Perpustakaan Digital ITB

ABSTRAK: Penelitian mengenai data chaos sangat marak dilakukan. Hal ini dikarenakan fenomena chaos dapat ditemui hampir di seluruh cabang ilmu pengetahuan dari mulai ekonomi, biologi, sampai ke permasalahan sosial. Salah satu cara untuk meneliti data chaos adalah dengan menggunakan jaringan saraf tiruan (JST). JST adalah suatu pendekatan intelegensia buatan yang berusaha memodelkan kerja jaringan saraf manusia untuk membangun suatu sistem pembelajaran mesin. Terdapat banyak jenis arsitektur JST dan beragam algoritma pembangunan JST untuk pembelajaran data chaos. Pada tugas akhir ini akan dilakukan penelitian terhadap 3 arsitektur JST yaitu: JST Time Lagged Feedforward (TLFN), JST Time Lagged Affordable (TLAN), dan JST Nonlinier Autoregressive with Exogenous Input (NARX). Arsitektur JST diperbandingkan dengan mengujikan arsitektur tersebut dengan data ekonomi Indonesia. Data ekonomi merupakan contoh data chaos, yang telah dibuktikan oleh literatur. Data yang digunakan sebagai pembelajaran adalah data SBI, inflasi, kurs, BEJ, dan suku bunga The Fed. Sedangkan data pengujian adalah data ekonomi Indonesia yang meliputi data SBI, inflasi, kurs, dan BEJ. Tujuan akhir pada tugas akhir ini adalah melakukan perbandingan keandalan ketiga arsitektur tersebut untuk memprediksi data chaos, dalam kasus ini data ekonomi Indonesia. Arsitektur JST yang diujikan memiliki kemampuan untuk melakukan prediksi data ekonomi secara cukup baik, namun untuk data dengan distribusi yang sangat berbeda, dalam hal ini krisis moneter 1998 akan menurunkan performansi JST secara signifikan. Hal ini disebabkan karena data pembelajaran merupakan data sebelum krisis dan data sewaktu krisis, sedangkan data pengujian merupakan data masa pemulihan krisis yang berbeda distribusi datanya. Kesimpulan kedua yang dapat diambil dari penelitian ini adalah performansi antara JST TLFN dan JST TLAN tidak jauh berbeda, sedangkan JST NARX mempunyai performansi sangat buruk.