laporan akhir penelitian dosen pemula - … · tersebut pemerintah dapat pula melakukan mobilisasi...
TRANSCRIPT
i
Kode/Nama Rumpun Ilmu : 459/Ilmu Komputer
LAPORAN AKHIR
PENELITIAN DOSEN PEMULA
Judul
JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SUKUK
NEGARA RITEL BERDASARKAN KELOMPOK PROFESI
DENGAN BACKPROPOGATION DALAM MENDORONG LAJU
PERTUMBUHAN EKONOMI
Oleh
Ketua : Solikhun, M.Kom (NIDN.0104018304)
Anggota 1: Handrizal S.Si, M.Comp.Sc (NIDN. 0113067703)
Anggota 2: Agus Perdana Windarto, M.Kom (NIDN.0130088603)
Anggota 3 : M. Fauzan, M.E.I (NIDN. 0104048904)
Dibiayai oleh:
Direktorat Riset dan Pengabdian Masyarakat Direktorat Jenderal Penguatan Riset
dan Pengembangan Kementerian Riset, Teknologi dan Pendidikan Tinggi Sesuai
dengan Kontrak Penelitian Tahun Anggaran 2017 Nomor : SP DIPA-
042.06.1.401516/2017
YAYASAN MUHAMMAD NASIR
AKADEMI MANAJEMEN INFORATIKA KOMPUTER
(AMIK) TUNAS BANGSA PEMATANGSIANTAR
2017
iii
ABSTRAK
Jaringan Saraf Tiruan Dalam Memprediksi Sukuk Negara Ritel Berdasarkan
Kelompok Profesi Dengan Backpropogation Dalam Mendorong Laju Pertumbuhan
Ekonomi
Sukuk Ritel Negara adalah Surat berharga Syariah yang diterbitkan dan penjualannya
diatur oleh Negara, yaitu Departemen Keuangan (depkeu). Dimana pemerintah akan
memilih agen penjual dan konsultasi hukum sukuk ritel. Agen penjual haruslah wajib
memiliki komitmen terhadap pemerintah dalam pengembangan pasar sukuk dan
berpengalaman dalam menjual produk keuangan syariah. Penerbitan instrumen ini
diibaratkan sebuah “simbiosis mutualis” antara Pemerintah dan Masyarakat, dimana
keduanya sama-sama memperoleh keuntungan. Pemerintah selaku penerbit memperoleh
keuntungan berupa penggunaan dana dari masyarakat, sedangkan masyarakat
memperoleh keuntungan dari investasi yang dilakukan. Penelitian ini memberikan
kontribusi bagi pemerintah dan Bank untuk dapat melakukan promosi secara maksimal
untuk penerbitat sukuk berikutnya. Data yang digunakan adalah data dari kemenkeu
melalui website www.djppr.kemenkeu.go.id. Data tersebut adalah data penjualan sukuk
dengan seri 001 – 007 yang dikelompokkan dalam beberapa kategori yakni geografis,
profesi dan kategori umur. Algoritma yang digunakan pada penelitian ini adalah Jaringan
Saraf Tiruan dengan metode Backpropogation. Variabel masukan (input) yang digunakan
adalah PNS (X1), Pegawai Swasta (X2), IRT (X3), Wiraswasta (X4), TNI/Polri (X5) dan
Lainnya (X6) dengan model arsitektur pelatihan dan pengujian sebanyak 4 arsitektur
yakni 6-2-1, 6-5-1, 6-2-5-1 dan 6-5-2-1. Keluaran (output) yang dihasilkan adalah pola
terbaik dari arsitektur JST. Model arsitektur terbaik adalah 6-5-2-1 dengan epoch 37535,
MSE 0,0009997295 dan tingkat akurasi 100%. Dari model ini akan dilakukan analisis
sensivitas untuk melihat variabel yang memiliki performa terbaik dan diperoleh variabel
Pegawai Swasta (X2) dengan skor 0,3268. Sehingga didapat hasil prediksi investor
terbanyak pada pembelian sukuk untuk seri 008 berikutnya berdasarkan kategori profesi
adalah Pegawai Swasta.
Kata Kunci: Sukuk, JST, Backpropogation, Analisis Sensivitas dan Prediksi
iv
DAFTAR ISI
Halaman
HALAMAN JUDUL ............................................................................................ i
LEMBAR PENGESAHAN ................................................................................ ii
PRAKATA .......................................................................................................... .iii
DAFTAR ISI ......................................................................................................... iv
DAFTAR TABEL ................................................................................................ vi
DAFTAR GAMBAR ........................................................................................... vii
BAB I PENDAHULUAN
1.1. Latar Belakang ............................................................................. 1
1.2. Rumusan Masalah ........................................................................ 4
1.3. Luaran Penelitian ......................................................................... 4
BAB II TINJAUAN PUSTAKA
2.1 Neural Network ........................................................................... 5
2.2 Algoritma Backpropogation ....................................................... 6
2.2.1 Arsitektur Propogari Balik (Backpropogation) ................. ..7
2.3 Sukuk ......................................................................................... ..8
2.3.1 Perbedaan Obligasi Konvensional dan Obligasi Syari’’ah
(Sukuk) ...................................................................................... 9
2.3.2 Jenis – Jenis Sukuk ............................................................ 10
2.4 Penelitian Terdahulu .................................................................. 10
BAB III TUJUAN DAN MANFAAT PENELLITIAN
3.1 Tujuan Penelitian ........................................................................ 12
3.2 Manfaan Penelitian....................................................................... 12
BAB IV METODE PENELITIAN
4.1 Kerangka Penelitian ................................................................... 13
4.2 Lokasi Dan Waktu Penelitian ..................................................... 15
4.3 Teknik Pengumpulan Data ........................................................ 15
BAB V HASIL YANG DICAPAI
5.1 Tahap Pengambilan Data ............................................................. 16
5.2 Pendefinisian Input Dan Target ................................................... 16
5.2.1 Pendefinisian Input ............................................................ 17
5.2.2 Pendefinisian Target .......................................................... 18
5.3 Pengolahan Data .......................................................................... 18
5.4 Perancangan Arsitektur Jaringan Saraf Tiruan ............................ 19
v
5.5 Pendefinisian Output ................................................................... 21
BAB VI HASIL DAN PEMBAHASAN
6.1 Pelatihan Dan Pengujian dengan Software Matlab 6.1 .............. 22
6.1.1 Pelatihan Dan pengujian Arsitektur 6-2-1 ......................... 26
6.1.2 Pelatihan Dan pengujian Arsitektur 6-5-1 ......................... 27
