prediksi trend foreign exchange euro terhadap dollar amerika

BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang
berhubungan dengan penerapan metode backpropagation untuk prediksi trend forex
euro terhadap dollar Amerika.
2.1 Artificial Intelligence (AI)
Kecerdasan buatan atau artificial intelligen (AI) merupakan salah satu bagian ilmu
komputer yang membuat agar mesin dapat melakukan pekerjaan sebaik yang
dilakukan manusia (Muis, 2009). Agar mesin dapat bertindak seperti dan sebaik
manusia, maka mesin harus dibekali dengan pengetahuan dan mempunyai
kemampuan untuk nalar. Untuk mencapai maksud ini, maka pada AI diberi beberapa
metode yang bisa membekali baik dari segi pengalaman/pengetahuan maupun
penalaran/akal agar komputer dapat menjadi mesin yang pintar. Pengertian AI juga
dapat dilihat dari berbagai sudut pandang, yaitu :
1. Kecerdasan
Kecerdasan buatan akan membuat mesin menjadi cerdas dan dapat berbuat seperti
yang dilakukan manusia.
2. Peneliti
Kecerdasan buatan adalah bidang studi bagaimana membuat komputer atau mesin
dapat melakukan sesuatu sebaik yang dikerjakan manusia.
3. Bisnis
Kecerdasan buatan adalah kumpulan peralatan yang sangat metodologis dalam
menyelesaikan masalah-masalah bisnis.
Universitas Sumatera Utara
9
4. Pemrograman
Kecerdasan buatan meliputi studi tentang pemrograman simbolik, penyelesaian
masalah dan pencarian.
Charniack (1985) mendefinisikan pengetian AI ditinjau dari dua pendekatan :
1. Pendekatan ilmiah (A scientific approach)
Pendekatan dasar ilmiah timbul sebelum invansi ke komputer, ini tidak sama
dengan kasus mesin uap. Pendekatan ilmiah melihat batas sementara dari
komputer dan dapat diatasi dengan perkembangan teknologi lanjutan.
2. Pendekatan teknik (An engineering approach)
Usaha untuk menghindari definisi AI, tetapi ingin mengatasi atau memecahkan
persoalan-persoalan dunia nyata (real world problem).
Gambar 2.1 Hubungan Antara Pengembangan Computer Science dan
Engineering Aplications (Clive, 1991)
Universitas Sumatera Utara
10
Pekerjaan atau tugas yang dapat diselesaikan dengan konsep-konsep AI dapat
dikelompokkan menjadi 3 pekerjaan/tugas seperti yang terlihat pada tabel 2.1
Tabel 2.1 Kelompok Tugas dengan Konsep AI
No.
1.
2.
3.
Tugas/Pekerjaan
Tugas biasa (Mundune task)
1. Persepsi :
a. Vision
b. Speech
2. Natural language :
a. Understanding
b. Generation
c. Translation
3. Commonsence reasoning :
a. Robot control
Tugas formil (Formal task)
1. Games :
a. Chess
2. Mathematics :
a. Checkers
b. Geometri
c. Logic
d. Proving properties of
programs
Tugas ahli (Expert task)
1. Teknik :
a. Design
2. Scientific analysis :
a. Fault diagnosis
3. Medical :
a. Planning
b. Diagnosis theraphy
Konsep AI
Computer vision
Natural Language Processing (NLP)
NLP
NLP
NLP
NLP
Machine learning
Logic/Fuzzy logic/Uncertainly
Logic/Fuzzy logic/Uncertainly
Logic/Fuzzy logic/Uncertainly
Logic/Fuzzy logic/Uncertainly
Expert system and Neural network
Expert system and Neural network
Planning with AI
Expert system and Neural network
Komputasi antara AI berbeda dengan komputasi konvensional, dalam AI
digunakan teknik pemrograman dengan cara menyatakan data, pemrosesan data dan
penyelesaian masalah secara simbolik dari pada secara numerik (Siswanto, 2010).
Tabel 2.2 menunjukkan perbandingan antara AI dan komputasi konvensional.
Universitas Sumatera Utara
11
Tabel 2.2 Perbandingan AI dengan Komputasi Konvensional
No.
Dimensi
Artificial Intelligence
1.
2.
3.
4.
5.
6.
