Upload
hoangmien
View
223
Download
0
Embed Size (px)
Citation preview
4
BAB II. LANDASAN TEORI
Pada bab ini, akan dijabarkan dasar teori yang berkaitan dengan riset yang
dilakukan. Teori yang digunakan antara lain adalah berkaitan dengan Makro
Ekonomi dan Pendapatan Nasional, Artificial Neural Network (ANN), serta
kombinasi kedua topik tersebut.
2.1. Ekonomi Makro Teori ekonomi dibedakan menjadi dua kelompok besar, yaitu
mikroekonomi dan makroekonomi. Mikroekonomi merupakan teori ekonomi
yang berhubungan dengan bagaimana rumah tangga dan perusahaan membuat
keputusan dan cara mereka berinteraksi dengan pasar (Mankiw, 2006, p4),
meliputi bagian-bagian kecil dari keseluruhan kegiatan perekonomian, seperti
kegiatan seorang konsumen, suatu perusahaan atau suatu pasar. Selain itu,
mikroekonomi menitikberatkan analisisnya untuk mewujudkan efisiensi dalam
penggunaan resource yang ada dan mencapai kepuasan yang maksimum (Sukirno,
2008, p4).
Makroekonomi mempelajari perekonomian sebagai suatu kesatuan
(Mankiw, 2006, p4), seperti tindakan konsumen secara keseluruhan, kegiatan
keseluruhan pengusaha atau perubahan keseluruhan kegiatan ekonomi. Titik berat
analisa makroekonomi terletak pada bagaimana segi permintaan dan penawaran
5
menentukan tingkat kegiatan dalam perekonomian, masalah utama yang selalu
dihadapi setiap perekonomian dan peranan kebijakan dan campur tangan
pemerintah untuk mengatasi masalah ekonomi yang dihadapi (Sukirno, 2008, p4).
Pada awal munculnya analisis ekonomi makro hingga dekade tahun
1930an, para ahli ekonomi memiliki acuan bahwa penggunaan tenaga kerja penuh
selalu tercapai dan perekonomian selalu berjalan dengan baik. Hingga memasuki
periode the Great Depression, masa puncak kemerosotan ekonomi Amerika
Serikat, dimana seperempat tenaga kerja menganggur dan pendapatan nasional
mengalami penurunan yang sangat besar, pandangan ahli ekonomi pun berubah.
Teori makroekonomi modern pertama dinyatakan oleh John Maynard
Keynes, seorang ahli ekonomi Inggris. Keynes melalui buku-bukunya menyatakan
kelemahan teori ekonomi klasik, serta faktor utama yang menentukan tingkat
keberhasilan kegiatan ekonomi suatu negara, yaitu pengeluaran agregat (Sukirno,
2008, p7).
Masalah makroekonomi utama yang selalu dihadapi suatu negara meliputi
masalah pertumbuhan ekonomi, ketidakstabilan kegiatan ekonomi, pengangguran,
inflasi dan neraca perdagangan dan pembayaran. Pertumbuhan ekonomi dapat
didefinisikan sebagai perkembangan kegiatan dalam perekonomian yang
menyebabkan barang dan jasa yang diproduksikan dalam masyarakat bertambah
(Sukirno, 2008, p9). Pertambahan ini disebabkan karena faktor-faktor produksi
selalu mengalami pertambahan dalam jumlah dan kualitas, investasi yang dapat
menambah jumlah modal, teknologi selalu berkembang, peningkatan jumlah
tenaga kerja akibat perkembangan penduduk, serta pengalaman kerja dan
pendidikan dapat menambah ketrampilan tenaga kerja yang ada.
6
Pada kenyataannya, perkembangan kemampuan memproduksi barang dan
jasa sebagai akibat pertambahan faktor produksi tidak diikuti oleh pertambahan
produksi barang dan jasa yang sama besarnya. Pertambahan potensi produksi
seringkali lebih besar dari pertambahan produksi yang sebenarnya. Hal ini
disebabkan tidak semua faktor produksi yang tersedia digunakan secara optimal.
Dengan demikian, pertumbuhan ekonomi suatu negara lebih lambat dibandingkan
potensi sebenarnya.
2.2. Pendapatan Nasional Salah satu tolak ukur yang dapat digunakan untuk menilai kondisi
perekonomian suatu negara adalah pendapatan nasional. Tujuan dari perhitungan
pendapatan nasional ini adalah untuk mendapatkan gambaran tentang tingkat
ekonomi yang telah dicapai dan nilai output yang diproduksi, komposisi
pembelanjaan agregat, sumbangan dari berbagai sektor perekonomian, serta
tingkat kemakmuran yang dicapai (Sukirno, 2008, p55). Selain itu, data
pendapatan nasional yang telah dicapai dapat digunakan untuk membuat prediksi
tentang perekonomian negara tersebut pada masa yang akan datang. Prediksi ini
dapat digunakan oleh pelaku bisnis untuk merencanakan kegiatan ekonominya di
masa depan, juga untuk merumuskan perencanaan ekonomi untuk mewujudkan
pembangunan negara di masa mendatang (Sukirno, 2008, p57).
Pendapatan nasional dapat diartikan sebagai nilai barang dan jasa yang
dihasilkan dalam suatu negara (Sukirno, 2008, p36). Pengertian berbeda dituliskan
dengan huruf besar P dan N, dimana Pendapatan Nasional adalah jumlah
pendapatan yang diterima oleh faktor produksi yang digunakan untuk
memproduksikan barang dan jasa dalam suatu tahun tertentu (Sukirno, 2008,
7
p36). Terdapat beberapa cara yang digunakan dalam perhitungan pendapatan
nasional, yaitu pendapatan nasional bruto dan pendapatan domestic bruto.
Gross National Product (GNP) atau disebut juga dengan Pendapatan
Nasional Bruto (PNB) merupakan nilai barang dan jasa dalam suatu negara yang
diproduksikan oleh faktor-faktor produksi milik warga negara tersebut, termasuk
nilai produksi yang diwujudkan oleh faktor produksi yang digunakan di luar negri,
namun tidak menghitung produksi yang dimiliki penduduk atau perusahaan dari
negara lain yang digunakan di dalam negara tersebut (Sukirno, 2008, p35).
Gross Domestic Product (GDP) atau disebut juga dengan Pendapatan
Domestik Bruto (PDB) merupakan nilai pasar dari semua barang dan jasa final
yang diproduksi dalam sebuah negara pada suatu periode (Mankiw, 2006, p6),
meliputi faktor produksi milik warga negaranya sendiri maupun milik warga
negara asing yang melakukan produksi di dalam negara tersebut. Hubungan antara
GDP dan GNP dapat dirumuskan seperti pada Fungsi 1.
dimana PFN dari LN merupakan pendapatan faktor neto dari luar negri, yang
dihitung dari pendapatan faktor produksi yang diterima dari luar negri dikurangi
dengan pendapatan faktor produksi yang dibayarkan ke luar negri.
Terdapat tiga metode yang dapat digunakan untuk menghitung
pendapatan nasional, yaitu cara pengeluaran, cara produk neto, dan cara
pendapatan. Berikut akan dijabarkan tentang masing-masing metode.
