PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN …

PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN METODE ALGORITMA GENETIKA-JARINGAN SARAF TIRUAN

(EURO TERHADAP US DOLLAR)

TUGAS AKHIR

Disusun dalam rangka memenuhi salah satu persyaratanUntuk menyelesaikan program Strata-1 Prodi Informatika Jurusan Elektro

Universitas HasanuddinMakassar

Disusun Oleh :

ARY SESPAJAYADI NUR INDRIANI RUSHADAH D421 08 111 D421 08 259

PROGRAM STUDI TEKNIK INFORMATIKAJURUSAN ELEKTRO FAKULTAS TEKNIK

UNIVERSITAS HASANUDDINMAKASSAR

2012

LEMBAR BERITA ACARA UJIAN SARJANA

PANITIA UJIAN SARJANAPRODI INFORMATIKA JURUSAN ELEKTRO FAKULTAS TEKNIK

UNIVERSITAS HASANUDDIN

Pada hari ini Kamis tanggal 06 bulan Desember tahun 2012 telah dilaksanakan Ujian Sarjana

lengkap atas nama:

ARYSESPAJAYADI

D42108111

NUR INDRIANI RUSHADAH

D42108259

Berhasil mempertahankan dan panitia ujian menerima Skripsi yang berjudul “Prediksi Nilai

Tukar Valuta Asing Menggunakan Metode Algoritma Genetika-Jaringan Saraf Tiruan (Euro

terhadap US Dollar)”

Yang diajukan dalam rangka memenuhi salah satu syarat guna memperoleh gelar Sarjana

Teknik Program Studi Teknik Informatika Jurusan Teknik Elektro pada Fakultas Teknik

Universitas Hasanuddin.

Makassar, 8 Februari 2013

Panitia Ujian Sarjana Lengkap

Nama Jabatan Tanda Tangan

1. Indrabayu, ST., MT., M.Bus, Sys. Ketua ( )

2. Elly Warni, ST., MT. Sekretaris ( )

3. Ir. H. Syafruddin Syarief, MT. Penguji ( )

4. Novy Nur Rahmilah Ayu, ST.MsTM. Penguji ( )

5. Dr-Ing. Faizal Arya Samman, ST., MT. Penguji ( )

LEMBAR PERBAIKAN SKRIPSI (TUGAS AKHIR)

Hari / Tanggal : Kamis, 06 Desember 2012

Jam : 09.00 WITA – Selesai

Tempat : Ruang Sidang Informatika

Judul Skripsi : Prediksi Nilai Tukar Valuta Asing

Menggunakan Metode

Algoritma Genetika-Jaringan

Saraf Tiruan (Euro terhadap US

Dollar).

1. Nama : Arysespajayadi

No. Stb : D42108111

2. Nama : Nur Indriani Rushadah

No. Stb : D42108259

Telah Diperbaiki Sesuai Dengan Usulan / Pembimbing KETUA : Indrabayu, ST., MT., M.Bus, Sys. ( )SEKRETARIS : Elly Warni, ST., MT. ( )PENGUJI : 1. Ir. H. Syafruddin Syarief, MT. ( )

2. Novy Nur Rahmilah Ayu, ST.MsTM ( ) 3. Dr-Ing. Faizal Arya Samman, ST., MT. ( )

PEMBIMBING: 1. Indrabayu, ST., MT., M.Bus, Sys. ( ) 2. Elly Warni, ST., MT. ( )

Makassar, 8 Februari 2013Ketua Jurusan Elektro,

Dr.Ir.H. Andani Ahmad, MTNIP: 196012111987031022

2

LEMBAR PENGESAHAN TUGAS AKHIR

PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN

METODE ALGORITMA GENETIKA-JARINGAN SARAF TIRUAN

(EURO TERHADAP US DOLLAR)

Disusun Oleh:

ARY SESPAJAYADI D421 08 111

NUR INDRIANI RUSHADAH D421 08 259

Tugas Akhir ini telah diterima dan disahkan sebagai kurikulum untuk memenuhi

persyaratan guna memperoleh gelar Sarjana Teknik pada Prodi Informatika

Jurusan Elektro Fakultas Teknik Universitas Hasanuddin

Disahkan Oleh:

Pembimbing I

Indrabayu, ST, MT, M.Bus, Sys.NIP.19750716 200212 1 004

Pembimbing II

Elly Warni, ST. MTNIP.19820216 200812 2 001

Mengetahui,Ketua Jurusan Elektro

Fakultas Teknik Universitas Hasanuddin

Dr. Ir. H. Andani Achmad, MT.NIP. 19601231 198703 1 022

3

ABSTRAK

Memiliki penghasilan tinggi secara continue dan aman dalam trading Forex secara real adalah impian bagi para trader, hampir kebanyakan para trader pemula , terutama trader yang baru terjun atau baru belajar di dunia Forex berusaha semaksimal mungkin untuk menemukan sistem yang holygrail secara teknik baik secara fundamental maupun teknikal

Pada penelitian ini bertujuan untuk membuat sistem prediksi harga nilai tukar mata uang Euro terhadap US Dollar dengan metode Algoritma Genetika-Jaringan Saraf Tiruan. Metode Algoritma Genetika digunakan untuk mendapatkan nilai Feed Forward Neural Network terbaik dari output yang dihasilkan. Selanjutnya dilakukan pelatihan terhadap Feed Forward Neural Network terbaik yang didapatkan dengan metode Jaringan Saraf Tiruan untuk membentuk sebuah net yang akan digunakan untuk memprediksi.

Data pergerakan nilai tukar Euro terhadap US Dollar dapat diperoleh dari software Metatrader yang berupa data history forex timeframe jam (H1). Dimana hasil uji prediksi adalah nilai open, high, low dan close yang mengalami perubahan setiap jam. Validasi hasil uji prediksi harga EUR/USD pada nilai harga Open, High, Low dan Close dengan metode Algoritma Genetika-Jaringan Saraf Tiruan terhadap data real history time-frame H1 keempat variabel dari Metarader memiliki nilai RMSE dan tingkat akurasi sebagai berikut: Open memiliki nilai RMSE sebesar 0,0071 dengan tingkat akurasi sebesar 95,00%, High memiliki nilai RMSE sebesar 0,0261 dengan tingkat akurasi 59,17%, Low memiliki nilai RMSE sebesar 0,0328 dengan tingkat akurasi sebesar 50,00% dan Close meiliki nilai RMSE sebesar 0,0119 dengan tingkat akurasi sebesar 83,33%.

Kata Kunci: Algoritma Genetika; prediksi nilai tukar valuta asing; Jaringan Saraf Tiruan;

4

ABSTRACT

Having a high income continously and safely within forex trading is a dream comes true for all traders most traders are beginner, esspecially a young or shortly learning trader who resecently become a trade tried as hard as possible to discover a holygrail system technically and fundamentally.

This research intended to create a Euro to Us Dollar currency trading prediction system by using Genetic Algorithm-Neural Network method. Genetic Algorithm method is used to gain the best value of Feed Forward Neural Network out of the achieved output. Then we commit a training for the best Feed Forward Neural Network the achieved by using Neural Network method, to form a net which are going to be used to predict.

Euro to Us Dollar’s value changes data, can be gaived by from metatrader application in from of history forex time frame hour’s data (H1). In which the result of prediction value are Open, High, Low, and Close value which are going to fare hourly changes. The result of EUR/USD current prediction validation on Open, High, Low, and Close price’s by using Genetic Algorithm-Neural Network method toward real history time-frame H1 data, all the four variable of metatrader are RMSE and having these level of accuracy : Open with 0.0071 RMSE value with accuracy level of 95.00%, High with 0.0261 RMSE value with accuracy level of 59.17%, Low with 0.0328 RMSE value with accuracy level of 50.00%, and Close with 0.0119 RMSE value with accuracy level of 83.33%.

Key words: Genetic Algorithm; foreign trading currency value prediction; Neural Network;

5

KATA PENGANTAR

Puji syukur yang sebesar-besarnya atas kehadirat Allah SWT, karena

atas berkah ilmu pengetahuan serta rahmat-Nya lah, sehingga penulis dapat

menyelesaikan Tugas Akhir ini dengan baik.

Tugas Akhir ini dibuat sebagai salah satu syarat yang harus dipenuhi

dalam menyelesaikan studi pada Prodi Informatika Jurusan Elektro Fakultas

Teknik Universitas Hasanuddin, dengan judul “PREDIKSI NILAI TUKAR

VALUTA ASING MENGGUNAKAN METODE ALGORITMA GENETIKA-

JARINGAN SARAF TIRUAN (EURO TERHADAP US DOLLAR)”.

Pada proses penyelesaian skripsi ini, penulis telah banyak mendapat

bantuan dan dukungan baik secara material maupun spiritual dari berbagai pihak.

Sebagai salah satu bentuk penghargaan yang setinggi-tingginya, kami

mengucapakan terima kasih yang sebesar-besarnya kepada :

1. Kedua orangtua kami tercinta, H. Amir Badi – Hj. Saenab Rasak dan

Drs.Rustam Nusi – Nurhaedah atas segala doa, pengorbanan, kasih

sayang, dan didikannya serta segala jasa-jasanya.

2. Bapak Amil A Ilham, ST, M.IT, P.HD selaku Ketua Prodi Informatika

Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin atas

segala dukungannya.

3. Bapak Dr. Ir. H. Andani Achmad, MT dan Bapak Ir. Gassing MT,

selaku Ketua dan Sekretaris Jurusan Teknik Elektro Fakultas Teknik

Universitas Hasanuddin atas segala dukungannya.

6

4. Bapak Indrabayu, ST, MT, M.Bus, Sys. sebagai Pembimbing I dan

Bapak Elly, ST, MT sebagai Pembimbing II atas segala bimbingan,

bantuan, dan arahannya selama penulisan skripsi ini.

5. Pak Zulkifli Tahir, ST. MSc atas waktu luangnya memberikan

pengetahuan mengenai Metode Algoritma Genetika yang terkait program

Tugas akhir ini dan Segenap dosen serta staf Prodi Informatika dan

Jurusan Elektro Fakultas Teknik Universitas Hasanuddin.

6. Seluruh keluarga besar H. Amir Badi dan Drs. Rustam Nusi

7. Saudara-saudara ku Azwar, Sari Fitriani, Azhary.

8. Kanda senior Eno’ Elektro 2007 yang telah meluangkan waktunya untuk

berbagi keahliannya menggunakan MATLAB dan pengetahuannya

mengenai metode Genetic Algorithm-Neural Network serta tidak bosan-

bosannya menerima text message untuk private course.

9. Kanda Irgi dan kanda Abo’ yang telang meluangkan waktunya menemani

saat-saat asistensi ke reso dan membantu dalam berpikir mengenai

analisis dari proses pengerjaan Tugas Akhir ini.

10. Teman-teman kelas Informatika’08 selaku teman berbagi suka duka sejak

semester awal hingga semester akhir.

11. Teman-teman angkatan Spyware’08 yang selalu kompak dalam setiap

kegiatan dan menjadi tempat berbagi pengalaman selama menjadi

mahasiswa.

7

Dengan menyadari berbagai kekurangan yang terdapat dalam Tugas Akhir

ini, maka segala kritik dan saran yang sifatnya membangun dari semua pihak

sangat diharapkan.

Akhir kata, penulis berharap semoga Tugas Akhir ini bermanfaat bagi

semua pihak yang memerlukan terutama untuk mendukung kegiatan akademis.

Makassar, Desember 2012

Penulis

8

DAFTAR ISI

HALAMAN JUDUL ....................................................................................... i

LEMBAR PENGESAHAN TUGAS AKHIR............................................... ii

ABSTRAK ....................................................................................................... iii

ABSTRACT..................................................................................................... iv

KATA PENGANTAR .................................................................................... v

DAFTAR ISI ................................................................................................... viii

DAFTAR GAMBAR ...................................................................................... xi

DAFTAR TABEL ........................................................................................... xv

DAFTAR LAMPIRAN................................................................................... xvii

BAB I PENDAHULUAN

I.1 LATAR BELAKANG ............................................................ I-1

I.2 RUMUSAN MASALAH........................................................ I-3

I.3 TUJUAN PENELITIAN ........................................................ I-3

I.4 BATASAN MASALAH......................................................... I-3

I.5 METODOLOGI PENELITIAN ............................................. I-4

I.6 SISTEMATIKA PENULISAN .............................................. I-6

BAB II TINJAUAN PUSTAKA

II.1. PENGERTIAN FOREX ......................................................... II-1

II.2. VALUTA YANG DIPERDAGANGKAN............................. II-3

II.2.1. Kurs Valuta .................................................................. II-4

II.2.2. Faktor-faktor Penggerak Valuta................................... II-6

II.3. DASAR-DASAR ANALISIS TEKNIKAL ........................... II-10

II.4. TRADING SYSTEM ................................................................ II-12

II.5. ALGORITMA GENETIK (ALGORITMA GENETIKA) ........ II-13

II.6.1. Konsep Dasar Algoritma Genetik ............................... II-13

II.6.2. Komponen-Komponen Algoritma Genetik ................. II-16

II.6.3. Cara Kerja Algoritma Genetik..................................... II-22

9

II.6. JARINGAN SYARAF TIRUAN (JARINGAN SARAF

TIRUAN). ................................................................................ II-23

II.5.1. Deskripsi Awal Jaringan Saraf Tiruan........................ II-24

II.5.2. Neuron.......................................................................... II-27

II.5.3. Backpropagation .......................................................... II-28

II.5.4. Arsitektur Jaringan Syaraf ........................................... II-32

II.5.5. Fungsi Aktivitas ........................................................... II-33

II.5.6. Algoritma Belajar dan Pelatihan .................................. II-33

BAB III MEOTODOLOGI

III.1. ALUR PENELITIAN ............................................................. III-1

III.1.1. Pengambilan Data ....................................................... III-2

III.2. PEMBENTUKAN FFNN (FEED FORWARD NEURAL

NETWORK) VARIABEL INPUT DENGAN ALGORITMA

GENETIKA ............................................................................. III-2

III.2.1. Pemrosesan Data Input ............................................... III-4

III.2.2. Pembangkitan Populasi Awal ..................................... III-5

III.2.3. Evaluasi Fitness dan Elitisme ..................................... III-6

III.2.4. Seleksi dengan Roulette Whell.................................... III-7

III.2.5. Operasi Crossover....................................................... III-8

III.2.6. Operasi Mutasi ............................................................ III-8

III.2.7. Penentuan Suatu Kondisi Untuk Menghentikan

Jalannya Algoritma ..................................................... III-9

III.3. PELATIHAN PREDIKSI VALUTA ASING DENGAN

JARINGAN SARAF TIRUAN-BACKPROPAGATION ........... III-9

III.4. UJI PREDIKSI VALUTA ASING DENGAN

ALGORITMA GENETIKA-JARINGAN SARAF

TIRUAN……………................................................................. III-11

III.5. VALIDASI PREDIKSI VALUTA ASING DENGAN

ALGORITMA GENETIKA-JARINGAN SARAF

TIRUAN……………................................................................. III-12

10

BAB IV ANALISIS DAN PEMBAHASAN

IV.1. PEMBENTUKAN FEED FORWARD NEURAL

NETWORK DAN PREDIKSI METODE ALGORITMA

GENETIKA ............................................................................. IV-1

IV.2. PELATIHAN FEED FORWARD NEURAL NETWORK

DAN PREDIKSI METODE JARINGAN SARAF TIRUAN-

BACKPROPAGATION ........................................................... IV-9

IV.3. PENGUJIAN PREDIKSI NILAI TUKAR VALUTA

ASING DENGAN METODE ALGORITMA GENETIKA-

JARINGAN SARAF TIRUAN .................................................. IV-11

BAB V PENUTUP

V.1. KESIMPULAN......................................................................... V-1

V.2. SARAN..................................................................................... V-2

DAFTAR PUSTAKA

DAFTAR ISTILAH

LAMPIRAN

11

DAFTAR GAMBAR

Gambar 2.1. Prinsip Umum Investasi dan Perdagangan ............................. II-2

Gambar 2.2. Perantara antara trader dengan Bank ...................................... II-3

Gambar 2.3. Proses pergerakan grafik......................................................... II-5

Gambar 2.5. Contoh Individu dengan Representasi Gen dalam Bentuk

Real number encoding (Atas), Discrete Decimal Encoding

(Tengah), dan Binary Encoding (Bawah) ............................... II-17

Gambar 2.6. Contoh Penggunaan Metode Roulette Wheel Selection .......... II-18

Gambar 2.7. Pindah Silang dengan Satu Titik Potong di Antara Gen 2

dan Gen 3................................................................................ II-20

Gambar 2.8. Proses Mutasi pada Sistem Binary Encoding ......................... II-20

Gambar 2.4. Sebuah Sel Syaraf Tiruan ....................................................... II-28

Gambar 3.1. Alur Penelitian ........................................................................ III-1

Gambar 3.2. FLowchart Perancangan Sistem Algoritma Genetika............. III-3

Gambar 4.1. Grafik Pergerakan Nilai Fitness Close Prediksi Nilai Tukar

Valuta Asing ........................................................................... IV-3

Gambar 4.2. Grafik Pergerakan Nilai Fitness Low Prediksi Nilai Tukar

Valuta Asing ........................................................................... IV-4

Gambar 4.3. Grafik Pergerakan Nilai Fitness High Prediksi Nilai Tukar

Valuta Asing ........................................................................... IV-4

Gambar 4.4. Grafik Pergerakan Nilai Fitness Open Prediksi Nilai Tukar

Valuta Asing ........................................................................... IV-5

Gambar 4.5. Struktur FFNN Terbaik yang dihasilkan Algoritma Genetika IV-6

Gambar 4.6. Perbandingan Data Real Open dan Hasil Latih Open Nilai

Tukar Valuta Asing dengan Metode Algoritma Genetika

(input 1 minggu) ..................................................................... IV-7

Gambar 4.7. Perbandingan Data Real High dan Hasil Latih High Nilai


(input 1 minggu) ..................................................................... IV-7

12

Gambar 4.8. Perbandingan Data Real Low dan Hasil Latih Low Nilai


(input 1 minggu) ..................................................................... IV-8

Gambar 4.9. Perbandingan Data Real Close dan Hasil Latih Close Nilai


(input 1 minggu) ..................................................................... IV-8

Gambar 4.10. Perbandingan Data Real Open dan Hasil Latih Open Nilai

Tukar Valuta Asing dengan Metode Jaringan Saraf Tiruan-

Backpropagation..................................................................... IV-9

Gambar 4.11. Perbandingan Data Real High dan Hasil Latih High Nilai



Gambar 4.12. Perbandingan Data Real Low dan Hasil Latih Low Nilai



Gambar 4.13. Perbandingan Data Real Close dan Hasil Latih Close Nilai



Gambar 4.14. Perbandingan Data Real Open dan Hasil Uji Prediksi Open

Nilai Tukar Valuta Asing dengan Metode Algoritma

Genetika-Jaringan Saraf Tiruan Tanggal 1 oktober 2012 ..... IV-14










13




Gambar 4.19. Perbandingan Data Real High dan Hasil Uji Prediksi High


Genetika-Jaringan Saraf Tiruan Tanggal 1 Oktober 2012 .... IV-22













Gambar 4.24. Perbandingan Data Real Low dan Hasil Uji Prediksi Low












14




Gambar 4.29. Perbandingan Data Real Close dan Hasil Uji Prediksi Close















15

DAFTAR TABEL

Tabel 4.10. Validasi Data Real dengan Hasil Uji Prediksi Open pada

Tanggal 1 Oktober 2012 ......................................................... IV-13









Tabel 4.15. Validasi Data Real High dengan Hasil Uji Prediksi High

pada Tanggal 1 Oktober 2012................................................. IV-22









Tabel 4.20. Validasi Data Real Low dengan Hasil Uji Prediksi Low pada








16



Tabel 4.25. Validasi Data Real Close dengan Hasil Uji Prediksi Close










Tabel 4.30. RMSE (Root Mean Square Error) dan Persentase kebenaran

(akurasi) Variabel input Algoritma Genetika-Jaringan Saraf

Tiruan untuk uji prediksi selama 1 minggu mulai tanggal 1

Oktober sampai dengan 5 Oktober 2012 ................................ IV-53

17

DAFTAR LAMPIRAN

1. FUNGSI-FUNGSI PADA ALGORITMA GENETIKA....................... L-1

2. PEMBENTUKAN FEED FORWARD NEURAL NETWORK

NILAI TUKAR VALUTA ASING DAN PELATIHAN PREDIKSI

METODE ALGORITMA GENETIKA ................................................ L-3

3. PELATIHAN FEED FORWARD NEURAL NETWORK NILAI

TUKAR VALUTA ASING DAN PREDIKSI METODE NEURAL

NETWOR-BACKPROPAGATION...................................................... L-7

4. PENGUJIAN PREDIKSI NILAI TUKAR VALUTA ASING

MENGGUNAKAN METODE ALGORITMA GENETIKA-

JARINGAN SARAF TIRUAN.............................................................. L-8

5. PSEUDOCODE ALGORITMA GENETIKA-JARINGAN SARAF

TIRUAN ............................................................................................. L-1

6. TABEL 4.1 NILAI-NILAI VARIABEL INPUT OPEN, HIGH,

LOW DAN CLOSE TANGGAL 24 OKTOBER SAMPAI

DENGAN 28 OKTOBER 2012 ......................................................... L-18

7. TABEL 4.2 PERBANDINGAN DATA REAL OPEN DENGAN

HASIL LATIH OPEN NILAI TUKAR VALUTA ASING

DENGAN METODE ALGORITMA GENETIKA .............................. L-21

8. TABEL 4.3 PERBANDINGAN DATA REAL HIGH DENGAN

HASIL LATIH HIGH NILAI TUKAR VALUTA ASING


9. TABEL 4.4 PERBANDINGAN DATA REAL LOW DENGAN

HASIL LATIH LOW NILAI TUKAR VALUTA ASING


10. TABEL 4.5 PERBANDINGAN DATA REAL CLOSE DENGAN

HASIL LATIH CLOSE NILAI TUKAR VALUTA ASING


18

11. TABEL 4.6 PERBANDINGAN DATA REAL OPEN DENGAN

HASIL LATIH OPEN NILAI TUKAR VALUTA ASING

DENGAN METODE JARINGAN SARAF TIRUAN-

BACKPROPAGATION ....................................................................... L-42

12. TABEL 4.7 PERBANDINGAN DATA REAL HIGH DENGAN

HASIL LATIH HIGH NILAI TUKAR VALUTA ASING



13. TABEL 4.8 PERBANDINGAN DATA REAL LOW DENGAN

HASIL LATIH LOW NILAI TUKAR VALUTA ASING



DAFTAR ISTILAH

FFNN FEED FORWARD NEURAL NETWORK

FOREX FOREIGN EXCHANGE

OPEN HARGA NILAI TUKAR PADA SAAT PASAR FOREX BUKA

HIGH HARGA TRANSAKSI TERTINGGI PADA SAAT PERTUKARAN

LOW HARGA TRANSAKSI TERRENDAH PADA SAAT PERTUKARAN

CLOSE HARGA NILAI TUKAR PADA SAAT PASAR FOREX TUTUP

VOLUME TRANSAKSI HARIAN YANG SANGAT BESAR

BID HARGA PENAWARAN

BUY HARGA BELI

ASK HARGA PERMINTAAN

SELL HARGA JUAL

HOLYGRAIL MENDAPATKAN PROFIT SEMAKSIMAL MUNGKIN SECARA KONTINYU

PIP PRICE INCREMENT POINT “PERGERAKAN HARGA MATA UANG”

MSE MEAN SQUARE ERROR

RMSE ROOT MEAN SQUARE ERROR

I-1

BAB I

PENDAHULUAN

I.1. LATAR BELAKANG

Foreign Exchange Market (disingkat Forex market) atau yang biasa

dikenal dengan Pasar Valuta Asing atau Mata Uang Asing merupakan suatu

jenis perdagangan atau transaksi yang memperdagangkan mata uang suatu

negara terhadap mata uang negara lainnya (pasangan mata uang/pair) melalui

broker atau dealer[1].