6.1.3 Pelatihan Dan pengujian Arsitektur 6-2-5-1 ..................... 28
6.1.4 Pelatihan Dan pengujian Arsitektur 6-5-2-1 ..................... 30
6.2 Pemilihan Arsitektur Terbaik Jaringan Saraf Tiruan ................... 31
6.3 Prediksi Sukuk Negara (SR) Ritel Berdasarkan Kelompok Profesi
..................................................................................................... 32
BAB VII KESIMPULAN
7.1 Kesimpulan .................................................................................. 34
7.2 Saran ............................................................................................ 34
DAFTAR PUSTAKA .......................................................................................... I
vi
DAFTAR TABEL
1.1 Rencana Target Capaian ............................................................................. 4
2.1 Perbandingan Karakteristik Sukuk Dan Obligasi ........................................ 9
5.1 Daftar Kriteria SukukRitel (SR) Negara Berdasarkan Kelompok Profesi ... 17
5.2 Sampel Data Mentah Kelompok Profesi Berdasarkan Jumlah Investor ..... 18
5.3 Sampel Dari Data Yang Telah Ditransformasikan....................................... 18
5.4 Data Kategorisasi ......................................................................................... 21
6.1 Hasil Pelatihan Dan Pengujian Dengan Model 6-2-1 ................................. 27
6.2 Hasil Pelatihan Dan Pengujian Dengan Model 6-5-1 ................................ 28
6.3 Hasil Pelatihan Dan Pengujian Dengan Model 6-2-5-1 ............................... 29
6.4 Hasil Pelatihan Dan Pengujian Dengan Model 6-5-2-1 ............................. 31
6.5 Rekapitulasi Model Arsitektur .................................................................... 31
6.5 Hasil Analisis Sensifitas ............................................................................. 33
vii
DAFTAR GAMBAR
1.1. Profil Sukuk Ritel SR001-SR006 ................................................................. 1
1.2. Diagram Penjualan Sukuk Kelompok Profesi Berdasarkan insvestor .......... 2
1.3. Diagram Penjualan Sukuk Kelompok Profesi Berdasarkan Volume
Pembelian ..................................................................................................... 2
2.1 Model Struktur ............................................................................................ ..6
2.2 Algoritma Backpropogation ........................................................................ ..7
4.1 Kerangka Kerja ........................................................................................... 13
5.1 Arsitektur Jaringan Saraf Tiruan Dalam Memprediksi Sukuk Negara (SR)
Ritel Berdasarkan Kelompok Profesi .......................................................... 19
6.1 Command Window ..................................................................................... 25
6.2 Pelatihan Arsitektur 6-2-1 Mencapai Goal ................................................. 26
6.3 Pelatihan Arsitektur 6-5-1 Mencapai Goal .................................................. 28
6.4 Pelatihan Arsitektur 6-2-5-1 Mencapai Goal ............................................... 29
6.5 Pelatihan Arsitektur 6-5-2-1 Mencapai Goal ............................................... 30
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dalam rangka mendorong laju pertumbuhan ekonomi menjadi lebih tinggi,
Pemerintah menerapkan kebijakan anggaran ekspansif. Konsekuensi dari
penerapan kebijakan ini adalah timbulnya pengeluaran yang lebih besar dari
penerimaan negara. Kondisi pengeluaran yang lebih besar dari penerimaan negara
lazim disebut sebagai defisit anggaran. Dalam membiayai defisit anggaran,
Pemerintah memiliki berbagai instrumen baik berupa pinjaman langsung maupun
penerbitan Surat Berharga Negara (SBN). Untuk membiayai defisit anggaran
tersebut Pemerintah dapat pula melakukan mobilisasi dana dari masyarakat atau
menghimpun partisipasi masyarakat untuk turut membiayai defisit anggaran
melalui penerbitan Surat Berharga Negara.
Salah satu instrumen yang dapat digunakan untuk menghimpun dana dari
masyarakat adalah Sukuk Negara Ritel. Sukuk Ritel Negara adalah Surat berharga
Syariah yang diterbitkan dan penjualannya diatur oleh Negara, yaitu Departemen
Keuangan (depkeu). Dimana pemerintah akan memilih agen penjual dan
konsultasi hukum sukuk ritel. Agen penjual haruslah wajib memiliki komitmen
terhadap pemerintah dalam pengembangan pasar sukuk dan berpengalaman dalam
menjual produk keuangan syariah.
(sumber : www.kemenkeu.go.id)
Gambar 1.1. Profil Sukuk Ritel SR001-SR006
2
Penerbitan instrumen ini diibaratkan sebuah “simbiosis mutualis” antara
Pemerintah dan Masyarakat, dimana keduanya sama-sama memperoleh
keuntungan. Pemerintah selaku penerbit memperoleh keuntungan berupa
penggunaan dana dari masyarakat, sedangkan masyarakat memperoleh
keuntungan dari investasi yang dilakukan.
Sejak diterbitkan pertama kali pada tahun 2009, nominal penerbitan Sukuk
Negara Ritel terus mengalami peningkatan. Demikian halnya dengan jumlah
masyarakat yang berinvestasi juga menunjukkan peningkatan yang signifikan
(sumber : www.kemenkeu.go.id)
Gambar 1.2. Diagram Penjualan Sukuk Kelompok Profesi Berdasarkan Investor
(sumber : www.kemenkeu.go.id)
Gambar 1.3. Diagram Penjualan Sukuk Kelompok Profesi Berdasarkan Volume
Pembelian
3
Dari grafik diatas menunjukkan bahwa investor Sukuk Negara Ritel
berdasarkan kelompok profesi sebagian besar masih berasal PNS, Pegawai
Swasta, Ibu Rumah Tangga (IRT), Wiraswasta, TNI/Polri dan lain-lain. Sebagai
contoh pada penerbitan SR-006 untuk kelompok profesi berdasarkan jumlah
investor terbanyak dari total investor 34.692 berasal dari Peg. Swasta mencapai
9.509 (27.41%), Lainya mencapai 8.146 (23,48%), Wiraswasta mencapai 7.934
(22.87%), Ibu Rumah Tangga mencapai 5.894 (16.99%), PNS Mencapai 2.713
(7.82%) dan TNI/Polri mencapai 496 (1.43%). Untuk kelompok profesi
berdasarkan volume pembelian, sebagai contoh pada penerbitan SR-007 dari
nominal Rp. 21.965.035.000.000, yang memiliki volume pembelian terbesar
berasal dari Wiraswasta mencapai Rp. 8.898.035.678.500 (40.51%), Peg. Swasta
mencapai Rp. 5.308.948.959.500 (24.17%), Lainya mencapai Rp.
