Wiliansa, Geri and Kusumawati, Rosita (2017) OPTIMASI FUZZY BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA. S1 thesis, UNY.
|
Text
BAB I PENDAHUUAN.pdf Download (89kB) | Preview |
|
|
Text
BAB II KAJIAN PUSTAKA.pdf Download (1MB) | Preview |
|
|
Text
BAB III METODE PENELITIAN.pdf Download (12kB) | Preview |
|
|
Text
DAFTAR PUSTAKA.pdf Download (17kB) | Preview |
|
![]() |
Text
BAB IV PEMBAHASAN.pdf Restricted to Repository staff only Download (883kB) |
|
![]() |
Text
BAB V PENUTUP.pdf Restricted to Repository staff only Download (8kB) |
|
![]() |
Text
AWAL.pdf Restricted to Repository staff only Download (6MB) |
|
![]() |
Text
LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Tujuan penelitian ini adalah: (1) menjelaskan proses pemodelan Fuzzy Backpropagation Neural Network (FBPNN) untuk memprediksi nilai tukar (kurs) rupiah (IDR) terhadap dollar Amerika (USD), (2) menjelaskan proses optimasi model FBPNN menggunakan Algoritma Genetika, (3) mengetahui hasil optimasi model FBPNN menggunakan Algoritma Genetika, dan (4) memprediksi kurs IDR/USD dengan model FBPNN yang dioptimasi dengan Algoritma Genetika. Pada penelitian ini variabel input yang digunakan adalah data kurs IDR/USD, inflasi, jumlah uang beredar, dan suku bunga Indonesia. Sedangkan variabel output adalah kurs IDR/USD. Semua data diperoleh dari http://www.bi.go.id pada periode Januari 2006 hingga Juli 2016. Data input dan output digunakan untuk membentuk model FBPNN, pada model FBPNN nilai input dan output berupa derajat keanggotaan himpunan fuzzy. Bobot akhir FBPNN selanjutnya dioptimasi dengan Algoritma Genetika. Bobot dari optimasi digunakan untuk prediksi kurs IDR/USD. Hasil penelitian menunjukkan: (1) proses pemodelan FBPNN yaitu penentuan input dengan melihat autokorelasi yang signifikan pada plot ACF, pembagian data input menjadi 2 dengan komposisi 75% data training dan 25% data testing, fuzzifikasi dengan menggunakan fungsi keanggotaan kurva S pertumbuhan, estimasi model terbaik untuk menentukan bobot-bobot dengan fungsi aktivasi sigmoid biner (logsig) pada lapisan tersembunyi dan lapisan output, defuzifikasi. (2) Prosedur optimasi FBPNN dengan Algoritma Genetika adalah pembentukan populasi awal, menghitung nilai fitness masing-masing individu, individu dengan nilai fitness terbaik disimpan, menyeleksi individu dengan teknik seleksi ranking, pindah silang dengan teknik pindah silang aritmatika, mutasi dengan teknik random mutation, pembentukan populasi baru. (3) Optimasi FBPNN dengan Algoritma Genetika memberikan nilai MAPE yang lebih kecil dibanding tanpa Algoritma Genetika. (4) Prediksi kurs IDR/USD untuk bulan Agustus 2016 hingga Januari 2017 secara berurutan adalah sebesar Rp14.280, Rp14.388, Rp14.431, Rp14.457, Rp14.460, dan Rp14.497 dengan MAPE sebesar 8,04%. Kata kunci: FBPNN, Algoritma Genetika, prediksi
Item Type: | Thesis (S1) |
---|---|
Subjects: | Matematika dan Ilmu Pengetahuan Alam > Matematika |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika |
Depositing User: | Jurusan Pendidikan Matematika |
Date Deposited: | 27 Apr 2017 02:41 |
Last Modified: | 30 Jan 2019 13:59 |
URI: | http://eprints.uny.ac.id/id/eprint/48908 |
Actions (login required)
![]() |
View Item |