaran bagi jaringan syaraf.

Untuk membentuk jaringan syaraf tiruan, terlebih dahulu dilakukan inisialisasi bobot awal. Bobot awal yang menghubungkan simpul-simpul pada lapisan masukan dan lapisan tersembunyi untuk arsitektur pada Gambar 4.3 adalah V = (V11, V12, V21, V22) dan bobot bias dipilih secara acak. Demikian pula bobot awal yang menghubungkan simpul-simpul pada lapisan tersembunyi dan lapisan keluaran (W1, W2) juga dipilih secara acak.

F. PENGUJIAN DAN IMPLEMENTASI 1. Pengujian Hasil dengan Matlab

Matlab (Matrix Laboratory) adalah sebuah

software programming yang bekerja dengan konsep matrix dan memiliki pustaka fungsi matematika dan rekayasa.

Matlab merupakan salah satu perangkat lunak yang bisa digunakan untuk melakukan simulasi jaringan saraf tiruan dengan menggunakan Neural Network Toolbox Matlab. Toolbox pada Matlab merupakan sebuah perpustakaan fungsi yang membantu Matlab untuk memecahkan suatu kelompok permasalahan. Setiap toolbox ditulis dalam

Gambar 4. Contoh Arsitektur Jaringan Backpropagation



118

bahasa Matlab sehingga dapat dilihat algoritma sumber dan ditambah dengan yang baru.

Sebelum dilakukan pengujian, terlebih dahulu dilakukan pelatihan sesuai dengan data input serta target atau output yang ingin dicapai. Untuk pelatihan pada Matlab dapat dilakukan dengan menggunakan fungsi-fungsi atau dapat dilakukan melalui kotak dialog NNTool. Setelah dilakukan pelatihan jaringan saraf backpropagation siap untuk diuji. 1.1 Pelatihan Data

Tujuan dari pelatihan yaitu agar sistem berjalan dengan akurat dan konsisten serta mampu mengeksploitasi keunggulan jaringan saraf tiruan. Dalam melakukan pelatihan data untuk mempredikti tingkat perubahan suku bunga deposito berjangka, data diperoleh dari data asli yaitu diambil dari Laporan Tahunan Bank Indonesia, SEKI (Statistik Ekonomi dan Keuangan Indonesia) dan Data Perbankan Indonesia.

Data masukan yang diperoleh berupa nilai nomimal uang dan persentase, dan pelatihannya dengan melihat tingkat perubahan nilai masing-masing variabel dari bulan sebelumnya. Untuk menyamakan data dilakukan transformasi dengan tiga nilai untuk masing-masing variabel masukan yaitu: 1 jika nilai perubahannnya meningkat, 0.5 jika tidak ada perubahan (tetap) dan 0 jika nilai perubahannya menurun.

Adapun data pelatihan prediksi tingkat perubahan suku bunga deposito bank dapat dilihat pada Tabel 1 berikut ini : Tabel 1. Data Pelatihan Prediksi Tingkat Perubahan Suku

Bunga 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 1 4 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 0 34 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 1 47 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 menginisialisasi

awal bobot dan bias jaringan saraf backpropagation. Pada pelatihan ini model jaringan saraf backpropagation yang digunakan terdiri atas lapisan input sebanyak 7 (tujuh) lapisan, lapisan tersembunyi sebanyak 3 (tiga) lapisan dan 1 (satu) lapisan output.

Proses pelatihan jaringan saraf backpropagation untuk prediksi tingkat perubahan suku bunga deposito bank ini dilakukan berkali-kali untuk mencari konfigurasi terbaik dengan cara mengubah konstanta belajar (learning rate) secara coba-coba (trial and error) sedangkan hidden layer tetap berjumlah 3 simpul. Adapun hasil



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 86215 9 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 16505 20 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. Adapun konfigurasinya sebagai berikut: 1. Algoritma jaringan saraf yaitu Perambatan

Galat Mundur (Backpropagation) 2. Jumlah sel lapisan input : 7 3. Jumlah sel lapisan output : 1 4. Jumlah sel lapisan tersembunyi : 3 5. Konstanta belajar : 0.80 6. Besar galat : 0.1 7. Fungsi aktifasi : logsig

Adapun grafik pada saat pelatihan jaringan

konvergensi adalah sebagai berikut (Gambar 5):

1.2 Pengujian Data

Pengujian dilakukan melalui 2 tahap, yaitu pengujian terhadap data yang dilatihkan dan pengujian pada data baru yang belum pernah dilatihkan. Pengujian untuk data yang dilatihkan dilakukan terhadap seluruh jaringan konvergensi untuk mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah ditentukan. Berdasarkan pengujian yang dilakukan, ternyata kecepatan pelatihan jaringan saraf backpropagation tidak memastikan ketepatan hasil keluaran dengan output yang diharapkan.