Pemrosesan
Sifat input
Pencarian
Keterangan
Fokus
Struktur
7.
8.
9.
Sifat output
Pemeliharaan
Keamanan menalar
Simbolik
Biasa tidak lengkap
Kebanyakan heuristic
Disediakan
Pengetahuan
Kontrol terpisah dari
pengetahuan
Kuantitatif
Relatif mudah
Ya
Pemrograman
Konvensional
Algoritmik
Harus lengkap
Didasarkan algoritmik
Biasanya tidak disediakan
Data dan informasi
Kontrol terintegrasi dengan
informasi
Kualitatif
Sulit
Tidak
Kemampuan belajar yang menjadi ciri utama AI memungkinkan teknik ini
mampu untuk melakukan inferensi secara berbeda sesuai dengan perbedaan
lingkungan dan kondisi yang dihadapi. Di dalam bidang aplikasi sistem AI biasanya
meliputi sistem pakar, pengolahan bahasa alami, pengenalan ucapan, robotika dan
sensor, computer vision (pengenalan pola gambar), intelligent computer aided
instruction, game playing dan lain sebagainya. Gambar 2.2 merupakan contoh suatu
input-output model untuk AI yang di representasikan oleh Kamran (1988).
Gambar 2.2 Input-Output Model untuk AI (Kamran, 1988)
Universitas Sumatera Utara
12
2.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan atau disebut juga dengan neural network (NN) adalah jaringan
dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia. Siang (2005) menjelaskan bahwa sejarah jaringan syaraf tiruan pertama kali
diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts
menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah system
neural akan meningkatkan kemampuan komputasinya. Bobot jaringan yang diusulkan
oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi
aktivasi yang dipakai adalah fungsi threshold.
Selanjutnya pada tahun 1958, Rosenbalt memperkenalkan dan mulai
mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang disebut
dengan perceptron. Metode pelatihan diperkenalkan untuk mangoptimalkan hasil
iterasinya. Kemudian 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 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 melalului beberapa layer.
Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh
Kohonen (1972), Hopfield (1982) dan lain-lain.
Menurut Siang (2005) jaringan syaraf tiruan adalah sistem pemroses informasi
yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan syaraf
tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi,
dengan asumsi bahwa :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
Universitas Sumatera Utara
13
d. Untuk menentukan output setiap neuron menggunakan fungsi aktivasi (biasanya
bukan fungsi linier) yang dikenakan pada jumlah input yang diterima. Besarnya
output ini selanjutnya dibandingkan dengan suatu batas ambang.
2.2.1
Arsitektur Jaringan Syaraf Tiruan
Di dalam jaringan syaraf tiruan, neuron-neuron dikelompokkan dalam lapisan-lapisan.
Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki
keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron
adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuronneuron akan memiliki fungsi aktivasi yang sama.
Menurut Kusumadewi (2010) pada dasarnya terdapat tiga macam arsitektur
dalam jaringan syaraf antara lain :
1. Jaringan dengan lapisan tunggal (single layer)
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. Ciri-ciri
arsitektur ini hanya terdiri atas satu lapisan masukkan dan satu lapisan keluaran
tanpa adanya lapisan tersembunyi, seperti gambar 2.3
Gambar 2.3 Jaringan Layar Tunggal (Kusumadewi, 2010)
Pada gambar 2.3 diperlihatkan bahwa arsitektur jaringan layar tunggal dengan
n buah masukan ( ,
,…..,
) yang masing-masing memiliki bobot
,
, …,
dengan rumus :
Universitas Sumatera Utara
14
_
(2.1)
Kemudian fungsi aktivasi F akan mengaktivasi y_in menjadi keluaran jaringan
y. Untuk jaringan syaraf dengan jumlah neuron pada lapisan keluaran sebanyak m
buah maka proses pengolahan data pada neuron adalah :
_
∑
;
j=1,…,m
(2.2)
Dengan
adalah bobot yang menghubungkan masukkan ke-i menuju neuron
ke-j. Namun terkadang jaringan syaraf tiruan tidak mampu mengakomodasi informasi
yang ada melalui data-data masukan maupun bobot-bobotnya. Untuk itu biasanya
ditambahkan bias yang senantiasa bernilai 1. Pengaruh bias terhadap neuron
ditunjukkan dengan bobot bias (b). Apabila jaringan syaraf dilengkapi dengan bias,
maka proses komputasi pada neuron menjadi :
∑
+b
(2.3)
Jaringan syaraf dengan jumlah neuron pada lapisan keluaran sebanyak m buah
maka proses pengolahan data pada neuron ke-j adalah :
_
∑
+
; j=1,…,m
(2.4)
adalah bobot yang menghubungkan masukkan ke-i menuju ke neuron ke-j
dan
adalah bobot bias yang menuju ke neuron ke-j.
