Peramalan Kurs Dolar Amerika Serikat dan Riyal Arab Saudi Terhadap Rupiah dengan Neural Network Conjugate Gradient Polak Ribiere
Keywords:
Conjugate Gradient Polak Ribiere, Kurs Dolar Amerika Serikat, Kurs Riyal Arab Saudi, PeramalanAbstract
Pandemi Covid-19 yang terjadi sejak 2 Maret 2020 berdampak pada pertumbuhan ekonomi di Indonesia. Indikator terpenting dalam perekonomian adalah nilai tukar mata uang. Dolar Amerika (USD) merupakan acuan nilai tukar Rupiah (IDR) karena memegang peranan penting dalam transaksi perdaganganan internasional sedangkan Riyal Arab Saudi (SAR) sebagai nilai tukar SAR/IDR karena masyarakat Indonesia melaksanakan ibadah haji dan umroh ke tanah suci Mekkah. Peramalan dilakukan untuk mengetahui kenaikan dan penurunan kurs Dolar dan kurs Riyal terhadap Rupiah yang akan datang. Penelitian ini menggunakan data kurs Dolar dan Riyal bulan Januari-Mei tahun 2021 dari laman Investing.com. Metode peramalan Neural Network dengan algoritma Conjugate Gradient-Backpropagation Polak Ribiere (TrainCGP) algoritma yang arah pencariannya berdasar pada arah konjugasi dan lebih cepat konvergen. Nilai MSE yang didapat pada penelitian ini yaitu untuk data training kurs Dolar terhadap Rupiah sebesar 0,0009 dan data testing sebesar 0,1940 dengan arsitektur jaringan terbaik yaitu 7-9-1. Kemudian diperoleh hasil peramalan tanggal 02 Juni-10 Juni 2021 kurs Dolar terhadap Rupiah melemah pada 04 Juni seharga Rp.14.364,- dan menguat pada 10 juni seharga Rp.14.191,-. Nilai MSE untuk data training kurs Riyal terhadap Rupiah sebesar 0,0009 dan data testing sebesar 0,6322 dengan arsitektur jaringan terbaik yaitu 7-16-1. Kemudian diperoleh hasil peramalan tanggal 02 Juni-10 Juni 2021 kurs Riyal terhadap Rupiah melemah pada 03 juni seharga Rp.3.830,- dan menguat pada 08 Juni seharga Rp.3.768,-.
References
Berbasis Algoritma Moving Avarage Untuk Nilai Tukar Rupiah Terhadap Dolar.
Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 381–394.
[2] Suprapto, A. T. (2005). Peramalan Kurs Rupiah terhadap Dolar Amerika dengan
Menggunakan Model ARIMA. Universitas Diponegoro.
[3] Utari, D. T. (2018). Forecasting The Exchange Rate (IDR) of US Dolar (USD) Using
Locally Stationary Wavelet. Jurnal Eksakta, 18(2), 145–154.
[4] Fitri, I. A., & Permana, D. (2019). Matriks Peluang Transisi Fuzzy Time Series
Markov Chain untuk Peramalan Kurs Riyal dengan Rupiah. 2(3), 20–26.
[5] Azhar, M., & Riksakomara, E. (2017). Peramalan Jumlah Produksi Ikan dengan
Menggunakan Backpropagation Neural Network. Jurnal Teknik ITS, 6(1), 142–148.
[6] Demuth, H., & Beale, M. (2000). Neural Network Toolbox For Use with Matlab. The Math Works,
Inc.
[7] J. Liang, W. Song, and M. Wang, “Stock Price Prediction Based on Procedural Neural
Networks,” Hindawi Publ. Corp., pp. 1–11, 2011, doi: 10.1155/2011/814769.
[8] Y. H. Dai and Y. Yuan, “A three-parameter family of nonlinear conjugate gradient
methods,” Math. Comput., vol. 70, no. 235, pp. 1155–1168, 2000, doi: 10.1090/s0025-
5718-00-01253-9.
[9] L. Fausett, Fundamentals of Neural Networks Architectures, Algorithms, and
Applications. Prentice-Hall, Englewood Cliffs, NJ, USA, 2004.
[10] S. Haykin, Neural Networks: A Comprehensive Foundation, Second. McMaster
University, Ontario Canada, 2005.
[11] J. J. Siang, Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. ANDI
Yogyakarta, 2005.
[12] R. E. Giantara, A. Hidayanto, and Y. Christiyono, “Pengenalan Pola Kelas Benang
Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” Tugas Akhir, 2013.
[13] W. Widyastuti, “Aplikasi Algoritma Conjugate Gradient Pada Jaringan Syaraf Tiruan
Perambatan Balik,” Universitas Gadjah Mada, Yogyakarta, 2004.
[14] J. Wang, X. Chi, and T. Gu, “Nonlinear Conjugate Gradient Methods and Their Implementations by
TAO on Dawning 2000-II,” … Environ. 2003, Ed. Jun Zhou …, no. January 2003, pp. 1–4, 2003.
[15] R. Shewchuk, “An Introduction to the Conjugate Gradient Method Without the
Agonizing Pain,” Evolution (N. Y)., vol. 61, no. 3, pp. 708–712, 2007, doi:
10.1111/j.1558-5646.2007.00051.x.
[16] W. Sulistijanti, “Peramalan Curah Hujan Wilayah Semarang Barat dengan Algoritma
Resilient Backpropagation,” Maj. Ilm. Mediu., vol. 6, no. 1, 2013.
[17] M. Febrina, F. Arina, and R. Ekawati, “Peramalan Jumlah Permintaan Produksi
Menggunakan Metode Jaringan Syaraf Tiruan ( JST ) Backpropagation,” J. Tek. Ind.,
vol. 1, no. 2, pp. 174–179, 2013.
[18] A. Wanto, “Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate
Gradient Beale-Powell Restarts,” J. Teknol. dan Sist. Inf., vol. 03, pp. 370–380, 2017.
[19] MathWorks. (1994). traincgp. The MathWorks Inc.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Lita Citra Dewi Susasimy, Wellie Sulistijanti
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