Dalam menganalisis pasar Forex, terdapat dua jenis analisis (1)

analisis fundamental dan (2) analisis teknikal. Analisis fundamental adalah

metode untuk mengamati pergerakan pasar melalui kekuatan-kekuatan berita,

baik berita sosial, berita politik maupun berita ekonomi yang mempengaruhi

permintaan dan penawaran[13]. Analisis teknikal adalah analisis tentang

pergerakan menggunakan chart dan melihat gerakan history mata uang untuk

memprediksi kemana arah pergerakan selanjutnya[13].

Memiliki penghasilan tinggi secara continue dan aman dalam trading

Forex secara real adalah impian bagi para trader, hampir kebanyakan para

trader pemula , terutama trader yang baru terjun atau baru belajar di dunia

Forex berusaha semaksimal mungkin untuk menemukan sistem yang holygrail

I-2

secara teknik baik secara fundamental maupun teknikal, bahkan tidak sedikit

yang tergiur untuk membeli auto-system, indikator signal, roboForex dan lain-

lain. yang mereka anggap dapat membantu keberhasilannya, ternyata hanya

beberapa kali saja sistemnya mendapatkan profit bahkan harus memerlukan

banyak modal tanpa memperhitungkan resiko agar sistemnya bekerja dengan

baik, dianggap jalan menuju kesuksesan, Namun dari sekian banyak teknik dan

sistem tersebut memang tidak menjamin anda sukses, tetapi jadikanlah itu

sebagai second opinion karena teknik fundamental/teknikal, System, Indicator

maupun RoboForex hanyalah sebuah analisis[14].

Salah satu metode untuk memprediksi pergerakan harga mata uang

asing dalam hal ini mata uang EUR/USD ialah dengan menggunakan teknologi

di bidang Artificial Intellegence, misalnya Jaringan Saraf Tiruan.

Berdasarkan kemampuan belajar yang dimilikinya, maka Jaringan

Saraf Tiruan dapat dilatih untuk mempelajari dan menganalisis pola data

masa lalu dan berusaha mencari suatu formula atau fungsi yang akan

menghubungkan pola data masa lalu tersebut dengan pola data keluaran yang

diinginkan pada saat ini dan pola data masa depan[4].

Dalam penelitian ini digunakan metode Algoritma Genetika yang

dipadukan dengan metode Jaringan Saraf Tiruan sehingga menjadi metode

Algoritma Genetika-Jaringan Saraf Tiruan dengan harapan dapat menghasilkan

prediksi pergerakan harga mata uang asing EUR/USD pada masa depan karena

Algoritma Genetika merupakan salah satu algoritma optimasi yang berusaha

I-3

mencari solusi yang diinginkan melalui perbaikan-perbaikan dari solusi-solusi

yang telah diperoleh sebelumnya[4].

I.2. RUMUSAN MASALAH

Rumusan masalah yang akan diuraikan dalam Tugas Akhir ini adalah

perancangan sistem prediksi nilai tukar valuta asing Euro terhadap US Dollar

menggunakan metode Algoritma Genetika- Jaringan Saraf Tiruan.

I.3. TUJUAN PENELITIAN

Tujuan dari penelitian ini adalah membuat sistem prediksi nilai tukar

valuta asing Euro terhadap US Dollar (harga/jam) dengan metode Algoritma

Genetika- Jaringan Saraf Tiruan.

I.4. BATASAN MASALAH

Beberapa batasan masalah yang terdapat pada skripsi ini adalah :

1. Sistem dibuat berdasarkan analisis teknikal yakni dengan data history H1

yakni pergerakan nilai tukar valuta asing Euro terhadap US Dollar yang

mengalami perubahan harga setiap jam.

2. Variabel yang digunakan sebagai input adalah open, high, low dan close

dengan variabel output-nya adalah open, high, low dan close.

3. Mencari fitness terbaik (Feed Forward Neural Network) dari setiap

variabel menggunakan Algoritma Genetika.

I-4

4. Melatih nilai fitness (FFNN) terbaik menggunakan Jaringan Saraf Tiruan-

Backpropagation membentuk net.

5. Memprediksi harga pada jam berikutnya untuk setiap variabel dengan

menggunakan net dari hasil gabungan metode Algoritma Genetika-

Jaringan Saraf Tiruan yang masih merupakan hasil uji prediksi.

6. Sistem simulasi dirancang dengan menggunakan software Matlab 7.7.

I.5. METODOLOGI PENELITIAN

Gambar 1.1 Metodologi Penelitian

1. Studi pustaka

Studi pustaka yaitu mempelajari teori-teori penunjang dari berbagai buku

referensi maupun dari internet yang berhubungan dengan judul ini.

2. Pengumpulan data

1. Studi Pustaka

3. Perancangan dan Pembuatan Model Simulasi

4. Analisis Hasil Penelitian

5. Penyusunan Laporan Tugas Akhir

I-5

2. Pengumpulan data

Melakukan proses download pada sebuah aplikasi Metatrader untuk

mendapatkan data history H1 pergerakan harga Euro terhadap US Dollar

pada Forex (harga/jam).

3. Perancangan dan Pembuatan Model Simulasi

Memprediksi harga setiap variabel dengan mengunakan metode

Algoritma Genetika- Jaringan Saraf Tiruan pada Software Matlab 7.7

Ya

Tidak

Gambar 1.2 Perancangan dan Pembuatan Model Simulasi

Input

GA

NN

Pembentukan FFNN Terbaik

Pelatihan dengan NN

Range 0-3MSE >=10-6

Selesai

Tidak

Range 0-6MSE >=10-6

FFNN Terbaik

Net

Ya

Mulai

I-6

4. Analisis Hasil Penelitian

Menganalisis dan menyimpulkan hasil penelitian, mengambil suatu

kesimpulan dari hasil uji coba, serta saran Tugas Akhir ini.

5. Penyusunan Laporan Tugas Akhir.

I.6. SISTEMATIKA PENULISAN

Untuk mempermudah penulisan agar pembahasan yang disajikan

lebih sistematis, maka laporan ini dibagi dalam lima bab, isi masing-masing

bab diuraikan secara singkat dibawah ini :

BAB I PENDAHULUAN

Bab ini menjelaskan tentang alasan mengambil topik ini sebagai

skripsi, perumusan masalah, tujuan penelitian, batasan masalah, metode

penelitian dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA.

Pada bab ini akan dibahas tentang penjelasan-penjelasan umum

mengenai teori-teori yang berkaitan dengan penelitian yang akan dilakukan

seperti penjelasan umum yang terkait variabel-variabel yang akan digunakan,

sistem Algoritma Genetika dan Jaringan Saraf Tiruan .

I-7

BAB III METODOLOGI

Pada bab ini dijelaskan mengenai langkah- langkah perancangan

sistem prediksi nilai tukar valuta asing EUR/USD (harga/jam) dengan metode

Algoritma Genetika Jaringan Saraf Tiruan.

BAB IV ANALISIS DAN PEMBAHASAN

Pada bab ini berisi analisis dari pengujian (validasi) dibandingkan

dengan data real dari history H1 untuk mata uang asing EUR/USD (harga/jam).

BAB V PENUTUP

Bab ini berisi tentang kesimpulan dan saran dari penelitian yang

dilakukan.

II-1

BAB II

TINJAUAN PUSTAKA

Pada bab ini akan dijelaskan tentang pengertian Forex, mata uang yang

diperdagangkan, dasar-dasar analisis teknikal, trading system, penggunaan Jaringan

Saraf Tiruan dan penggunaan Algoritma Genetika.

II.1. PENGERTIAN FOREX

Bursa valuta asing, atau yang dikenal dengan FOREX (foreign

exchange) adalah bursa keuangan yang terbesar di dunia dengan volume

transaksi harian mencapai lebih dari 2 triliun US dollar[7]

.

Total transaksi Forex mencapai lebih dari 3 kali lipat dari seluruh

transaksi perdagangan lain yang ada di muka bumi. Dengan kata lain transaksi

Forex adalah transaksi yang paling besar.

Prinsip dasarnya, sama seperti semua jenis perdagangan. Beli saat

harga rendah dan jual kembali setelah harganya naik[7]

. Ini berlaku untuk emas,

real-estate, tanah, anthurium, sampai beras.

II-2

Gambar 2.1. Prinsip Umum Investasi dan Perdagangan[7]

Untuk Forex, karena diperdagangkan dalam bentuk pasangan

(misalnya EUR/USD, GBP/USD, USD/JPY, dan sebagainya) maka transaksi

bisa dilakukan dalam dua arah: para trader membeli suatu pasang mata uang

pada saat nilainya rendah dan menjualnya kembali pada saat nilainya tinggi,

atau sebaliknya menjual suatu pasang mata uang saat bernilai tinggi dan

membelinya kembali mata uang tersebut saat nilainya turun[7]

.

Mata uang ini diperdagangkan melalui dealer / broker, yang menjadi

perantara antara trader dengan bank / market-maker.

II-3

Gambar 2.2. Prantara antara trader dengan Bank[7]

II.2 MATA UANG YANG DIPERDAGANGKAN

Pada prinsipnya semua mata uang didunia dapat diperdagangkan akan

tetapi pada prakteknya pelaku pasar hanya tertarik memperdagangkan mata

uang tertentu saja. Mata uang favorit yang paling sering diperdagangkan ada 8

(delapan) [7]

:

1. USD : US Dollar (Greenback)

2. EUR : Euro

3. GBP : Poundsterling (Sterling / Cable)

4. JPY : Yen

5. CHF : Swiss Frank (Swissy)

6. CAD : Dollar Kanada (Looney)

7. AUD : Dollar Australia (Aussie)

8. NZD : Dollar New Zealand (Kiwi)

II-4

Ke delapan mata uang inilah yang mendominasi bursa Forex dunia.

Volume transaksi yang tinggi membuat spread pasangan-pasangan mata uang

tersebut relatif lebih kecil dibandingkan dengan pasangan mata uang lain,

sehingga relatif lebih menguntungkan untuk diperdagangkan.

II.2.1 Kurs Mata Uang

Sama seperti dalam instrumen perdagangan lain, dalam Forex

harga-harga transaksi dinyatakan dalam harga penawaran (BID) dan

permintaan (ASK). Harga penawaran (BID) adalah tingkat harga dimana

seorang trader dapat menjual mata uang tersebut, sebaliknya harga

permintaan (ASK) adalah tingkat harga dimana seorang trader dapat

membeli mata uang. Cara yang mudah untuk mengingatnya: bid atau

harga 'jual' selalu lebih rendah dari ask atau harga 'beli', dengan kata lain

seorang trader Forex selalu membeli dengan harga yang lebih tinggi dari

harga jual.[7]

Perbedaan antara harga beli dan harga jual ini disebut dengan

spread yang tidak lain adalah biaya transaksi yang harus dibayar oleh

seorang trader, atau keuntungan yang diambil oleh bank dalam setiap

transaksi Forex. Jika hanya satu harga yang disebutkan maka yang

dimaksud adalah harga bid atau harga jual. Sebagai instrumen

perdagangan, pasangan mata uang diperdagangkan dalam bentuk

II-5

pasangan. Misalnya EUR/USD, GBP/USD, EUR/JPY, dan sebagainya.

Urutan pasangan ini sudah menjadi standar ISO, tidak bisa dibolak-balik

seenaknya.[7]

Pada semua pasangan mata uang yang mengandung US Dollar,

USD selalu dipasang di depan kecuali untuk 4 pasangan mata uang ini:

EUR/USD, GBP/USD, AUD/USD, dan NZD/USD.

Mata uang yang disebut pertama adalah „base-currency‟

sedangkan yang kedua disebut „counter-currency‟. Base-currency adalah

mata uang yang ditransaksikan sedangkan counter-currency adalah mata

uang pembayarnya. Nilai base-currency selalu 1. Jadi misalnya

EUR/USD = 1.4220 maka yang dimaksud adalah: harga jual 1 Euro sama

dengan 1.4220 US Dollar.

Gambar 2.3. Proses pergerakan grafik[7]

II-6

Dalam membaca chart perlu diperhatikan bahwa naik-turunnya

harga pada chart menunjukkan naik-turunnya nilai base-currency

terhadap counter-currency. Jadi kalau pada chart EUR/USD grafik

bergerak naik maka itu berarti EUR sedang menguat terhadap USD.

Sebaliknya pada chart yang sama juga dapat diartikan: USD sedang

melemah terhadap EUR.

II.2.2 Faktor-faktor Penggerak Mata Uang

1. Faktor Fundamental

Sesuai dengan namanya, faktor fundamental adalah faktor-

faktor yang secara mendasar berkaitan langsung dengan perubahan

nilai mata uang[7]

. Misalnya saja kondisi perekonomian, kebijakan

moneter, kebijakan politis, harga-harga komoditas strategis, situasi

geopolitis, dan lain sebagainya.

Analisis fundamental berupaya memahami keterkaitan antara

faktor-faktor fundamental dan kemungkinan arah pergerakan harga.

Apa yang dihasilkan dari analisis fundamental adalah trend dan

sentimen pasar yang dominan. Mereka yang bertransaksi dengan

menggunakan strategi jangka panjang dan dana yang besar sangat

membutuhkan analisis findamental. Bagaimanapun analisis

fundamental tidak memiliki variabel dan parameter yang cukup untuk

II-7

memperkirakan tingkat harga. Oleh karena itu analisis fundamental

ini kadang agak diabaikan oleh para intraday trader. Akan tetapi

mengingat trend pergerakan harga adalah faktor yang penting dalam

menentukan arah transaksi yang menguntungkan, baik untuk jangka

panjang maupun transaksi harian, maka analisis fundamental ini

sesungguhnya tidak bisa diabaikan.

2. Faktor Teknikal

Setiap pelaku pasar mengamati pergerakan harga mata uang

melalui chart. Akibatnya kondisi pergerakan nilai mata uang yang

tergambar pada chart ikut mempengaruhi keputusan eksekusi

transaksi yang diambil para pelaku pasar. Dinamika pergerakan harga

pada chart inilah yang disebut sebagai faktor teknikal[7].

Pada bentuknya yang murni analisis teknikal tidak melihat

latar belakang ekonomi maupun politik yang mendasari pergerakan

mata uang sebagaimana yang dilakukan para analisis fundamental,

tapi lebih menitikberatkan pada aktivitas pergerakan mata uang yang

sudah dan sedang terjadi. Berdasarkan data-data itu dengan dibantu

oleh indikator-indikator teknikal, seorang analisis teknikal berupaya

memperkirakan kemungkinan-kemungkinan pergerakan suatu mata

uang.

II-8

Dengan berdasarkan chart dan berbagai indikator teknikal

bisa saja seorang trader memperkirakan pada harga berapa suatu

pergerakan mata uang akan berbalik arah, dan apakah sebuah trend

yang sedang terjadi akan terus berlangsung atau tidak. Namun ketika

pergerakan mata uang berkali-kali melanggar batasan-batasan yang

ditetapkan oleh indikator teknikal, seoarang analis tidak mempunyai

data yang cukup untuk menjelaskan mengapa hal itu terjadi. Ini

biasanya terjadi saat faktor fundamental mendominasi pergerakan

pasar, batasan-batasan teknikal menjadi tidak ada artinya.

3. Faktor Psikologis

Adakalanya terjadi anomali seperti ini: akan ada

pengumuman perubahan suku bunga The Fed dan para analis

memperkirakan terjadi pemotongan suku bunga. Akan tetapi

beberapa jam sebelum pengumuman USD sudah mulai tertekan dan

terus tertekan melampaui batas-batas support.

Begitu terjadi pengumumam dan suku bunga The Fed

memang dipangkas, justru USD bergerak naik. Teorinya,

pemotongan suku bunga melemahkan USD tapi ketika pemotongan

diumumkan USD malah menguat[7]

. Kondisi semacam ini hanya bisa

dijelaskan dari sisi psikologi pasar, pelaku pasar melakukan apa yang

II-9

dikenal sebagai “buy the rumour, sell the fact” Pelaku pasar dipicu

oleh faktor „greed & fear‟ berupaya melakukan transaksi lebih dulu

untuk mencari profit sebesar mungkin atau untuk mengamankan

posisi.[7]

Akan tetapi saat perubahan suku bunga diumumkan harga

sudah bergerak terlampau jauh dan justru terkoreksi atau pada

kondisi market yang sedang sepi dengan volume transaksi yang

terbatas, tiba-tiba harga naik beberapa puluh pip dengan cepat dan

hanya berlangsung beberapa menit sebelum akhirnya kembali ke

level semula. Kondisi yang biasa dikenal dengan „stop-hunting‟ ini

juga diakibatkan oleh faktor „psikologis‟: keserakahan pemain besar

yang ingin melikuidasi posisi-posisi lawannya. Untuk memahami

pasar memang kita umumnya hanya mengenal dua jenis analisis:

fundamental dan teknikal. Akan tetapi kadang faktor psikologis juga

diikutkan dalam kedua analisis tersebut, saat belum ada analisis

tersendiri untuk faktor psikologis.[7]

Jadi meskipun ada tiga faktor penting, kita umumnya hanya

mengenal dua jenis analisis pasar: analisis fundamental dan analisis

teknikal. Trader yang baik selalu mengikutsertakan kedua jenis

analisis ini, tapi berapa besar porsi masing-masing jenis analisis

berbeda untuk tipe-tipe trader.[7]

II-10

Pada umumnya faktor fundamental memiliki dampak yang

sifatnya lebih lama dan lebih besar dari pada faktor teknikal[7]

. Oleh

sebab itu trader-trader bermodal besar yang cenderung mengambil

transaksi dalam jangka panjang (seperti para banker dan manager

investasi) biasanya mengutamakan analisis fundamental. Sebaliknya

trader-trader retail yang biasa melakukan transaksi harian (intraday

trader) pada umumnya lebih mengutamakan analisis teknikal untuk

memanfaatkan fluktuasi harian yang terjadi.

II.3 DASAR-DASAR ANALISIS TEKNIKAL

Analisis teknikal adalah sebuah riset dinamika pasar yang dilakukan

dengan bantuan chart dengan tujuan untuk memprediksi pergerakan suatu

harga. Penggunaan analisis teknikal dalam Forex-trading didasarkan pada

asumsi-asumsi berikut:

Gerakan pasar mencerminkan semua faktor yang

mempengaruhinya.

Ini adalah faktor penting untuk memahami analisis teknikal. Faktor

apapun yang mempengaruhi pasar, entah itu faktor ekonomi, politik, atau

semata-mata faktor psikologis, keseluruhan dampak yang ditimbulkannya dapat

terlihat dari pergerakan mata uang yang terekam dalam chart. Dengan kata lain

II-11

data-data teknikal yang terekam dalam chart memberikan gambaran yang

menyeluruh terhadap dinamika pasar. Dengan asumsi ini seorang analisis

teknikal yang mengamati chart dan berbagai indikator teknikal mencoba

memahami apa yang sedang terjadi di pasar dan berupaya memperkirakan

gerakan apa yang akan terjadi berikutnya.[7]

Harga bergerak mengikuti trend

Asumsi ini adalah dasar dari semua metode analisis teknikal. Seandainya

gerakan fluktuasi mata uang semata-mata bersifat acak dan tidak memiliki trend

maka analisis teknikal sama sekali tidak mungkin. Tapi karena pergerakan mata

uang memiliki trend maka upaya analisis teknikal menjadi mungkin dan

bermanfaat. Asumsi bahwa pergerakan harga mengikuti trend memunculkan

dua akibat. Yang pertama, trend yang sedang terjadi biasanya akan berlanjut

dan tidak berbalik tanpa sebab. Yang kedua, trend akan terus berlanjut sampai

trend yang lain muncul dan mempengaruhi pasar.[7]

Sejarah selalu berulang

Dinamika pasar dipengaruhi oleh perilaku dan tindakan dari para pelaku

pasar. Bagaimanapun aksi dan reaksi dari pelaku pasar memiliki suatu pola

yang berulang karena selain dari karakteristik sifat manusiawi yang dipengaruhi

oleh „greed and fear’ (ketamakan dan ketakutan) para pelaku pasar juga belajar

dari pengalaman yang terjadi di masa lalu. Dengan asumsi ini maka pola-pola

II-12

teknikal yang telah muncul pada masa lalu bisa diterapkan untuk

memperkirakan pergerakan pasar yang akan terjadi.[7]

Adapun parameter-parameter harga pada Forex, yakni:

A. OPEN

B. HIGH

C. LOW

D. CLOSE

E. VOLUME

II.4 TRADING SYSTEM

Ada salah satu ciri khas yang membedakan trader berpengalaman

yang mampu meraup keuntungan secara konsisten dan trader pemula yang

penuh dengan semangat dan harapan untuk meraup keuntungan dari Forex.