2. Jaringan dengan banyak lapisan (multi layer)
Arsitektur tipe ini memiliki satu atau lebih lapisan yang terletak di antara lapisan
masukkan dan lapisan keluaran, juga memiliki satu atau lebih lapisan tersembunyi.
Umumnya ada lapisan bobot-bobot yang terletak antara dua lapisan yang
bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal dan tentu
Universitas Sumatera Utara
15
saja dengan pembelajaran yang lebih rumit juga. Gambar 2.4 merupakan salah
satu contoh model neuron dengan banyak lapisan dan hanya memiliki satu lapisan
tersembunyi.
adalah bobot-bobot yang menghubungkan antara neuron-neuron
adalah hasil pengolahan
pada lapisan tersembunyi dengan lapisan keluaran. z_
data pada lapisan tersembunyi dengan fungsi aktivasi F1 untuk menghasilkan
(j=1,…,k);
_
(2.5)
= 1(
)
(2.6)
Sedangkan y_
adalah hasil pengolahan data pada lapisan keluaran dengan
fungsi aktivasi F2 untuk menghasilkan keluaran jaringan.
; ( = 1, … , )
(2.7)
=
(2.8)
= 2( _
)
(2.9)
Gambar 2.4 Model Neuron dengan Banyak Lapisan (Kusumadewi, 2010)
Universitas Sumatera Utara
16
3. Jaringan Syaraf dengan Lapisan Kompetitif
Arsitektur tipe ini tampak pada gambar 2.5 dimana memiliki pengaturan bobot
yang telah ditetapkan dan tidak memiliki proses pelatihan. Digunakan untuk
mengetahui neuron pemenang dari sejumlah neuron yang ada. Nilai bobot untuk
diri sendiri dari setiap neuron adalah 1, dan neuron lain adalah bobot acak
negative dengan bobot –ƞ.
Gambar 2.5 Model Neuron dengan Lapisan Kompetitif (Kusumadewi, 2010)
Dalam penelitian ini arsitektur jaringan yang digunakan terdiri dari lapisan
input sejumlah 5 neuron, lapisan tersembunyi sejumlah n neuron, (n =
10,11,12,…,20), lapisan output terdiri dari 1 neuron yaitu harga penutupan (close)
forex euro esok hari. Misalkan lapisan input sejumlah 5 neuron, lapisan tersembunyi
sejumlah 10 neuron dan lapisan output terdiri dari 1 neuron maka arsitektur jaringan
tersebut adalah 5-10-1. Gambar 2.6 menunjukkan arsitektur jaringan untuk peramalan
forex euro terhadap dollar Amerika menggunakan 1 lapisan input, 1 lapisan
tersembunyi dan 1 lapisan output.
2.2.2
Proses Pembelajaran
Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobotbobot yang ada pada jaringan syaraf, sehingga diperoleh bobot akhir yang tepat sesuai
dengan pola yang dilatih. Selama proses pembelajaran akan terjadi perbaikan bobotbobot berdasarkan agoritma tertentu. Nilai bobot akan bertambah jika informasi yang
diberikan oleh neuron bersangkutan tersampaikan, sebaliknya jika informasi tidak
tersampaikan maka bobot akan dikurangi.
Pada dasarnya ada dua metode proses pembelajaran, yaitu pembelajaran
terawasi dan pembelajaran tidak terawasi.
Universitas Sumatera Utara
17
1. Pembelajaran Terawasi
Metode pembelajaran terawasi bila keluaran yang diharapkan telah diketahui
sebelumnya. Misalkan dimiliki jaringan syaraf untuk mengenali pasangan pola
dengan operasi AND, pada proses pembelajaran satu pola masukkan akan
diberikan ke satu neuron pada lapisan masukkan. Pola dirambatkan disepanjang
jaringan syaraf sampai dengan neuron pada lapisan keluaran. Lapisan keluaran ini
akan membangkitkan pola keluaran yang nantinya akan dicocokkan dengan pola
keluaran targetnya. Apabila terjadi perbedaan antara pola keluaran hasil
pembelajaran dengan pola target maka terjadi error, apabila nilai error masih
cukup besar mengindikasikan masih perlu dilakukan pembelajaran lagi.