8
1. Cara Pengeluaran (expenditure approach)
Teknik perhitungan ini banyak digunakan di negara-negara maju, seperti
Belanda, Inggris, Jerman dan Amerika Serikat, dimana pendapatan nasional
yang dihasilkan metode ini dapat memberi gambaran tentang sampai dimana
buruknya masalah ekonomi yang dihadapi atau sampai dimana baiknya
tingkat pertumbuhan yang dicapai dan tingkat kemakmuran yang sedang
dinikmati, serta memberikan informasi dan data yang dibutuhkan dalam
analisis makroekonomi (Sukirno, 2008, p37). Perhitungan pendapatan
nasional dengan cara pengeluaran memiliki empat komponen penting, yaitu
konsumsi rumah tangga, pengeluaran pemerintah, pembentukan modal sektor
swasta (investasi) dan ekspor neto (Sukirno, 2008, p37).
• Konsumsi rumah tangga adalah pembelanjaan barang dan jasa oleh
rumah tangga, termasuk barang tahan lama, barang tidak tahan lama,
jasa dan biaya pendidikan (Mankiw, 2006, p12), namun tidak
termasuk investasi, seperti pembayaran asuransi atau uang saku untuk
anak (Sukirno, 2008, p38).
• Belanja pemerintah mencakup pembelanjaan barang dan jasa oleh
pemerintah, yang dibedakan menjadi konsumsi dan investasi (Sukirno,
2008, p38). Yang termasuk dalam konsumsi adalah pembayaran gaji
dan tunjangan pegawai negri dan pembelian inventaris, sedangkan
yang termasuk investasi adalah pembangunan jalan raya, sekolah, dan
lain sebagainya. Pembayaran jaminan sosial untuk fakir miskin,
bantuan untuk korban bencana alam dan subsidi lainnya tidak
termasuk dalam belanja pemerintah, melainkan termasuk dalam
9
pembayaran transfer, karena tidak ada barang/jasa yang diproduksi
(Mankiw, 2006, p13).
• Investasi merupakan pembelian barang yang nantinya digunakan
untuk memproduksi barang/jasa lainnya (Mankiw, 2006, p12).
Investasi dapat digolongkan menjadi pengeluaran atas barang modal
dan peralatan produksi, perubahan dalam nilai inventori pada akhir
tahun, dan pengeluaran untuk mendirikan bangunan (Sukirno, 2008,
p39).
• Ekspor neto sama dengan pembelian produk dalam negri oleh orang
asing (ekspor) dikurangi dengan pembelian produk luar negri oleh
warga negara tersebut (impor) dalam periode yang sama (Mankiw,
2006, p13).
2. Cara Produk Neto
Produk neto dapat diartikan sebagai nilai tambah yang diciptakan dalam suatu
proses produksi (Sukirno, 2008, p42). Sehingga perhitungan pendapatan
nasional dengan cara neto diperoleh dengan menjumlahkan nilai tambah yang
diwujudkan oleh perusahaan di berbagai lapangan usaha dalam perekonomian
negara tersebut. Cara ini dapat memberikan informasi tentang seberapa besar
pengaruh sektor-sektor tersebut terhadap perekonomian negara.
3. Cara Pendapatan
Pendapatan nasional dengan cara pendapatan diperoleh dari penjumlahan
pendapatan-pendapatan yang terjadi, akibat penggunaan faktor produksi
untuk mewujudkan barang dan jasa (Sukirno, 2008, p44). Pendapatan tersebut
digolongkan menjadi pendapatan para pekerja (gaji/upah), pendapatan dari
10
usaha perseorangan, pendapatan dari sewa, bunga neto dan keuntungan
perusahaan.
Dalam melakukan perhitungan pendapatan nasional, terdapat berbagai
kendala, terutama di Indonesia. Masalah tersebut antara lain adalah
- Ketersediaan data dan informasi, karena tidak semua kegiatan ekonomi
terdokumentasi dengan baik. Jikalau ada, sering kali data yang
disampaikan masih berupa data perkiraan / data sementara. Perubahan
jajaran pemerintahan juga mempengaruhi ketersediaan data.
- Pemilihan kegiatan produksi yang termasuk dalam perhitungan. Sebagai
contoh adalah kegiatan produksi dalam rumah tangga seperti mencuci dan
memasak, menanam palawijo untuk konsumsi pribadi, kegiatan yang
menyalahi hukum seperti transaksi jual beli obat terlarang dan prostitusi,
serta tunjangan yang tidak berupa uang, tidak termasuk dalam perhitungan
pendapatan nasional.
- Penghitungan dua kali kerapkali terjadi ketika bahan yang sama
dikonsumsi oleh orang yang berbeda. Misalnya gula dan tepung yang
dibeli oleh ibu rumah tangga dapat dianggap sebagai barang jadi, namun
jika bahan tersebut dibeli oleh bakery shop, maka dianggap sebagai barang
setengah jadi. Apabila nilai produksi tepung dan gula dimasukkan dalam
perhitungan produksi roti/kue, maka akan terjadi perhitungan dua kali.
- Penentuan harga barang yang berlaku, karena tidak semua tempat
menggunakan harga yang sama, bergantung pada lokasi, musim, harga
dollar, dan lain sebagainya.
11
- Investasi bruto dan investasi neto, dimana terdapat perbedaan akibat
depresiasi, terutama untuk menghitung investasi yang dilakukan oleh
negara.
- Informasi kenaikan harga barang membutuhkan informasi indeks harga.
Penentuan indeks harga itu sendiri memiliki beberapa masalah, seperti
penentuan barang yang akan digunakan dalam perhitungan.
2.3. Penelitian Forecasting GNP dan GDP Telah banyak penelitian yang dilakukan untuk mendapatkan prediksi GNP
dan GDP. Variabel yang digunakan dalam setiap penelitian cukup bervariasi,
dengan periode waktu yang berbeda pula.
Marcellino (2007) pada penelitiannya yang bertopik pembandingan
beberapa teknik forecasting pertumbuhan GDP di Amerika Serikat menyatakan
bahwa dua faktor utama yang mempengaruhi pertumbuhan ekonomi adalah
tingkat pertumbuhan GDP di masa lalu dan tingkat inflasi. Selain itu, faktor lain
yang dapat mempengaruhi proses forecasting antara lain adalah perubahan sosial,
ekonomi dan politik yang terjadi. Data yang digunakan dalam forecasting adalah
data sejak 1980 hingga 2004, untuk mendapatkan gambaran perubahan tingkat
inflasi yang bervariasi. Sedangkan Financial Forecast Center (2009) di Amerika
Serikat menggunakan data inflasi, pertumbuhan GDP tahun sebelumnya, tingkat
pengangguran, harga emas dan minyak dunia sebagai dasar peramalan untuk GDP
yang akan datang. Wagner dan Brauer (2006) melakukan penelitian adanya
hubungan faktor tingkat pembiayaan militer di Amerika Serikat dengan
pertumbuhan ekonomi di negara tersebut melalui forecasting.
12
Demers dan Dupuis (2005) dalam penelitiannya tentang forecasting GDP
di Kanada, menggunakan data quarter meliputi level GDP di Kanada dan regional,
pertumbuhan GDP di Kanada, Amerika Serikat, British Columbia, Prairies,
Ontario dan Quebec, tingkat interest, pertumbuhan exchange rate, pertumbuhan
commodity price (BCPI), pertumbuhan non-energy products (BCNE) dan
pertumbuhan GDP di Kanada diluar daerah utama.