Trader berpengalaman memiliki suatu sistem trading yang benar-

benar dikuasai dan trader melakukan trading sesuai dengan sistem tersebut.

Sementara itu trader pemula tidak memiliki sistem trading yang jelas dan

melakukan transaksi hanya berdasarkan intuisi dan prinsip dasar: beli saat harga

rendah dan jual saat harga tinggi. Prinsip ini memang benar, tapi dalam Forex

sama sekali tidak mudah mengenali 'saat harga tinggi' atau 'saat harga rendah'.

II-13

Justru disinilah muncul kebutuhan akan perlunya memiliki sistem trading yang

baik.[7]

Ada banyak buku dan seminar yang mengajarkan berbagai macam

sistem trading yang mampu memberikan keuntungan. Memang sebagian besar

sistem tersebut sudah cukup teruji (paling tidak oleh penciptanya) dan mampu

mendatangkan keuntungan. Tapi masalah utamanya, tidak semua trader

memiliki disiplin yang dibutuhkan untuk mengaplikasikan sistem tersebut

dalam situasi trading sesungguhnya. Bisa jadi sistem tersebut terlalu rumit, atau

tidak sesuai dengan karakter trader yang bersangkutan sehingga sebagus

apapun hasil yang ditawarkan oleh sistem tersebut, tidak akan ada hasilnya.

Sehingga sistem trading dapat dibuat sendiri yang bisa diperbaiki dan

disesuaikan tahap demi tahap untuk mampu menghasilkan keuntungan yang

baik.[7]

II.5. ALGORITMA GENETIK (ALGORITMA GENETIKA)

II.5.1 Konsep Dasar Algoritma Genetik

Algoritma Genetik pertama kali ditemukan di Universitas

Michigan, Amerika Serikat oleh John Holland (1975). Kemunculan

Algoritma Genetik terinspirasi oleh teori-teori dalam ilmu biologi,

sehingga banyak istilah dan konsep biologi yang dipakai dalam

Algoritma Genetik. Sesuai dengan namanya, proses-proses yang terjadi

II-14

dalam Algoritma Genetik sama dengan apa yang terjadi pada evolusi

biologi[9]

. Dalam ilmu biologi, sekumpulan individu yang sama, yang

disebut species, hidup bereproduksi, dan mati dalam suatu

area/kelompok yang disebut populasi. Jika anggota-anggota populasi

(individu) terpisah, misalkan karena terjadi banjir atau gempa, maka

individu-individu tersebut akan membentuk beberapa populasi yang

terpisah. Dalam waktu yang cukup lama, mungkin saja akan terjadi

proses pembentukan spesies baru atau dikenal dengan istilah speciation.

Dalam hal ini terjadi perubahan hereditas secara bertahap yang

membentuk ciri baru pada spesies tersebut. Perubahan bertahap tersebut

dikenal dengan istilah evolution.[2][4]

Algoritma genetik adalah algoritma yang berusaha

menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas

pemecahan masalah (problem solving). Pendekatan yang diambil oleh

algoritma ini adalah dengan menggabungkan secara acak berbagai

pilihan solusi di dalam suatu populasi kemudian mengevaluasinya

untuk mendapatkan solusi terbaik.[2][4]

Dengan melakukan proses ini secara berulang, algoritma ini

mensimulasikan proses evolusi sebanyak jumlah generasi yang

diinginkan. Generasi ini akan merepresentasikan perbaikan-perbaikan

pada populasi sebelumnya. Pada akhirnya, akan didapatkan solusi-

II-15

solusi yang paling tepat bagi permasalahan yang dihadapi. Untuk

menggunakan algoritma genetik, solusi permasalahan direpresentasikan

sebagai sekumpulan gen yang membentuk kromosom. Kromosom ini

dibentuk secara random berdasarkan teknik pengkodean yang

digunakan. Keseluruhan set dari kromosom yang diobservasi mewakili

suatu populasi.[2][4]

Kromosom-kromosom tersebut akan berevolusi dalam beberapa

tahap iterasi yang disebut dengan generasi. Generasi baru diperoleh

dengan teknik kawin silang (crossover) dan mutasi (mutation).

Crossover meliputi pemotongan dua buah kromosom berdasarkan

jumlah titik potong yang diinginkan kemudian mengkombinasikan

setengah bagian dari masing-masing kromosom dengan pasangan-

pasangan lainnya. Sedangkan mutasi meliputi penggantian nilai gen

dalam sebuah kromosom dengan nilai gen lain dari kromosom lain yang

menjadi pasangannya. Kromosom-kromosom ini selanjutnya berevolusi

dengan suatu kriteria kesesuaian (fitness) yang ditetapkan dan hasil

terbaik akan dipilih sementara yang lainnya diabaikan. Selanjutnya,

proses dilakukan berulang-ulang sampai didapatkan suatu kromosom

yang mempunyai kesesuaian terbaik (best fitness) untuk diambil sebagai

solusi terbaik dari permasalahan.[2][4]

II-16

II.5.2. Komponen-Komponen Algoritma Genetik

Pada dasarnya Algoritma Genetik memiliki tujuh komponen.

Tetapi dengan penggunaan Algoritma Genetik untuk permasalahan yang

berbeda maka ketujuh komponen tersebut bisa saja dimodifikasi sesuai

dengan permasalahan yang akan diselesaikan. [2][3][4]

Skema Pengkodean

Terdapat tiga skema yang paling umum digunakan dalam

representasi genetik, yaitu:

Real–number encoding. Pada skema ini, setiap gen berbentuk

bilangan real atau biasa disebut representasi floating point.

Discrete decimal encoding. Pada skema ini, setiap gen

berbentuk bilangan bulat, atau biasa disebut representasi tipe

integer.

Binary encoding. Pada skema ini setiap gen berbentuk bilangan

biner ( 0 atau 1 ) atau biasa disebut representasi bit.

II-17

Gambar 2.5. Contoh Individu dengan Representasi Gen dalam Bentuk Real Number

Encoding (Atas), Discrete Decimal Encoding (Tengah), dan Binary

Encoding (Bawah)[11]

Setelah sekumpulan gen dalam kromosom dikodekan maka

dibentuklah populasi yang berupa kumpulan beberapa kromosom.

Kromosom kemudian di-decoding berdasarkan batas bawah interval

(rb) dan batas atas interval (ra) dari nilai solusi yang

diinginkan.[2][3][4]

Nilai Fitness

Suatu individu dievaluasi berdasarkan suatu fungsi tertentu

sebagai ukuran performansinya. Di dalam evolusi alam, individu

yang bernilai fitness tinggi yang akan bertahan hidup dan lolos ke

generasi berikutnya. Sedangkan individu yang bernilai fitness

rendah akan mati (hilang).[2][3][4]

Seleksi Orang Tua

Pemilihan dua buah kromosom sebagai orang tua yang akan

bereproduksi dengan melakukan pindah silang untuk menghasilkan

anak, biasanya dilakukan secara proporsional sesuai dengan nilai

II-18

fitnessnya. Suatu metode seleksi yang umum digunakan adalah

Roulette Whell, dimana masing-masing kromosom menempati

potongan lingkaran pada roda roulette secara proporsional sesuai

dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness lebih

besar menempati potongan lingkaran yang lebih besar dibandingkan

dengan kromosom yang nilai fitnessnya rendah. [2][3][4]

Gambar 2.6. Contoh Penggunaan Metoda Roulette Wheel

Selection[2]

Setiap kromosom dalam populasi akan memiliki interval

nilai komulatif (dalam interval [0 1]) yang diperoleh dari nilai

fitness setiap kromosom dibagi total nilai fitness dari semua

kromosom. Sebuah kromosom akan terpilih jika bilangan random

yang dibangkitkan berada dalam interval akumulatifnya. Sebagai

contoh pada gambar di atas, K1 menempati interval kumulatif

[0;0,25], K2 berada dalam interval (0,25;0,74], K3 dalam interval

(0,75;0,875] dan K4 berada dalam interval (0,875;1]. Misalkan, jika

II-19

bilangan random yang dibangkitkan adalah 0,6 maka kromosom K2

terpilih sebagai orang tua. Tetapi jika bilangan random yang

dibangkitkan adalah 0,9 maka kromosom K4 yang terpilih. [2][4]

Pindah Silang (Crossover)

Salah satu komponen penting dalam Algoritma Genetik ialah

pindah silang. Sebuah kromosom yang mengarah pada solusi yang

bagus dapat diperoleh dari proses memindah-silangkan dua buah

kromosom. Pindah silang bisa dilakukan dalam beberapa cara

berbeda, yang paling sederhana ialah pindah silang satu titik potong

(one-point crossover). Suatu titik potong dipilih secara random,

kemudian bagian pertama dari kromosom orang tua 1 digabungkan

dengan bagian kedua dari kromosom orang tua 2.[2][3][4]

Pindah silang dilakukan berdasarkan probabilitas crossover

(pc), artinya pindah silang bisa dilakukan hanya jika suatu bilangan

random yang dibangkitkan kurang dari pc yang ditentukan, pada

umumnya pc diatur mendekati 1. Untuk kromosom yang sangat

panjang, misalkan 1.000 gen, mungkin saja diperlukan beberapa

titik potong. Pindah silang lebih dari satu titik potong disebut n-

point crossover.[4]

II-20

Gambar 2.7. Pindah Silang dengan Satu Titik Potong di Antara

Gen 2 dan Gen 3[4]

Mutasi

Proses mutasi dilakukan dengan cara mengganti nilai gen

yang terpilih secara acak dengan suatu nilai acak yang baru. Untuk

binary encoding, jika bilangan random yang dibangkitkan kurang

dari probabilitas mutasi (pmut) yang ditentukan, maka semua gen

dalam kromosom tersebut diubah menjadi nilai kebalikannya, 0

diubah menjadi 1, dan 1 diubah menjadi 0.[2][3][4]

Gambar 2.8. Proses Mutasi pada Sistem Binary Encoding[4]

II-21

Gambar 2.8. di atas menunjukan proses mutasi yang terjadi

pada gen 5. Sebagai contoh, bila probabilitas mutasi adalah (1/12)

maka sebanyak 1 gen akan dimutasi dari kromosom yang terdiri

dari 12 gen (bits). Pada algoritma genetika yang sederhana, nilai

probabilitas mutasi adalah tetap selama evolusi.[4]

Elitisme

Karena seleksi dilakukan secara random, maka tidak ada

jaminan bahwa suatu individu yang bernilai fitness tertinggi akan

selalu terpilih. Meskipun individu bernilai fitness tertinggi terpilih,

mungkin saja individu tersebut akan rusak (nilai fitnessnya

menurun) karena proses pindah silang. Untuk menjaga agar

individu bernilai fitness tertinggi tersebut tidak hilang selama

evolusi, maka perlu dibuat satu atau beberapa duplikatnya. Prosedur

ini dikenal sebagai elitisme. [2][3][4]

Penggantian Populasi

Dalam Algoritma Genetik dikenal skema penggantian populasi

yang disebut generational replacement, yang berarti semua individu

dalam populasi dari suatu generasi digantikan sekaligus oleh

individu baru hasil pindah silang dan mutasi.[3][4]

Dalam setiap generasi, sejumlah individu harus dihapus

untuk menjaga ukuran populasi agar jumlahnya tetap, yaitu

II-22

penghapusan individu yang bernilai fitness paling rendah.

Penghapusan bisa berlaku hanya pada individu orang tua saja atau

bisa juga berlaku pada semua individu dalam populasi.[3][4]

II.5.3. Cara Kerja Algoritma Genetik

Pada Algoritma Genetik, teknik pencarian solusi terbaik

dilakukan sekaligus pada sejumlah solusi yang dikenal dengan istilah

populasi. Individu yang terdapat dalam satu populasi disebut dengan

istilah kromosom. Kromosom ini merupakan suatu solusi yang masih

berbentuk simbol. Populasi awal dibangun secara acak, sedangkan

populasi berikutnya merupakan hasil evolusi kromosom-kromosom

melalui iterasi yang disebut dengan generasi. Pada setiap generasi,

kromosom akan melalui proses evaluasi dengan menggunakan alat ukur

yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom

akan menunjukkan kualitas dari kromosom dalam populasi tersebut.[4][8]

Generasi berikutnya dikenal dengan istilah anak (offspring)

terbentuk dari gabungan dua kromosom generasi sekarang yang

bertindak sebagai induk (parent) dengan menggunakan operator pindah

silang. Selain operator pindah silang, suatu kromosom dapat juga

dimodifikasi dengan menggunakan operator mutasi. Populasi generasi

yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom

II-23

induk dan nilai fitness dari kromosom anak, serta membuang

kromosom-kromosom yang lainnya sehingga ukuran populasi (jumlah

kromosom dalam suatu populasi) konstan. Setelah melalui beberapa

generasi, maka algoritma ini akan konvergen ke kromosom terbaik.[4][8]

Adapun cara kerja Algoritma Genetik secara umum adalah[4]

:

Menciptakan sebuah populasi awal secara acak.

Mengevaluasi setiap individu yang ada dalam populasi.

Menghasilkan populasi yang baru dengan menggunakan operasi

genetik.

Menentukan hasil akhir pada saat kriteria pemberhentian.

II.6. JARINGAN SARAF TIRUAN (JARINGAN SARAF TIRUAN)

Jaringan Syaraf Tiruan pertama kali secara sederhana diperkenalkan

oleh McCulloch dan Pitts pada Tahun 1943. McCulloch dan Pitts

menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah

sistem neural akan meningkatkan kemampuan komputasinya[5]

. Bobot dalam

jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan

fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold.

Selanjutnya pada tahun 1958, Rosenblatt memperkenalkan dan mulai

mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang

disebut perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan

II-24

hasil iterasinya. Widrow dan Hoff (1960) mengembangkan perceptron dengan

memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta

(atau sering disebut kuadrat rata-rata terkecil). Aturan ini akan mengubah bobot

perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang

diinginkan. Apa yang dilakukan peneliti terdahulu hanya menggunakan

jaringan dengan layer tunggal (single layer). Rumelhart (1986)

mengembangkan perceptron menjadi backpropagation, yang memungkinkan

jaringan diproses melalui beberapa layer. Selain itu, beberapa model jaringan

syaraf tiruan lain juga dikembangkan oleh Kohonen (1972), Hopfield (1982),

dan lain-lain. Pengembangan yang ramai dibicarakan sejak tahun 1990-an

adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan

berbagai masalah di dunia nyata.

II.6.1. Deskripsi Awal Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) atau disebut juga dengan Jaringan

Saraf Tiruan (NN), adalah sistem pemroses informasi yang memiliki

karakteristik mirip dengan jaringan syaraf biologi (jaringan saraf

manusia)[6]

. Jaringan syaraf tiruan merupakan sistem adaptif yang dapat

merubah strukturnya untuk memecahkan masalah berdasarkan informasi

eksternal maupun internal yang mengalir melalui jaringan tersebut.

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-

linier[5][9][15]

. JST dapat digunakan untuk memodelkan hubungan yang

II-25

kompleks antara input dan output untuk menemukan pola-pola pada

data. Hecht-Nielsend mendefinisikan bahwa jaringan syaraf tiruan

adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja

secara paralel, yang terdiri atas elemen pemroses (yang memiliki

memori lokal dan beroperasi dengan informasi lokal) yang

diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi.

Setiap elemen pemroses memiliki koneksi keluaran tunggal yang

bercabang ke sejumlah koneksi kolateral yang diinginkan (setiap

koneksi membawa sinyal yang sama dari keluaran elemen pemroses

tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan

sembarang jenis persamaan matematis yang diinginkan. Seluruh proses

yang berlangsung pada setiap elemen pemroses harus benar-benar

dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang

tersimpan dalam memori lokal. Sebuah jaringan saraf adalah sebuah

prosesor yang terdistribusi paralel dan mempunyai kecenderungan untuk

menyimpan pengetahuan yang didapatkannya dari pengalaman dan

membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja

otak dalam dua hal yaitu: pengetahuan diperoleh oleh jaringan melalui

suatu proses belajar dan kekuatan hubungan antar sel saraf yang dikenal

dengan bobot sinapsis digunakan untuk menyimpan pengetahuan[4]

.

II-26

Jaringan syaraf tiruan menjadi salah satu pilihan ketika rumusan

persoalan-persoalan yang dihadapi tidak bisa diselesaikan secara

analitik, dan dengan mengasumsikan suatu black box yang tidak

diketahui isinya maka jaringan syaraf tiruan akan menemukan pola

hubungan antara input dan output melalui tahap pelatihan. JST dibentuk

sebagai generalisasi model matematika dari jaringan syaraf biologi[5]

,

dengan asumsi bahwa:

Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

Sinyal dikirimkan diantara neuron-neuron melalui penghubung-

penghubung.

Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi linier) yang dikenakan pada jumlahan input

yang diterima. Besarnya output ini selanjutnya dibandingkan dengan

suatu batas ambang. JST ditentukan oleh 3 hal :

Pola hubungan antar neuron (disebut arsitektur jaringan).

Metode untuk menentukan bobot penghubung (disebut metode

training/learning/algoritma).

Fungsi aktivasi (fungsi transfer).

II-27

II.6.2. Neuron

Neuron dalam jaringan syaraf tiruan sering diganti dengan istilah

simpul[3][15]

. Setiap simpul tersebut berfungsi untuk menerima atau

mengirim sinyal dari atau ke simpul-simpul lainnya. Pengiriman sinyal

disampaikan melalui penghubung. Kekuatan hubungan yang terjadi

antara setiap simpul yang saling terhubung dikenal dengan nama

bobot. Arsitektur jaringan dan algoritma pelatihan sangat menentukan

model-model jaringan syaraf tiruan. Arsitektur tersebut gunanya untuk

menjelaskan arah perjalanan sinyal atau data di dalam jaringan.

Sedangkan algoritma belajar menjelaskan bagaimana bobot koneksi

harus diubah agar pasangan masukan-keluaran yang diinginkan dapat

tercapai. Dalam setiap perubahan harga bobot, koneksi dapat dilakukan

dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang

digunakan[3][15]

. Dengan mengatur besarnya nilai bobot ini, diharapkan

bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang

dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat[3]

.

Sebagai contoh, berikut adalah gambar sebuah neuron Y:

II-28

Gambar 2.4. Sebuah Sel Syaraf Tiruan[4]

Y menerima input dari neuron x1, x2, dan x3 dengan bobot

hubungan masing-masing adalah w1, w2, dan w3. Ketiga impuls

neuron yang ada dijumlahkan, net = x1w1+ x2w2+ x3w3[5]

. Besarnya

impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).

Apabila nilai fungsi akivasi cukup kuat, maka sinyal akan diteruskan.

Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai

sebagai dasar untuk merubah bobot[5]

.

II.6.3. Backpropagation

Kelemahan JST yang terdiri dari layar tunggal membuat

perkembangan JST menjadi terhenti pada sekitar tahun 1970-an.

Penemuan backpropagation yang terdiri dari beberapa layar membuka

kembali cakarawala. Terlebih setelah berhasil ditemukannya berbagai

aplikasi yang dapat diselesaikan dengan backpropagation, membuat JST

semakin diminati orang.

JST dengan layar tunggal memiliki keterbatasan dalam

pengenalan pola. Kelemahan ini bisa ditanggulangi dengan

II-29

menambahkan satu/beberapa layar tersembunyi diantara layar masukan

dan keluaran[3][5]

. Meskipun penggunaan lebih dari satu layar

tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tapi

pelatihannya memerlukan waktu yang lama. Maka umumnya orang

mulai mencoba dengan sebuah layar tersembunyi lebih dahulu.

Seperti halnya model JST lain, Backpropagation melatih jaringan

untuk mendapatkan keseimbangan antara kemampuan jaringan untuk

mengenali pola yang digunakan selama pelatihan serta kemampuan

jaringan untuk memberikan respon yang benar terhadap pola masukan

yang serupa (tapi tidak sama) dengan pola yang dipakai selama

pelatihan[15]

.

Pelatihan jaringan dengan backpropagation meliputi tiga tahap

yaitu umpan maju (feedforward) dari pola input, penghitungan dan

propagasi balik dari error dan penyesuaian bobot. Pada tahap umpan

maju, sinyal input (xi) dipropagasikan ke lapisan tersembunyi. Sinyal-

sinyal input terboboti yang masuk ke tiap-tiap unit pada lapisan

tersembunyi (Zj, j=1,2,..,p), ditentukan dengan persamaan[5]

:

(2.1)

Sinyal output dari lapisan tersembunyi (zj) ditentukan oleh fungsi

aktivasi yang digunakan (fungsi sigmoid) dengan persamaan[5]

:

II-30

(2.2)

Selanjutnaya zj tersebut dipropagasikan maju lagi ke lapisan

output dengan persamaan[5]

:

(2.3)

Sinyal output ditentukan oleh fungsi aktivasi yang digunakan pada

output layer yaitu fungsi identitas dengan persamaan[5]

:

(2.4)

Berikutnya, output jaringan dibandingkan dengan target yang harus

dicapai. Selisih output jaringan target dengan output jaringan adalah

kesalahan (error) yang terjadi, Error pada Backpropagation dihitung

dengan persamaan[4]

:

(2.5)

II-31

Dengan n ialah banyak data, Өj adalah target ke-j, sementara Ө

adalah output jaringan. Jika kesalahan ini lebih kecil dari batas toleransi

yang ditentukan, maka epoch dihentikan. Akan tetapi apabila kesalahan

masih lebih besar dari batas toleransinya, maka bobot setiap garis

dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang

terjadi.

Kesalahan (error) yang tejadi dipropagasikan mundur, dimulai dari

garis yang berhubungan langsung dengan unit pada lapisan output.

Modifikasi bobot dan bias untuk menurunkan kesalahan yang terjadi

dilakukan dengan cara:

• Perubahan bobot dan bias pada garis yang menuju unit output:

w j (baru) = w j (lama) + ∆ w j

b2 (baru) = b2 (lama) + ∆ b2

• Perubahan bobot dan bias pada garis menuju unit

tersembunyi:

Vij (baru) = vij (lama) + ∆ vij

b1j (baru) = b1j (lama) + ∆ b1j

Ketiga tahap tersebut diulang-ulang terus hingga kondisi

penghentian dipenuhi. Umumnya kondisi penghentian yang sering

II-32

dipakai adalah jumlah epoch atau kesalahan. Epoch akan dihentikan

jika jumlah epoch yang dilakukan sudah melebihi jumlah maksimum

epoch yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih

kecil dari batas toleransi yang diinginkan.