2. Pembelajaran Tidak Terawasi
Metode ini tidak memerlukan target keluaran karena tidak dapat ditentukan hasil
seperti apakah yang diharapkan selama proses pembelajaran. Saat proses
pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai
keluaran yang diberikan, apabila nilai error masih cukup besar mengindikasikan
masih diperlukan proses pembelajaran.
2.2.3
Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan
antara lain :
1. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih menggunakan metode
backpropagation. Fungsi sigmoid biner memiliki nilai antara 0 sampai 1. Karena
itu fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai
keluaran yang terletak pada interval 0 sampa 1. Fungsi sigmoid biner dirumuskan
sebagai berikut :
= !( ) =
1
1 + # $%&
(2.10)
! ′ ( ) = '!( )[1 − !( )]
(2.11)
Universitas Sumatera Utara
18
Gambar 2.6 Fungsi Aktivasi Sigmoid Biner (Kusumadewi, 2010)
2. Fungsi Sigmoid Bipolar
Fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saja keluaran dari
fungsi ini antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan seperti berikut
ini :
= !( ) =
1 − # $&
1 + # $%&
(2.12)
! ′( ) =
'
[1 + !( )][1 − !( )]
2
(2.13)
Gambar 2.7 Fungsi Aktivasi Sigmoid Bipolar (Kusumadewi, 2010)
3. Fungsi Linear (Identitas)
Fungsi linear ini memiliki keluaran yang sama dengan nilai masukannya, fungsi
linear dirumuskan sebagai berikut :
Universitas Sumatera Utara
19
=
(2.14)
Gambar 2.8 Fungsi Aktivasi Linear (Kusumadewi, 2010)
2.2.4
Backpropagation
Algoritma backpropagation merupakan bagian dari algoritma pembelajaran terawasi
yang biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan
tersembunyi. Algoritma ini menggunakan error keluaran untuk mengubah nilai bobotbobotnya dalam arah mundur (backward). Untuk mendapatkan error ini tahap
perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Saat
perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi
sigmoid biner.
2.2.5
Normalisasi Data
Normalisasi data berfungsi untuk membuat data yang akan diproses berada pada
range tertentu sehingga dalam pemrosesan nantinya angka yang diolah tidak terlalu
besar agar mempercepat proses perhitungan. Pada penelitian ini data pelatihan akan di
normalisasi dalam range 0,1 sampai 0,9. Adapun rumus untuk melakukan normalisasi
data pada range 0,1 sampai 0,9 menurut Siang (2005) adalah sebagai berikut :
=
0,8( − -)
+ 0,1
−(2.15)
dimana :
y = nilai normalisasi
x = nilai data forex
a = nilai minimum data forex
b = nilai maksimum data forex
Universitas Sumatera Utara
20
Setelah data masukan yang telah dinormalisasi diproses dan didapatkan hasil
prediksi maka hasil prediksi akan didernomalisasi kembali dengan menggunakan
persamaan berikut :
=
( − 0,1)( − -) + 0,8
0,8
(2.16)
dimana :
2.2.6
y = nilai hasil prediksi
x = nilai hasil denormalisasi
a = nilai minimum data forex
b = nilai maximum data forex
Parameter Neural Network Backpropagation
Backpropagation neural network memiliki beberapa parameter didalam metodenya.
Parameter-parameter tersebut digunakan sebagai batas kesalahan dalam melakukan
pembelajaran, batas minimum dari sebuah fungsi aktivasi dan kontrol ukuran pada
sebuah bobot. Parameter yang digunakan pada backpropagation neural network
adalah sebagai berikut :
1. Maximum epoch
Epoch merupakan perulangan atau iterasi dari proses yang dilakukan untuk
mencapai target yang telah ditentukan. Maksimum epoch adalah jumlah epoch
maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan dihentikan
apabila nilai melebihi maksimum epoch.