Curran dan Funke (2006) melakukan penelitian dengan topic forecasting
GDP di China. Dalam penelitian tersebut, dijabarkan kriteria yang digunakan
dalam pemilihan variabel dalam teknik forecasting yang digunakannya. Kriteria
tersebut adalah (1) economic significance, dimana data yang digunakan harus
memiliki landasan ekonomi yang kuat untuk dijadikan variabel, (2) breadth of
coverage, data dengan cakupan yang luas lebih dipilih daripada data yang
spesifik, (3) frequency of publications, dimana data yang diterbitkan bulanan lebih
dipilih dibandingkan data yang diterbitkan secara quarter, (4) data yang digunakan
sebaiknya tidak memiliki revisi yang terlalu banyak, dan (5) waktu publikasi data
yang tidak telalu kadaluarsa dan kemudahan akses terhadap data tersebut.
Dalam penelitian yang dilakukan, berbagai sektor yang mempengaruhi
dipilih, dan pada akhirnya diambil tiga komponen yang dianggap paling
mempengaruhi, yaitu nilai ekspor, real estate climate index (RECI) dan Shanghai
Stock Exchange (SSE) composite index. Data ekspor digunakan karena dianggap
dapat memberikan gambaran peran China dalam perdagangan internasional,
dengan dua deflator, yaitu indeks harga dalam ekspor yang dilakukan Amerika
Serikat dan indeks harga yang digunakan dalam produksi di China. Sedangkan
data RECI digunakan untuk memberikan gambaran tentang pasar real estate saat
13
ini dan trend masa mendatang yang terjadi di China. Dan SSE composite index
dapat digunakan untuk memberikan gambaran kondisi pasar, baik pasar asset
konvensional maupun pasar kredit.
Selain tiga variabel diatas, Curran dan Funke juga menggunakan
metodologi empiris dalam penelitiannya, untuk menggambarkan situasi ekonomi
saat itu, karena asumsi bahwa keadaan ekonomi akan selalu stabil, yang
digunakan dalam teknik pemodelan econometric conventional, adalah tidak tepat.
Periode waktu dari data yang digunakan dalam forecasting adalah sejak 1998Q2
sampai dengan 2005Q2.
Reverse Bank Of Fiji (2005) melakukan pembobotan dalam beberapa
variabel yang digunakan dalam forecasting GDP di Jepang. Selain itu, dilakukan
pengurangan konsumsi intermediate terhadap produksi bruto, untuk menghindari
perhitungan dua kali. Variabel yang digunakan berdasarkan pembobotan dan
ranking yang dilakukan adalah (1) Pertanian, kehutanan, perikanan &
subsistensinya, (2) Sektor jasa untuk komunitas maupun personal, (3) Sektor
keuangan, asuransi, real estate dan layanan bisnis lainnya, (4) Perdagangan retail
maupun grosir serta hotel dan restoran, (5) Manufacturing, (6) Transpor dan
komunikasi, (7) Sektor konstruksi, (8) Sektor listrik dan air, (9) Sektor
penambangan.
Schumacher dan Breitung (2006) dalam penelitiannya tentang forecasting
pertumbuhan ekonomi di Jerman, menggunakan data komponen permintaan
dalam perhitungan GDP (quarterly), hasil produksi dari sektor industri, tingkat
suku bunga, indeks harga saham, dan exchange rate. Dalam penelitiannya,
Schumacer dan Breitung menggunakan real data, dimana real data pada umumnya
14
tersedia dalam periode bulanan dan berbeda dari data yang diterbitkan oleh biro
statistik, selain itu, real data seringkali mengalami keterlambatan dalam
publikasinya, sehingga dapat menyebabkan adanya data yang hilang. Hasil akhir
dari penelitian ini menyatakan bahwa faktor revisi terhadap real data tidak terlalu
mempengaruhi hasil forecasting.
Dalam penelitiannya tentang forecasting GDP di Austria, Schneider dan
Spitzer (2004) menggunakan generalized dynamic factor model, dengan variabel
sebagai berikut: data GDP periode sebelumnya sebagai data nasional; hasil survey
dari Austrian Institute of Economic sebagai data survey WIFO; tingkat economic
sentiment dan indeks IFO dari Jerman, dan indeks purchasing manager di
Amerika Serikat sebagai data survey bulanan; indeks konsumen, harga minyak
dunia dan tingkat nilai tukar mata uang sebagai data tingkat harga; tingkat ekspor
dan impor sebagai tingkat perdagangan internasional; tingkat pengangguran,
tenaga kerja dan lowongan pekerjaan sebagai data pasar tenaga kerja; tingkat suku
bunga dan indeks saham sebagai data financial; dan tingkat produksi sebagai
tambahan data. Permasalahan yang dihadapi dalam penelitian ini adalah
ketersediaan data dalam periode waktu yang berlainan, sehingga ada beberapa
data yang harus dibuang karena variabel lain tidak memiliki data di periode yang
sama. Selain itu, data yang ada dihitung dalam periode yang berbeda, quarterly
dan monthly, sehingga data yang ada harus diubah menjadi quarterly terlebih
dahulu.
Pilstrom dan Pohl (2009) melakukan penelitian tentang forecasting GDP di
Baltic (Eropa). Sebagai pendahuluan dari penelitiannya, dilakukan analisa
terhadap beberapa hasil penelitian yang mendasari penelitian yang akan
15
dilakukan. Penelitian yang dijadikan dasar antara lain adalah forecasting GPD di
Swedia oleh Anderson (2007) menggunakan data pertumbuhan GDP yang sudah
berlalu, tingkat pengangguran dan inflasi yang terjadi; dan forecasting
perekonomian di Eropa oleh Marcellino et al (2001) menggunakan data GDP yang
sudah belalu, hasil produksi dari sektor industri, inflasi dan tingkat pengangguran.
Pada penelitiannya, Pilstrom dan Pohl menggunakan periode data 1998Q1
hingga 2008Q4, menggunakan data GDP masa lalu, inflasi Harmonized Indices of
Consumer Prices (HICP) dan tingkat pengangguran. HICP menunjukkan
prosentase perubahan inflasi dari barang dan jasa.
Schneider dan Spitzer menekankan bahwa tingkat GDP pada periode
sebelumnya harus menjadi variabel utama dalam peramalan yang dilakukan, dan
variabel berikutnya adalah informasi yang memiliki kaitan paling erat dengan
GDP, yaitu tingkat lowongan pekerjaan dan tingkat pengangguran. Variabel
selanjutnya adalah indeks IFO dari Jerman, karena Austria memiliki hubungan
bisnis yang sangat erat dengan Jerman, diikuti dengan tingkat perdagangan
internasional, indeks saham dan nilai tukar mata uang.
Angelini, et al (2008) melakukan penelitian tentang GDP di Eropa untuk
jangka pendek, menggunakan variabel sebagai berikut: tingkat produksi dalam
industri; tingkat penjualan retail; regristrasi kendaraan baru; tingkat
pengangguran; dan tingkat kepercayaan konsumen di Eropa. Sedangkan Camba-
Mendez, et al (1999) dalam penelitian dengan topic yang sama, menggunakan
variabel suku bunga jangka pendek, nilai tukar mata uang, obligasi, hasil survey di
berbagai bidang, registrasi kendaraan baru, dan indeks produktivitas.