II.6.4. Arsitektur Jaringan Syaraf Tiruan

Arsitektur jaringan yang sederhana adalah jaringan layar tunggal

yang menghubungkan langsung neuron-neuron pada layar input dengan

neuron-neuron pada layar output[3]

. Sedangkan arsitektur jaringan yang

lebih kompleks terdiri dari layar input, beberapa layar tersembunyi dan

layar output. Arsitektur seperti ini disebut juga jaringan layar jamak

(Rumelhart, et al. 1986)[15]

. Jaringan layar jamak lebih sering digunakan

karena dapat menyelesaikan masalah yang lebih kompleks dibandingkan

jaringan layar tunggal, meskipun proses pelatihannya lebih kompleks

dan lebih lama (Haykin, 1999). Jaringan dengan lapisan tunggal hanya

memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya

menerima input kemudian secara langsung akan mengolahnya menjadi

output tanpa harus melalui lapisan tersembunyi. Jaringan dengan banyak

lapisan memiliki satu atau lebih lapisan yang terletak di antara lapisan

input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi).

Umumnya, ada lapisan bobot-bobot yang terletak antara dua lapisan

yang bersebelahan. Jaringan dengan banyak lapisan ini dapat

II-33

menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan

lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit.

Namun demikian, pada banyak kasus pembelajaran pada jaringan

dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.

II.6.5. Fungsi Aktivasi

Siang (2005) menyebutkan bahwa fungsi aktivasi digunakan untuk

menentukan keluaran suatu neuron[15]

. Dalam backpropagation, fungsi

aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu,

terdiferensial dengan mudah dan merupakan fungsi yang tidak turun.

Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering

dipakai adalah fungsi sigmoid biner yang memiliki range (0 1).

Fungsi sigmoid biner dirumuskan sebagai:[15]

(2.6)

Dengan turunan :

II.6.6. Algoritma Belajar dan Pelatihan

Dalam jaringan syaraf tiruan terdapat konsep belajar atau pelatihan.

Sehingga jaringan-jaringan yang dibentuk akan belajar melakukan

generalisasi karakteristik tingkah laku objek. Algoritma pelatihan artinya

II-34

membentuk pemetaan (fungsi) yang menggambarkan hubungan antara

vektor masukan dan vektor keluaran. Biasanya diberikan contoh yang

cukup penting dalam membangun pemetaan tersebut. Walaupun untuk

pasangan masukan keluaran yang belum pernah digambarkan

sebelumnya. Dalam menyelesaikan suatu permasalahan, jaringan syaraf

tiruan memerlukan algoritma belajar atau pelatihan yaitu bagaimana

sebuah konfigurasi jaringan dapat dilatih untuk mempelajari data historis

yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data

dapat diserap dan direpresentasikan oleh nilai-nilai bobot koneksinya.

Berdasarkan cara modifikasi bobotnya, ada dua macam pelatihan yang

dikenal (Siang 2005), yaitu sebagai berikut:

Pelatihan dengan Supervisi (Supervised Training)

Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data

(masukan, target, keluaran) yang dipakai untuk melatih jaringan hingga

diperoleh bobot yang diinginkan. Pada setiap pelatihan, suatu masukan

diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan

keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang

diinginkan) merupakan kesalahan yang terjadi[3]

. Jaringan akan

memodifikasi bobot sesuai dengan kesalahan tersebut.

II-35

Pelatihan Tanpa Supervisi (Unsupervised Training)

Dalam pelatihannya, perubahan bobot jaringan dilakukan

berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran

parameter tersebut. Model yang menggunakan pelatihan ini adalah model

jaringan kompetitif[3]

.

III-1

BAB III

METODOLOGI

Pada bab ini dibahas tentang langkah-langkah yang ditempuh dalam

pembuatan hingga penyelesaian prediksi nilai tukar valuta asing EUR/USD pada

timeframe H1 (data perubahan harga setiap jam) menggunakan metode Algoritma

Genetika-Jaringan Saraf Tiruan.

III.1. ALUR PENELITIAN

Gambar 3.1. Alur Penelitian

Mulai

Pengambilan Data

Pelatihan FFNN Variabel Input dengan Neural Network Backpropagation

Pembentukan FFNN Variabel Input dengan Genetic Algorithm

Uji Prediksi Nilai Tukar ValutaAsing dengan Genetic Algorithm-Neural Network

Validasi Hasil Uji Prediksi Genetic Algorithm-Neural Network

Analisis dan Pembuatan Laporan

Selesai

III-2

III.1.1 PENGAMBILAN DATA

Tahap pertama dari penelitian adalah pengambilan data, dimana

data diperoleh dari data history sebuah aplikasi Metatrader. Pada forex

terdapat harga-harga yang terbagi dalam waktu yakni harga pada saat

buka, tinggi, rendah dan harga saat forex ditutup. Sehingga data yang

diperoleh terdapat lima variabel yaitu open, high, low, close dan volume.

Namun tidak semua variabel tersebut digunakan. Variabel yang digunakan

sebagai masukan adalah open, high, low dan close, sedangkan data

keluaran pun adalah open, high, low dan close.

III.1.2 PEMBENTUKAN FFNN (FEED FORWARD NEURAL NETWORK)

VARIABEL INPUT DENGAN ALGORITMA GENETIKA

Algoritma Genetika digunakan untuk mencari nilai bobot dan bias

yang paling optimal untuk membentuk jaringan Feed Forward Neural

Network (FFNN) agar didapatkan hasil prediksi valuta asing EUR/USD

dengan error yang kecil.

III-3

Gambar 3.2. Flowchart Perancangan Sistem Algoritma Genetika-Jaringan

Saraf Tiruan.

Pemrosesan Data Input Open, High, Low, Close

Mulai

Cek Kondisi Selisih 0-3>=50%

Pembangkitan Populasi Open, High, Low, CloseF

Selesai

Evaluasi Fitness dan Elitisme Open, High, Low, Close

Seleksi dengan Roulette Whell Open, High, Low, Close

Crossover Open, High, Low, Close

Mutasi Open, High, Low, Close

Solusi Terbaik

MSE<10-6

YA

Neural Network

TIDAK

YA

TIDAK

Latih Open, High, Low, Close

Net Open, High, Low, Close

Prediksi Open, High, Low, Close

III-4

III.1.2.1 Pemrosesan Data Input Open

Langkah–langkah dalam pemrosesan data input adalah

sebagai berikut[12]:

1. Memuat data 1 minggu sebelumnya untuk setiap variabel yaitu

open, high, low dan close sebagai data input, sedangkan data

target merupakan data 1 minggu sebelumnya dari setiap

variabel. (input open, high, low, dan close (data 1-120)

terhadap target open (data 2-121), input open, high, low dan

close (data 1-120) terhadap high (data 2-121) dan

seterusnya)[12].

2. Melakukan proses normalisasi data untuk mendapatkan interval

data [0 1].

3. Menentukan parameter-parameter Algoritma Genetika yang

akan dipakai serta komponen-komponen untuk penanganan

grafis, misalnya:

a. Ukuran populasi, yaitu banyaknya individu yang terdapat

dalam populasi. Pada penelitian dipakai ukuran populasi

sebesar 200, artinya dalam sebuah populasi terdapat 200

individu.

b. Jumlah maksimum generasi, yaitu jumlah maksimum iterasi

yang akan dijalankan pada Algoritma Genetika. Pada

penelitian ini, generasi dibatasi menjadi 4.000 generasi

sehingga pada generasi ke-4.000, individu dengan nilai

III-5

fitness paling tinggi secara otomatis akan menjadi solusi dari

permasalahan.

c. Probabilitas crossover (Pc), probabilitas mutasi (Pm), kedua

parameter ini masing-masing menentukan besarnya

kemungkinan individu untuk melakukan operasi crossover,

dan mutasi. Pada penelitian ini Pc=0,9 dan Pm =0,03.

III.1.2.2 Pembangkitan Populasi Awal.

Populasi awal dibangkitkan dari sekumpulan bilangan biner

acak berdasarkan jumlah solusi yang diinginkan. Yang dimaksud

solusi ialah bobot dan bias paling optimal yang akan menghasilkan

nilai Mean Square Error (MSE) jaringan yang paling kecil.

Populasi berisi sejumlah kromosom yang panjangnya sama,

dibangkitkan berdasarkan jumlah kromosom dan jumlah gen.

Ukuran populasi ditentukan berdasarkan banyaknya kromosom

yang diinginkan dalam satu populasi, sedangkan jumlah gen

ditentukan berdasarkan jumlah solusi yang diinginkan dan teknik

pengkodean yang akan digunakan[4].

Pada penelitian ini, Algoritma Genetika dipakai untuk

mencari nilai bobot dan bias sebuah jaringan Feed Forward Neural

Network (FFNN) dengan jumlah neuron di hidden layer yang

dipakai sama dengan jumlah neuron di input layer yaitu sebanyak

empat buah dan satu neuron di output layer sehingga jumlah

III-6

variabel (bobot dan bias) yang dibutuhkan adalah sebanyak (jumlah

masukan+1)2 dimana pada penelitian ini jumlah input sebanyak

empat parameter, yaitu: open, high, low dan close sehingga jumlah

variabel dalam sebuah kromosom adalah sebanyak 25 buah gen,

yaitu: enam belas buah bobot dan empat buah bias dari input layer

ke hidden layer serta empat buah bobot dan sebuah bias dari hidden

layer ke output layer[4].

Karena menggunakan binary encoding, maka setiap

variabel akan dikodekan dalam bentuk biner yang panjangnya

berdasarkan jumlah bit yang ditentukan. Misalnya dalam sebuah

kromosom terdapat 25 buah variabel (gen) sementara setiap

variabel dikodekan dalam sepuluh bit, maka dalam sebuah

kromosom terdapat 250 buah gen dimana variabel pertama

direpresntasikan oleh gen 1 sampai gen 10, variable kedua

direpresentasikan oleh gen 11 sampai gen 20, dan seterusnya. Jika

diinginkan agar dalam populasi terdapat 100 buah kromosom maka

populasi akan berbentuk matrix berukuran 100x250[4].

III.1.2.3 Evaluasi Fitness dan Elitisme.

Setiap individu dalam populasi akan dievaluasi dengan

fungsi fitness sehingga memiliki nilai fitness masing-masing yang

menjadi ukuran seberapa kuat individu tersebut untuk lolos ke

generasi berikutnya. Yang dimaksud individu ialah kromosom yang

III-7

isinya telah diubah dari bilangan biner menjadi bilangan real yang

berada dalam interval yang ditentukan. Individu-individu hasil

decoding tersebut akan dievaluasi berdasarkan fungsi fitness untuk

mendapatkan nilai fitness setiap individu. Pada penelitian ini fungsi

fitness yang digunakan ialah Mean Square Error (MSE), dengan

demikian nilai fitness-nya ialah 1/MSE. Persamaan MSE yang

digunakan seperti pada persamaan (2.5) di bab sebelumnya.

Elitisme ialah proses pembuatan duplikat kromosom yang

memiliki nilai fitness tertinggi agar pada generasi berikutnya

kromosom tersebut tidak hilang tetapi menjadi kromosom dengan

nilai fitness minimum yang akan dioptimasi agar didapatkan

kromosom yang nilai fitnessnya lebih tinggi[4].

III.1.2.4 Seleksi dengan Roulette Whell.

Seleksi berfungsi untuk menentukan kromosom yang

berhak melakukan operasi genetic[2][3]. Adapun metode seleksi

yang digunakan adalah Roulette Wheel dengan langkah-langkah

sebagai berikut.

Pertama, dibuat interval nilai komulatif (dalam interval

[0 1]) dari nilai fitness setiap kromosom dibagi total nilai fitness

dari semua kromosom. Kromosom tersebut akan terpilih jika

bilangan random yang dibangkitkan berada dalam interval

akumulatifnya.

III-8

III.1.2.5 Operasi Crossover

Operasi crossover berupa proses pindah silang gen-gen

antar kromosom induk agar dihasilkan kromosom anak. Pindah

silang dilakukan berdasarkan probabilitas crossover (pc) [3][4],

artinya pindah silang bisa dilakukan hanya jika suatu bilangan

random yang dibangkitkan kurang dari pc yang ditentukan, pada

umumnya pc diatur mendekati 1. Pertama, dibangkitkan bilangan

acak r bertipe real dalam range [0 1], jika r < Pc maka kromosom-

kromosom tersebut dapat melakukan crossover.

Pada penelitian ini, jenis crossover yang dipakai ialah one-

point crossover. Satu titik potong dipilih secara random, kemudian

bagian pertama dari orang tua 1 digabungkan dengan bagian kedua

dari orang tua 2[4].

III.1.2.6 Operasi Mutasi

Operasi mutasi berupa proses perubahan gen dalam

kromosom[2][3][5]. Kromosom yang berhak melakukan operasi ini

tergantung pada probabilitas mutasinya (Pm). Langkahnya adalah

sebagai berikut:

a. Membangkitkan bilangan acak r bertipe real dalam range [0 1].

b. Jika r < Pm, maka semua individu dalam populasi terpilih untuk

melakukan mutasi.

III-9

Pada penelitian ini, mutasi terjadi secara universal dalam

kromosom, gen-gen yang terpilih untuk melakukan mutasi diubah

nilainya: 0 menjadi 1 dansebaliknya 1 menjadi 0[4].

III.1.2.7 Penentuan Suatu Kondisi Untuk Menghentikan Jalannya

Algoritma.

Algoritma dengan sendirinya akan berhenti bila memenuhi

kondisi berikut:

Apabila generasi telah mencapai jumlah maksimum generasi

yaitu 4.000 generasi, artinya pada generasi ke-4.000 individu

dengan nilai fitness tertinggi akan terpilih secara otomatis

sebagai solusi yang dicari.

Apabila solusi yang paling terbaik (individu dengan nilai

fitness tertinggi) telah ditemukan.

III.1.3 PELATIHAN FFNN VARIABEL INPUT DENGAN JARINGAN

SARAF TIRUAN-BACKPROPAGATION

Apabila hasil latih prediksi yang dihasilkan oleh system Algoritma

Genetika masih belum memenuhi kriteria (MSE>10-6), maka struktur

FFNN yang dihasilkan oleh Algoritma Genetika selanjutnya dilatih

menggunakan Jaringan Saraf Tiruan-Backpropagation untuk

III-10

mendapatkan hasil latih prediksi yang lebih baik. Proses pelatihan

memiliki langkah-langkah sebagai berikut:

1. Memuat data 1 minggu sebelumnya untuk setiap variabel yaitu

open, high, low dan close sebagai data input, sedangkan data target

merupakan data 1 minggu sebelumnya dari setiap variabel. (input

open, high, low, dan close (data 1-120) terhadap target open (data

2-121), input open, high, low dan close (data 1-120) terhadap high

(data 2-121) dan seterusnya) [12].

2. Melakukan proses normalisasi data untuk mendapatkan interval

data [0 1].

3. Memasukkan data 1 minggu sebelumnya ke jaringan kemudian

disimulasikan menggunakan net dengan hasil pelatihan Algoritma

Genetika berupa nilai fitness FFNN terbaik dari data jam selama 1

minggu sebelumnya.

4. Menghitung keluaran jaringan data jam dari hasil FFNN yang

dilatih.

Net yang diperoleh dari pelatihan selanjutnya dimasukkan kedalam

jaringan sehingga dihasilkan output sistem yang merupakan hasil latih

prediksi. Hasil latih prediksi dengan metode Algoritma Genetika-Jaringan

Saraf Tiruan kemudian divalidasi dengan data real untuk mengetahui

keakuratan system.

III-11

Setelah mendapatkan sistem yang mendapatkan hasil validasi yang

akurasinya sama dengan atau melebihi 50 % maka sistem tersebut yang

akan dipakai untuk uji prediksi valuta asing EUR/USD pada jam

berikutnya.

III.1.4 UJI PREDIKSI NILAI TUKAR VALUTA ASING DENGAN

ALGORITMA GENETIKA-JARINGAN SARAF TIRUAN

Setelah mendapatkan struktur jaringan yang menghasilkan system

prediksi dengan validasi yang memenuhi kriteria, selanjutnya dilakukan

proses uji prediksi untuk mendapatkan hasil uji prediksi valuta asing

EUR/USD pada perubahan waktu setiap jam selama 1 minggu kedepan.

Langkah-langkah dalam proses uji prediksi valuta asing EUR/USD dengan

Algoritma Genetika-Jaringan Saraf Tiruan adalah sebagai berikut:

1. Memuat data 1 jam sebelumnya saja (1 nilai) setiap variabel, yaitu:

open, high, low dan close (misal, harga open, high, low dan close pada

tanggal 28 September 2012 pukul. 23:00) [12].

2. Melakukan proses normalisasi data untuk mendapatkan interval data

[01].

3. Memasukkan data 1 jam sebelumnya ke jaringan kemudian

disimulasikan menggunakan net hasil pelatihan FFNN dari metode

Algoritma Genetika-Jaringan Saraf Tiruan dari data 1 minggu

sebelumnya.

III-12

4. Menghitung keluaran jaringan hasil prediksi untuk nilai jam

berikutnya.

Proses uji prediksi diatas dilakukan sebanyak 120 kali dengan input

yang berbeda tetapi dengan menggunakan net yang sama hasil pelatihan

dari metode Algoritma Genetika-Jaringan Saraf Tiruan, misal data yang

ingin diuji prediksi adalah data jam 10 maka data yang di input adalah data

jam 9, pada tanggal yang ditentukan, dan seterusnya hingga mendapat

hasil uji prediksi selama 1 minggu kedepan.

III.1.5 VALIDASI HASIL UJI PREDIKSI ALGORITMA GENETIKA-

JARINGAN SARAF TIRUAN

Setelah mendapatkan hasil uji prediksi untuk masing-masing nilai

open, high, low dan close, hasil-hasil tersebut di validasikan dengan

masing-masing data real-nya pada tanggal dan waktu yang sama, sehingga

didapatkan akurasi untuk masing-masing hasil uji prediksi open, high, low

dan close selama 1 minggu kedepan.

IV-1

BAB IV

ANALISIS DAN PEMBAHASAN

IV.1. PEMBENTUKAN FEED FORWARD NEURAL NETWORK DAN

PELATIHAN PREDIKSI METODE ALGORITMA GENETIKA

Setelah data history mata uang asing EUR/USD dalam time-frame

H1 (harga/jam) variabel input (open, high, low dan close) didownload,

data–data tersebut kemudian dimasukkan ke sistem Algoritma Genetika

untuk diproses agar dihasilkan nilai fitness terbaik (Feed Forward Neural

Network). Data input nilai harga Open, high, low dan close sebanyak 120

nilai yakni mulai tanggal 24 hingga 28 September 2012 dengan metode

Algoritma Genetika (lihat Lampiran Tabel 4.1). Data yang diinput adalah 1

minggu sebelumnya dari data yang akan di uji prediksi.

Nilai-nilai input terdapat pada Tabel 4.1 merupakan nilai Real hasil

download dari aplikasi Metatrader. Data tersebut kemudian diproses dengan

Algoritma Genetika setelah sebelumnya dinormalisasi ke dalam interval [0

1]. Selanjutnya Algoritma Genetika akan memproses data tersebut sesuai

dengan parameter-parameter pengendali algoritma yang telah ditentukan.

Dalam prosesnya, Algoritma Genetika akan memanggil function-function

berikut:

IV-2

BangMatrixIT, yaitu fungsi yang membangkitkan matrix input

(keempat variabel input) dan matrix target (data target untuk setiap 1

variabel).

InisialisasiPopulasi, yaitu fungsi yang membangkitkan populasi berupa

matrix berukuran jumlah kromosom yang diinginkan x jumlah gen

dalam sebuah kromosom.

DekodekanKromosom, yaitu fungsi yang melakukan proses decoding

kromosom yang berisi bilangan biner menjadi individu yang berisi

bilangan Real.

BinaryEvalInd, yaitu fungsi yang bertujuan untuk mengevaluasi setiap

individu berdasarkan fungsi fitness (MSE), sehingga dihasilkan nilai

fitness setiap individu.

LinearFitnessRanking, yaitu fungsi yang bertujuan untuk mengurutkan

individu berdasarkan nilai fitnessnya dari individu yang memiliki

fitness tertinggi sampai ke individu yang fitnessnya paling rendah.

RouletteWheel, yaitu fungsi yang digunakan untuk memilih kromosom

yang akan melakukan operasi genetik (pindah silang dan mutasi).

PindahSilang, yaitu fungsi yang melakukan proses pindah silang gen-

gen antar kromosom induk.

Mutasi, yaitu fungsi yang melakukan proses perubahan gen dalam

kromosom.

Algoritma Genetika akan mencari nilai bobot dan bias yang paling

optimal bagi jaringan Feed Forward Neural Network (FFNN) yang

IV-3

diletakkan di dalam function BinaryEvalInd agar dengan bobot dan bias

tersebut jaringan menghasilkan nilai MSE yang paling kecil.

Gambar 4.1. Grafik Pergerakan Nilai Fitnes Close Prediksi Nilai Tukar Valuta Asing

Pada gambar 4.1. dapat dilihat perubahan nilai MSE jaringan

berdasarkan nilai fitness yang dihasilkan oleh Algoritma Genetika, dimana

MSE = 1/fitness. Nilai fitness awal sebesar 32.6879434 dengan MSE

sebesar 0.030592 dan setelah dilakukan optimasi dengan Algoritma

Genetika maka nilai fitness meningkat menjadi 255.405120 dengan MSE

sebesar 0.003915.

IV-4

Gambar 4.2. Grafik Pergerakan Nilai Fitness Low Prediksi Nilai Tukar Valuta Asing






sebesar 0.002975.

IV-5

Gambar 4.3. Grafik Pergerakan Nilai Fitness High Prediksi Nilai Tukar Valuta Asing






sebesar

IV-6

0.002660.

Gambar 4.4. Grafik Pergerakan Nilai Fitness Open Prediksi Nilai Tukar Valuta Asing






sebesar 0.000570.

Meningkatnya nilai fitness menyebabkan nilai MSE semakin kecil

yang menandakan bahwa error antara output jaringan dengan target

IV-7

semakin kecil. Nilai MSE tersebut dihasilkan oleh jaringan yang memiliki

struktur (bobot dan bias) paling optimal seperti terlihat pada gambar di

bawah ini.