2. Learning rate
Learning rate merupakan laju pembelajaran yang berupa perkalian negative dari
gradient untuk menentukan perubahan pada nilai bobot dan bias. Semakin besar
nilai learning rate akan berimplikasi pada semakin besarnya langkah
pembelajaran. Jika learning rate di set terlalu besar maka algoritma akan menjadi
tidak stabil. Sebaliknya jika di set terlalu kecil maka algoritma akan mencapai
target dalam jangka waktu yang lama.
Universitas Sumatera Utara
21
3. Momentum
Pada standart backpropagation perubahan bobot didasarkan atas gradient yang
terjadi untuk pola yang dimasukkan pada saat itu. Penambahan momentum
dimaksudkan untuk menghindari perubahan bobot yang mencolok yang
diakibatkan oleh adanya data yang sangat berbeda dengan yang lain. Variabel
momentum dapat meningkatkan waktu pelatihan dan stabilitas dari proses
pelatihan. Berikut merupakan rumus momentum :
∆/ = 0 ∗ 2 ∗ 0
(2.17)
dimana :
0 = learning rate yang bernilai 0.25 atau 0.5
0 = nilai dari neuron ke i
Perubahan bobot dilakukan dengan cara menambahkan bobot yang lama
dengan ∆/. Akan tetapi bobot pada iterasi sebelumnya memberikan pengaruh
besar terhadap performa jaringan syaraf. Oleh karena itu perlu ditambahkan
dengan bobot yang lama dikalikan momentum, menjadi :
∆/ = 0 ∗ 2 ∗ 0 + 3 ∗ ∆/′
(2.18)
dimana :
3
= momentum faktor yang bernilai 0 dan 1
∆/′ = bobot pada iterasi sebelumnya
Teknik momentum tidak menutup kemungkinan dari konvergensi pada
lokal minimum, akan tetapi penggunaan teknik ini dapat membantu untuk keluar
dari lokal minima.
4. Perhitungan error
Perhitungan error bertujuan untuk mengukur keakurasian jaringan dalam
mengenali pola yang diberikan. Ada tiga macam perhitungan error yang
digunakan, yaitu :
Universitas Sumatera Utara
22
a. Mean Square Error (MSE)
MSE merupakan error rata-rata kuadrat dari selisih antara output jaringan dengan
output target. Tujuannya adalah memperoleh nilai error sekecil-kecilnya secara
iterative dengan mengganti nilai bobot yang terhubung pada semua neuron dalam
jaringan. Untuk mengetahui seberapa banyak bobot yang diganti, setiap iterasi
memerlukan perhitungan error yang berasosiasi dengan setiap neuron pada output
dan hidden layer. Rumus perhitungan MSE adalah sebagai berikut :
567 =
1
8
:
(9 −
)
(2.19)
dimana :
9 = nilai output target
= nilai output jaringan
N = jumlah output dari neuron
b. Mean Absolute Error (MAE)
MAE merupakan perhitungan error hasil absolute dari selisih antara nilai hasil
sistem dengan nilai aktual. Rumus perhitungan MAE adalah sebagai berikut :
1
5;7 =
8
:
|9 −
|
(2.20)
c. Mean Absolute Percentage Error (MAPE)
MAPE hampir sama dengan MAE hanya saja hasilnya dinyatakan dalam
persentase. Rumus perhitungan MAPE adalah sebagai berikut :
1
5;=7 =
8
:
|9 −
| ∗ 100%
(2.21)
Universitas Sumatera Utara
23
2.3 Foreign Exchange (Forex)
Foreign exchange (forex) merupakan pasar perdagangan valuta asing atau transaksi
mata uang asing yang memperdagangkan mata uang suatu negara terhadap mata uang
negara lainnya yang melibatkan pasar-pasar uang utama di seluruh dunia dan
dilakukan secara berkesinambungan. Elshabrina (2012) mendefinisikan forex sebagai
kegiatan pembelian secara simultan satu mata uang dan menjual mata uang lainnya,
biasanya mata uang yang diperdagangkan berpasang-pasangan melalui trader.
2.3.1
Trading Forex
Kegiatan jual beli di pasar perdagangan valuta asing biasanya disebut dengan online
trading. Online trading adalah suatu sistem jual beli valuta asing berbasis komputer
yang menggunakan pengetahuan fakta, analisis dan teknik penalaran informasi dan
eksekusi yang cepat dari reaksi reflex elektronik (Maulana, 2012).
