ABSTRAKSI: Dalam sistem perdagangan internasional, setiap negara mempunyai mata uangnya masing-masing sebagai alat tukar atau alat pembayaran yang sah, dalam melakukan pembayaran atas barang yang diperjualbelikan. Oleh karena itu, dibutuhkan suatu transaksi valuta asing untuk menukarkan mata uang antar negara. Kegiatan tukar menukar valuta asing sangat dipengaruhi oleh pergerakan kurs mata uang suatu negara. Kebutuhan informasi kurs ini, menjadikan peramalan sebagai salah satu cara untuk membantu para pelaku bisnis dalam mengetahui pergerakan kurs suatu mata uang. Peramalan merupakan suatu cara memperkirakan apa yang akan terjadi pada masa mendatang berdasarkan data yang ada pada masa lalu.
Dalam melakukan peramalan terhadap nilai kurs valuta asing, terdapat banyak metode yang bisa digunakan. Salah satunya adalah dengan menggunakan model Autoregressive Integrated Moving Average (ARIMA). Model ARIMA merupakan model yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins. Dasar pendekatan model ini terdiri dari tiga tahap, yaitu tahap identifikasi, tahap penaksiran dan pengujian, serta tahap penerapan. Selain dengan menggunakan model ARIMA, peramalan juga dapat dilakukan dengan menggunakan metode Jaringan Syaraf Tiruan Algoritma Backpropagation. Jaringan Syaraf Tiruan dapat dilatih untuk menganalisis suatu pola data dari masa lalu dan mencari suatu fungsi yang menghubungkan pola data dari masa lalu tersebut dengan keluaran yang diinginkan.
Dalam penelitian ini, dibuat 2 sistem yaitu sistem Jaringan Syaraf Tiruan Algoritma Backpropagation dan sistem ARIMA, yang digunakan untuk melakukan peramalan harga jual kurs Euro terhadap Rupiah Indonesia dan Dollar Amerika. Setelah dilakukan pengujian dengan Sistem Jaringan Syaraf Tiruan, didapatkan model terbaik yaitu model dengan jumlah input sebanyak 4 input, jumlah hidden neuron sebanyak 20, dan learning rate sebesar 0,1 untuk data kurs EUR-IDR dan model dengan jumlah input sebanyak 8 input, jumlah hidden neuron sebanyak 16, dan learning rate sebesar 0,1 untuk data kurs EUR-USD. Sedangkan dari pengujian dengan Sistem ARIMA, didapatkan model terbaik yaitu model ARIMA (2, 1, 2) untuk data kurs EUR-IDR dan model ARIMA (1, 1, 1) untuk data kurs EUR-USD.
Kata Kunci : Algoritma Backpropagation, Jaringan Syaraf Tiruan, Kurs Euro, Model ARIMA, Peramalan, Valuta Asing.ABSTRACT: In the international trade system, each country has its currency respectively as a medium of the exchange or a legal tender in payment for items traded. Therefore, we need a foreign exchange transaction for the exchange currency among countries. Foreign currency exchange is strongly influenced by movements in the exchange rate of a country's currency. The needs of exchange rate information, making forecasting as a way to help business people to determine the exchange rate movement of a currency. Forecasting is a way to predict what will happen in the future based on existing data in the past.
In forecasting the foreign exchange rates, there are many methods that can be used. One of them is using an Autoregressive Integrated Moving Average (ARIMA) model. ARIMA model is a model that is intensively developed by George Box and Gwilym Jenkins. Basic approach of this model consists of three stages, that is the identification stage, assessment and testing stage, and the implementation stage. In addition using the ARIMA models, forecasting can also be done by using Neural Network with Backpropagation algorithm. Neural networks can be trained to analyze a data pattern from the past and find a function, that connects the data pattern from the past with the desired output.
In this study, 2 system was made which is a system of Neural Network with Backpropagation Algorithm and an ARIMA systems, that is used for forecasting price of Indonesian Rupiah exchange rate against the Euro and U.S. Dollar exchange rate against the Euro. After doing testing with the Neural Network Systems, the best model that obtained is the model with the number of inputs by 4 inputs, the number of neurons in hidden layer by 20 neurons, and the learning rate of 0.1 for the EUR-IDR exchange data and the model with the number of inputs by 8 inputs, the number of neurons in hidden layer by 16 neurons, and the learning rate of 0.1 for the EUR-USD exchange data. While the testing with the ARIMA systems, the best model that obtained is ARIMA (2, 1, 2) model for the EUR-IDR exchange data and ARIMA (1, 1, 1) model for the EUR-USD exchange data.
Keyword: ARIMA models, Backpropagation Algorithm, Euro Exchange Rate, Forecasting, Foreign Exchange, Neural Network.