Gambar 4.5. Struktur FFNN Terbaik yang Dihasilkan Algoritma

Genetika

Struktur FFNN di atas secara berurutan adalah enam belas buah

bobot (kolom 1 sampai kolom 16) dan empat buah bias (kolom 17 sampai

kolom 20) dari input layer ke hidden layer, dan sisanya ialah empat buah

IV-8

bobot (kolom 21 sampai kolom 24) dan sebuah bias (kolom 25) dari hidden

layer ke output layer[4].

Dengan struktur tersebut, FFNN dalam Algoritma Genetika akan

menghasilkan latih Prediksi Nilai Tukar Valuta Asing EUR/USD pada

tanggal 24-28 September 2012 seperti yang terdapat pada (lihat Lampiran

Tabel 4.2, Tabel 4.3, Tabel 4.4, dan Tabel 4.5) dan gambar di bawah ini :

Gambar 4.6. Perbandingan Data Real dan Hasil Latih Open Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika (input 1 minggu).

IV-9

Gambar 4.7. Perbandingan Data Real dan Hasil Latih High Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika (input 1 minggu).

Gambar 4.8. Perbandingan Data Real dan Hasil Latih Low Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika

IV-10

Gambar 4.9. Perbandingan Data Real dan Hasil Latih Close Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika

IV-11

IV.2. PELATIHAN FEED FORWARD NEURAL NETWORK DAN

PREDIKSI METODE JARINGAN SARAF TIRUAN-

BACKPROPAGATION

Hasil prediksi dengan metode Algoritma Genetika belum mencapai

nilai MSE yang cukup kecil (10-6), maka struktur jaringan (net) yang

dihasilkan oleh Algoritma Genetika, dilatih kembali dengan Jaringan Saraf

Tiruan-Backpropagation sehingga diperoleh nilai prediksi untuk setiap

variable. Hasil latih harga setiap variabel tersebut dimuat ke dalam tabel

(lihat Lampiran Tabel 4.6, Tabel 4.7, Tabel 4.8, Tabel 4.9) dan gambar di

bawah ini merupakan hasil latih setiap variabel.

Gambar 4.10. Perbandingan Data Real Open dengan Hasil Latih Open Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika- Jaringan Saraf Tiruan

IV-12

Gambar 4.11. Perbandingan Data Real High dengan Hasil Latih High Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika- Jaringan Saraf Tiruan

Gambar 4.12. Perbandingan Data Real Low dengan Hasil Latih Low Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika- Jaringan Saraf Tiruan

IV-13

Gambar 4.13. Perbandingan Data Real Close dengan Hasil Latih Close Nilai Tukar Valuta Asing dengan Metode Algoritma Genetika- Jaringan Saraf Tiruan

Pelatihan Nilai MSE yang dihasilkan dengan metode Algoritma

Genetika-Jaringan Saraf Tiruan adalah Open sebesar 1,9503e-05, High

sebesar 0,0020, Low sebesar 0.0028, dan Close sebesar 0.0038 dengan

demikian error antara target dengan prediksi semakin kecil.

IV.3. PENGUJIAN PREDIKSI HARGA MATA UANG ASING DENGAN

METODE ALGORITMA GENETIKA- JARINGAN SARAF TIRUAN

Dengan menggunakan net hasil pelatihan pada sistem Algoritma

Genetika-Jaringan Saraf Tiruan, nilai harga open, high, low, dan close akan

di uji prediksi dengan input keempat variabel dari jam sebelumnya untuk uji

prediksi jam berikutnya hingga menghasilkan 120 nilai prediksi masing-

masing variabel yakni pada tanggal 1 Oktober sampai dengan 5 Oktober

2012. Adapun hasil uji prediksi untuk keempat variabel Open, High, Low

dan Close yang terbagi ke dalam 3 kejadian atau kondisi yang dilihat dari

selisih pip antara data aktual dengan data uji prediksi yakni:

1. Selisih range 0-3 pip menyatakan trader meraih keuntungan dengan

selisih pip antara data aktual dengan data uji prediksi pada range

tersebut.

2. Selisih range 4-6 pip menyatakan bahwa trader mengalami kerugian

namun masih dapat tertutupi yang artinya pada range ini kerugian yang

didapat masih dalam jumlah yang kecil.

IV-14

3. Selisih range yang berada pada selisih lebih dari 6 pip menyatakan

bahwa trader mengalami kerugian yang besar. Perbedaan selisih yang

jauh ini diakibatkan karena adanya berita (news) yakni faktor

fundamental pada kondisi ini.

Hasil uji prediksi yang dibandingkan dengan data aktual (Real) pada

tabel dan gambar untuk keempat variabel Open, High, Low, dan Close berikut ini :

Tabel 4.10 Validasi data Real dengan data hasil uji prediksi variable Open pada

tanggal 1 Oktober 2012.

Tanggal Jam Data Real Open

Hasil Uji Prediksi Open dengan Metode Algoritma Genetika-Jaringan Saraf

Tiruan01-10-2012 00 1.2847 1.2848

01 1.2849 1.284802 1.2833 1.283303 1.2807 1.280604 1.2818 1.281905 1.2814 1.2813

Pindah Tabel ke Halaman IV-13



Tiruan06 1.2813 1.281207 1.282 1.282108 1.2821 1.282109 1.2828 1.282910 1.2843 1.284311 1.2868 1.287112 1.2893 1.289513 1.2899 1.289914 1.2897 1.289515 1.2883 1.288316 1.2923 1.29217 1.2907 1.290218 1.2904 1.290719 1.2899 1.2902

IV-15

20 1.2894 1.289121 1.2896 1.289822 1.2885 1.288323 1.2888 1.2888

Pada hasil uji prediksi Open yang ditunjukkan pada Tabel 4.10 terbagi ke dalam 3

kejadian berdasarkan selisih pip antara data Real dengan data uji prediksi tanggal

1 Oktober 2012 yakni :

Kondisi pertama selisih 0 – 3 pip terdapat sebanyak 23

Kondisi ke dua selisih 4 – 6 pip terdapat sebanyak 1

Kondisi ke tiga selisih > 6 pip terdapat sebanyak 0

Pada tanggal 1 Oktober 2012 kondisi ke tiga tidak ada nilai tukar valuta

asing pada saat Open yang dipengaruhi oleh faktor fundamental.

IV-16

Gambar 4.14. Perbandingan Data Real Open dengan Hasil Uji Prediksi

Open Nilai Tukar Valuta Asing dengan Metode Algoritma

Genetika- Jaringan Saraf Tiruan Tanggal 1 Oktober 2012.

Tebel 4.11 Validasi data Real dengan data hasil uji prediksi variable Open pada




Tiruan02-10-2012 00 1.2887 1.2888

01 1.2886 1.288802 1.289 1.28903 1.2888 1.288604 1.2892 1.289205 1.29 1.290106 1.29 1.2907 1.2893 1.289408 1.2901 1.290309 1.2913 1.291410 1.2891 1.2893

Pindah Tabel ke Halaman IV-15



Tiruan11 1.2897 1.289712 1.2913 1.291413 1.2911 1.291214 1.2916 1.291615 1.2925 1.292716 1.2921 1.292217 1.2934 1.293518 1.2935 1.293519 1.2947 1.294620 1.294 1.293821 1.2929 1.292922 1.2914 1.291523 1.2918 1.2918

IV-17











Genetika- Jaringan Saraf Tiruan Tanggal 2 Oktober 2012

IV-18

Tabel 4.12 Validasi data Real dengan data hasil uji prediksi variable Open pada




Tiruan03-10-2012 00 1.2919 1.2918

01 1.2916 1.291402 1.2918 1.291803 1.2911 1.290604 1.2909 1.290905 1.291 1.290906 1.2906 1.290507 1.2903 1.2908 1.2901 1.290209 1.2898 1.289610 1.2892 1.2886

Pindah Tabel ke halaman IV-1711 1.2912 1.291



Tiruan12 1.2916 1.291613 1.2925 1.292414 1.2904 1.290415 1.2904 1.290516 1.2899 1.289817 1.2898 1.289818 1.2901 1.290119 1.2908 1.290820 1.2908 1.290821 1.2903 1.2922 1.2899 1.289923 1.2902 1.2902




IV-19











IV-20



Tiruan04-10-2012 00 1.2905 1.2905

01 1.2909 1.290902 1.2919 1.291903 1.2922 1.292304 1.2914 1.291405 1.2911 1.291206 1.2926 1.292707 1.2925 1.292508 1.2931 1.293




Tiruan10 1.2946 1.294611 1.2947 1.294712 1.2932 1.292813 1.2944 1.294414 1.295 1.29515 1.295 1.29516 1.2984 1.298817 1.2975 1.297318 1.3006 1.300319 1.3001 1.299820 1.3017 1.301821 1.3028 1.302922 1.3019 1.301123 1.3018 1.3019






IV-21


Pada tanggal 4 Oktober 2012 kondisi ke tiga pada jam 22:00 dengan selisih

nilai tukar valuta asing pada saat Open data Real dangan uji prediksi adalah 0.0008

dipengaruhi oleh faktor fundamental.








Tiruan

IV-22

05-10-2012 00 1.3017 1.301801 1.3016 1.301702 1.302 1.30203 1.3012 1.301304 1.3015 1.301505 1.3018 1.301906 1.3016 1.301407 1.3012 1.301208 1.3015 1.301509 1.3006 1.3007




Tiruan11 1.3005 1.300612 1.3001 1.313 1.3006 1.300614 1.3008 1.300815 1.3006 1.300616 1.3019 1.301917 1.3057 1.305918 1.3059 1.305919 1.3056 1.305820 1.3051 1.304721 1.303 1.302922 1.3033 1.303323 1.3029 1.3031







IV-23





Genetika- Jaringan Saraf Tiruan Tanggal 5 Oktober 2012.

Tabel 4.15 Validasi data Real dengan data hasil uji prediksi variable High pada


Tanggal Jam Data Real High

Hasil Uji Prediksi High dengan Metode Algoritma Genetika-Jaringan Saraf

Tiruan01-10-2012 00 1.2859 1.2857

01 1.2849 1.284802 1.2850 1.283603 1.2838 1.281404 1.2821 1.281905 1.2823 1.2817

IV-24

06 1.2819 1.281507 1.2824 1.282208 1.2825 1.282409 1.2830 1.282910 1.2851 1.2849




Tiruan12 1.2897 1.289413 1.2910 1.290714 1.2900 1.289815 1.2899 1.288616 1.2923 1.291917 1.2926 1.29118 1.2938 1.292319 1.2922 1.29120 1.2906 1.289921 1.2900 1.289822 1.2896 1.288623 1.2895 1.2892

Pada hasil uji prediksi High yang ditunjukkan pada Tabel 4.15 terbagi ke dalam 3






Adapun jam-jam yang dipengaruhi oleh faktor fundamental, yakni :

JAM SELISIH PIP2:00 0.00133:00 0.0024

15:00 0.001317:00 0.001618:00 0.0015

IV-25

19:00 0.001120:00 0.000722:00 0.0010

Gambar 4.19. Perbandingan Data Real High dengan Hasil Uji Prediksi High



IV-26





Tiruan02-10-2012 00 1.2892 1.289

01 1.2888 1.288602 1.2890 1.288903 1.2893 1.28904 1.2896 1.289505 1.2902 1.290106 1.2905 1.290307 1.2902 1.289608 1.2906 1.290309 1.2917 1.291510 1.2914 1.2897




Tiruan12 1.2919 1.291613 1.2923 1.291814 1.2929 1.292515 1.2929 1.292716 1.2933 1.292617 1.2948 1.294418 1.2939 1.293619 1.2967 1.296220 1.2952 1.294321 1.2947 1.293422 1.2931 1.291823 1.2926 1.2924





IV-27




JAM SELISIH PIP10:00 0.001720:00 0.000821:00 0.001222:00 0.0013






IV-28



Tiruan03-10-2012 00 1.2923 1.2921

01 1.2919 1.291702 1.2918 1.291803 1.2918 1.291204 1.2914 1.291105 1.2910 1.290906 1.2914 1.290907 1.2906 1.290208 1.2903 1.290109 1.2904 1.2910 1.2898 1.289311 1.2913 1.2909

Pindah Tabel ke Halaman IV-2712 1.2929 1.292613 1.2936 1.293414 1.2930 1.29115 1.2918 1.291316 1.2916 1.290717 1.2907 1.290318 1.2924 1.291619 1.2917 1.291520 1.2911 1.290921 1.2909 1.290422 1.2909 1.290323 1.2905 1.2904








IV-29

JAM SELISIH PIP14:00 0.001916:00 0.000818:00 0.0007




IV-30





Tiruan04-10-2012 00 1.2905 1.2904

01 1.2910 1.290902 1.2920 1.291903 1.2924 1.292304 1.2923 1.291505 1.2922 1.291606 1.2928 1.292607 1.2930 1.292708 1.2931 1.29309 1.2932 1.292510 1.2949 1.294611 1.2954 1.2951




Tiruan13 1.2946 1.294414 1.2954 1.295315 1.2967 1.29616 1.2991 1.298717 1.2995 1.298218 1.3006 1.300319 1.3012 1.300520 1.3020 1.301821 1.3031 1.30322 1.3028 1.302123 1.3020 1.3018





IV-31




JAM SELISIH PIP4:00 0.0007

12:00 0.001817:00 0.001222:00 0.0007

IV-32








Tiruan05-10-2012 00 1.3022 1.302

01 1.3022 1.301902 1.3021 1.30203 1.3021 1.301404 1.3018 1.301805 1.3020 1.301906 1.3022 1.301807 1.3020 1.301508 1.3018 1.301709 1.3017 1.300910 1.3015 1.3007




Tiruan12 1.3013 1.300613 1.3015 1.301314 1.3013 1.301115 1.3015 1.301116 1.3030 1.302617 1.3063 1.305918 1.3071 1.306619 1.3059 1.305620 1.3058 1.305221 1.3056 1.303622 1.3037 1.303523 1.3033 1.3029

IV-33









10:00 0.000721:00 0.0020

IV-34




Tabel 4.20 Validasi data Real dengan data hasil uji prediksi variable Low pada


Tanggal Jam Data Real Low

Hasil Uji Prediksi Low dengan Metode Algoritma Genetika-Jaringan Saraf

Tiruan01-10-2012 00 1.2843 1.2852

01 1.2843 1.284602 1.2831 1.283203 1.2803 1.280504 1.2805 1.281405 1.2811 1.281206 1.2804 1.280807 1.2809 1.281608 1.2816 1.281909 1.2817 1.282410 1.2825 1.2838




Tiruan12 1.2863 1.288313 1.2892 1.289814 1.2891 1.289315 1.2882 1.288216 1.2875 1.290617 1.2899 1.290218 1.2895 1.290219 1.2899 1.2920 1.2883 1.288721 1.2884 1.289122 1.2881 1.288223 1.2876 1.2883

IV-35

Pada hasil uji prediksi Low yang ditunjukkan pada Tabel 4.20 terbagi ke dalam 3







JAM SELISIH PIP0:00 0.00094:00 0.00097:00 0.0007

10:00 0.001311:00 0.002112:00 0.001916:00 -0.003018:00 -0.0007

IV-36

Gambar 4.24. Perbandingan Data Real Low dengan Hasil Uji Prediksi Low







Tiruan02-10-2012 00 1.2885 1.2887

01 1.2884 1.288502 1.2883 1.288703 1.2884 1.288504 1.2886 1.28905 1.2889 1.289606 1.2898 1.289907 1.2893 1.289408 1.2883 1.289409 1.2898 1.2908




Tiruan11 1.2880 1.28912 1.2893 1.290713 1.2902 1.290714 1.2907 1.291415 1.2910 1.291916 1.2920 1.292117 1.2918 1.293118 1.2922 1.292819 1.2929 1.294220 1.2936 1.293721 1.2927 1.292822 1.2914 1.291723 1.2913 1.2917

IV-37








JAM SELISIH PIP8:00 0.00119:00 0.0010

11:00 0.001012:00 0.001315:00 0.000917:00 0.001219:00 0.0012

IV-38








Tiruan03-10-2012 00 1.2916 1.2917

01 1.2913 1.291402 1.2915 1.291703 1.2905 1.290704 1.2908 1.290805 1.2900 1.290506 1.2904 1.290507 1.2893 1.289608 1.2893 1.289609 1.2896 1.2896




Tiruan11 1.2877 1.28912 1.2910 1.290713 1.2915 1.290714 1.2902 1.291415 1.2898 1.290216 1.2887 1.289317 1.2891 1.289518 1.2887 1.289619 1.2900 1.290620 1.2902 1.290521 1.2899 1.2922 1.2896 1.289823 1.2896 1.29

IV-39








JAM SELISIH PIP11:00 0.001313:00 0.000814:00 0.001218:00 0.0008




IV-40





Tiruan04-10-2012 00 1.2897 1.2901

01 1.2901 1.290602 1.2908 1.291503 1.2916 1.29204 1.2913 1.291305 1.2910 1.291106 1.2911 1.292107 1.2921 1.292308 1.2920 1.292609 1.2923 1.2923




Tiruan11 1.2937 1.294212 1.2925 1.292813 1.2931 1.29414 1.2942 1.294715 1.2937 1.294416 1.2946 1.297317 1.2970 1.297218 1.2972 1.299419 1.2989 1.299420 1.2997 1.30121 1.3016 1.302522 1.3007 1.301123 1.3009 1.3013




IV-41





JAM SELISIH PIP2:00 0.00076:00 0.0010

10:00 0.001813:00 0.000915:00 0.000716:00 0.002718:00 0.002220:00 0.001221:00 0.0008

IV-42








Tiruan05-10-2012 00 1.3014 1.3016

01 1.3016 1.301602 1.3014 1.301803 1.3012 1.301204 1.3011 1.301405 1.3015 1.301806 1.3012 1.301407 1.3010 1.301108 1.3012 1.301409 1.3006 1.3006




Tiruan11 1.2993 1.312 1.2996 1.299813 1.3000 1.300514 1.3005 1.300715 1.3003 1.300516 1.2997 1.301117 1.3019 1.304618 1.3049 1.305419 1.3045 1.30520 1.3045 1.304721 1.3026 1.302822 1.3027 1.303123 1.3014 1.302

IV-43








JAM SELISIH PIP16:00 0.001417:00 0.0026

IV-44




Tabel 4.25 Validasi data Real dengan data hasil uji prediksi variable Close

pada tanggal 1 Oktober 2012.

Tanggal Jam Data Real Close

Hasil Uji Prediksi Close dengan Metode Algoritma Genetika-Jaringan Saraf

Tiruan01-10-2012 00 1.2858 1.2854

01 1.2849 1.284702 1.2833 1.283703 1.2807 1.281404 1.2818 1.281505 1.2814 1.281606 1.2812 1.281207 1.2820 1.281808 1.2821 1.282109 1.2828 1.282610 1.2843 1.2841




Tiruan12 1.2893 1.288713 1.2899 1.2914 1.2897 1.289615 1.2883 1.288716 1.2923 1.291217 1.2907 1.29118 1.2904 1.291119 1.2899 1.290520 1.2894 1.289421 1.2896 1.289422 1.2885 1.288723 1.2888 1.2887

IV-45

Pada hasil uji prediksi Close yang ditunjukkan pada Tabel 4.25 terbagi ke dalam 3








16:00 0.0011

IV-46

Gambar 4.29. Perbandingan Data Real Close dengan Hasil Uji Prediksi

Close Nilai Tukar Valuta Asing dengan Metode Algoritma






Tiruan02-10-2012 00 1.2888 1.2888

01 1.2886 1.288602 1.2890 1.288803 1.2887 1.288804 1.2892 1.289105 1.2900 1.289806 1.2900 1.290107 1.2893 1.289608 1.2901 1.289809 1.2913 1.291




Tiruan11 1.2897 1.289612 1.2913 1.29113 1.2912 1.291214 1.2917 1.291715 1.2925 1.292216 1.2921 1.292417 1.2935 1.293418 1.2934 1.293219 1.2947 1.294820 1.2940 1.294221 1.2928 1.293322 1.2914 1.291823 1.2918 1.2919

IV-47








asing pada saat Close yang dipengaruhi oleh faktor fundamental.

IV-48








Tiruan03-10-2012 00 1.2919 1.2919

01 1.2916 1.291602 1.2918 1.291703 1.2911 1.291104 1.2909 1.29105 1.2910 1.290806 1.2906 1.290707 1.2902 1.290108 1.2901 1.2909 1.2898 1.289910 1.2892 1.2892




Tiruan12 1.2916 1.291813 1.2925 1.292514 1.2904 1.29115 1.2904 1.290616 1.2900 1.290117 1.2898 1.289918 1.2901 1.290419 1.2908 1.290820 1.2908 1.290721 1.2903 1.290322 1.2899 1.290123 1.2902 1.2901

IV-49








nilai tukar valuta asing pada saat Close data Real dangan uji prediksi adalah

0.0007 dipengaruhi oleh faktor fundamental.

IV-50








Tiruan04-10-2012 00 1.2905 1.2903

01 1.2909 1.290702 1.2919 1.291703 1.2922 1.292104 1.2914 1.291605 1.2911 1.291306 1.2926 1.292307 1.2925 1.292508 1.2931 1.292809 1.2923 1.2925




Tiruan11 1.2947 1.294612 1.2932 1.293713 1.2944 1.294114 1.2950 1.294915 1.2950 1.295116 1.2984 1.297717 1.2975 1.297918 1.3006 1.299819 1.3001 1.300120 1.3016 1.301321 1.3028 1.302622 1.3020 1.301923 1.3018 1.3016

IV-51








JAM SELISIH PIP16:00 0.000718:00 0.0007

IV-52








Tiruan05-10-2012 00 1.3018 1.3018

01 1.3017 1.301802 1.3020 1.301903 1.3012 1.301404 1.3015 1.301505 1.3019 1.301806 1.3016 1.301607 1.3012 1.301408 1.3015 1.301509 1.3006 1.3009




Tiruan11 1.3005 1.300312 1.3001 1.300313 1.3006 1.300714 1.3008 1.300815 1.3006 1.300816 1.3019 1.301617 1.3057 1.30518 1.3059 1.305919 1.3056 1.305420 1.3051 1.305121 1.3030 1.303622 1.3033 1.303223 1.3029 1.3026

IV-53








nilai tukar valuta asing pada saat Close data Real dangan uji prediksi adalah

0.0007 dipengaruhi oleh faktor fundamental.