Untuk melakukan trading seorang trader harus mempunyai pengetahuan yang
cukup, analisis yang baik, dan keputusan yang tepat serta keberanian berspekulasi
agar dapat memperoleh hasil yang optimum karena pergerakan nilai valas selalu
berubah-ubah setiap saat.
2.3.2
Teknik Forex
Untuk berhasil dalam melakukan transaksi forex maka seorang trader harus memiliki
teknik tertentu yang bisa mendukung kelancaran transaksi agar sesuai dengan tujuan
dan harapan, teknik adalah sesuatu yang dibutuhkan karena memegang peranan yang
sangat penting. Tak jarang keberhasilan seorang trader karena didukung oleh
penguasaan teknik yang baik. Menurut Agus Kretarto (2001) pada umumnya terdapat
dua pendekatan yang dipakai untuk menganalisis pergerakan forex, yaitu analisis
fundamental dan analisis teknikal.
2.3.2.1 Analisis fundamental
Kondisi fundamental suatu negara dapat menumbulkan berbagai macam ekspektasi
bagi para pelaku pasar uang. Reaksi para pelaku pasar atas fundamental suatu negara
bisa jadi berpengaruh terhadap pelemahan atau penguatan mata uang suatu negara.
Untuk memperoleh data fundamental seorang trader biasanya menggunakan informasi
Universitas Sumatera Utara
24
yang disediakan oleh beberapa media. Media biasanya menambahkan beberapa
ulasan-ulasan dan perkiraan pergerakan harga karena pengaruh indikasi tersebut.
Analisis fundamental adalah suatu studi yang berkaitan dengan faktor-faktor
yang mempengaruhi perekonomian suatu negara. Melalui metode akan dilakukan
prediksi terhadap pergerakan harga dan kecenderungan pasar dengan menganalisa
indikator-indikator ekonomi, kebijakan pemerintah, dan faktor lain yang berpengaruh
terhadap fundamental perekonomian. Dengan kata lain, analisis fundamental
mempelajari the causes of market movements.
2.3.2.2 Analisis teknikal
Analisis teknikal merupakan suatu metode pendekatan yang didasarkan pada grafik
pergerakan harga untuk memprediksi kenaikan ataupun penurunan harga yang terus
bergerak dari waktu ke waktu. Data-data mengenai pergerakan harga kemudian dicatat
dan dituangkan kedalam grafik. Para analis teknikal percaya bahwa data pergerakan
harga cendrung mengulangi pola di masa lalu sebagai proyeksi harga yang akan
terjadi. Sementara faktor-faktor yang menyebabkan perubahan permintaan dan
penawaran seperti faktor lingkungan usaha (ekonomi, politik dan stabilitas keamanan
nasional), maupun kinerja perusahaan kurang diperhatikan oleh analisis teknikal.
Analisis teknikal disebut juga dengan chartist karena teknik ini menggunakan
grafik-grafik dan diagram untuk memprediksi kinerja valuta asing. Grafik dan saham
itu dimaksudkan untuk memprediksi kinerja forex.
2.4 Teknik Peramalan (Forecasting)
Peramalan atau forecast merupakan suatu fungsi bisnis yang berusaha memperkirakan
penjualan, penggunaan produk, dan permintaan pasar sehingga produk-produk itu
dapat dibuat dalam kuantitas yang tepat (Gaspersz, 2001). Tujuan dari peramalan
adalah untuk menentukan jumlah permintaan pada masa yang akan datang. Dengan
kata lain, peramalan merupakan estimasi terhadap permintaan yang akan datang
berdasarkan pada beberapa variable peramalan, baik berdasarkan data formal maupun
informal.
Universitas Sumatera Utara
25
Dalam peramalan dikenal istilah prakiraan dan prediksi. Prakiraan adalah
sebagai proses peramalan suatu variabel (kejadian) dimasa yang akan datang
berdasarkan data variabel itu pada masa sebelumnya. Prediksi adalah proses
peramalan suatu variabel dimasa datang dengan lebih mendasarkan pada
pertimbangan intuisi daripada data masa lampau meskipun lebih menekankan pada
intuisi, dalam prediksi harga juga sering digunakan data kuantitatif sebagai pelengkap
informasi dalam melakukan peramalan (Herjanto, 2006).