16
Wijono dan Amir (2005) dalam penelitiannya tentang pertumbuhan
ekonomi di Indonesia pada tahun 2006, menggunakan data (1) harga konstan
tahun dasar 2000, dengan pertimbangan pengaruh inflasi sudah dihilangkan,
sehingga menghasilkan angka yang mencerminkan pertumbuhan riil yang
diperkirakan akan terjadi, serta kondisi perekonomian yang relative stabil baik
secara empiric maupun teoritis pada tahun dasar 2000; (2) pertumbuhan sektor-
sektor perekonomian pada tahun 2005, sesuai dengan rujukan internasional PBB,
mencakup tanaman bahan makanan; tanaman pertanian; peternakan; kehutanan;
perikanan; pertambangan dan penggalian; industri migas; industri makanan,
minuman dan tembakau; industri lainnya, listrik, gas dan air bersih; bangunan;
perdagangan; restoran dan hotel; pengangkutan dan komunikasi; lembaga
keuangan, usaha bangunan dan jasa perusahaan; pemerintahan umum dan
pertahanan; serta jasa-jasa.
Supriana (2004) menyatakan bahwa ekonomi makro di Indonesia lebih
sejalan dengan model Keynesian dibandingkan dengan Monetaris. Pertumbuhan
Ekonomi di Indonesia sangat dipengaruhi oleh nilai tukar rupiah, sedangkan
kebijakan fiscal maupun moneter, baik jangka pendek maupun jangka panjang,
tidak terlalu mempengaruhi pertumbuhan ekonomi di Indonesia.
2.4. Artificial Neural Network Artificial Neural Network (ANN) merupakan sistem pemrosesan informasi
yang memiliki karakteristik sama dengan jaringan neural biologis (Gambar 1).
Menurut Fausett, sebuah neuron pada neural network dianalogikan sebagai neuron
biologis dimana sebuah neuron biologis memiliki 3 tipe komponen yang menjadi
bagian dalam memahami artificial neuron yaitu : dendrit, soma dan axon. Dendrit
17
biasanya mendapatkan signal dari neuron lain. Signal tersebut berupa impuls
elektrik yang ditransmisikan melalui sebuah synaptic gap dengan bantuan proses
kimia. Proses kimia inilah yang memodifikasi sinyal masuk dimana proses kimia
erat kaitanya dengan fungsi aktivasi pada Neural Network. Komponen kedua,
soma atau cell body, adalah penjumlahan dari sinyal masuk. Dimana soma ini
didapat dari proses aktivasi dendrit yang ada melalui jalur yang dikenal dengan
axon. Jalur ini pada neural network disimbolkan dengan weight, dimana weight
inilah yang membedakan nilai koneksi dari setiap jalur yang ada.
Gambar 1. Model Neuron Biologis
Model artificial neural network ini dikembangkan sebagai generalisasi dari
model matematika untuk kognitif manusia atau neural biologis, berdasarkan
asumsi sebagai berikut (Fausett, 1994, p3):
- Pemrosesan informasi terjadi pada komponen yang disebut dengan neuron
/ units / cell / nodes,
- Signal dikirimkan antar neuron melalui suatu jalur penyambung,
- Setiap jalur penyambung memiliki weight, dimana dalam ANN, digunakan
sebagai faktor pengali signal yang dikirimkan,
18
- Setiap neuron menjalankan fungsi aktivasi, yang pada umumnya berupa
fungsi non linear, pada jaringannya, berupa penjumlahan dari input yang
telah dikenai faktor pengali, untuk menghasilkan output tertentu, atau
sesuai dengan algoritma yang digunakan.
Menurut Gonzalez (2000), neural network merupakan model matematis
yang disusun seperti cara kerja otak untuk mengidentifikasi pola dalam sejumlah
variabel. Sejumlah peneliti menyatakan bahwa neural network memiliki potensi
yang baik dalam peramalan data financial yang sulit diprediksi dengan metode
stastistika konvensional, seperti nilai tukar mata uang, kinerja saham,
pertumbuhan ekonomi, produksi dalam industri dan konsumsi listrik nasional.
Dapat disimpulkan bahwa neural network merupakan sebuah jaringan
yang berisi sejumlah besar neuron yang terhubung melalui jalur penyambung,
dimana masing-masing memiliki weight tersendiri yang mewakili informasi yang
digunakan untuk memecahkan masalah. Neural network dapat digunakan untuk
menyelesaikan berbagai masalah, seperti penyimpanan dan pengenalan data/pola,
pengelompokan pola tertentu atau mencari solusi pada permasalahan optimasi.
Menurut TKacz dan Hu (1999), ANN dapat digunakan dalam kondisi
ketika model linear tidak dapat mengatasi permasalahan tersebut, tidak ada
parameter pasti yang dapat digunakan dalam penyelesaian masalah atau model
linear sulit atau tidak mampu melihat hubungan antar kejadian. Kelemahan dalam
model ANN antara lain adalah kebutuhannya akan data dalam jumlah besar, yang
digunakan untuk mengenali pola dalam informasi yang ada, selain itu adanya
unsur “coba-coba” dalam ANN yang menyebabkan adanya kemungkinan
penggunaan parameter yang tidak sesuai dengan kondisi yang diharapkan.
19
Neural network dapat dikarakteristikkan berdasarkan:
[1] Pola hubungan antar neuron yang disebut architecture,
[2] Metode yang digunakan untuk mendapatkan weight yang sesuai yang
disebut training/learning/algorithm,
[3] Fungsi aktivasinya.
Menurut Gonzalez (2000), kelebihan model ANN antara lain adalah
kemampuannya dalam memodelkan suatu kondisi non-linear; model ANN tidak
membutuhkan informasi a priori dalam mengidentifikasi hubungan antar variable;
arsitekturnya relative fleksibel untuk berbagai kondisi nilai input dan output; dan
adanya mapping input dan output melalui proses penyesuaian weight menjadikan
hubungan antara input dan output dapat ditemukan, jaringan lebih mudah
beradaptasi, dan toleransi kesalahan dapat ditentukan sejak awal. Sedangkan
kelemahan ANN antara lain adalah kompleksitas model non linear menyebabkan
nilai weight yang tidak diprediksi dan menimbulkan kemungkinan munculnya
kondisi ‘black box’, selain itu ANN membutuhkan sample yang relative besar
untuk mendapatkan pola yang diharapkan dan desain arsitektur ANN
membutuhkan waktu yang tidak sedikit. Kelemahan ANN yang lain adalah tidak
adanya nilai fungsi error minimum yang bersifat global, sebagai acuan dalam
pembangunan arsitektur ANN.
2.4.1. Perkembangan ANN
Konsep Neural Network dikembangkan pertama kali pada tahun 1800an,
sebagai usaha untuk mendeskripsikan cara kerja otak manusia. Setelah itu, banyak
metode lain dikembangkan pada masa-masa tertentu. Berikut ini adalah
20
perkembangan ANN dikelompokkan berdasarkan masa dekade
pengembangannya.
2.4.1.1. Dekade 1940
Metode pertama ANN muncul pada tahun 1940an, oleh Warren
McCulloch dan Walter Pitts, yang kemudian dikenap sebagai McCulloch-Pitts
Neurons (Fausett, 1994, p22). Dalam konsep McCulloh-Pitts, weight dari setiap
jalur ditentukan, sehingga setiap neuron dapat memproses fungsi logik sederhana.