Adapun hasil lengkap pengujian terhadap 48 data yang dilatihkan dapat dilihat pada Tabel 3 berikut:

Tabel 3. Hasil Pengujian Data yang Dilatihkan

Pelatihan

KB Iterasi

(Epochs)

Ketepatan dari 48

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



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 dilatihkan dengan 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 oleh jaringan. Adapun hasil lengkap pengujian terhadap 48 data yang dilatihkan dengan konstanta bejalar 0.50 pada iterasi 65934 adalah seperti pada Tabel 4 berikut :

Tabel 4. Hasil Pengujian dari Prediksi Tingkat Perubahan

Suku Bunga Terhadap Data yang Dilatih

Keterangan : X1-7 : Variabel Masukan (Input) Y : Keluaran (output) atau target HP : Hasil Pengujian

K : Ketepatan (√ = tepat ; = tidak tepat)

Selanjutnya jaringan diuji dengan 36 data baru yang belum pernah dilatih untuk menentukan seberapa besar jaringan saraf mampu 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



121

Keterangan : X1-7 : Variabel Masukan (Input) Y : Keluaran (output) atau target HP : 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 sesuai dengan arsitektur JST yang telah ditetapkan selesai dilaksanakan, kemudian dicoba pelatihan dan pengujian dengan mengubah jumlah hidden note (jumlah simpul) dan learning rate (konsentrasi belajar) secara coba-coba (trial and error) untuk mengetahui apakah arsitektur JST yang telah ditetapkan adalah arsitektur yang terbaik.

Setelah pelatihan selesai maka dilakukan pengujian terhadap data yang dilatih tersebut sesuai dengan konstanta belajar dan jumlah simpul lapisan tersembunyi untuk mengetahui ketepatan antara actual output dengan output yang diharapkan. Adapun hasil pengujiannya dapat dilihat pada tabel 6 berikut: Tabel 6. Ketepatan Antara Actual Output dengan Output

yang Diharapkan Pada Saat Pengujian Terhadap Data yang Dilatih

Keterangan : KB : Konstanta Belajar LT : Lapisan Tersembunyi (Hidden Layer) TK : Tidak Konvergen

Berdasarkan tabel pengujian di atas, tingkat ketepatan yang paling tinggi antara actual output dengan output yang diharapkan adalah sebesar 90% terdapat pada pada iterasi ke 1048 dengan konstanta belajar 0.01 dan jumlah simpul hidden layer sebanyak 8 simpul.

Dengan hasil pelatihan dan pengujian ini, terbukti bahwa arsitektur JST yang telah ditetapkan adalah arsitektur JST yang terbaik. 2. Implementasi

Untuk mempermudah user atau pengguna

dalam memprediksi tingkat perubahan suku bunga deposito bank, maka dibuat suatu aplikasi berbasis GUI dengan menggunakan software Matlab. Aplikasi ini didisain sesederhana mungkin untuk mempermudah user dalam menggunakannya. Tampilan interfacenya hanya terdiri dari tiga form yaitu : 1. Form tampilan awal

Form ini berisi menubar yang terdiri dari File, JST, Info dan Help.

2. Form Pelatihan dan Pengujian Form ini berisi parameter JST untuk pelatihan data dan pengujian data yang dilatih tersebut. Data masukan yang dilatih di import dari file excel. Selanjutnya dilakukan pelatihan dengan mengatur nilai-nilai pada parameter JST. Setelah pelatihan, dilakukan pengujian terhadap data yang dilatih tersebut.

3. Form Prediksi Form ini berisi faktor-faktor atau variabel yang mempengaruhi tingkat perubahan suku bunga deposito yang dapat di isi dengan kondisi yang diinginkan. Form ini berfungsi untuk memprediksi perubahan tingkat suku bunga deposito. Form ini menyediakan 4 (empat) data untuk contoh prediksi perubahan tingkat suku bunga deposito.

Adapun tampilan dari aplikasi untuk memprediksi tingkat perubahan suku bunga deposito bank adalah sebagai berikut (Gambar 6, 7, dan 8):



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 kesimpulan sebagai berikut: 1. Jaringan saraf tiruan dengan algoritma

backpropagation mampu memprediksi tingkat perubahan suku bunga deposito bank dengan pola yang disesuaikan dengan pola perubahan dari data masa lalu sesuai kondisi likuiditas perekonomian, tingkat inflasi, pertumbuhan ekonomi, CAR, LDR, US Rate, BI Rate yang terjadi pada saat itu.

2. Tingkat keakuratan dari prediksi terhadap perubahan tingkat suku bunga deposito bank sangat baik, ini terbukti dengan tingkat kesesuaian antara actual output dengan target atau output yang diharapkan sebesar 94% untuk data yang dilatihkan dan 75% lebih untuk data baru. Tidak tercapainya tingkat kesesuaian sebesar 100% disebabkan data yang dilatih hanya sebanyak 48 data.

3. Aplikasi berbasis GUI dengan menggunakan software Matlab dapat mempermudah prediksi terhadap perubahan tingkat suku bunga deposito bank.

H. DAFTAR PUSTAKA Almilia, Luciana Spica,. dan Utomo, Anton

Wahyu. 2006. Faktor-Faktor Yang Mempengaruhi Tingkat Suku Bunga Deposito Berjangka Pada Bank Umum Di Indonesia. Jurnal Ekonomi dan Bisnis ANTISIPASI. 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 Saraf Tiruan & Pemrogramannya Menggunakan Matlab. Yohyakarta : Penebit ANDI.



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 dan Aplikasi Praktisnya). Yogyakarta : Penerbit ANDI.

Puspitaningrum, Diyah. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta : Penerbit ANDI.

Documents

PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN … · Badrul Anwar: Penerapan Algoritma Jaringan Syaraf Tiruan… Jurnal SAINTIKOM Vol. 10 / No. 2 / Mei 2011 113 1. Memprediksi tingkat