IV-54




Dari hasil uji prediksi yang dihasilkan masing-masing memiliki nilai

RMSE dan tingkat akurasi sebagai berikut :

Menghitung nilai RMSE pada Matlab[4]:

rmse=(sqrt(1/n*sum((tx-d).^2)))/(b-a);

Ket:

sqrt = fungsi akar

n = yaitu banyaknya jumlah data

sum = fungsi jumlah

tx = nilai aktual

d = nilai prediksi

a = nilai min dari nilai aktual

b = nilai max dari nilai aktual

Menghitung tingkat akurasi pada Matlab[4] :

sa=sum(aa)/n*100;

Ket :

sum = fungsi jumlah

aa = nilai yang benar ( selisih aktual dengan prediksi dalam range 0 – 3 pip )

n = jumlah data

IV-55

Tabel 4.30 RMSE (Root Mean Square Error) dan Persentase kebenaran (akurasi)

Variabel output Algoritma Genetika- Jaringan Saraf Tiruan untuk uji

prediksi selama 1 minggu mulai Tanggal 1 Oktober sampai dengan 5

Oktober 2012.

Tanggal 1-5 Oktober 2012 VARIABEL

OPEN HIGH LOW CLOSE

% 95,00% 59.17 % 50,00% 83.33 %

RMSE 0,0071 0.0261 0.0328 0.0119

Keterangan :

% = Persentase Kebenaran

RMSE = Root Maen Square Error

V-1

BAB V

PENUTUP

V.1. KESIMPULAN

Dari penelitian yang telah dilakukan dalam Prediksi Nilai Tukar

Mata Uang Asing Euro terhadap US Dollar pada variabel Open, High, Low

dan Close menggunakan Metode Genetic Algorithm-Neural Network dapat

disimpulkan bahwa :

1. Validasi hasil uji prediksi harga EUR/USD pada nilai harga Open,

High, Low dan Close dengan metode Genetic Algorithm-Neural

Network terhadap data real history time-frame H1 keempat variabel dari

Metarader memiliki nilai RMSE 0,0206 dengan tingkat akurasi

mencapai 71,46%. Sehingga untuk masing-masing variabel memiliki

nilai RMSE dan tingkat akurasi sebagai berikut: Open memiliki nilai

RMSE sebesar 0,0071 dengan tingkat akurasi sebesar 95,00%, High

memiliki nilai RMSE sebesar 0,0261 dengan tingkat akurasi 59,17%,

Low memiliki nilai RMSE sebesar 0,0328 dengan tingkat akurasi

sebesar 50,00% dan Close meiliki nilai RMSE sebesar 0,0119 dengan

tingkat akurasi sebesar 83,33%.

2. Akurasi prediksi nilai Open selalu tinggi dikarenakan prediksi nilai

Open selalu didasarkan pada nilai Close sebelumnya atau dengan kata

lain nilai Open pada jam berikutnya selalu melihat dari nilai Close di

jam sebelumnya.

V-2

3. Besarnya Ukuran Populasi dan Maksimal Generasi yang diberikan pada

metode Genetic Algorithm juga mempengaruhi hasil prediksi, sehingga

semakin besar ukuran populasi dan maksimal generasi maka hasil

prediksi yang didapatkan bisa lebih baik.

4. Waktu yang dibutuhkan untuk memprediksi cukup lama, hal ini

dikarenakan banyaknya inputan yang diproses tepatnya pada saat

pembentukan nilai fitness (Feed Forward Neural Network) pada

metode Genetic Algorithm. Jadi, semakin banyak inputan maka waktu

yang dibutuhkan pula semakin lama dan sebaliknya.

V.2. SARAN

1. Penelitian ini masih perlu dilakukan pengembangan, maka dari itu perlu

dilakukan penelitian lanjutan dengan menggunakan metode kepakaran

yang lain seperti PSO, NN-RBF, Ant Algorithm atau

mengkombinasikan metode-metode yang sudah diteliti dengan metode-

metode yang lain.

2. Penelitian ini hanya menggunakan komponen-komponen Genetic

Algorithm standar sehingga masih perlu dilakukan pengembangan,

maka dari itu perlu dilakukan penelitian lanjutan dengan memodifikasi

komponen-komponen Genetic Algorithm standar misalnya,

menggunakan n-point crossover, Tournament Selection, seleksi

Boltzman, Seleksi Kompetitif, atau menggunakan varian Genetic

V-3

Algorithm yang lain seperti Sub-Population, Grid-Based Crossover dan

Messy Encoding.

3. Penelitian ini sebaiknya untuk mendapatkan hasil dari latih Genetic

Algorithm yang lebih efisien dari pemanfaatan waktu pencarian FFNN,

disarankan untuk menggunakan komputer yang memiliki hardware

yang baik dengan kata lain yang tinggi, seperti processor yang tinggi

dan memory atau RAM yang tinggi.

4. Dari setiap hasil prediksi yang dihasilkan diharapkan untuk melihat

indikator-indikator lain yang berhubungan bisa dijadikan variabel input

yang akan mempengaruhi hasil uji prediksi nantinya.

DAFTAR PUSTAKA

[1] Frento T. Suharto, MM, MBA. “Mengungkap Rahasia Forex”. Jakarta. 2012

[2] Suyanto, ST, MSC. “Evolutionary Computation”. Bandung. 2008

[3] Suyanto, ST, MSC. “Artificial Intelligance”. Bandung. 2011

[4] Andarias Eno, ST. “Prediksi Curah Hujan Di Wilayah Makassar

Menggunakan Metode Genetic Algorithm-Neural Network”. Makassar.

2012

[5] Prabowo Pudjo Widodo dan Rahmadya Trias Handayanto. “Penerapan Soft Computing Matlab”. Bandung. 2012

[6] Gunaidi Abdia Away. “Matlab Programming”. Bandung. 2012

[7] A.P.Endrosiwi, http://www.kampusforex.com/KF_forexebook.pdf/ , diakses

pada tanggal 19 Maret 2012.

[8] http://www.scribd.com/doc/40059359/Algoritma-Genetika-Dalam-Matlab/ , diakses pada tanggal 20 Maret 2012.

[9] http://www.scribd.com/doc/51077594/Belajar-Singkat-Matlab/ , diakses pada tanggal 23 Maret 2012.

[10] http://rac.uii.ac.id/harvester/index.php/record/view/61456/ , diakses pada tanggal 5 April 2012 .

[11] http://www.scribd.com/doc/68596127/Pemrograman-Matlab/ , diakses pada tanggal 20 Juli 2012.

[12] http://www.youtube.com/Neural Network Stock Price Prediction in Excel/ , diakses pada tanggal 27 Mei 2012.

[13] Atma, Ardi, http://www.w3.org/Sitem Trading untuk Analisa Pasar

Forex.htm/, Jakarta 2011.

http://www.kampusforex.com/KF_forexebook.pdf/

http://www.scribd.com/doc/40059359/Algoritma-Genetika-Dalam-Matlab

http://www.scribd.com/doc/51077594/Belajar-Singkat-Matlab

http://rac.uii.ac.id/harvester/index.php/record/view/61456

http://www.scribd.com/doc/68596127/Pemrograman-Matlab

[14] Rasyid, Achmed, http://www.w3.org/investasi-%2524200-trading-forex-

real-menghasilkan-%252410-perhari-secara-continue%252c-dengan-modal-

investasi-anda-tidak-berkurang.html/ , 2012.

[15] Siang, JJ. “Jaringan Syaraf Tiruan Dan Pemrogramannya

Menggunakan Matlab”. Yogyakarta: Andi Yogyakarta. 2005.

http://www.w3.org/investasi-%2524200-trading-forex-real-menghasilkan-%252410-perhari-secara-continue%252c-dengan-modal-investasi-anda-tidak-berkurang.html/ , 2012







L-1

FUNGSI-FUNGSI PADA GENETIC ALGORITHM

BangMatiriksITfunction [IM,TM] = BangMatrixIT(JumMasukan,JPmasukan); load dscopen g hfor ii=1:JumMasukan, IM(:,ii) = g(1:JPmasukan,ii); TM = h(1:JPmasukan,:); End

InisialisasiPopulasifunction Populasi = InisialisasiPopulasi(UkPop,JumGen); Populasi = fix(2*rand(UkPop,JumGen));

DekodekanKromosomfunction x = DekodekanKromosom(Kromosom,Nvar,Nbit,Ra,Rb); for ii=1:Nvar, x(ii) = 0; for jj=1:Nbit, x(ii) = x(ii) + Kromosom((ii-1)*Nbit+jj)*2^(-jj); end x(ii) = Rb + ((Ra-Rb)*x(ii));end

BinaryEvalIndfunction fitness = BinaryEvalInd(FFNNstruk,JumMasukan,JPmasukan,IM,TM); c = 1.0;n2 = JumMasukan^2; Wtemp = FFNNstruk(1:n2);for ii=1:JumMasukan, Wih(ii,:) = Wtemp((ii-1)*JumMasukan+1:ii*JumMasukan);end bih = FFNNstruk(n2+1:n2+JumMasukan);Who = FFNNstruk(n2+JumMasukan+1:n2+2*JumMasukan);bho = FFNNstruk((JumMasukan+1)^2);

L-2

SSE = 0;for evaluasi=1:JPmasukan, for ii=1:JumMasukan, SumWIb = 0; for jj=1:JumMasukan, SumWIb = SumWIb + (Wih(ii,jj) * IM(evaluasi,jj) + bih(jj)); end Xih(ii) = 1 / (1+exp(-c*SumWIb)); end SumWXb = 0; for jj=1:JumMasukan, SumWXb = SumWXb + (Who(jj) * Xih(jj) + bho); end Xho = 1 / (1+exp(-c*SumWXb)); SSE = SSE + (TM(evaluasi)-Xho)^2;end MSE = (1/JPmasukan * SSE);fitness = 1/MSE;

LinearFitnessRankingfunction LFR = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF) [SF,IndF] = sort(Fitness); for rr=1:UkPop, LFR(IndF(UkPop-rr+1)) = MaxF-(MaxF-MinF)*((rr-1)/(UkPop-1));end

RouletteWheelfunction Pindex = RouletteWheel(UkPop,LinearFitness); JumFitness = sum(LinearFitness);KumulatifFitness = 0;RN = rand;ii = 1;while ii <= UkPop, KumulatifFitness = KumulatifFitness + LinearFitness(ii); if (KumulatifFitness/JumFitness) > RN, Pindex = ii; break; end ii = ii + 1;end

L-3

PindahSilangfunction Anak = PindahSilang(Bapak,Ibu,JumGen); TP = 1 + fix(rand*(JumGen-1)); Anak(1,:) = [Bapak(1:TP) Ibu(TP+1:JumGen)];Anak(2,:) = [Ibu(1:TP) Bapak(TP+1:JumGen)];

Mutasifunction MutKrom = Mutasi(Kromosom,JumGen,Pmutasi); MutKrom = Kromosom;for ii=1:JumGen, if (rand < Pmutasi), if Kromosom(ii)==0, MutKrom(ii) = 1; else MutKrom(ii) = 0; end endend

PEMBENTUKAN FEED FORWARD NEURAL NETWORK NILAI TUKAR VALUTA ASING DAN PELATIHAN PREDIKSI METODE GENETIC ALGORITHM clear all;close all;clc;x1 =xlsread('jam.xlsx',1,'C1:C120')';x2 =xlsread('jam.xlsx',1,'D1:D120')';x3 =xlsread('jam.xlsx',1,'E1:E120')';x4 =xlsread('jam.xlsx',1,'F1:F120')';input=[x1;x2;x3;x4];save INPUT inputload INPUT inputtx=xlsread('jam.xlsx',1,'C2:C121')';save OPEN txload OPEN txoutput=tx; a=min(min(input));b=max(max(input));p=[0.8*(input-a)/(b-a)+0.1];t=[0.8*(output-a)/(b-a)+0.1];g=p';h=t';save dscopen g hload dscopen g h[JPmasukan,JumMasukan]=size(g)

L-4

Nbit = 10; JumGen = Nbit*(JumMasukan+1)^2;Nvar = JumGen/Nbit; Rb = -10; Ra = 10; MinMSE = 0.0001; Fthreshold = 1/MinMSE; Bgraf = Fthreshold; UkPop = 200; Psilang = 0.9; Pmutasi = 0.03; MaxG = 4000; hfig = figure;hold ontitle('Algoritma Genetika dengan Binary Encoding untuk pelatihan FFNN')set(hfig, 'position', [50,50,600,400]);set(hfig, 'DoubleBuffer', 'on');axis([1 MaxG 0 Bgraf]);hbestplot1 = plot(1:MaxG,zeros(1,MaxG));hbestplot2 = plot(1:MaxG,zeros(1,MaxG));htext1 = text(0.6*MaxG,0.25*Bgraf,sprintf('Fitness terbaik: %7.6f', 0.0));htext2 = text(0.6*MaxG,0.20*Bgraf,sprintf('MSE: %7.6f', 0.0));htext3 = text(0.6*MaxG,0.15*Bgraf,sprintf('Ukuran populasi: %3.0f', 0.0));htext4 = text(0.6*MaxG,0.10*Bgraf,sprintf('Prob. Pindah Silang: %4.3f', 0.0));htext5 = text(0.6*MaxG,0.05*Bgraf,sprintf('Prob. Mutasi: %4.3f', 0.0));xlabel('Generasi');ylabel('Fitness');hold offdrawnow; [IM,TM] = BangMatrixIT(JumMasukan,JPmasukan); Populasi = InisialisasiPopulasi(UkPop,JumGen); for generasi=1:MaxG, FFNNstruk = DekodekanKromosom(Populasi(1,:),Nvar,Nbit,Ra,Rb); Fitness(1) = BinaryEvalInd(FFNNstruk,JumMasukan,JPmasukan,IM,TM); MaxF = Fitness(1); MinF = Fitness(1); IndeksIndividuTerbaik = 1; for ii=2:UkPop, FFNNstruk = DekodekanKromosom(Populasi(ii,:),Nvar,Nbit,Ra,Rb);

L-5

Fitness(ii) = BinaryEvalInd(FFNNstruk,JumMasukan,JPmasukan,IM,TM); if (Fitness(ii) > MaxF), MaxF = Fitness(ii); IndeksIndividuTerbaik = ii; FFNNterbaik = FFNNstruk; end if (Fitness(ii) <= MinF), MinF = Fitness(ii); end end MSE = 1/(MaxF); plotvector1 = get(hbestplot1,'YData'); plotvector1(generasi) = MaxF; set(hbestplot1,'YData',plotvector1); plotvector2 = get(hbestplot2,'YData'); set(hbestplot2,'YData',plotvector2); set(htext1,'String',sprintf('Fitness terbaik: %7.6f', MaxF)); set(htext2,'String',sprintf('MSE: %7.6f', MSE)); set(htext3,'String',sprintf('Ukuran populasi: %3.0f', UkPop)); set(htext4,'String',sprintf('Prob. Pindah Silang: %4.3f', Psilang)); set(htext5,'String',sprintf('Probabilitas Mutasi: %4.3f', Pmutasi)); drawnow if MaxF > Fthreshold, break; end TemPopulasi = Populasi; if mod(UkPop,2)==0, IterasiMulai = 3; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(3,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(4,:) = Populasi(IndeksIndividuTerbaik,:); else IterasiMulai = 2; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); end LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF); for jj=IterasiMulai:2:UkPop, IP1 = RouletteWheel(UkPop,LinearFitness); IP2 = RouletteWheel(UkPop,LinearFitness); if (rand < Psilang),

L-6

Anak = PindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen); TemPopulasi(jj,:) = Anak(1,:); TemPopulasi(jj+1,:) = Anak(2,:); else TemPopulasi(jj,:) = Populasi(IP1,:); TemPopulasi(jj+1,:) = Populasi(IP2,:); end end for kk=IterasiMulai:UkPop, TemPopulasi(kk,:) = Mutasi(TemPopulasi(kk,:),JumGen,Pmutasi); end Populasi = TemPopulasi; end FFNNterbaiksave FFNNterbaikOPEN.mat FFNNterbaiksaveas(gcf,'GAopen.fig'); c = 1.0;n2 = JumMasukan^2;FFNNstruk=FFNNterbaik;Wtemp = FFNNstruk(1:n2);for ii=1:JumMasukan, Wih(ii,:) = Wtemp((ii-1)*JumMasukan+1:ii*JumMasukan);end bih = FFNNstruk(n2+1:n2+JumMasukan);Who = FFNNstruk(n2+JumMasukan+1:n2+2*JumMasukan);bho = FFNNstruk((JumMasukan+1)^2); SSE = 0;for evaluasi=1:JPmasukan, for ii=1:JumMasukan, SumWIb = 0; for jj=1:JumMasukan, SumWIb = SumWIb + (Wih(ii,jj) * IM(evaluasi,jj) + bih(jj)); end Xih(ii) = 1 / (1+exp(-c*SumWIb)); end SumWXb = 0; for jj=1:JumMasukan, SumWXb = SumWXb + (Who(jj) * Xih(jj) + bho); end xtt(evaluasi) = (((1 / (1+exp(-c*SumWXb))-0.1)*(b-a)/0.8)+a)

L-7

endn=1:length (xtt);figure(1);plot(n,output,'r.-',n,xtt,'b.-');title('data real vs prediksi open');xlabel('waktu(jam)');ylabel('harga (eur/usd)');legend('data real','prediksi');save openGA output xttsaveas(gcf,'openGA.fig');

PELATIHAN FEED FORWARD NEURAL NETWORK NILAI TUKAR VALUTA ASING DAN PREDIKSI METODE NEURAL NETWORK-BACKPROPAGATION

clear all;close all;clc;%pembentukan pola masukan dan targetx1 =xlsread('jam.xlsx',1,'C1:C120')';x2 =xlsread('jam.xlsx',1,'D1:D120')';x3 =xlsread('jam.xlsx',1,'E1:E120')';x4 =xlsread('jam.xlsx',1,'F1:F120')';input=[x1;x2;x3;x4];save INPUT inputload INPUT inputload OPEN txoutput=tx; a=min(min(input));b=max(max(input));p=[0.8*(input-a)/(b-a)+0.1];t=[0.8*(output-a)/(b-a)+0.1];net = newff(minmax (p),(t), [4 1], {'logsig','logsig'},'trainrp');net= init (net)load FFNNterbaikOPENc=FFNNterbaiknet.IW{1,1}=[c(:,1:4); c(:,5:8); c(:,9:12);c(:,13:16);]d=c(:,17:20);net.b{1}=d'net.LW{2,1}=c(:,21:24);net.b{2}=c(:,25);net.trainParam.epochs=500;net.divideParam.trainRatio = 1; % Adjust as desirednet.divideParam.valRatio = 0; % Adjust as desirednet.divideParam.testRatio = 0; % Adjust as desired;net.trainParam.goal=10e-7;net.trainParam.lr=0.1;net.trainParam.mc=0.9;net.trainParam.min_grad=0.00000000009;[net,tr] = train(net,p,t);[y,Pf,Af,e,perf]=sim(net,p,[],[],t)y = sim (net,p)

L-8

xtt=(((y-0.1)*(b-a)/0.8)+a);hasil=[output' xtt'];y=output';per=y*99.99/100;sel=y-per;sen=y+sel;n=length(y);for i=1:n if xtt(i)==y(i)| xtt(i)<=sen(i)&xtt(i)>=per(i)|y(i)==0&xtt(i)<=2&xtt(i)>=-2 aa(i)=1; else aa(i)=0; endendaa=aa';sa=sum(aa)/n*100;ulangxtt=abs(xtt);%plotperform(tr)%.....grafik perbandingann=1:length(xtt);figure(1);plot(n,output,'r.-',n,xtt,'b.-');title('data real vs prediksi open');xlabel('waktu');ylabel('harga ');legend('data real','prediksi');saveas(gcf,'hasillatihFFNNopen.fig');save hasillatihFFNNopen input output xtt perf net sa;

PENGUJIAN PREDIKSI NILAI TUKAR VALUTA ASING

MENGGUNAKAN METODE GENETIC ALGORITHM- NEURAL NETWORK

clc; close all; clear all;x1 =xlsread('jam.xlsx',1,'C237')';x2 =xlsread('jam.xlsx',1,'C238')';x3 =xlsread('jam.xlsx',1,'C239')';x4 =xlsread('jam.xlsx',1,'C240')';px=[x1;x2;x3;x4];save input23 px load input23 px load hasillatihFFNNopen neta=min(min(px))b=max(max(px))p=[0.8*(px-a)/(b-a)+0.1]y=sim(net,p)xtt=(((y-0.1)*(b-a)/0.8)+a)save prediksiopen051012time23 xtt

% --- Tombol Load data ...