Ketika neuron-neuron tersebut digabungkan, akan menjadi kombinasi dari fungsi
logic. Metode McCulloh-Pitts dikembangkan dan digunakan hingga saat ini,
seperti pada proses penerjemahan dan pengenalan pola rotasi invariant.
Pada akhir dekade 1940, Donald Hebb mendesain metode ANN, dikenal
dengan Hebb Learning (Fausett, 1994, p22), dengan dasar pemikiran bahwa
ketika terdapat dua neuron yang bekerja bersamaan, maka tingkat kekuatan
koneksinya juga harus ditingkatkan. Metode ini banyak dikembangkan oleh para
peneliti, antara lain Kohonen (1972), Anderson (1972) dan McClelland &
Rumerlhart (1988).
2.4.1.2. Dekade 1950 - 1960
Pada dekade 1950 sampai 1960, dianggap sebagai masa keemasan ANN.
Pada masa ini, ANN berkembang dengan pesat, ditandai dengan bermunculannya
metode baru yang lebih kompleks dan mampu menyelesaikan berbagai topic
permasalahan. Diawali oleh Frank Rosenblatt dan kawan-kawannya (1958, 1959,
1962) mengembangkan metode ANN yang disebut dengan perceptrons (Fausett,
1994, p23). Cara kerja perceptrons adalah berupa jaringan yang diawali dengan
input layer yang dihubungkan oleh jalur yang mengandung weight tertentu, yang
21
dapat disesuaikan, pada associator neuron. Kelebihan metode perceptrons
dibandingkan dengan Hebb learning adalah adanya iterasi yang dapat
menyesuaikan nilai weight, hingga sesuai dengan output yang diharapkan.
Selanjutnya, Bernard Widrow dan muridnya, mengembangkan konsep
perceptrons dengan menambahkan konsep delta rule, untuk meminimalisir mean
squared error. Konsep ini disebut dengan Adaline, kepanjangan dari Adaptive
Linear Neuron, yang menjadi awal dari munculnya backpropagation rule pada
multi layer net.
2.4.1.3. Dekade 1970
Pada masa ini, tidak banyak konsep ANN yang benar-benar baru.
Kemunculan beberapa konsep ANN, merupakan penyempurnaan dari konsep
yang sebelumnya. Konsep tersebut antara lain adalah
- Kohonen, dikembangkan oleh Teuvo Kohonen (1972), yang banyak
digunakan dalam pengenalan pola pada peta, pengenalan kata dan
pembentukan komposisi nada.
- Anderson, dikembangkan oleh James Anderson, dimana konsep ini
melakukan pemangkasan output untuk menghindari iterasi yang terlalu
besar. Konsep ini banyak digunakan dalam diagnose medis.
2.4.1.4. Dekade 1980
Kegagalan dari era 1970an memunculkan konsep ANN yang baru antara
lain disebabkan oleh perceptrons single layer net gagalnya memberikan solusi
pada fungsi-fungsi yang dinilai sederhana, seperti fungsi XOR. Konsep hidden
layer sebenarnya sudah ada pada dekade 1970an, namun tidak banyak yang
22
menggunakannya. Hingga David Parker dan LeCun mengembangkan konsep
hidden layer ini menjadi konsep backpropagation.
Konsep lain yang menghebohkan pada masa ini adalah Hopfield Net,
ditemukan oleh John Hopfield, seorang ahli fisika ternama saat itu. Metode ini
berhasil menyelesaikan masalah yang diberi judul Travelling Salesman Problem,
yang akhirnya memenangkan hadiah nobel, karena dianggap telah menciptakan
mesin yang dapat melakukan apa yang manusia lakukan.
Konsep Neocognitron dikembangkan oleh Kunihiko Fukushima, sebagai
perbaikan dari konsep cognitron yang dikembangkan pada tahun 1975 dan
mengalami kegagalan dalam proses pengenalan posisi. Pada masa ini, hardware
yang berhubungan dengan ANN juga mulai diciptakan.
2.4.2. Pengelompokan ANN Berdasarkan Arsitektur
Berdasarkan arsitekturnya, ANN dibedakan menjadi dua kelompok, yaitu
single layer net dan multi layer net (Fausett, 1994, p12). Pada single layer net,
hanya terdapat dua jenis neuron, yaitu input dan output. Contoh arsitektur single
layer net dapat dilihat pada Gambar 2, dimana neuron Y menerima input dari
neuron X1, X2, dan X3, dengan nilai aktivasi x1, x2, dan x3. Weight dari jalur
penyambung antara X1, X2, dan X3 dan Y adalah w1, w2, dan w3. Sehingga nilai
neuron Y dapat digambarkan sebagai hasil penjumlahan nilai aktivasi dan faktor
pengalinya, seperti pada Fungsi 2.
Terdapat banyak metode yang ada dalam ANN, yang dapat digunakan sebagai
fungsi aktivasi, yang akan dibahas pada bagian 2.4.4.
23
Gambar 2. Single Layer Net
Multi layer net merupakan pengembangan lebih lanjut dari ANN dimana
terdapat hidden layer, yang membuat ANN semakin fleksibel dalam memecahkan
berbagai topic permasalahan, yang mungkin tidak dapat diselesaikan oleh single
layer net. Namun sebaliknya, keberadaan hidden layer ini membuat proses
training semakin sulit. Contoh multi layer net dapat dilihat pada Gambar 3.
Jumlah hidden layer dalam jaringan dapat lebih dari satu, tergantung dari
kebutuhan sistem. Namun, jumlah hidden layer yang terlalu banyak akan
membuat model menjadi overfit (Gonzalez, 2000), yaitu jaringan yang terlalu
kompleks dan tidak menggambarkan kondisi yang sesungguhnya.
Gambar 3. Multi Layer Net
Neural network telah berkembang dan banyak digunakan dalam
penyelesaian masalah di berbagai bidang, seperti pemrosesan signal, controller,
pengenalan pola, pengobatan, penghasil kata, pengenalan kata, dunia bisnis, dan
lain sebagainya.
w3
w2
w1 X1
X1
X1
Y
v2
v1
w3
w2
w1 X1
X1
X1
Y
X1
X1
Input Units Hidden Units Output Units
24
2.4.3. Pengelompokan ANN Berdasarkan Proses Training
Berdasarkan tipe trainingnya, ANN dibedakan menjadi supervised training
dan unsupervised training, ada pula yang mengembangkan kategori ketiga yang
disebut dengan self-supervised training (Fausett, 1994, p15). Supervised training
merupakan proses pelatihan untuk mendapatkan pola, dimana output, sebagai
target, telah ditentukan sebelumnya, dan nilai weight disesuaikan berdasarkan
algoritma yang digunakan. Sebaliknya, pada unsupervised training, hanya
disediakan sejumlah inputan tanpa memberikan target. Pada umumnya,
unsupervised training banyak digunakan untuk proses clustering (pengelompokan
data).
2.4.4. Fungsi Aktivasi Dalam ANN
Seperti telah dijelaskan sebelumnya, bahwa setiap neuron dalam jaringan
akan menjalankan fungsi aktivasi tertentu untuk mendapatkan nilai tertentu.