Heizer (2005) mengelompokkan peramalan menurut sumber peramalannya
sebagai berikut :
1. Model Data Times Series
Model data time series adalah suatu jenis peramalan secara kuantitatif dengan
menggunakan waktu sebagai dasar peramalan. Tujuannya adalah menemukan pola
dalam deret data historis dan mengekstrapolasikan pola dalam deret data tersebut
ke pola data masa depan.
2. Model Data Casual
Model data casual adalah model peramalan yang menggunakan hubungan sebabakibat sebagai asumsi yaitu bahwa yang terjadi di masa lalu akan terulang pada
masa ini.
3. Model Data Judgemental
Model judgemental mencakup untuk memasukkan faktor-faktor kualitatif/subjektif
ke dalam metode peramalan yang secara khusus berguna bilamana faktor-faktor
subjektif yang diharapkan menjadi sangat penting dan data kuantitatif yang akurat
sudah diperoleh.
Menurut Aryanto (2012) terdapat beberapa kecendrungan pada jenis pola
data runtun waktu, yakni :
Universitas Sumatera Utara
26
1. Pola Data Horizontal
Pola data horizontal terjadi jika nilai berfluktuasi di sekitar nilai rata-rata yang
konstan. Deret seperti ini stationer terhadap nilai rata-ratanya. Grafik pola
horizontal dapat dilihat pada gambar 2.10
Y
Data ke
Gambar 2.9 Pola Data Horizontal
2. Pola Data Musiman
Pola data musiman terjadi jika suatu deret dipengaruhi oleh faktor musiman.
Penjualan dari produk makanan, minuman dan elektronik termasuk dalam pola
data ini. Grafik pola data musiman dapat dilihat pada gambar 2.11
Y
Data ke
Gambar 2.10 Pola Data Musiman
3. Pola Data Siklis
Pola data siklis terjadi jika data tersebut dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti data yang berhubungan dengan siklus bisnis. Grafik pola
data siklis dapat dilihat pada gambar 2.12
Y
Data ke
Gambar 2.11 Pola Data Siklis
Universitas Sumatera Utara
27
4. Pola Data Trend
Pola data trend terjadi jika terdapat kenaikan atau penurunan sekuler jangka
panjang dalam data, seperti data penjualan pada perusahan dan produk bruto
nasional (GNP). Grafik pola data trend dapat dilihat pada gambar 2.13
Y
Data ke
Gambar 2.12 Pola Data Trend
2.5 Teknik Prediksi Terdahulu
Penelitian mengenai prediksi harga saham telah banyak dilakukan dengan berbagai
macam metode dan algoritma untuk mendapatkan hasil prediksi yang akurat.
Suprapto (2005) mengusulkan metode ARIMA (auto regressive integrated
moving average) untuk melakukan prediksi nilai kurs. Adapun langkah-langkah
metode ARIMA yang dilakukan oleh Suprapto sebagai berikut :
1. Melakukan
pemeriksaan
kestasioneran
data
dengan
menggunakan
ADF
(augmented dickey-fuller).
2. Melakukan proses differencing (pembedaan) apabila data tidak stasioner.
3. Melakukan penentuan nilai derajat autoregressive (AR), tingkat proses
differencing, dan derajat moving average (MA) dalam ARIMA.
4. Melakukan estimasi parameter metode ARIMA, lalu melakukan prediksi.
5. Menghitung tingkat error dengan mengunakan MAD (mean absolute deviation),
MSE (mean squared error), dan MPE (mean percentage error).
Setiawan (2008) melakukan penelitian mengenai prediksi harga saham
menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan
Algoritma Backpropagation. Langkah-langkah yang dilakukan oleh Setiawan dalam
penelitiannya adalah sebagai berikut :
Universitas Sumatera Utara
28
1. Inisialisasi nilai bobot dan bias yang dapat diatur dengan sembarang angka (acak)
antara -0.5 dan 0.5, dan inisialisasi learning rate, maksimal iterasi dan toleransi
error.
2. Lakukan iterasi selama stopping condition masih belum terpenuhi. Untuk
menentukan stopping condition. Jika iterasi sudah melebihi maksimal iterasi maka
pelatihan dihentikan. Jika menggunakan toleransi error dengan metode MAPE,
bila nilai MAPE kurang dari atau sama dengan toleransi error maka pelatihan
dihentikan.