L-9

function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton9 (see GCBO) % load data%membaca data yng ada pada data lama dan data baru[number1,string1,data1] = xlsread('db30.csv',1);a1 = cell2mat(data1(:,2));b1 = datestr(a1(:,1),'HH:MM');data1(:,2)= cellstr(b1);datalama.textdata(:,1)=data1(:,1);datalama.textdata(:,2)=data1(:,2);datalama.data(:,1)=data1(:,3);datalama.data(:,2)=data1(:,4);datalama.data(:,3)=data1(:,5);datalama.data(:,4)=data1(:,6); [number2,string2,data2] = xlsread('EURUSD30.csv',1);a2 = cell2mat(data2(:,2));b2 = datestr(a2(:,1),'HH:MM');data2(:,2)= cellstr(b2);databaru.textdata(:,1)=data2(:,1);databaru.textdata(:,2)=data2(:,2);databaru.data(:,1)=data2(:,3);databaru.data(:,2)=data2(:,4);databaru.data(:,3)=data2(:,5);databaru.data(:,4)=data2(:,6); %mengambil data tanggal dan jam yg ada pada data lama dan data barutgl_akhir = strcat(datalama.textdata(end,1),{' '},strcat(datalama.textdata(end,2)));tgl_baru = strcat(databaru.textdata(:,1),{' '},strcat(databaru.textdata(:,2))); %mencari posisi data terakhir dari data lama di data baruposisi = strmatch(tgl_akhir, tgl_baru); %mengambil data terbaru lalu input ke data lama berdasarkan tanggal terakhir di data lamatglbaru = databaru.textdata(posisi+1:end,1);jambaru = databaru.textdata(posisi+1:end,2);openbaru = databaru.data(posisi+1:end,1);highbaru = databaru.data(posisi+1:end,2);lowbaru = databaru.data(posisi+1:end,3);closebaru = databaru.data(posisi+1:end,4); t = length(datalama.textdata);d = length(datalama.data); for i=1:length(tglbaru) datalama.textdata(i+t,1)=tglbaru(i);

L-10

datalama.textdata(i+t,2)=jambaru(i); datalama.data(i+d,1)=openbaru(i); datalama.data(i+d,2)=highbaru(i); datalama.data(i+d,3)=lowbaru(i); datalama.data(i+d,4)=closebaru(i);end open = datalama.data(end-7:end-1,1);high = datalama.data(end-7:end-1,2);low = datalama.data(end-7:end-1,3);close = datalama.data(end-7:end-1,4); open2 = datalama.data(end-6:end,1);high2 = datalama.data(end-6:end,2);low2 = datalama.data(end-6:end,3);close2 = datalama.data(end-6:end,4); handles.open = cell2mat(open);handles.high = cell2mat(high);handles.low = cell2mat(low);handles.close = cell2mat(close); handles.open2 = cell2mat(open2);handles.high2 = cell2mat(high2);handles.low2 = cell2mat(low2);handles.close2 = cell2mat(close2); openp = datalama.data(end-6:end,1);highp = datalama.data(end-6:end,2);lowp = datalama.data(end-6:end,3);closep = datalama.data(end-6:end,4); handles.openp = cell2mat(openp);handles.highp = cell2mat(highp);handles.lowp = cell2mat(lowp);handles.closep = cell2mat(closep); openx = datalama.data(end,1);highx = datalama.data(end,2);lowx = datalama.data(end,3);closex = datalama.data(end,4); handles.openx = cell2mat(openx);handles.highx = cell2mat(highx);handles.lowx = cell2mat(lowx);handles.closex = cell2mat(closex); % status data terbaru yang diload apabila telah selesai set(handles.text8,'String','Status : Done');guidata(hObject, handles);

L-11

% --- Tombol Latih GA dan NN ...function pushbutton10_Callback(hObject, eventdata, handles)% latih GA dan NN% GA% eksekusi m-file pencarian FFNN masing-masing variabelffnnterbaikopen = FFNNopen(handles.open,handles.high,handles.low,handles.close, handles.open2);ffnnterbaikhigh = FFNNhigh(handles.open,handles.high,handles.low,handles.close, handles.high2);ffnnterbaiklow = FFNNlow(handles.open,handles.high,handles.low,handles.close, handles.low2);ffnnterbaikclose = FFNNclose(handles.open,handles.high,handles.low,handles.close, handles.close2);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Memanggil fungsi-fungsi berikut :% 1. BangMatrixIT% 2. InisialisasiPopulasi% 3. DekodekanKromosom% 4. BinaryEvalind% 5. LinearFitnessRanking% 6. RouletteWheel% 7. PindahSilang% 8. Mutasi

function FFNNterbaik = FFNN...(open,high,low,close,...2)

% membaca input dan targetinput=[open';high';low';close'];output=...2';

% proses normalisasia=min(min(input)); %nilai terkecil dari inputb=max(max(input)); %nilai terbesar dari input p=[0.8*(input-a)/(b-a)+0.1];t=[0.8*(output-a)/(b-a)+0.1];g=p';h=t';save dsC... g hload dsC... g h[JPmasukan,JumMasukan]=size(g)%Jumlah pola masukan & jumlah masukanNbit = 10; %Jumlah bit yang mengkodekan satu variabel JumGen = Nbit*(JumMasukan+1)^2; %Jumlah Gen dalam KromosomNvar = JumGen/Nbit; %Jumlah variable pada fungsi yang dilatih Rb = -10; %Batas bawah interval

L-12

Ra = 10; %Batas atas interval MinMSE = 0.0001; %batasan performanceFthreshold = 1/MinMSE; %Threshold untuk nilai fitnes Bgraf = Fthreshold; %untuk menangani tampilan grafis UkPop = 200; %jumlah kromosom dalam populasi Psilang = 0.9; %probabilitas pindah silang Pmutasi = 0.03; %probabilitas mutasi MaxG = 1500; %jumlah generasi %inisialisasi grafishfig = figure;hold ontitle('Algoritma Genetika dengan Binary Encoding untuk pelatihan FFNN')set(hfig, 'position', [50,50,600,400]);set(hfig, 'DoubleBuffer', 'on');axis([1 MaxG 0 Bgraf]);hbestplot1 = plot(1:MaxG,zeros(1,MaxG));hbestplot2 = plot(1:MaxG,zeros(1,MaxG));htext1 = text(0.6*MaxG,0.25*Bgraf,sprintf('Fitness terbaik: %7.6f', 0.0));htext2 = text(0.6*MaxG,0.20*Bgraf,sprintf('MSE: %7.6f', 0.0));htext3 = text(0.6*MaxG,0.15*Bgraf,sprintf('Ukuran populasi: %3.0f', 0.0));htext4 = text(0.6*MaxG,0.10*Bgraf,sprintf('Prob. Pindah Silang: %4.3f', 0.0));htext5 = text(0.6*MaxG,0.05*Bgraf,sprintf('Prob. Mutasi: %4.3f', 0.0));xlabel('Generasi');ylabel('Fitness');hold offdrawnow; %pemanggilan fungsi BangMatrixIT%bangkitkan matrix Input dan Target untuk pelatihan FFNN[IM,TM] = BangMatrixIT(JumMasukan,JPmasukan, g, h);

%pemanggilan fungsi InisialisasiPopulasiPopulasi = InisialisasiPopulasi(UkPop,JumGen);

%loop evolusi for generasi=1:MaxG,%pemanggilan funsi DekodekanKromosom & BinaryEvalInd

FFNNstruk = DekodekanKromosom(Populasi(1,:),Nvar,Nbit,Ra,Rb); Fitness(1) = BinaryEvalInd(FFNNstruk,JumMasukan,JPmasukan,IM,TM); MaxF = Fitness(1); MinF = Fitness(1); IndeksIndividuTerbaik = 1; for ii=2:UkPop,

L-13

FFNNstruk = DekodekanKromosom(Populasi(ii,:),Nvar,Nbit,Ra,Rb); Fitness(ii) = BinaryEvalInd(FFNNstruk,JumMasukan,JPmasukan,IM,TM); if (Fitness(ii) > MaxF), MaxF = Fitness(ii); IndeksIndividuTerbaik = ii; FFNNterbaik = FFNNstruk; end if (Fitness(ii) <= MinF), MinF = Fitness(ii); end end

%FFNNstruk yakni sebuah individu yang berisi 16 nilai real (mempresentasikan sebuah struktur FFNN yang terdiri dari 4 neuron),

%JumMasukan yakni jumlah masukan yang berupa variabel x,

%JPmasukan yakni jumlah pola masukan yang dapat dibentuk dari jumlah variable,

%IM yakni matriks Input berukuran JPmasukan x JumMasukan,%TM yakni matriks Target berukuran JPmasukan x 1,

MSE = 1/(MaxF); %tingkat error dari 1 dibagi nilai fitness maksimal %penanganan grafis plotvector1 = get(hbestplot1,'YData'); plotvector1(generasi) = MaxF; set(hbestplot1,'YData',plotvector1); plotvector2 = get(hbestplot2,'YData'); set(hbestplot2,'YData',plotvector2); set(htext1,'String',sprintf('Fitness terbaik: %7.6f', MaxF)); set(htext2,'String',sprintf('MSE: %7.6f', MSE)); set(htext3,'String',sprintf('Ukuran populasi: %3.0f', UkPop)); set(htext4,'String',sprintf('Prob. Pindah Silang: %4.3f', Psilang)); set(htext5,'String',sprintf('Probabilitas Mutasi: %4.3f', Pmutasi)); drawnow if MaxF > Fthreshold, break; end TemPopulasi = Populasi;%elitisme%buat satu kromosom terbaik jika ukuran populasi ganjil%buat satu kromosom terbaik jika ukuran populasi genap

L-14

if mod(UkPop,2)==0, %ukuran populasi genap IterasiMulai = 3; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(3,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(4,:) = Populasi(IndeksIndividuTerbaik,:); else %ukuran populasi ganjil IterasiMulai = 2; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); end

%pemanggilan fungsi LinearFitnessRanking LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF);%pemanggilan fungsi RouletteWheel & PindahSilang for jj=IterasiMulai:2:UkPop, IP1 = RouletteWheel(UkPop,LinearFitness); IP2 = RouletteWheel(UkPop,LinearFitness); if (rand < Psilang), Anak = PindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen); TemPopulasi(jj,:) = Anak(1,:); TemPopulasi(jj+1,:) = Anak(2,:); else TemPopulasi(jj,:) = Populasi(IP1,:); TemPopulasi(jj+1,:) = Populasi(IP2,:); end end

%pemanggilan fungsi mutasi%mutasi dilakukan pada semua kromosom for kk=IterasiMulai:UkPop, TemPopulasi(kk,:) = Mutasi(TemPopulasi(kk,:),JumGen,Pmutasi); end %Generaltional Replacement: mengganti semua kromosom sekaligus Populasi = TemPopulasi; end FFNNterbaiksave FFNNterbaik... .mat FFNNterbaiksaveas(gcf,'GA... .fig');

%Pengujian FFNN hasil pelatihan%load struktur FFNN terbaik hasil pelatihan%mengevaluasi individu sehingga didapatkan nilai fitness-nyac = 1.0;n2 = JumMasukan^2;FFNNstruk=FFNNterbaik;Wtemp = FFNNstruk(1:n2);for ii=1:JumMasukan,

L-15

Wih(ii,:)= Wtemp((ii-1)*JumMasukan+1:ii*JumMasukan);%bobot dari input layer ke hidden layerend bih = FFNNstruk(n2+1:n2+JumMasukan); bias dari hidden layer ke output layerWho = FFNNstruk(n2+JumMasukan+1:n2+2*JumMasukan); %bobot dari hidden layer ke output layerbho = FFNNstruk((JumMasukan+1)^2); %bias dari hidden layer ke output layer SSE = 0;for evaluasi=1:JPmasukan, for ii=1:JumMasukan, SumWIb = 0; for jj=1:JumMasukan, SumWIb = SumWIb + (Wih(ii,jj) * IM(evaluasi,jj) + bih(jj)); end Xih(ii) = 1 / (1+exp(-c*SumWIb)); end SumWXb = 0; for jj=1:JumMasukan, SumWXb = SumWXb + (Who(jj) * Xih(jj) + bho); end xtt(evaluasi) = (((1 / (1+exp(-c*SumWXb))-0.1)*(b-a)/0.8)+a) endn=1:length (xtt);figure(1);plot(n,output,'r.-',n,xtt,'b.-');title('data real vs prediksi open');xlabel('waktu(jam)');ylabel('harga (eur/usd)');legend('data real','prediksi');save ...GA0 output xttsaveas(gcf,'....GA0.fig'); return

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% NN% eksekusi m-file Pelatihan FFNN yang dihasilkan sebelumnya untuk menghasilkan sebuah net masing-masing variabelnetopen = LatihFFNNopen(handles.open,handles.high,handles.low,handles.close,ffnnterbaikopen);nethigh = LatihFFNNhigh(handles.open,handles.high,handles.low,handles.close,ffnnterbaikhigh);

L-16

netlow = LatihFFNNlow(handles.open,handles.high,handles.low,handles.close,ffnnterbaiklow);netclose = LatihFFNNclose(handles.open,handles.high,handles.low,handles.close,ffnnterbaikclose);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%menyimpan net yang dihasilkan masing-masing variabelhandles.netopen = netopen;handles.nethigh = nethigh;handles.netlow = netlow;handles.netclose = netclose;guidata(hObject, handles);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%pemanggilan fungsi pelatihan FFNN masing-masing variabelfunction net = LatihFFNN...(open,high,low,close,...2,FFNNterbaik);input=[open';high';low';close'];output=...2'; a=min(min(input));b=max(max(input));p=[0.8*(input-a)/(b-a)+0.1];t=[0.8*(output-a)/(b-a)+0.1];net = newff(minmax (p),(t), [4 1], {'logsig','logsig'},'trainrp');%trainrpnet= init (net)c=FFNNterbaik%penentuan bobot dan bias berdasarkan jumlah masukannet.IW{1,1}=[c(:,1:4); c(:,5:8); c(:,9:12);c(:,13:16);]%16 buah bobot dari input layer ke hidden layerd=c(:,17:20); net.b{1}=d' %4 buah bias dari input layer ke hidden layernet.LW{2,1}=c(:,21:24); %4 buah bobot dari hidden layer ke output layernet.b{2}=c(:,25); %1 buah bias dari hidden layer ke output layer net.trainParam.epochs=500; %perulangan iterasi eksekusi hingga mendekati target errornet.divideParam.trainRatio = 1; % Adjust as desirednet.divideParam.valRatio = 0; % Adjust as desirednet.divideParam.testRatio = 0; % Adjust as desired;net.trainParam.goal=10e-7; %target error yang ingin dicapainet.trainParam.lr=0.1;net.trainParam.mc=0.9;net.trainParam.min_grad=0.00000000009;[net,tr] = train(net,p,t); %melatih net terhadap input dan output[y,Pf,Af,e,perf]=sim(net,p,[],[],t)y = sim (net,p) %simulasikan net terhadap masukanxtt=(((y-0.1)*(b-a)/0.8)+a); %denormalisasihasil=[output' xtt'];y=output';%range untuk nilai yang dicari berdasarkan target

L-17

per=y*99.99/100; sel=y-per;sen=y+sel; n=length(y);for i=1:n if xtt(i)==y(i)| xtt(i)<=sen(i)&xtt(i)>=per(i)|y(i)==0&xtt(i)<=2&xtt(i)>=-2 aa(i)=1; else aa(i)=0; endendaa=aa'; %nilai-nilai yang termasuk dalam ketentuansa=sum(aa)/n*100; %tingkat akurasi dari hasil yang didapatkanulang %memanggil fungsi perulangan hingga mendapatkan tingkat akurasi dan mendekati target error yang ingin dicapaixtt=abs(xtt);%plotperform(tr)%.....grafik perbandingann=1:length(xtt);figure(1);plot(n,output,'r.-',n,xtt,'b.-');title('data real vs prediksi open');xlabel('waktu');ylabel('harga ');legend('data real','prediksi'); return

% --- Tombol Prediksi ...function pushbutton11_Callback(hObject, eventdata, handles)% hObject handle to pushbutton11 (see GCBO)% PREDIKSI% load 1 nilai terbaru untuk masing-masing variabelopen =handles.openx;high =handles.highx;low =handles.lowx;close =handles.closex; % memanggil net yang sebelumnya telah disimpannetopen = handles.netopen;nethigh = handles.nethigh;netlow = handles.netlow;netclose = handles.netclose; % eksekusi dari input dengan net masing-masing variabelxttopen = prediksiFFNNopen(netopen,open,high,low,close);xtthigh = prediksiFFNNhigh(nethigh,open,high,low,close);xttlow = prediksiFFNNlow(netlow,open,high,low,close);xttclose = prediksiFFNNclose(netclose,open,high,low,close); % menyimpan data hasil prediksi masing-masing variabelasd =[xttopen xtthigh xttlow xttclose];

L-18

% tambah baris baru% menampilkan hasildb = get(handles.uitable3,'Data');k = size(db,1)+1;if k ==1 newdb = num2cell(asd);else newdb = db;endnewdb{k,1} = xttopen;newdb{k,2} = xtthigh;newdb{k,3} = xttlow;newdb{k,4} = xttclose;set(handles.uitable3,'Data',newdb);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

Tabel 4.1 Nilai-nilai variabel input Open, High, Low dan Close Tanggal 24 Oktober sampai dengan 28 Oktober 2012

Tanggal Jam Close High Low Open24-10-2012 00 1.298 1.299 1.2976 1.2976

01 1.2973 1.2979 1.2965 1.297902 1.2966 1.2977 1.2966 1.297303 1.2972 1.2979 1.2965 1.296604 1.2934 1.2973 1.293 1.297305 1.2938 1.2944 1.2927 1.293406 1.2948 1.2953 1.2933 1.293807 1.2945 1.2952 1.2944 1.294908 1.2946 1.2954 1.2939 1.294509 1.2946 1.2949 1.2929 1.294610 1.2953 1.2972 1.2942 1.294611 1.2905 1.2954 1.2896 1.295312 1.291 1.2916 1.2902 1.290413 1.2905 1.2912 1.2898 1.291114 1.2921 1.2935 1.2904 1.290515 1.2905 1.2923 1.289 1.292116 1.2911 1.2917 1.29 1.290517 1.2915 1.292 1.2897 1.291118 1.2909 1.2916 1.2903 1.291519 1.2914 1.2914 1.2906 1.290920 1.2919 1.2928 1.2911 1.291421 1.2934 1.2934 1.2918 1.291922 1.2926 1.2936 1.2924 1.293423 1.293 1.2932 1.2925 1.2926

L-19


01 1.2931 1.2932 1.2928 1.29302 1.294 1.2943 1.2929 1.293103 1.2939 1.2943 1.2932 1.29404 1.2939 1.2943 1.2936 1.293905 1.2947 1.2952 1.2939 1.293906 1.2935 1.2947 1.2934 1.294707 1.2937 1.294 1.2931 1.293508 1.2899 1.294 1.2895 1.293609 1.2902 1.2918 1.2886 1.289910 1.29 1.2925 1.2892 1.290211 1.2908 1.2917 1.2895 1.2912 1.2897 1.2918 1.2892 1.290813 1.2907 1.2916 1.2891 1.289714 1.2931 1.2937 1.2906 1.290715 1.2956 1.2966 1.2931 1.293216 1.2943 1.2964 1.2941 1.295617 1.2962 1.2968 1.2942 1.294318 1.2944 1.297 1.2941 1.296219 1.295 1.2955 1.2941 1.294420 1.2947 1.2958 1.2945 1.29521 1.2926 1.2948 1.2924 1.294722 1.2905 1.2927 1.2905 1.292623 1.2897 1.291 1.2897 1.2905


01 1.2899 1.2905 1.2896 1.290402 1.2898 1.2902 1.2895 1.289903 1.2911 1.2911 1.2895 1.289804 1.2906 1.2912 1.2902 1.291105 1.29 1.291 1.2899 1.290506 1.2899 1.2906 1.2898 1.2907 1.2872 1.29 1.2863 1.289908 1.2868 1.2879 1.2866 1.287209 1.2869 1.2876 1.2856 1.286810 1.2874 1.2876 1.2861 1.286811 1.2866 1.2875 1.2847 1.287412 1.2865 1.2888 1.2864 1.286613 1.2859 1.2871 1.2857 1.286514 1.2849 1.2863 1.2842 1.28615 1.2857 1.286 1.2837 1.2849

L-20

16 1.285 1.2863 1.2842 1.285717 1.2839 1.2865 1.2837 1.28518 1.2853 1.2858 1.2835 1.28419 1.2862 1.2865 1.2852 1.285420 1.2855 1.2866 1.2854 1.286221 1.2859 1.286 1.2852 1.285522 1.2864 1.2873 1.2854 1.285923 1.2871 1.2872 1.2864 1.2864


01 1.2873 1.2875 1.287 1.287302 1.2877 1.2885 1.2871 1.287403 1.287 1.2878 1.2866 1.287704 1.2884 1.2887 1.2869 1.286905 1.2878 1.2891 1.2873 1.288506 1.2879 1.2879 1.2873 1.287807 1.2879 1.2881 1.2874 1.287908 1.2894 1.2897 1.2878 1.287909 1.2888 1.2899 1.2879 1.289410 1.2885 1.2893 1.2874 1.288811 1.2876 1.2886 1.2863 1.288512 1.2853 1.2877 1.2845 1.287613 1.2863 1.2869 1.2844 1.285314 1.2858 1.2879 1.2856 1.286315 1.2879 1.2891 1.2856 1.285816 1.2876 1.288 1.2861 1.287917 1.2861 1.2877 1.2846 1.287618 1.2873 1.2875 1.2828 1.286119 1.2895 1.2904 1.2871 1.287220 1.2915 1.2922 1.2884 1.289521 1.2915 1.2928 1.2913 1.291522 1.2911 1.2918 1.291 1.291523 1.2912 1.2915 1.2909 1.2911


01 1.291 1.2915 1.291 1.291402 1.2912 1.2914 1.291 1.29103 1.2918 1.2919 1.2907 1.291204 1.2919 1.2922 1.2908 1.291905 1.2936 1.2942 1.2917 1.291906 1.293 1.2941 1.2929 1.293607 1.2933 1.2936 1.2929 1.293

L-21

08 1.2929 1.2935 1.2925 1.293309 1.2926 1.294 1.2924 1.292910 1.2929 1.2944 1.2921 1.292611 1.2944 1.2947 1.2925 1.292912 1.2941 1.2959 1.2936 1.294413 1.2921 1.2948 1.2921 1.29414 1.2932 1.2932 1.2915 1.292115 1.2928 1.2939 1.291 1.293216 1.2894 1.2937 1.2891 1.292817 1.2863 1.29 1.2847 1.289418 1.2855 1.2869 1.2838 1.286219 1.2877 1.289 1.2855 1.285520 1.2863 1.2878 1.2852 1.287721 1.2851 1.2866 1.285 1.286222 1.2849 1.2855 1.2841 1.285123 1.2857 1.2859 1.2842 1.2849

Tabel 4.2 Perbandingan Data Real Open dengan Hasil Latih Open Nilai TukarValuta Asing dengan Metode Genetic Algorithm

Tanggal Jam Data Real Open Hasil FFNN Open dengan Metode Genetic Algorithm

24-10-2012 00 1.2976 1.296301 1.2979 1.296402 1.2973 1.296103 1.2966 1.295904 1.2973 1.296105 1.2934 1.293606 1.2938 1.29407 1.2949 1.294808 1.2945 1.294609 1.2946 1.294710 1.2946 1.294611 1.2953 1.295412 1.2904 1.289513 1.2911 1.29114 1.2905 1.290315 1.2921 1.2927

L-22

16 1.2905 1.290517 1.2911 1.291118 1.2915 1.291619 1.2909 1.290820 1.2914 1.291121 1.2919 1.292222 1.2934 1.293523 1.2926 1.2929