Terdapat beberapa jenis fungsi aktivasi, berdasarkan output yang diharapkan,
antara lain:
25
26
2.4.5. Karakteristik Multi Layer Perceptron
Multi layer perceptron (MLP) ditandai dengan adanya minimal satu hidden
layer pada arsitekturnya, dimana hidden layer ini memiliki kemampuan untuk
mengenali informasi yang tidak dapat dilihat karena sifat data yang non-linear.
Selain itu, MLP pada umumnya menggunakan fungsi aktivasi sigmoid non-
linearity, seperti bipolar sigmoid seperti pada Fungsi 7 dan hyperbolic tangent
seperti pada Fungsi 9. Ciri lain dari MLP adalah adanya high connectivity antar
neuron, dimana setiap neuron dalam satu layer terhubung ke semua neuron lain
pada layer berikutnya, hal ini mengakibatkan adanya perubahan kecil pada
konektivitasnya, membutuhkan perubahan juga pada populasi. Arsitektur MLP
dengan dua hidden layer dapat dilihat pada Gambar 4.
Kelemahan utama yang ada pada karakteristik MLP disebabkan adanya
high connectivity dalam arsitekturnya, yang mempersulit proses desain model
ANN itu sendiri. Selain itu adanya hidden layer menyebabkan visualisasi proses
learning menjadi relative lebih sulit. Ketersediaan jenis data yang terlalu banyak,
atau target yang terlalu bervariasi dapat mengurangi kemampuan network untuk
mengenali pattern, dan kondisi ini disebut dengan overfit.
27
Input Layer
First Hidden Layer
Second Hidden Layer
Output Layer
Gambar 4. Arsitektur MLP dengan Dua Hidden Layer
Terdapat dua buah signal pada arsitektur MLP, yaitu function signals dan
error signals. Function signals atau disebut juga input signals digunakan pada
forward pass, yang memproses input data dari input layer ke output layer dan
menghasilkan output yang nantinya akan disesuaikan dengan target pada
supervised learning, sedangkan error signal digunakan pada backward pass, yang
memproses pada alur sebaliknya dan signal ini akan digunakan untuk
menyesuaikan besarnya weight.
Momentum merupakan variabel yang dapat digunakan untuk mempercepat
proses pembelajaran dalam ANN dan menghindarkan proses pembelajaran
berhenti pada kondisi yang tidak sesuai. Nilai momentum berkisar pada nilai
antara nol dan satu. Nilai momentum ini akan digunakan dalam proses
penyesuaian weight pada backward pass.
Selain itu, terdapat nilai learning rate, dimana semakin kecil nilainya akan
menyebabkan semakin kecil perubahan pada weight, sehingga perubahan antar
epoch menjadi semakin halus. Namun hal ini menyebabkan proses pembelajaran
28
berjalan lambat. Sebaliknya, semakin besar nilai learning rate, jaringan yang
terbentuk kurang stabil.
Epoch merupakan serangkaian proses yang terdiri dari satu forward pass
dan satu backward pass. Sedangkan proses training itu sendiri terdiri dari
sejumlah epoch, hingga mencapai kondisi dengan weight yang sesuai dan
minimum average squared error.
Kebanyakan MLP menggunakan algoritma backpropagation sebagai
proses pembelajarannya. Backpropagation pertama kali diperkenalkan pada tahun
1985 oleh Rumelhart dan Mc Clelland dan telah terbukti pada banyak penelitian,
bahwa algortima ini dapat membuat MLP bekerja dengan lebih efisien (Haykin,
1999, p157).
Backpropagation dengan gradient descent memiliki kelebihan pada
kesederhanaan implementasinya yang telah terbukti pada banyak penelitian
berhasil mengenali pola dengan baik. Sedangkan kelemahannya, terletak pada
prosesnya yang relative lambat dan kurang efisien; selain itu, algoritma ini
memiliki kemungkinan melakukan kesalahan mengenali local minimum sebagai
global minimum, sehingga hasil yang diperoleh kurang optimal (Marriot, et al,
n.d). Kesalahan pengenalan local minimum sebagai global minimum dapat
dihindari dengan memberikan nilai momentum. Selain itu, pemodelan ANN
sebaiknya dilakukan dalam beberapa versi, misalnya dengan menambah atau
mengurangi neuron, dan menggunakan data yang bervariasi, untuk mendapatkan
minimum error dan menghindari overfit.
Algoritma backpropagation (Fausett, 1994, p294) versi sederhana dengan
algoritma gradient descent dapat digambarkan sebagai berikut:
29
0. Initialize weight, dengan inisialisasi nilai random, misalnya -0.5 hingga
0.5; atau dengan inisialisasi Nguyen-Widrow.
1. Looping aktivitas 2 hingga 6. Syarat dari looping adalah selama epoch
belum mencapai kondisi tertentu (untuk menghindari infinite loop) dan
mean squared error belum mencapai nilai yang diinginkan.
2. Looping aktivitas 3 hingga 5, untuk tiap lapisan dalam jaringan.
Feedforward:
3. Pembobotan untuk hidden layer dan output, dengan mengalikan
nilai pada tiap lapisan dengan nilai weight, yang kemudian
diperhitungkan dalam fungsi aktivasi yang digunakan.
Backpropagation:
4. Perhitungan error pada tiap lapisan, dan kemudian dihitung secara
mundur sesuai dengan tingkat error masing-masing lapisan, sesuai
dengan learning rate yang ditentukan di awal.
Update weight and biases:
5. Penyesuaian weight tiap lapisan, sesuai dengan selisih yang
dihasilkan pada proses sebelumnya, dimana nilai momentum
digunakan.
6. Test stopping condition
Jaringan dengan metode gradient descent pada umumnya berjalan dengan
lambat. Oleh karena itu, model ini memiliki beberapa variasinya (Demuth et.al,
2008), antara lain:
30
- Gradient descent dengan momentum dan learning rate, dimana learning
rate dapat diubah sesuai dengan kecenderungan performa jaringan.
Momentum membuat perubahan weight akan memperhitungkan weight
pada proses sebelumnya. Hal ini dapat menghindarkan jaringan dari trend
penurunan error yang salah (local gradient). Semakin besar nilai
momentum, membuat jaringan kurang sensitive terhadap keberadaan local
gradient, yang artinya jaringan tidak mengalami pembelajaran yang baik.
- Resilient backpropagation (Rprop), yang dikembangkan oleh Martin
Riedmiller dan Heinrich Braun pada tahun 1992. Metode ini
dikembangkan untuk menghindari perubahan gradient yang terlalu kecil
selama proses update dengan fungsi aktivasi sigmoid, yang menyebabkan
pembentukan jaringan lambat. Dalam proses update weight, Rprop
memiliki faktor delta, dimana nilai delta akan mengikuti arah perubahan
weight. Jika perubahan weight kecil, nilai delta akan membesar,
sebaliknya, ketika perubahan weight aktif, nilai delta akan mengecil.
- Conjugate gradient algorithm, dimana perbedaan utama algoritma ini dari
yang lain adalah pencarian nilai negative dari gradient dalam jaringan
sejak iterasi pertama. Terdapat beberapa variasi perhitungan nilai β dalam
CGA, seperti Fletcher-Reeves Update, Polak-Ribiere Update, Powell-
Beale Restarts dan Scaled Conjugate Gradient. Pada umumnya, algoritma
ini bekerja lebih cepat dibandingkan Rprop.
- Quasi-Newton Algorithms, disebut juga dengan Variable metric methods,
dimana proses update nilai gradient menggunakan matriks Hessian
(Jacobian). Metode Newton bergerak berdasarkan informasi derivatif dan
31
berasal dari analisis deret Taylor. Kinerja algoritma ini relative lebih baik
dibanding CGA, namun lebih kompleks dan membutuhkan lebih banyak
memori, akibat penggunaan matriks Hessian.
- Levenberg-Marquardt (LM), yang memiliki spesialisasi mencari nilai
minimum dari suatu fungsi, khususnya non-linear. Sama seperti Quasi-
Newton, LM juga menggunakan matrik Hessian (Jacobian) dalam
perhitungannya. Seperti telah disebutkan sebelumnya, penggunaan matriks
Hessian mengkonsumsi memori yang cukup besar. Oleh karena itu, ketika
jaringan dilatih menggunakan metode Quasi-Newton atau LM,
penggunaan memori sebaiknya diatur, untuk menghindari sistem yang
hang akibat run out of memory.
Semakin besar ukuran jaringan, semakin kompleks fungsi yang ada di
dalamnya. Jika jumlah parameter jauh lebih kecil dari jumlah data dalam training
set, maka kemungkinan overfit sangat kecil (Demuth et.al, 2008, p5-53). Dalam
jaringan kecil hingga sedang, sebaiknya menggunakan metode LM training.
Sebaliknya, dalam jaringan yang besar, sebaiknya menggunakan metode pelatihan
Rprop maupun CGA (Demuth et.al, 2008, p5-71). Menurut Haykin (1999, p178),
terdapat beberapa langkah yang dapat dilakukan untuk meningkatkan performa
algoritma backpropagation, yaitu:
1. Menggunakan sequential update, daripada batch update. Perbedaan
kedua proses update ini terletak pada proses update-nya. Pada
sequential update, weight dan bias diupdate setiap satu neuron selesai
diproses, sedangkan pada batch update, proses update weight dan bias
32
dilakukan setelah semua neuron selesai diproses. Sequential update
memproses lebih cepat dibandingkan batch update, terutama pada data
yang besar.
2. Menggunakan fungsi aktivasi sigmoid, yaitu fungsi yang menghasilkan
nilai -1 hingga 1
3. Normalisasi input, dengan membentuk input yang uncorrelated, dan
memiliki covariance yang kurang lebih sama, sehingga setiap input
memiliki kecepatan belajar yang sama
4. Inisialisasi yang tepat. Hal ini relative sulit dilakukan, dan pada
umumnya nilai inisialisasi yang tepat diperoleh melalui trial and error.
Jika tidak ada acuan yang pasti, learning rate di-set dengan nilai kecil.
5. Learning rate pada output layer di-set lebih kecil daripada learning rate
pada input layer, untuk mendapatkan kecepatan belajar yang sama
pada semua layer.
2.5. ANN dan Ekonomi Makro
Banyak penelitian yang menggunakan neural network model dalam
melakukan peramalan GDP atau GNP. Keakuratan yang dihasilkan cukup
menjanjikan dan menunjukkan bahwa ANN dapat menjadi teknik yang baik
dalam peramalan tingkat pertumbuhan ekonomi di suatu negara. Namun, kenyatan
juga menunjukkan bahwa ANN juga memiliki berbagai kelemahan.
Tkacz dan Hu (1999) melakukan penelitian tentang peramalan GDP di
Kanada, dengan teknik ANN. Variabel yang digunakan dalam peramalan yang
dilakukan adalah suku bunga jangka panjang, bond rates, tingkat pertumbuhan
ekonomi dari quarter pertama hingga ke empat, dan tingkat pertumbuhan stock
33
dari tahun 1968 hingga 1998. Tkacz dan Hu menggunakan model ANN static, dan
mengikuti rekomendasi dari Kuan dan White tentang jumlah hidden layer yang
digunakan dalam arsitektur ANNnya, yaitu satu buah hidden layer. Jumlah hidden
unit dalam hidden layer dibuat menjadi dua, jumlah yang sesuai untuk
mendapatkan hasil yang baik dalam forecasting. Penambahan jumlah hidden unit
adakalanya dapat menurunkan performa dari forecasting tersebut. Bailey dan
Thompson menyarankan jumlah hidden unit sebaiknya 75% dari jumlah input,
sehingga dua hidden unit seharusnya sudah cukup.
Proses peramalan dilakukan dua kali. Peramalan pertama dilakukan
dengan membagi proses menjadi bagian training dan ujicoba. Proses training
menggunakan data tahun 1968:1 sampai 1985:1, dan hasil estimasi digunakan
dalam ujicoba pada data 1985:2 hingga 1998:1. Peramalan kedua dilakukan
dengan melakukan training pada data 1968:1 hingga 1998:1. Hasil training
keduanya kemudian dibandingkan dengan model linear dan model ANN yang
kedua menunjukkan hasil yang lebih baik. Hasil akhir dari penelitian yang
dilakukan oleh Tkacz menunjukkan bahwa neural network model yang dibuat
memiliki kemampuan untuk menangkap pola hubungan antara pertumbuhan GDP
dan indicator financial yang digunakan.
Menurut Tkacz dan Hu, masalah terbesar yang dihadapi dalam model
ANN yang digunakannya adalah parameter αk dan βjk tidak dapat terupdate secara
otomatis ketika ada data baru. Sedangkan secara umum, kendala yang dihadapi
dalam penelitian ini adalah model ANN yang dibangun hanya dapat menghadapi
masalah yang khusus. Kadangkala, ANN membutuhkan epoch yang sangat
banyak dalam proses pembelajarannya, atau bahkan mengalami proses yang
34
infinite karena tidak dapat menemukan weight yang sesuai dengan kriteria. Proses
update dalam arsitektur ANN adakalanya tidak berguna, karena banyak faktor
yang harus diidentifikasi setiap memilih parameter. Ketika kriteria yang
ditentukan terlalu banyak, model akan menjadi overfit, dan sebaliknya ketika
kriteria terlalu sedikit, model tidak dapat menangkap pola dari data.
Gonzalez (2000) juga melakukan penelitian yang berhubungan dengan
forecasting macroeconomic di Kanada, dan membandingkan hasilnya dengan
hasil ramalan dengan model regresi linear. Gonzalez memilih model ANN dengan
mengikutsertakan berbagai teknik perhitungan econometric, karena menurut
pengamatannya, ANN memiliki potensi yang baik dalam hal forecasting data
ekonomi yang menghubungkan model linear dan non linear dengan berbagai
variabel, seperti peramalan makro ekonomi dan indeks saham.
Dalam penelitiannya, Gonzalez menggunakan model augmented ANN,
dengan algoritma backpropagation dalam menentukan besarnya weight dalam
jaringan. Dalam percobaannya, Gonzalez (2000), serta Moshiri dan Ghadimi
(2004) menyatakan bahwa untuk mendapatkan arsitektur ANN yang paling sesuai,
user harus melakukan trial and error, dengan menambah hidden units, atau
menambah/mengurangi koneksi tertentu dalam jaringan, sehingga diperoleh mean
squared error yang diharapkan. Dari pengalaman ini, dapat dikatakan bahwa
mendesain model neural network membutuhkan waktu lebih lama dibandingkan
dengan mendesain model linear.
Data yang digunakan dalam peramalan yang dilakukan Gonzalez adalah
data periode tahun 1978 hingga 1998, dengan enam variabel pendukung yaitu
GDP tahun sebelumnya, tingkat pertumbuhan pekerja dua quarter terakhir, indeks
35
konsumen, suku bunga jangka panjang sembilan quarter sebelumnya dan neraca
anggaran pemerintah tiga quarter sebelumnya. Selain itu, ditambahkan empat
variabel dummy yang digunakan untuk mengontrol empat quarter dalam setahun.
Dua hidden unit digunakan dalam arsitektur ANNnya, augmented neural network
dipilih sebagai model arsitekturnya, hyperbolic tangent sebagai fungsi aktivasinya
dan MATLAB sebagai aplikasi untuk programmingnya. Durasi data dibagi
menjadi tiga kelompok, yaitu 1978:1-1993:2 sebagai data training, 1998:3-1995:4
sebagai data validasi dan 1996:1-1998:2 sebagai data uji coba.
Ujicoba dilakukan dengan membandingkan hasil peramalan dengan
teknik regresi linear, pada komponen mean absolute error, mean squared error dan
inequality coefficient. Hasil ujicoba menunjukkan bahwa neural network memiliki
error yang lebih kecil dibandingkan regresi linear, dengan perbedaan 13-25% pada
data training, dan 20-40% pada data ujicoba.
Giovanis (n.d.) menggunakan ARIMA dan ANN untuk memperkirakan
tingkat pertumbuhan ekonomi di Amerika Serikat. Giovanis menggunakan data
GNP periode sebelumnya (quarterly), dan tingkat pengangguran sebagai
variabelnya, untuk periode tahun 1948 hingga 2006, dengan pembagian data 1948
– 1990 sebagai training set dan 1991 – 2006 sebagai testing sample.
Dalam penelitian ini, digunakan empat model forecasting, yaitu ARIMA
dan tiga model ANN. Model ANN yang digunakan adalah Generalized
Regression Neural Network (GRNN) dengan empat layer, Radial Basis Function
(RBF) dengan tiga layer dan Multi Layer Perceptron (MLP) dengan tiga layer.
Learning rate dalam MLP diset menjadi 0.01 dengan momentum 0.3. Hasil
36
penelitian ini menunjukkan bahwa model neural network menghasilkan prediksi
yang lebih baik dibandingkan model ARIMA.
Moshiri dan Ghadimi (2004) menggunakan ANN yang dikombinasikan
dengan genetic algorithm dalam forecasting GDP di Iran, menggunakan data
periode 1936 hingga 2002. Variabel pendukung yang digunakan adalah data GDP
periode sebelumnya, tingkat pengangguran, tingkat ekspor/impor, tingkat inflasi
dan kondisi politik negara tersebut. Kondisi politik diikutsertakan dalam
peramalan ini dikarenakan Iran cukup sering menghadapi polemic, seperti perang
dunia 2, perang dengan Irak dan lain sebagainya. Masalah utama yang dihadapi
dalam penelitian ini adalah ketersediaan data yang kurang memadai, misalnya
tidak diterbitkan secara berkala atau tingkat kesalahan data yang relative tinggi;
yang juga dihadapi oleh kebanyakan negara berkembang.
Dalam penelitian ini, digunakan tiga model perhitungan econometric,
yaitu namely structural, univariate time series dan multivariate time series; yang
dikombinasikan dengan ANN dan Genetic Algorithm ANN. Model ANN yang
digunakan adalah back-propagation dan gradient descent learning, dengan satu
hidden layer.
Data yang ada dibagi menjadi dua, yaitu 1936 hingga 1986 sebagai
learning set, dan 1987 hingga 2002 untuk uji coba. Setelah hasil forecasting
didapatkan, dilakukan dengan membandingkan hasil forecasting dengan beberapa
teknik yang lain, dilihat dari root mean squre errors, mean absolute errors, mean
absolute percentage errors, theil inequality criteria dan confusion rate. Hasil
perbandingan memperlihatkan bahwa model Genetic Algorithm ANN memiliki
performa yang relative lebih baik dibandingkan model lainnya.
37
Sedangkan penelitian yang dilakukan oleh Mat Junoh (2004)
mengembangkan forecasting GDP/GNP tidak hanya menggunakan indicator
perekonomian seperti yang banyak digunakan di negara lain, namun ia juga
menambahkan knowledge based economy indicator, seperti tingkat penggunaan
mobile phone, pengguna internet, jumlah kepemilikan computer, dan instalasi
personal computer per 1000 orang. Pada intinya, Mat Junoh ingin
mengidentifikasi pengaruh perkembangan teknologi terhadap pengaruh
perekonomian di Malaysia.
Model ANN yang digunakan adalah back propagation algorithm dengan
satu hidden layer, dan sigmoid transfer function sebagai fungsi aktivasinya. Hasil
penelitian menunjukkan bahwa model ANN menghasilkan tingkat kebenaran yang
relative lebih tinggi dan error yang lebih kecil dibandingkan teknik model
perhitungan econometric, sehingga dapat disimpulkan bahwa tingkat konsumsi
teknologi di Malaysia memiliki pengaruh terhadap pertumbuhan ekonomi.
Secara umum, variabel yang banyak digunakan dalam penelitian
mengenai peramalan GNP/GDP di berbagai negara, dapat dilihat pada Tabel 1.
38
Tabel 1. Rangkuman Variabel
Peneliti Tahun Negara Variabel yang digunakan Marcelinno 2007 USA GNP Inflasi Financial Forecast Center 2009 USA GDP Inflasi tingkat
pengangguran harga emas
Giovanis n.d. USA GNP tingkat pengangguran
Demers & Dupuis 2005 Kanada GDP Kanada & Regional GDP luar negri suku bunga exchange rate
Tkacz & Hu 1999 Kanada GDP bond rates suku bunga jk panjang
petumbuhan stock
Gonzalez 2000 Kanada GDP tingkat pertumbuhan pekerja
index konsumen suku bunga jangka panjang
Schumacer & Breitung 2006 Jerman GDP exchange rate suku bunga tingkat produksi
Schneider & Spitzer
2004
Austria
GDP tingkat pengangguran exchange rate
economic sentiment & index IFO dari Jerman
tingkat tenaga kerja
tingkat lowongan pekerjaan
suku bunga index saham
Pilstrom & Pohl 2009 Baltic GDP inflasi tingkat pengangguran
Angelini dkk 2008 Eropa tingkat pengangguran penjualan retail registrasi
kendaraan baru tingkat produksi
Camba-Mendex 1999 Eropa suku bunga jangka pendek
exchange rate Obligasi survey
Moshiri & Ghadimi 2004 Iran GDP inflasi tingkat pengangguran ekspor impor
Curran & Funke 2006 China ekspor real estate climate index
shanghai stock exchange composite index
Reverse Bank of Fiji 2005 Jepang
Pertanian, kehutanan, perikanan & subsistensinya
jasa untuk komunitas & personal
sektor keuangan, asuransi, real estate & bisnis lainnya
perdagangan retail & grosir, hotel & restoran
Mat Junoh 2004 Malaysia tingkat penggunaan mobil phone
tingkat penggunaan internet
kepemilikan computer instalasi PC
Wijono & Amir 2005 Indonesia harga konstan tahun 2000
pertumbuhan di sektor perekonomian (GDP)
Supriana 2004 Indonesia Exchange Rate