Penerapan Adaptive Neuro-Fuzzy Inference System untuk Prediksi Nilai Tukar Rupiah

Sanggam Andreas Harahap; Sukmawati Nur Endah

doi:10.14710/jmasif.10.1.31488

DOI: https://doi.org/10.14710/jmasif.10.1.31488

Penerapan Adaptive Neuro-Fuzzy Inference System untuk Prediksi Nilai Tukar Rupiah

Sanggam Andreas Harahap , Sukmawati Nur Endah

Published: 9 Jun 2019.

Editor(s): Jurnal Masyarakat Informatika

BibTex Citation Data :

@article{JMASIF31488,
    author = {Sanggam Harahap and Sukmawati Endah},
    title = {Penerapan Adaptive Neuro-Fuzzy Inference System untuk Prediksi Nilai Tukar Rupiah},
    journal = {Jurnal Masyarakat Informatika},
  volume = {10},
    number = {1},
    year = {2019},
    keywords = {},
    abstract = {Salah satu indikator penting dalam perekonomian suatu negara adalah nilai tukar dari mata uang, dimana majunya suatu negara dapat ditentukan oleh kekuatan nilai mata uang negara tersebut. Nilai tukar yang berdasarkan pada kekuatan pasar akan selalu berubah disetiap kali nilai-nilai salah satu dari dua komponen mata uang berubah. Dengan mampu meramalkan perubahan nilai tukar mata uang tersebut maka dapat ditentukan harga yang tepat untuk menukarkan mata uang para pemilik modal ke dalam bentuk mata uang lain. Proses peramalan/ prediksi dapat dilakukan dengan menggunakan arsitektur jaringan adaptive neuro fuzzy inference system (ANFIS) terhadap data kurs. Data kurs yang digunakan merupakan data kurs nilai jual pada jenis kurs Dolar Amerika, Dolar Singapura dan Euro sebanyak 110 data untuk tiap-tiap jenis kursnya dari periode 1 Agustus 2017 hingga 9 Januari 2018. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Dolar Amerika adalah laju pembelajaran sebesar 0,1; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,41. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Dolar Singapura adalah laju pembelajaran sebesar 0,2; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,12. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Euro adalah laju pembelajaran sebesar 0,5; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,38. Tingkat akurasi untuk prediki kurs Rupiah terhadap Dolar Amerika sebesar 99,58%, terhadap Dolar Singapura sebesar 99,87% dan terhadap Euro sebesar 99,62%.},
   issn = {2777-0648},   pages = {37--47}  doi = {10.14710/jmasif.10.1.31488},
    url = {https://ejournal.undip.ac.id/index.php/jmasif/article/view/31488}
}

Citation Format:

Abstract

Salah satu indikator penting dalam perekonomian suatu negara adalah nilai tukar dari mata uang, dimana majunya suatu negara dapat ditentukan oleh kekuatan nilai mata uang negara tersebut. Nilai tukar yang berdasarkan pada kekuatan pasar akan selalu berubah disetiap kali nilai-nilai salah satu dari dua komponen mata uang berubah. Dengan mampu meramalkan perubahan nilai tukar mata uang tersebut maka dapat ditentukan harga yang tepat untuk menukarkan mata uang para pemilik modal ke dalam bentuk mata uang lain. Proses peramalan/ prediksi dapat dilakukan dengan menggunakan arsitektur jaringan adaptive neuro fuzzy inference system (ANFIS) terhadap data kurs. Data kurs yang digunakan merupakan data kurs nilai jual pada jenis kurs Dolar Amerika, Dolar Singapura dan Euro sebanyak 110 data untuk tiap-tiap jenis kursnya dari periode 1 Agustus 2017 hingga 9 Januari 2018. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Dolar Amerika adalah laju pembelajaran sebesar 0,1; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,41. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Dolar Singapura adalah laju pembelajaran sebesar 0,2; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,12. Hasil pengujian menunjukkan bahwa kombinasi terbaik parameter untuk kurs Euro adalah laju pembelajaran sebesar 0,5; maksimal epoch sebesar 10000; jumlah data pelatihan sebanyak 80%; target error sebesar 0,001 dengan perolehan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,38. Tingkat akurasi untuk prediki kurs Rupiah terhadap Dolar Amerika sebesar 99,58%, terhadap Dolar Singapura sebesar 99,87% dan terhadap Euro sebesar 99,62%.

Fulltext View|Download

Article Metrics:

Article Info

Section: Research Article

In Vol 10, No 1 (2019): JURNAL MASYARAKAT INFORMATIKA

Recent articles

Aplikasi Data Mining Untuk Mendeteksi Penyakit Hepatitis Menggunakan Metode Support Vector Machine (SVM) Polynomial (Studi Kasus : Data Pasien Hati India) Penerapan Adaptive Neuro-Fuzzy Inference System untuk Prediksi Nilai Tukar Rupiah Aplikasi gameplay edukasi pencegahan obesitas dengan menggunakan algoritma astar dan greedy pada pencarian jalur makanan More recent articles

Most cited articles

Pengenalan Jenis Golongan Darah Menggunakan Jaringan Syaraf Tiruan Perceptron ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA APLIKASI SISTEM INFORMASI GEOGRAFIS BERBASIS WEB PENYEBARAN DANA BANTUAN OPERASIONAL SEKOLAH KLASIFIKASI UCAPAN KATA DENGAN SUPPORT VECTOR MACHINE Enterprise Architecture Model untuk Aplikasi Government More cited articles

Last update:

No citation recorded.

Last update: 2024-11-15 11:08:24

No citation recorded.

The authors who submit the manuscript must understand that the article's copyright belongs to the author(s) if accepted for publication. However, the author(s) grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. Authors should also understand that their article (and any additional files, including data sets, and analysis/computation data) will become publicly available once published under that license. See our copyright policy. By submitting the manuscript to Jmasif, the author(s) agree with this policy. No special document approval is required.

The author(s) guarantee that:

their article is original, written by the mentioned author(s),
has never been published before,
does not contain statements that violate the law, and
does not violate the rights of others, is subject to copyright held exclusively by the author(s), is free from the rights of third parties, and the necessary written permission to quote from other sources has been obtained by the author(s).

The author(s) retain all rights to the published work, such as (but not limited to) the following rights:

Copyright and other proprietary rights related to the article, such as patents,
The right to use the substance of the article in its own future works, including lectures and books,
The right to reproduce the article for its own purposes,
The right to archive all versions of the article in any repository, and
The right to enter into separate additional contractual arrangements for the non-exclusive distribution of published versions of the article (for example, posting them to institutional repositories or publishing them in a book), acknowledging its initial publication in this journal (Jurnal Masyarakat Informatika).

Suppose the article was prepared jointly by more than one author. Each author submitting the manuscript warrants that all co-authors have given their permission to agree to copyright and license notices (agreements) on their behalf and notify co-authors of the terms of this policy. Jmasif will not be held responsible for anything arising because of the writer's internal dispute. Jmasif will only communicate with correspondence authors.

Authors should also understand that their articles (and any additional files, including data sets and analysis/computation data) will become publicly available once published. The license of published articles (and additional data) will be governed by a Creative Commons Attribution-ShareAlike 4.0 International License. Jmasif allows users to copy, distribute, display and perform work under license. Users need to attribute the author(s) and Jmasif to distribute works in journals and other publication media. Unless otherwise stated, the author(s) is a public entity as soon as the article is published.