25-10-2012 00 1.293 1.29301 1.293 1.293102 1.2931 1.293103 1.294 1.294104 1.2939 1.29405 1.2939 1.29406 1.2947 1.294707 1.2935 1.293808 1.2936 1.293709 1.2899 1.289810 1.2902 1.290411 1.29 1.290412 1.2908 1.290913 1.2897 1.289914 1.2907 1.290715 1.2932 1.293516 1.2956 1.295517 1.2943 1.294718 1.2962 1.295719 1.2944 1.294820 1.295 1.29521 1.2947 1.294822 1.2926 1.293223 1.2905 1.2907


26-10-2012 00 1.2897 1.289601 1.2904 1.290102 1.2899 1.2895

L-23

03 1.2898 1.289304 1.2911 1.290905 1.2905 1.290406 1.29 1.289807 1.2899 1.289508 1.2872 1.286809 1.2868 1.286710 1.2868 1.286711 1.2874 1.287112 1.2866 1.286413 1.2865 1.286714 1.286 1.286215 1.2849 1.285616 1.2857 1.286117 1.285 1.285618 1.284 1.285219 1.2854 1.285920 1.2862 1.286321 1.2855 1.285922 1.2859 1.286123 1.2864 1.2865


27-10-2012 00 1.2872 1.286901 1.2873 1.286902 1.2874 1.28703 1.2877 1.287404 1.2869 1.286805 1.2885 1.28806 1.2878 1.287607 1.2879 1.287408 1.2879 1.287409 1.2894 1.28910 1.2888 1.288511 1.2885 1.288112 1.2876 1.287213 1.2853 1.285414 1.2863 1.286415 1.2858 1.286216 1.2879 1.287817 1.2876 1.2872

L-24

18 1.2861 1.28619 1.2872 1.28720 1.2895 1.289521 1.2915 1.291822 1.2915 1.291823 1.2911 1.291


28-10-2012 00 1.2912 1.29101 1.2914 1.291302 1.291 1.290803 1.2912 1.290904 1.2919 1.291805 1.2919 1.291906 1.2936 1.293907 1.293 1.293308 1.2933 1.293409 1.2929 1.293110 1.2926 1.293111 1.2929 1.293412 1.2944 1.294513 1.294 1.294514 1.2921 1.292915 1.2932 1.293316 1.2928 1.293217 1.2894 1.289418 1.2862 1.285519 1.2855 1.285820 1.2877 1.287621 1.2862 1.286222 1.2851 1.285723 1.2849 1.2857

Tabel 4.3 Perbandingan Data Real High dengan Hasil Latih High Nilai TukarValuta Asing dengan Metode Genetic Algorithm

L-25

Tanggal Jam Data Real High Hasil FFNN High dengan Metode Genetic Algorithm

24-10-2012 00 1.299 1.29701 1.2979 1.29702 1.2977 1.296903 1.2979 1.296604 1.2973 1.296805 1.2944 1.29506 1.2953 1.294907 1.2952 1.295708 1.2954 1.295309 1.2949 1.295510 1.2972 1.295511 1.2954 1.296212 1.2916 1.291813 1.2912 1.291714 1.2935 1.291115 1.2923 1.293516 1.2917 1.291417 1.292 1.291918 1.2916 1.292419 1.2914 1.291520 1.2928 1.291921 1.2934 1.29322 1.2936 1.294423 1.2932 1.2936


25-10-2012 00 1.2933 1.293801 1.2932 1.293802 1.2943 1.293803 1.2943 1.29504 1.2943 1.294805 1.2952 1.294806 1.2947 1.295507 1.294 1.294608 1.294 1.294509 1.2918 1.291110 1.2925 1.2912

L-26

11 1.2917 1.291112 1.2918 1.291713 1.2916 1.290614 1.2937 1.291515 1.2966 1.294516 1.2964 1.296417 1.2968 1.295618 1.297 1.296619 1.2955 1.295720 1.2958 1.295821 1.2948 1.295622 1.2927 1.29423 1.291 1.2914


26-10-2012 00 1.2908 1.290201 1.2905 1.290802 1.2902 1.290203 1.2911 1.2904 1.2912 1.291805 1.291 1.29106 1.2906 1.290407 1.29 1.290208 1.2879 1.288309 1.2876 1.287510 1.2876 1.287811 1.2875 1.28812 1.2888 1.287813 1.2871 1.287614 1.2863 1.287115 1.286 1.286916 1.2863 1.287417 1.2865 1.286918 1.2858 1.286719 1.2865 1.287320 1.2866 1.287221 1.286 1.286922 1.2873 1.286923 1.2872 1.2875

L-27


27-10-2012 00 1.2874 1.287601 1.2875 1.287702 1.2885 1.287603 1.2878 1.288204 1.2887 1.287605 1.2891 1.288906 1.2879 1.288407 1.2881 1.288108 1.2897 1.288109 1.2899 1.289910 1.2893 1.289311 1.2886 1.28912 1.2877 1.288313 1.2869 1.287214 1.2879 1.287715 1.2891 1.287216 1.288 1.289117 1.2877 1.288218 1.2875 1.287619 1.2904 1.289220 1.2922 1.290521 1.2928 1.292822 1.2918 1.292523 1.2915 1.2917


28-10-2012 00 1.2917 1.291701 1.2915 1.292102 1.2914 1.291503 1.2919 1.291604 1.2922 1.292605 1.2942 1.292706 1.2941 1.294907 1.2936 1.294108 1.2935 1.294209 1.294 1.293910 1.2944 1.2938

L-28

11 1.2947 1.294212 1.2959 1.295413 1.2948 1.295414 1.2932 1.293615 1.2939 1.294216 1.2937 1.29417 1.29 1.290618 1.2869 1.287919 1.289 1.287420 1.2878 1.288921 1.2866 1.287522 1.2855 1.286823 1.2859 1.2867

Tabel 4.4 Perbandingan Data Real Low dengan Hasil Latih Low Nilai TukarValuta Asing dengan Metode Genetic Algorithm

Tanggal Jam Data Real Low Hasil FFNN Low dengan Metode Genetic Algorithm

24-10-2012 00 1.2976 1.29601 1.2965 1.295702 1.2966 1.295903 1.2965 1.295404 1.293 1.295405 1.2927 1.292606 1.2933 1.292907 1.2944 1.293608 1.2939 1.29409 1.2929 1.293810 1.2942 1.29411 1.2896 1.293612 1.2902 1.288513 1.2898 1.2914 1.2904 1.289915 1.289 1.290416 1.29 1.289717 1.2897 1.290118 1.2903 1.290519 1.2906 1.290320 1.2911 1.290521 1.2918 1.2908

L-29

22 1.2924 1.292123 1.2925 1.2922


25-10-2012 00 1.2928 1.292201 1.2928 1.292502 1.2929 1.292603 1.2932 1.292904 1.2936 1.293405 1.2939 1.293306 1.2934 1.293507 1.2931 1.293308 1.2895 1.29309 1.2886 1.288810 1.2892 1.289111 1.2895 1.28912 1.2892 1.289713 1.2891 1.28914 1.2906 1.289515 1.2931 1.29116 1.2941 1.293317 1.2942 1.293718 1.2941 1.294319 1.2941 1.293720 1.2945 1.29421 1.2924 1.29422 1.2905 1.292423 1.2897 1.2901


26-10-2012 00 1.2897 1.289101 1.2896 1.289502 1.2895 1.289203 1.2895 1.289104 1.2902 1.289905 1.2899 1.2906 1.2898 1.289407 1.2863 1.289208 1.2866 1.2855

L-30

09 1.2856 1.285610 1.2861 1.285311 1.2847 1.285912 1.2864 1.284813 1.2857 1.285814 1.2842 1.284915 1.2837 1.284316 1.2842 1.284517 1.2837 1.284318 1.2835 1.284119 1.2852 1.284420 1.2854 1.28521 1.2852 1.284622 1.2854 1.284723 1.2864 1.2852


27-10-2012 00 1.2867 1.285801 1.287 1.285902 1.2871 1.286103 1.2866 1.286704 1.2869 1.285605 1.2873 1.287206 1.2873 1.286607 1.2874 1.286608 1.2878 1.286609 1.2879 1.288210 1.2874 1.287711 1.2863 1.287212 1.2845 1.285913 1.2844 1.284314 1.2856 1.284915 1.2856 1.28516 1.2861 1.286717 1.2846 1.285818 1.2828 1.284619 1.2871 1.284820 1.2884 1.288221 1.2913 1.289722 1.291 1.290623 1.2909 1.2905

L-31


28-10-2012 00 1.291 1.290501 1.291 1.290702 1.291 1.290503 1.2907 1.290504 1.2908 1.290905 1.2917 1.291206 1.2929 1.29207 1.2929 1.292508 1.2925 1.292609 1.2924 1.292510 1.2921 1.291811 1.2925 1.291712 1.2936 1.29313 1.2921 1.293114 1.2915 1.291615 1.291 1.292116 1.2891 1.29217 1.2847 1.288318 1.2838 1.284419 1.2855 1.284320 1.2852 1.286521 1.285 1.284822 1.2841 1.284423 1.2842 1.2843

Tabel 4.5 Perbandingan Data Real Close dengan Hasil Latih Close Nilai TukarValuta Asing dengan Metode Genetic Algorithm

Tanggal Jam Data Real Close Hasil FFNN Close dengan Metode Genetic Algorithm

24-10-2012 00 1.298 1.296201 1.2973 1.296102 1.2966 1.296103 1.2972 1.295704 1.2934 1.295905 1.2938 1.293206 1.2948 1.2939

L-32

07 1.2945 1.294608 1.2946 1.294609 1.2946 1.294510 1.2953 1.294711 1.2905 1.294612 1.291 1.289613 1.2905 1.290914 1.2921 1.290515 1.2905 1.291716 1.2911 1.290217 1.2915 1.29118 1.2909 1.291519 1.2914 1.290920 1.2919 1.291621 1.2934 1.291922 1.2926 1.293623 1.293 1.2928


25-10-2012 00 1.293 1.293301 1.2931 1.293302 1.294 1.293503 1.2939 1.294104 1.2939 1.294205 1.2947 1.294106 1.2935 1.294507 1.2937 1.293708 1.2899 1.293909 1.2902 1.289210 1.29 1.289711 1.2908 1.289312 1.2897 1.290613 1.2907 1.289314 1.2931 1.290415 1.2956 1.293116 1.2943 1.294917 1.2962 1.294118 1.2944 1.295319 1.295 1.294120 1.2947 1.294821 1.2926 1.2946

L-33

22 1.2905 1.292623 1.2897 1.2902


26-10-2012 00 1.2904 1.289501 1.2899 1.290302 1.2898 1.289803 1.2911 1.289704 1.2906 1.291105 1.29 1.290606 1.2899 1.289807 1.2872 1.289708 1.2868 1.28709 1.2869 1.28710 1.2874 1.28711 1.2866 1.287512 1.2865 1.286813 1.2859 1.286714 1.2849 1.286515 1.2857 1.286116 1.285 1.286517 1.2839 1.286118 1.2853 1.285819 1.2862 1.286420 1.2855 1.286721 1.2859 1.286322 1.2864 1.286523 1.2871 1.2867


27-10-2012 00 1.2873 1.287301 1.2873 1.287502 1.2877 1.287503 1.287 1.287704 1.2884 1.287205 1.2878 1.288306 1.2879 1.287707 1.2879 1.28808 1.2894 1.2879

L-34

09 1.2888 1.289210 1.2885 1.288511 1.2876 1.288312 1.2853 1.287513 1.2863 1.286114 1.2858 1.286715 1.2879 1.286416 1.2876 1.287817 1.2861 1.287518 1.2873 1.286519 1.2895 1.287620 1.2915 1.289221 1.2915 1.291422 1.2911 1.291323 1.2912 1.2911


28-10-2012 00 1.2915 1.291401 1.291 1.291702 1.2912 1.291103 1.2918 1.291304 1.2919 1.292105 1.2936 1.292106 1.293 1.293607 1.2933 1.293108 1.2929 1.293509 1.2926 1.293210 1.2929 1.292511 1.2944 1.292712 1.2941 1.294413 1.2921 1.293814 1.2932 1.291915 1.2928 1.293416 1.2894 1.292917 1.2863 1.288618 1.2855 1.286319 1.2877 1.286320 1.2863 1.287621 1.2851 1.286622 1.2849 1.286123 1.2857 1.2861

L-35

Tabel 4.6 Perbandingan Data Real Open dengan Hasil Latih Open Nilai Tukar Valuta Asing dengan Metode Neural Network-Backpropagation

Tanggal Jam Data Real OpenHasil Latih Open dengan Metode Neural Network-

Backpropagation24-10-2012 00 1.2976 1.2977

01 1.2979 1.297602 1.2973 1.297503 1.2966 1.296804 1.2973 1.297105 1.2934 1.293406 1.2938 1.293807 1.2949 1.294908 1.2945 1.294509 1.2946 1.294610 1.2946 1.294711 1.2953 1.295312 1.2904 1.290413 1.2911 1.291114 1.2905 1.290515 1.2921 1.29216 1.2905 1.290517 1.2911 1.291118 1.2915 1.291519 1.2909 1.290920 1.2914 1.291421 1.2919 1.291922 1.2934 1.293423 1.2926 1.2925



01 1.293 1.29302 1.2931 1.29303 1.294 1.29404 1.2939 1.293905 1.2939 1.2939

L-36

06 1.2947 1.294707 1.2935 1.293508 1.2936 1.293709 1.2899 1.289910 1.2902 1.290311 1.29 1.290112 1.2908 1.290913 1.2897 1.289814 1.2907 1.290715 1.2932 1.293116 1.2956 1.295617 1.2943 1.294318 1.2962 1.296119 1.2944 1.294420 1.295 1.295121 1.2947 1.294822 1.2926 1.292523 1.2905 1.2905



01 1.2904 1.290502 1.2899 1.289903 1.2898 1.289804 1.2911 1.291105 1.2905 1.290606 1.29 1.2907 1.2899 1.289908 1.2872 1.287209 1.2868 1.286810 1.2868 1.286911 1.2874 1.287412 1.2866 1.286713 1.2865 1.286514 1.286 1.285915 1.2849 1.284916 1.2857 1.285717 1.285 1.284918 1.284 1.284619 1.2854 1.285220 1.2862 1.2862

L-37

21 1.2855 1.285522 1.2859 1.285923 1.2864 1.2864



01 1.2873 1.287302 1.2874 1.287403 1.2877 1.287704 1.2869 1.28705 1.2885 1.288406 1.2878 1.287807 1.2879 1.287908 1.2879 1.287809 1.2894 1.289410 1.2888 1.288711 1.2885 1.288412 1.2876 1.287513 1.2853 1.285114 1.2863 1.286315 1.2858 1.285716 1.2879 1.287917 1.2876 1.287518 1.2861 1.286119 1.2872 1.287220 1.2895 1.289621 1.2915 1.291522 1.2915 1.291523 1.2911 1.2911



01 1.2914 1.291502 1.291 1.29103 1.2912 1.291204 1.2919 1.291805 1.2919 1.291906 1.2936 1.293707 1.293 1.2929

L-38

08 1.2933 1.293309 1.2929 1.292910 1.2926 1.292511 1.2929 1.292812 1.2944 1.294513 1.294 1.29414 1.2921 1.29215 1.2932 1.293216 1.2928 1.292717 1.2894 1.289418 1.2862 1.286319 1.2855 1.285520 1.2877 1.287721 1.2862 1.286322 1.2851 1.28523 1.2849 1.2849

Tabel 4.7 Perbandingan Data Real High dengan Hasil Latih High Nilai Tukar Valuta Asing dengan Metode Neural Network-Backpropagation

Tanggal Jam Data Real HighHasil Latih High dengan Metode Neural Network-


01 1.2979 1.297202 1.2977 1.296803 1.2979 1.296604 1.2973 1.296905 1.2944 1.294606 1.2953 1.294807 1.2952 1.295808 1.2954 1.295309 1.2949 1.295510 1.2972 1.295211 1.2954 1.296412 1.2916 1.291313 1.2912 1.291914 1.2935 1.290715 1.2923 1.294116 1.2917 1.290917 1.292 1.2919

L-39

18 1.2916 1.292219 1.2914 1.291120 1.2928 1.291921 1.2934 1.293222 1.2936 1.294623 1.2932 1.2933



01 1.2932 1.293802 1.2943 1.293703 1.2943 1.295104 1.2943 1.294705 1.2952 1.294706 1.2947 1.295707 1.294 1.294308 1.294 1.294509 1.2918 1.290710 1.2925 1.291311 1.2917 1.291512 1.2918 1.291913 1.2916 1.290514 1.2937 1.291815 1.2966 1.294916 1.2964 1.296617 1.2968 1.295518 1.297 1.296719 1.2955 1.295520 1.2958 1.295921 1.2948 1.295622 1.2927 1.293523 1.291 1.2909



01 1.2905 1.29102 1.2902 1.2903 1.2911 1.289904 1.2912 1.2919

L-40

05 1.291 1.290806 1.2906 1.290407 1.29 1.290208 1.2879 1.287809 1.2876 1.287510 1.2876 1.287611 1.2875 1.287812 1.2888 1.287213 1.2871 1.287914 1.2863 1.287115 1.286 1.286616 1.2863 1.28717 1.2865 1.286718 1.2858 1.286519 1.2865 1.286920 1.2866 1.287221 1.286 1.286822 1.2873 1.286923 1.2872 1.2874



01 1.2875 1.287602 1.2885 1.287703 1.2878 1.288304 1.2887 1.287505 1.2891 1.289106 1.2879 1.288307 1.2881 1.288108 1.2897 1.28809 1.2899 1.290110 1.2893 1.289111 1.2886 1.288712 1.2877 1.287813 1.2869 1.286714 1.2879 1.287415 1.2891 1.287316 1.288 1.289317 1.2877 1.287818 1.2875 1.28719 1.2904 1.2878

L-41

20 1.2922 1.29121 1.2928 1.293122 1.2918 1.292723 1.2915 1.2916



01 1.2915 1.29202 1.2914 1.291303 1.2919 1.291604 1.2922 1.292505 1.2942 1.292506 1.2941 1.295107 1.2936 1.293908 1.2935 1.294209 1.294 1.293610 1.2944 1.293911 1.2947 1.294512 1.2959 1.295613 1.2948 1.295414 1.2932 1.293415 1.2939 1.294216 1.2937 1.293717 1.29 1.290318 1.2869 1.287419 1.289 1.286920 1.2878 1.289221 1.2866 1.287122 1.2855 1.286723 1.2859 1.2866

Tabel 4.8 Perbandingan Data Real Low dengan Hasil Latih Low Nilai Tukar Valuta Asing dengan Metode Neural Network-Backpropagation

Tanggal Jam Data Real LowHasil Latih Low dengan Metode Neural Network-


01 1.2965 1.2944

L-42

02 1.2966 1.294203 1.2965 1.294204 1.293 1.294305 1.2927 1.292406 1.2933 1.292807 1.2944 1.293408 1.2939 1.293409 1.2929 1.293410 1.2942 1.293111 1.2896 1.293712 1.2902 1.289113 1.2898 1.290614 1.2904 1.289815 1.289 1.291616 1.29 1.289217 1.2897 1.290518 1.2903 1.290519 1.2906 1.290320 1.2911 1.290921 1.2918 1.291622 1.2924 1.292523 1.2925 1.2921



01 1.2928 1.292502 1.2929 1.292603 1.2932 1.29304 1.2936 1.29305 1.2939 1.293106 1.2934 1.293507 1.2931 1.292808 1.2895 1.292909 1.2886 1.288910 1.2892 1.289211 1.2895 1.289512 1.2892 1.290213 1.2891 1.28914 1.2906 1.289915 1.2931 1.292216 1.2941 1.2937

L-43

17 1.2942 1.293318 1.2941 1.293919 1.2941 1.293320 1.2945 1.293621 1.2924 1.293622 1.2905 1.29223 1.2897 1.29



01 1.2896 1.2902 1.2895 1.289303 1.2895 1.289304 1.2902 1.290405 1.2899 1.2906 1.2898 1.289607 1.2863 1.289508 1.2866 1.285709 1.2856 1.28610 1.2861 1.285611 1.2847 1.286112 1.2864 1.28513 1.2857 1.28614 1.2842 1.285215 1.2837 1.284316 1.2842 1.284517 1.2837 1.284418 1.2835 1.28419 1.2852 1.284420 1.2854 1.285221 1.2852 1.284922 1.2854 1.28523 1.2864 1.2854



01 1.287 1.286302 1.2871 1.286403 1.2866 1.2869

L-44

04 1.2869 1.28605 1.2873 1.287306 1.2873 1.286807 1.2874 1.286908 1.2878 1.286909 1.2879 1.288410 1.2874 1.287711 1.2863 1.287312 1.2845 1.286113 1.2844 1.284414 1.2856 1.28515 1.2856 1.285216 1.2861 1.286617 1.2846 1.28618 1.2828 1.284719 1.2871 1.284820 1.2884 1.288421 1.2913 1.290222 1.291 1.291423 1.2909 1.2908



01 1.291 1.291102 1.291 1.290803 1.2907 1.290904 1.2908 1.291305 1.2917 1.291206 1.2929 1.292707 1.2929 1.292508 1.2925 1.292709 1.2924 1.292310 1.2921 1.292311 1.2925 1.292412 1.2936 1.293113 1.2921 1.293214 1.2915 1.291815 1.291 1.292316 1.2891 1.291717 1.2847 1.288518 1.2838 1.2848

L-45

19 1.2855 1.284420 1.2852 1.286421 1.285 1.28522 1.2841 1.284623 1.2842 1.2843

GAMBAR HASIL PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN METODE GENETIC ALGORITHM- NEURAL NETWORK, H4 OPEN TANGGAL 1 OKTOBER SAMPAI TANGGAL 5 OKTOBER 2012

L-46

GAMBAR PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN METODE GENETIC ALGORITHM- NEURAL NETWORK, H4 HIGH TANGGAL 1 OKTOBER SAMPAI TANGGAL 5 OKTOBER 2012

L-47

GAMBAR PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN METODE GENETIC ALGORITHM- NEURAL NETWORK, H4 LOW TANGGAL 1 OKTOBER SAMPAI TANGGAL 5 OKTOBER 2012

L-48

GAMBAR PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN METODE GENETIC ALGORITHM- NEURAL NETWORK, H4 CLOSE TANGGAL 1 OKTOBER SAMPAI TANGGAL 5 OKTOBER 2012

Documents

PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN …