PERBANDINGAN ARSITEKTUR JARINGAN SYARAF TIRUAN BERDASARKAN POLA INPUTAN MENGGUNAKAN QUICKPROPAGATION UNTUK PREDIKSI KURS RUPIAH TERHADAP DOLAR AMERIKA

Zulkarnaen , Harits Farras and Endah, Sukmawati Nur (2017) PERBANDINGAN ARSITEKTUR JARINGAN SYARAF TIRUAN BERDASARKAN POLA INPUTAN MENGGUNAKAN QUICKPROPAGATION UNTUK PREDIKSI KURS RUPIAH TERHADAP DOLAR AMERIKA. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

538Kb

Abstract

Suatu negara melakukan pertukaran dengan negara lain menggunakan kurs yang digunakan untuk menukarkan nilai mata uang suatu negara ke negara lain. Salah satu contoh adalah nilai tukar rupiah terhadap dolar Amerika. Prediksi kurs rupiah terhadap dolar Amerika merupakan suatu usaha yang dilakukan untuk membantu para pelaku ekonomi dalam mengambil keputusan dalam melakukan pertukaran agar tidak mengalami kerugian. Prediksi dapat dilakukan dengan menggunakan metode jaringan syaraf tiruan. Salah satu model jaringan syaraf tiruan yang mendukung prediksi adalah quickpropagation. Arsitektur jaringan quickpropagation terdiri dari layar masukan, layar tersembunyi, dan layar keluaran. Layar masukan pada arsitektur quickpropagation dapat ditentukan dengan pola inputan menggunakan autoregression (AR). Dalam penelitian tugas akhir ini, penulis mencoba membandingkan arsitektur jaringan terbaik antara metode quickpropagation menggunakan AR dengan metode quickpropagation tanpa menggunakan AR yang keduanya menggunakan inisialisasi bobot Nguyen-Widrow untuk prediksi kurs rupiah terhadap dolar Amerika. Data penelitian merupakan data kurs dari website BI dari bulan Mei 2017 sampai dengan Juli 2017 dengan jumlah data sebanyak 57 data. Pengujian dilakukan menggunakan K-Fold Cross Validation dengan nilai k = 11 untuk data tanpa AR dan k=8 untuk data AR. Hasil penelitian menunjukkan bahwa metode quickpropagation menggunakan AR memiliki kinerja yang lebih baik dari metode quickpropagation tanpa AR ditinjau dari sisi MSE pelatihan dan pengujian. Parameter terbaik terdapat pada alpha 0.6 dan hidden neuron sebanyak 5, dengan nilai MSE pelatihan 0.03272 dan MSE pengujian 0.02873 untuk kurs jual dan pada alpha 0.9 dan hidden neuron sebanyak 5, dengan nilai MSE pelatihan 0.03297 dan MSE pengujian 0.02828 untuk kurs beli dengan maksimal epoch 100000 dan target error 0.05

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:60778
Deposited By:Mrs. Rismiyati .
Deposited On:13 Feb 2018 14:42
Last Modified:13 Feb 2018 14:42

Repository Staff Only: item control page