3. Setiap unit input menerima sinyal input dan menyebarkannya pada seluruh hidden
unit.
4. Setiap hidden unit akan menghitung sinyal-sinyal input dengan bobot dan nilai
bias. Hasil perhitunan tersebut kemudian akan diproses dengan menggunakan
fungsi aktivasi yang telah ditentukan sebelumnya sehingga diperoleh sinyal output
dari hidden unit tersebut.
5. Setiap unit output akan menghitung sinyal-sinyal dari hidden unit dengan bobot
dan nilai bias. Kemudian dengan menggunakan fungsi aktivasi yang telah
ditentukan diperoleh sinyal output dari unit output tersebut.
6. Hitung kesalahan antara target output dengan output hasil menggunakan metode
Mean Absolute Persentage Error. Jika masih belum memenuhi syarat, dilakukan
penghitungan faktor koreksi error (δk).
7. Setiap hidden unit akan menghitung bobot yang dikirimkan output unit. Kemudian
hasilnya dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan faktor
koreksi error.
8. Setiap unit output akan memperbaharui bobotnya dari setiap hidden unit.
Demikian pula setiap hidden unit akan memperbaharui bobotnya dari setiap unit
input.
9. Memeriksa stopping condition.
Universitas Sumatera Utara
29
Pada tahun 2011 Anwary melakukan penelitian mengenai prediksi nilai kurs
dengan menggunakan fuzzy time series. Adapun langkah-langkah dari fuzzy time
series (Anwary, 2011) adalah:
1. Menentukan himpunan semesta (universe of discourse) dan membaginya ke dalam
interval yang panjangnya sama.
2. Mendefenisikan himpunan fuzzy pada himpunan semesta.
3. Melakukan fuzzifikasi pada data historis.
4. Memilih w (orde) yang paling sesuai dan menghitung operasi fuzzy.
5. Melakukan defuzzifikasi ouput yang diprediksi.
Pada tahun 2012 Yuliandar melakukan penelitian mengenai prediksi nilai kurs
dengan menggunakan metode feed forward neural network dengan algortima
genetika, adapun langkah-langkah dari feed forward neural network dengan algortima
genetika (Yuliandar, 2012) adalah:
1. Menginisialisasi populasi sebagai ruang sousi yang berisi kromosom-kromosom.
2. Setiap kromosom merepresentasikan beberapa gen dimana ketika didekodekan
akan menghasilkan bobot atau parameter jaringan.
3. Kromosom-kromosom tersebut akan dievaluasi dengan menggunakan fungsi
objektif tertentu untuk mendapatkan nilai fitness.
4. Generasi baru diperoleh dengan menyeleksi kromosom menggunakan metode
seleksi tertentu serta menggunakan operator genetika.
5. Setelah melalui beberapa generasi yang ditentukan, maka algoritma genetika akan
konvergen ke kromosom terbaik dan diperoleh solusi berupa nilai bobot atau
parameter yang optimum.
Universitas Sumatera Utara
30
Adapun beberapa penelitian sebelumnya yang telah dilakukan untuk
memprediksi harga saham berdasarkan data histori dapat dilihat pada tabel 2.1
Tabel 2.3 Penelitian Sebelumnya
Teknik yang
Digunakan
Autoregressive
Integrated
Moving
Average
(ARIMA)
No
Peneliti
Tahun
1.
Suprapto
2005
2.
Setiawan
2008
Multilayer
Feedforward
Network
3.
Anwary
2011
Fuzzy Time
Series
4.
Yuliandar
2012
Feed Forward
Neural Network
dengan
Algoritma
Genetika
Kelemahan
Digunakan untuk
data jangka pendek,
prosedur yang
dilakukan berulangulang untuk
menghasilkan
prediksi yang terbaik,
dan apabila ada data
baru maka parameter
ARIMA harus
diestimasi ulang dan
model dapat berubah
total.
Teknik yang
digunakan terbatas
pada jumlah
iterasinya.
Hubungan fuzzy tidak
dapat diselesaikan
sehingga hubungan
fuzzy tidak bisa
mencakup semua
nilai dalam domain
n/a
Universitas Sumatera Utara