3.624.230.775.000 (16.5%), IRT mencapai Rp.3.426.545.460.000 (15.6%), PNS
mencapai Rp. 586.466.434.500 (2.67%) dan TNI/Polri mencapai Rp.
120.807.692.500 (0.55%).
Seiring dengan meningkatnya kesadaran berinvestasi, Sukuk Negara Ritel
tentu menjadi instrumen investasi yang banyak ditunggu masyarakat. Penerbitan
instrumen ini sebenarnya juga merupakan edukasi kepada masyarakat agar
melakukan transformasi dari masyarakat yang berorientasi menabung (savings-
oriented society) menjadi masyarakat berorientasi investasi (investments-oriented
society). Tantangan lainnya adalah karena minat investor yang sangat besar
menyebabkan akses investor terhadap instrumen ini menjadi penuh persaingan.
Banyak investor pemula yang tidak dapat memiliki instrumen ini. Untuk
mengatasi keadaan ini, perlu sebuah kajian yang dapat memprediksi jumlah
investor dan volume pembelian Sukuk Negara Ritel kedepannya berdasarkan
kelompok profesi yang nantinya dapat menentukan market pasar dari kelompok
profesi tersebut. Dengan model ini diharapkan dapat menjadi masukan kepada
pihak Bank Syariah atau Konvensional yang dipercaya dalam menjual Sukuk
Negara Ritel untuk memasarkan instrumen tersebut di kelompok profesi.
Sehingga pihak Bank dapat memaksimalkan penjualan Sukuk Ritel Negara ke
lapisan masyarakat sehingga masa yang akan datang masyarakat dapat
4
berpartisipasi dalam pembangunan proyek monumental yang bermanfaat bagi
Negara melalui investasi pada Sukuk Negara Ritel.
1.2. Rumusan Masalah
Berdasarkan latar belakangyang telah diuraikan di atas maka rumusan
masalah pada penelitian ini adalah: Bagaimana memprediksi Sukuk Negara Ritel
berdasarkan kelompok profesi dalam mendorong laju pertumbuhan ekonomi yang
disajikan dengan backpropagation neural network.
1.3. Luaran Penelitian
a. Publikasi Jurnal Nasional berISSN Tidak Terakreditasi
b. Publikasi Seminar Nasional sebagai Pemakalah dalam temu ilmiah.
Tabel 1.1. Rencana Target Capaian
No Jenis Luaran Indikator
Capaian
1 Publikasi ilmiah di Jurnal nasional (ber ISSN) published
2 Pemakalah dalam temu ilmiah Nasional terdaftar
Lokal terdaftar
3 Bahan Ajar draft
4 Luaran lainnya jika ada (Teknologi Tepat
Guna, Model/Purwarupa/Desain/Karya
seni/Rekayasa Sosial
draft
5 Tingkat Kesiapan Teknologi (TKT) 1
5
BAB II
TINJAUAN PUSTAKA
2.1 Neural Network
Jaringan Saraf Tiruan (JST) atau neural network adalah suatu metode
komputasi yang meniru sistemjaringan Saraf biologis. Metode ini
menggunakanelemen perhitungan non-linier dasar yang disebut neuron yang
diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan
jaringanSarafmanusia. Jaringan Saraf Tiruan dibentuk untuk memecahkan suatu
masalah tertentu seperti pengenalan pola atau klasifikasi karena
prosespembelajaran. Layaknya neuron biologi, Jaringan Saraf Tiruan juga
merupakan sistem yang bersifat “fault tolerant” dalam 2 hal. Pertama, dapat
mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya.
Sebagai contoh, manusia sering dapat mengenali seseorang yang wajahnya pernah
dilihat dari foto atau dapat mengenali sesorang yang wajahnya agak berbeda
karena sudah lama tidak menjumpainya. Kedua, tetap mampu bekerja meskipun
beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak,
neuron lain dapat dilatih untuk menggantikan fungsi neuron yang rusak tersebut
(Sahat, 2013).
Menurut Wuryandari (2012) Jaringan Saraf Tiruan (JST) merupakan
suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai
jaringan Saraf biologi (JSB). JST tercipta sebagai suatu generalisasi model
matematis dari pemahaman manusia (human cognition) yang didasarkan atas
asumsi sebagai berikut:
a. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron
b. Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan
penghubung.
c. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot
ini akan digunakanuntuk menggandakan/mengalikan sinyal yang dikirim
melaluinya.
6
d. Setiap sel Saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal
keluarannya.
Model Struktur neuron Jaringan SarafTiruan dijelaskan pada gambar 2.2 berikut:
Gambar 2.1 Model Struktur JST
Menurut Wuryandari (2012), Jaringan Saraf tiruan atau Neural
Networkdapat belajar dari pengalaman, melakukan generalisasi atascontoh contoh
yang diperolehnya dan mengabstraksi karakteristik esensialmasukan bahkan untuk
data yang tidak relevan. Algoritma untuk JST beroperasi secara langsung dengan
angka sehingga data yang tidak numerik harus diubah menjadi data numerik.
2.2. Algoritma Backpropagation
Menurut Sahat (2013),Propagasi balik atau backpropagation merupakan
salah satu teknikpembelajaran/pelatihan supervised learning yang paling banyak
digunakan. Metode ini merupakan salah satu metode yang sangat baik dalam
menangani masalah pengenalan pola-pola kompleks. Di dalam jaringan propagasi
balik, setiap unit yang berada di lapisan input terhubung dengan setiap unit yang
ada di lapisantersembunyi. Setiap unit yang ada di lapisan tersembunyi terhubung
dengan setiap unit yang ada di lapisan output. Jaringan ini terdiri dari banyak
lapisan (multilayer network). Ketika jaringan diberikan pola masukan sebagai pola
pelatihan, maka pola tersebut menuju unit-unit lapisan tersembunyi untuk
selanjutnya diteruskan pada unit-unit di lapisan keluaran.
7
Kemudian unit-unit lapisan keluaran akan memberikan respon sebagai
keluaran Jaringan Saraf Tiruan. Saat hasil keluaran tidak sesuai dengan yang
diharapkan, maka keluaran akan disebarkan mundur (backward) pada lapisan
tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan Tahap
pelatihan ini merupakan langkah untuk melatih suatu Jaringan Saraf Tiruan, yaitu
dengan cara melakukan perubahan bobot. Sedangkan penyelesaian masalah akan
dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase
Pengujian.
Gambar 2.2. Algoritma Backpropogation
Backpropagation merupakan model jaringan Saraf tiruan dengan layar
jamak. Seperti halnya model jaringan Saraf tiruan lainnya, backpropagation
melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan
untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan
untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi
tidak sama) dengan pola yang dipakai selama pelatihan (Maru’ou,2010).
2.2.1 Arsitektur Propogasi Balik (Backpropogation)
Backpropagation terdiri dari n buah masukan (ditambah sebuah bias),
sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m
buah unit keluaran. W oj dan I0k masingmasing adalah bias untuk unit
tersembunyi ke-j dan untuk output ke-k. Bias Ioj dan O0k berperilaku seperti
bobot dimana output bias ini selalu sama dengan 1. Wij adalah bobot koneksi
antara unit ke-i lapisan input dengan unit ke-j lapisan tersembunyi,sedangkan Wjk
adalah bobot koneksi antara unit kei lapisan tersembunyi dengan unit ke-j lapisan
output.
8
2.3. Sukuk
Salah satu transaksi pada pasar modal adalah transaksi sukuk. Istilah sukuk
berasal dari bahasa Arab yang merupakan bentuk jamak dari ‘sakk’ yang berarti
dokumen atau sertifikat. Menurut Accounting and Auditing Organization for
Islamic Finance Institution (AAOFI, 2008) yang ditulis dalam penelitian
Rusydiana (2012)
“Sukuk are certificates of equal value representing undivided
shares in ownership of tangible assets, usufruct and services or (in
the ownership of) the assets of particular projects or special
investment activity.”
Dalam penelitian yang dilakukan oleh Rusydiana (2012) sukuk dapat
diartikan sebagai sertifikat dengan nilai yang sama yang mewakili bagian
kepemilikan sepenuhnya terhadap asset yang tangible, manfaat dan jasa,
kepemilikan asset atas suatu proyek, atau kepemilikan dalam aktivitas bisnis atau
investasi khusus. Berdasarkan Peraturan Nomor IX.A.13 tahun 2009 mengenai
penerbitan efek syariah, sukuk adalah efek Syariah berupa sertifikat atau bukti
kepemilikan yang bernilai sama dan mewakili bagian yang tidak tertentu (tidak
terpisahkan atau tidak terbagi (syuyu’/undivided share)) atas:
a. aset berwujud tertentu (a’yan maujudat);
b. nilai manfaat atas aset berwujud (manafiul a’yan) tertentu baik yang sudah
ada maupun yang akan ada;
c. jasa (al khadamat) yang sudah ada maupun yang akan ada;
d. aset proyek tertentu (maujudat masyru’ mu’ayyan); dan/atau
e. kegiatan investasi yang telah ditentukan (nasyath ististmarin khashah.
Kata sukuk berasal dari bahasa arab “shukuk”, merupakan bentuk jamak
dari kata “shakk” yang dalam istilah ekonomi berarti legal instrument,deed,or
check. Pada substansinya, obligasi merupakan surat hutang yang didefinisikan
dalam ekonomi konvensional. Istilah obligasi syari’ah yang digunakan dalam
fatwa DSN sebenarnya lebih mengikuti opini dipasar modal konvensional. Tetapi
obligasi syari’ah dan obligasi konvensional sangat berbeda. Sistem pengembalian
9
pada obligasi syari’ah adalah bagi hasil, margin dan fee sedangkan pada obligasi
konvensional sistem pengembaliannya adalah sistem bunga. Tujuan sukuk antara
lain sebagai sumber pembiayaan negara, pengembangan keuangan syariah,
alternatif instrumen investasi, dan memanfatkan dana masyarakat yang belum
terjaring oleh konvensional (Indah, 2010).
2.3.1. Perbedaan Obligasi Konvensional Dan Obligasi Syari’ah (Sukuk)
Secara prinsipil perbedaan antara obligasi syari’ah dan obligasi
konvensional seperti halnya bisnis syari’ah lainnya, dimana prinsip-prinsip
syari’ah menjadi acuan dasar yang diikuti. Diantaranya perbedaan tersebut dapat
diketahui :
Tabel 2.1. Perbandingan Karakteristik Sukuk dan Obligasi
Deskripsi Sukuk Obligasi
Penerbit Pemerintah, korporasi Pemerintah, korporasi
Sifat instrument Sertifikat kepemilikan/penyertaan
Instrumen pengakuan
utang
atas suatu asset
Penghasilan Imbalan, bagi hasil, margin
Bunga/kupon, capital
gain
Jangka waktu Pendek-menengah Menengah-panjang
Underlying asset Diperlukan Tidak diperlukan
Pihak yang
terkait Obligor, SPV, investor, trustee Obligor/issuer, investor
Price Market Price Market Price
Investor Islami, konvensional Konvensional
Pembayaran pokok Bullet atau amortisasi Bullet atau amortisasi
Penggunaan hasil Harus sesuai syariah Bebas
penerbitan
Sumber: Direktorat Kebijakan Pembiayaan Syariah. www.dmo.or.id dalam
penelitian yang dilakukan Aam Rusydiana (2012).
10
2.3.2. Jenis-Jenis Sukuk
Berbagai jenis struktur sukuk yang dikenal secara internasional dan telah
mendapatkan indorsement dari accounting and auditing organization for Islamic
financial institutions (AAOIFI,2008) dalam penelitian Rusydiana (2012) antara
lain :
a. Sukuk ijarah, yaitu sukuk yang diterbitkan berdasarkan perjanjian atau
akad ijarah dimana satu pihak bertindak sendiri atau melalui wakilnya
menjual atau menyewakan hak manfaat atas suatu asset kepada pihak lain
berdasarkan harga sewa dan periode sewa yang disepakati, tanpa diikuti
dengan pemindahan kepemilikan asset itu sendiri.
b. Sukuk mudharabah, yaitu sukuk yang diterbitkan berdasarkan perjanjian
atau akad mudharabah dimana satu pihak menyediakan modal dan pihak
lain menyediakan tenaga dan keahlian, keuntungan dari kerja sama
tersebut akan dibagi berdasarkan perbandingan yang telah disetujui
sebelumnya. kerugian yang timbul akan ditanggung sepenuhnya oleh
pihak yang menjadi penyedia modal.
c. Sukuk musyarakah, yaitu sukuk yang diterbitkan berdasarkan perjanjian
atau akad musyarakah dimana dua pihak atau lebih bekerjasama
menggabungkan modal yang digunakan untuk membangun proyek baru,
mengembangkan proyek yang telah ada, atau membiayai kegiatan usaha.
keuntungan maupun kerugian yang timbul akan ditanggung bersama
sesuai dengan jumlah partisipasi modal masimg-masing pihak.
d. Sukuk Musyarakah, yaitu sukuk yang diterbitkan berdasarkan perjanjian
atau akad musyarakah’ dimana para pihak menyepakati jual beli dalam
rangka pembiayaan suatu barang/proyek. adapun harga, waktu
penyerahan dan spesifikasi barang/proyek ditentukan terlebih dahulu
berdasarkan kesepakatan.
2.4. Penelitian Terdahulu
Penelusuran literatur penelitian terdahulu terkait atas prediksi belum
ditemukan yang langsung membahas model prediksi sukuk. Penelitian-penelitian
yang ada membahas tingkat perkembangannya pada topik-topik yang lain
11
misalkan kajian simplikasi penerbitan sukuk, kajian pasar sekunder sukuk,
dampak kinerja perbankan syari’ah pada sukuk, pengaruh corporate governance
terhadap peringkat sukuk dan lain-lain.
Endri (2011) dalam penelitiannya yang berjudul corporate governance
terhadap peringkat sukuk korporasi di Indonesia menjelaskan dalam kurun waktu
antara tahun 2002 sampai dengan tahun 2009, produk syari’ah di pasar modal
telah menunjukkan perkembangan yang sangat pesat. Untuk penerbitan sukuk,
dalam kurun waktu tersebut terdapat 35 penerbitan sukuk dari 22 emitten/PP
dengan total nilai penerbitan sebesar Rp.5,97 triliun atau ekuivalen dengan 3,83 %
dari total nilai penerbitan obligasi.
12
BAB III
TUJUAN DAN MANFAAT PENELITIAN
3.1 . Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah Model Jaringan Saraf Tiruan
(JST) untuk memprediksi Sukuk Negara Ritel berdasarkan kelompok profesi
dalam mendorong laju pertumbuhan ekonomi.
3.2 . Manfaat Penelitian
Dari sisi akademis, hasil dari penelitian akan dapat menambah
kepustakaan keilmuan dalam bidang ilmu komputer khususnya Jaringan Saraf
Tiruan (JST). Dari hasil penelitian yang dilakukan selanjutnya akan
dipublikasikan pada jurnal ataupun seminar nasional sebagai bentuk sharing
knowledge.
Dari sisi Pemerintahan, hasil model ini diharapkan dapat menjadi masukan
kepada pihak Bank Syariah atau Konvensional yang dipercaya dalam menjual
Sukuk Negara Ritel untuk memasarkan instrumen tersebut di kelompok profesi.
Sehingga pihak Bank dapat memaksimalkan penjualan Sukuk Ritel Negara ke
lapisan masyarakat sehingga masa yang akan datang masyarakat dapat
berpartisipasi dalam pembangunan proyek monumental yang bermanfaat bagi
Negara melalui investasi pada Sukuk Negara Ritel.
13
BAB IV
METODOLOGI PENELITIAN
4.1. Kerangka Kerja Penelitian
Metodologi penelitian ini dilakukan secara sistematik agar mendapatkan
alur kerja yang baik yang dapat digunakan sebagai pedoman untuk peneliti dalam
melaksanakan penelitian ini agar hasil yang dicapai tidak menyimpang dan tujuan
yang diinginkan dapat terlaksana dengan baik dan sesuai dengan tujuan yang telah
ditetapkan sebelumnya.
Gambar 4.1 Kerangka Kerja
Jurnal dan Buku
Jaringan Syaraf Tiruan
Mulai
Pengumpulan Data Studi Pustaka
Identifakasi Masalah
Praproses
Pengujian JST
Penentuan Model
Pengujian Hasil Pengolahan Data
Selesai
Evaluasi Akhir
14
Keterangan Kerangka Kerja :
1. Pengumpulan Data
Pengumpulan data dilakukan untuk memperoleh informasi yang
dibutuhkan dalam rangka mencapai tujuan penelitian. Data dikumpulkan dari
sampel yang telah ditentukan sebelumnya. Sampel tersebut terdiri atas
sekumpulan unit analisis sebagai sasaran penelitian.
2. Studi Pustaka
Untuk mencapai tujuan yang akan ditentukan, maka perlu dipelajari
beberapa literatur-literatur yang digunakan. Studi pustaka merupakan langkah
awal dalam penelitian ini, studi pustaka ini dilakukan untuk melengkapi
pengetahuan dasar dan teori-teori yang digunakan dalam penelitian ini.
3. Identifikasi Masalah
Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data
terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses pada
tahap konversi data yang didapat sesuai dengan bobot yang ditentukan.
4. Praproses
Tahap praproses merupakan tahap seleksi data yang bertujuan untuk
mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian.
Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap beberapa
tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman
terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi
data, missing value, dan redundant pada data.
5. Pengujian Jaringan Saraf Tiruan
Setelah mendapatkan data yang cukup maka proses pengujian dan
pelatihan data diolah dengan menggunakan algoritma Backpropagation.
6. Penentuan Model
Pada tahap ini akan dilakukan penentuan model jaringan Saraf tiruan
dengan metode Backpropagation. Hasil dari tahap ini adalah untuk mendapatkan
pola yang terbaik jaringan Saraf tiruan dengan metode Backpropagation.
7. Pengujian Hasil Pengolahan Data
Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba
terhadap hasil pengolahan data dari hasil desain program. Apakah desain program
15
yang dibuat telah sesuai dengan apa yang diharapkan. Pengujian dilakukan
melalui tahapan sebagai berikut:
a. Melakukan pengolahan data secara manual dengan metode
Backpropagation.
b. Menguji hasil pengolahan data secara manual dengan metode
Backpropagation dengan data yang sama pada langkah pertama.
c. Membandingkan hasil manual dengan hasil dari aplikasi menggunakan
Matlab 6.1.
d. Menguji aplikasi dengan data yang lebih lengkap.
8. Evaluasi Akhir
Evaluasi akhir dilakukan untuk mengetahui apakah sistem yang dirancang
tersebut sesuai dengan yang diharapkan. Evaluasi dilakukan untuk
membandingkan hasil yang diharapkan pada tahap implementasin sistem yang
dibuat secara manual dengan sistem yang dibuat menggunakan software Matlab
6.1.
4.2. Lokasi dan Waktu Penelitian
Penelitian ini akan dilaksanakan di laboratorium komputer AMIK &
STIKOM Tunas Bangsa Pematangsiantar. Waktu penelitian dimulai dari bulan
Mei - Oktober 2017.
4.3. Teknik Pengumpulan Data
Dalam penelitian ini, data yang digunakan adalah data- data yang bersifat
tekstual. Data tersebut terkumpul melalui studi literatur yang berbeda- beda,
seperti jurnal, conference paper, text book. Selain itu data Sukuk Ritel Negara dari
website www.kemenkeu.go.id juga menjadi sumber data dalam penelitian ini.
16
BAB V
ANALISA DAN PERANCANGAN
5.1. Tahap Pengambilan Data
Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi data Sukuk
Ritel (SR) Negara berdasarkan kelompok profesi. Proses ini memiliki 2 tahapan
dimana tahapan pertama adalah melakukan pengenalan pola dengan cara
menemukan arsitektur terbaik dari model Jaringan Saraf Tiruan yang dibuat.
Proses pelatihan dan pengujian data untuk mendapatkan model terbaik didapat
dari data data Sukuk Ritel (SR) Negara berdasarkan kelompok profesi sebanyak 7
sampel penjualan Sukuk Ritel Negara (SR) dari SR001 sampai SR007 dari tahun
2009 sampai 2016. Tahap kedua adalah melakukan prediksi dengan pola
arsitektur terbaik yang diperoleh di tahapan pertama. Proses Pengujian dilakukan
dengan memasukkan data Sukuk Ritel (SR) Negara dengan cara membandingkan
nilai error minimum yang didapat dari pola arsitektur terbaik yang dilakukan pada
tahapan pertama dengan menggunakan analisis sensifitas dengan melihat atribut
yang paling berpengaruh berdasarkan kelompok profesi dalam penjualan Sukuk
Ritel (SR) Negara. .
5.2. Pendefinisian Input dan Target
Data Sukuk Ritel (SR) Negara berdasarkan kelompok profesi selanjutnya
akan diolah oleh Jaringan Saraf Tiruan dengan metode backpropogation. Agar
data dapat dikenali oleh Jaringan Saraf Tiruan, maka data harus direpresentasikan
ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya
yang merupakan masukan data Sukuk Ritel (SR) Negara berdasarkan kelompok
profesi sebagai pengenalan pola dan keluaran yang merupakan prediksi pembelian
Sukuk Ritel (SR) Negara berdasrkan kelompok profesi yang diperoleh dari model
arsitektur terbaik pada saat penentuan pola terbaik. Hal ini dikarenakan jaringan
menggunakan fungsi aktivasi sigmoid biner (logsig) yang rangenya dari 0 sampai
1. Nilai-nilai yang digunakan diperoleh berdasarkan kategori dari masing-masing
variabel selain juga untuk memudahkan mengingat dalam pendefinisiannya.
17
5.2.1. Pendefinisian Input
Variabel Sukuk Ritel (SR) Negara berdasarkan kelompok profesi adalah
kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan
menggunakan Jaringan Saraf Tiruan. Variabel ditentukan dengan cara melihat
ketergantungan data terhadap penelitian yang dilakukan. Kriteria yang digunakan
berdasarkan Kementrian Keuangan Republik Indonesia dari website url:
www.djppr.kemenkeu.go.id. Adapun daftar variabel dalam memprediksi Sukuk
Ritel (SR) Negara berdasarkan kelompok profesi tertera pada tabel 1 :
Tabel 5.1. Daftar Kriteria Sukuk Ritel (SR) Negara berdasarkan kelompok profesi
No Variabel Nama Kriteria
1 X1 Pegawai Negeri Sipil
2 X2 Pegawai Swasta
3 X3 Ibu Rumah Tangga (IRT)
4 X4 Wiraswasta
5 X5 TNI/Polri
6 X6 Lainnya
Sumber : Kemenkeu
Data input diperoleh dari website kemenkeu tentang hasil penjualan Sukuk Ritel
Negara. Hasil Penjualan Sukuk Ritel Negara akan dicatatkan di PT. Bursa Efek
Indonesi. Penjualan Sukuk Ritel Negara terdiri dari beberapa kelompok yakni
geografis, profesi dan kategori umur. Hasil Penjualan Sukuk Ritel (SR) Negara
mulai dari SR001, SR002, SR003, SR004, SR005, SR006 dan SR007.
Data sampel yang digunakan adalah hasil penjualan Sukuk Ritel (SR)
Negara SR001 sampai dengan SR007 berdasarkan kelompok profesi yang terdiri
dari PNS, Pegawai Swasta, Ibu Rumah Tangga, Wiraswasta, TNI/Polri dan
Lainya yang terdiri dari 7 data dan masing masing data memiliki 6 variabel dan 1
target. Data ini nantinya akan ditransformasikan ke sebuah data antara 0 sampai 1
sebelum dilakukan pelatihan dan pengujian menggunakan Jaringan Saraf Tiruan
metode backpropagation dengan rumus :
0.8( )
' 0.1x a
xb a
18
5.2.2.. Pendefinisian Target
Adapun data target adalah jumlah investor Sukuk Ritel (SR) Negara
berdasarkan profesi yang dikelompokkan berdasarkan Sukuk Ritel (SR) Negara.
5.3. Pengolahan Data
Pengolahan data dilakukan dengan bantuan Matlab 6.1 aplikasi perangkat
lunak. Sampel Data adalah jumlah investor Sukuk Ritel (SR) Negara berdasarkan
profesi yang dikelompokkan berdasarkan Sukuk Ritel (SR) Negara. Data ini akan
digunakan pada data pelatihan dan data pengujian. Sampel data yang telah
diproses dan ditranformasikan adalah sebagai berikut.
Tabel 5.2. Sampel data mentah Kelompok Profesi Berdasarkan Jumlah Investor
No Nama Variabel
Target X1 X2 X3 X4 X5 X6
1 SR-001 1577 5578 1560 2420 40 3121 14295
2 SR-002 4099 3801 3427 3274 79 2550 17231
3 SR-003 3553 3677 2847 2956 63 2391 15487
4 SR-004 5074 3643 2849 3505 56 2479 17606
5 SR-005 814 5075 2956 4437 350 4151 17783
6 SR-006 2713 9509 5894 7934 496 8146 34692
7 SR-007 2097 7629 4806 8980 214 5980 29706
Sumber : Kemenkeu
Tabel 5.3. Sampel dari data yang telah ditransformasikan
No Nama Variabel
Target X1 X2 X3 X4 X5 X6
1 SR-001 0,1355 0,2279 0,1351 0,1549 0,1000 0,1711 0,4291
2 SR-002 0,1937 0,1868 0,1782 0,1747 0,1009 0,1580 0,4969
3 SR-003 0,1811 0,1840 0,1648 0,1673 0,1005 0,1543 0,4566
4 SR-004 0,2162 0,1832 0,1648 0,1800 0,1004 0,1563 0,5055
19
No Nama Variabel
Target X1 X2 X3 X4 X5 X6
5 SR-005 0,1179 0,2162 0,1673 0,2015 0,1072 0,1949 0,5096
6 SR-006 0,1617 0,3186 0,2352 0,2822 0,1105 0,2871 0,9000
7 SR-007 0,1475 0,2752 0,2100 0,3064 0,1040 0,2371 0,7849
Sumber : Kemenkeu
5.4. Perancangan Arsitektur Jaringan Saraf Tiruan
Jaringan yang digunakan untuk dalam memprediksi Sukuk Negara (SR)
Ritel berdasarkan kelompok profesi dengan backpropogation dengan langkah
pembelajaran feedforward. Jaringan ini memiliki beberapa lapisan, yaitu lapisan
masukan (input), lapisan keluaran (output) dan beberapa lapisan tersembunyi
(hidden). Lapisan tersembunyi tersebut membantu jaringan untuk dapat
mengenali lebih banyak pola masukan dibandingkan dengan jaringan yang tidak
memiliki lapisan tersembunyi. Parameter-parameter dalam pembentukan jaringan
backpropagation menggunakan 6 variabel masukan, 1 atau lebih lapisan
tersembunyi dan 1 lapisan keluaran. Adapun model arsitektur yang digunakan
untuk mendapatkan arsitektur terbaik adalah 6-2-1, 6-5-1, 6-2-5-1 dan 6-5-2-1.
Model sampel arsitektur 6-2-1 dapat dilihat pada gambar dibawah ini:
Gambar 5.1. Arsitektur Jaringan Saraf Tiruan dalam memprediksi Sukuk Negara
(SR) Ritel berdasarkan kelompok profesi
20
Perancangan arsitektur Jaringan Saraf Tiruan untuk data pelatihan dan pengujian,
maka digunakan 6 variabel input yaitu:
X1 = PNS
X2 = Peg.Swasta
X3 = Ibu Rumah Tangga
X4 = Wiraswasta
X4 = TNI/Polri
Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma
propagasi balik dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan
adalah sebagi berikut:
1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel
nilai akan diset atau didefinisikan terlebih dahulu, misalnya seperti: nilai
data input, weight, nilai output yang diharapkan, learning rate dan nilai-
nilai data lainnya.
2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual
output pada hidden layer dan menghitung nilai actual output pada output
layer.
3. Weight Training, merupakan proses perhitungan nilai error gradient pada
output layer dan menghitung nilai error gradient pada hidden layer
4. Iteration, merupakan tahap akhir dalam penggujian, dimana jika masih
terjadi error minimum yang diharapkan belum ditemukan maka kembali
pada tahap aktivasi (activation).
Jaringan Saraf yang akan dibangun adalah algoritma propagasi balik
(backpropagation) dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam
Jaringan Saraf Tiruan dipakai untuk proses perhitungan terhadap nilai aktual
output pada hidden layer dan menghitung nilai aktual output pada output layer.
21
5.5. Pendefinisian Output
Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai
terbaik untuk memprediksi Sukuk Negara (SR) Ritel berdasarkan kelompok
profesi. Hasil pengujian adalah sebagai berikut:
a. Untuk mengetahui prediksi Sukuk Negara (SR) Ritel berdasarkan
kelompok profesi tentu saja didasarkan pada hasil penjualan Sukuk Negara
Ritel. Output dari prediksi ini adalah pola arsitektur terbaik dalam
memprediksi Sukuk Negara (SR) Ritel berdasarkan kelompok profesi
dengan melihat error minimum.
b. Kategorisasi Output pelatihan (train) dan pengujian (test)
Kategori untuk output ditentukan oleh tingkat error minimum dari target.
Batasan kategori tersebut terdapat pada tabel berikut:
Tabel 5.4. Data Kategorisasi
No Keterangan Error Minimum
1 Benar 0.05 - 0.001
2 Salah > 0.05
22
BAB VI
HASIL DAN PEMBAHASAN
6.1. Pelatihan dan Pengujian Dengan software Matlab 6.1
Langkah pertama yang harus dilakukan untuk memprogram backpropagation
dengan software Matlab 6.1.adalah membuat inisialisasi jaringan. Perintah untuk
membentuk jaringan adalah newff. Yang formatnya adalah sebagai berikut:
net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF)
dengan keterangan :
net = Jaringan backpropagation yang terdiri dari n layer
PR = Matriks ordo R x 2 yang berisi nilai minimum dan maksimum R buah
elemen masukannya.
Si = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n). Default = tansig
(sigmoid bipolar)
BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx
BLF = Fungsi perubahan bobot/bias. Default=learngdm
PF = Fungsi perhitungan error (Mean Square Error MSE)
Sebelum pelatihan dilakukan, terlebih dahulu ditentukan nilai parameter yang
diinginkan guna memperoleh hasil yang optimal. Untuk memberikan nilai parameter
dalam software Matlab 6.1. adalah sebagai berikut :
a. >> net.IW{1,1};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan masukan
dan lapisan tersembunyi (bilangan diambil secara acak dari kmputer)
b. >> net.b{1};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan
tersembunyi (bilangan diambil secara acak dari kmputer)
c. >> net.LW{2,1};
23
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan
tersembunyi dan lapisan keluaran (bilangan diambil secara acak dari
kmputer)
d. >> net.b{2};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan keluaran
(bilangan diambil secara acak dari kmputer)
e. >> net.LW{3,2};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan
tersembunyi pertama dan lapisan tersembunyi kedua (bilangan diambil secara
acak dari kmputer)
f. >> net.b{3};
Perintah ini digunakan untuk melihat nilai bias bias pada lapisan tersembunyi
kedua (bilangan diambil secara acak dari kmputer)
g. >>a=sim(net,p);
Proses ini merupakan tahapan simulasi data, dimana pada proses ini akan
memunculkan hasil pelatihan berupa nilai error dan grafik pelatihan
h. >>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Proses ini digunakan untuk melihat hasil yang dikeluarkan oleh jaringan
i >> Net.trainParam.Show
Perintah yang digunakan untuk menampilkan frekuensi perubahan MSE
(default setiap 25 epochs)
j >> Net.trainParam.epochs
Perintah yang dipakai untuk menentukan jumlah epochs maksimum pelatihan
(default 100 epochs)
24
j >> Net.trainParam.goal
Perintah untuk menentukan batas MSE agar iterasi dihentikan. Iterasi akan
berhenti jika MSE < dari batas yang ditentukan atau jumlah epoch telah
mencapai maksimum sesuai nilai yang diberikan pada perintah
net.trainParam.epochs
l >> Net.trainParam.Lr
Perintah yang digunakan untuk menentukan laju pembelajaran (learning rate).
Default-nya adalah 0,01. Semakin besar nilai laju pembelajaran, semakin
cepat pula proses pelatihan. Akan tetapi jika nilainya terlalu besar, algoritma
menjadi tidak stabil dan mencapai titik minimum lokal.
m >> Net.trainParam.time
Perintah untuk membatasi lama pelatihan (dalam detik). Pelatihan dihentikan
jika lamanya melebihi nilai yang ditentukan.
n >> Net.trainParam.mc
Perintah ini digunakan untuk menentukan nilai momentum antara 0 – 1
(default adalah 0,9).
Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data Sukuk
Ritel Negara (SRN) dalam proses pengenalan pola (pattern), maka pengolahan data
tersebut juga akan diujikan ke dalam sistem komputerisasi. Software yang akan
digunakan dalam pengujian data tersebut yaitu dengan memanfaatkan software
Matlab 6.1.
Langkah pertama yang harus dilakukan untuk metode backpropagation
dengan Matlab 6.1 adalah dengan membuat inisialisasi jaringan. Namun sebelumnya
data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana bagian
pertama adalah untuk data pelatihan (training) dan bagian kedua adalah untuk data
pengujian (testing). Parameter-parameter yang digunakan dalam pelatihan dan
pengujian ini adalah :
a. Learning Rate : lr = 0,1
25
b. Lapisan tersembunyi : n = 1 dan n = 2
Matlab (matrix laboratory) merupakan salah satu perangkat lunak yang
dirancang khusus sebagai solusi untuk mengerjakan permasalahan yang berkaitan
dengan matematika. Tampilan cammand window yang digunakan untuk membuat
dan mengetik semua perintah pelatihan dan pengujian backpropagation adalah
sebagai berikut :
Gambar 6.1. Command Window
Hasil percobaan menunjukkan bahwa Jaringan Saraf Tiruan dengan algoritma
backpropagation yang sudah dilatih dan diuji dengan baik akan memberikan
keluaran yang masuk akal jika diberi masukan yang serupa dengan pola yang dipakai
untuk pelatihan dan pengujian. Sifat generalisasi ini membuat pelatihan dan
pengujian lebih efisien karena tidak perlu dilakukan pada semua data. Jaringan Saraf
Tiruan dengan algoritma backpropagation dibentuk dengan membuat generalisasi
aturan pelatihan dan pengujian dalam model Windrow-Hooff dengan cara
menambahkan lapisan tersembunyi (hidden layer). Standar Metode backpropagation
menggunakan algoritma penurunan gradien (gradien descent). variasi terhadap
model standar dilakukan dengan mengganti algoritmanya dengan algoritma lain.
26
6.1.1. Pelatihan dan Pengujian Arsitektur 6-2-1
Berikut adalah hasil pelatihan dan pengujian dengan 7 data untuk
arsitektur 6-2-1. Adapun parameter yang digunakan adalah :
>> net=newff(minmax(p),[2,1],{'tansig','logsig'},'traingd');
>>net.trainParam.epochs=500000;
>>net.trainParam.goal = 0,0001;
>>net.trainParam.Lr = 0,1;
>>net.trainParam.show = 100;
>>net=train(net,p,t)
>>a=sim(net,p);
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Setelah dilakukan perulangan maka ditemukan error minimum pada epoch
69553 seperti pada gambar 6.2
Gambar 6.2. Pelatihan Arsitektur 6-2-1 Mencapai Goal
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 6.1.
27
Tabel 6.1 Hasil Pelatihan dan Pengujian dengan Model 6-2-1
Pelatihan (Train) Pengujian (Test)
No Target Output
JST Error SSE No Target
Output
JST Error SSE
1 0,4291 0,4360 -0,0069 0,0000476042 1 0,4291 0,0375 0,3916 0,1533508890
2 0,4969 0,5304 -0,0335 0,0011233897 2 0,4969 0,0495 0,4474 0,2001515436
3 0,4566 0,4307 0,0259 0,0006718348 3 0,4566 0,0425 0,4141 0,1714951887
4 0,5055 0,5410 -0,0355 0,0012573754 4 0,5055 0,0650 0,4405 0,1940759407
5 0,5096 0,4911 0,0185 0,0003432444 5 0,5096 0,0292 0,4804 0,2308099650
6 0,9000 0,9322 -0,0322 0,0010368400 6 0,9000 0,0354 0,8646 0,7475331600
7 0,7849 0,7347 0,0502 0,0025190034 7 0,7849 0,0689 0,7160 0,5126412143
Total 0,0069992920 Total 2,2100579013
MSE 0,0009998989 MSE 0,3157225573
Akurasi Kebenaran (%) 71
6.1.2. Pelatihan dan Pengujian Arsitektur 6-5-1
Berikut adalah hasil pelatihan dan pengujian dengan 7 data untuk
arsitektur 6-5-1. Adapun parameter yang digunakan adalah :
>> net=newff(minmax(p),[5,1],{'tansig','logsig'},'traingd');
>>net.trainParam.epochs=500000;
>>net.trainParam.goal = 0,0001;
>>net.trainParam.Lr = 0,1;
>>net.trainParam.show = 100;
>>net=train(net,p,t)
>>a=sim(net,p);
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Setelah dilakukan perulangan maka ditemukan error minimum pada epoch
35633 seperti pada gambar 6.3
28
Gambar 6.3. Pelatihan Arsitektur 6-5-1 Mencapai Goal
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 6.2
Tabel 6.2. Hasil Pelatihan dan Pengujian dengan Model 6-5-1
Pelatihan (Train) Pengujian (Test)
No Target Output
JST Error SSE No Target
Output
JST Error SSE
1 0,4291 0,4302 -0,0011 0,0000012091 1 0,4291 0,9950 -0,5659 0,3202423346
2 0,4969 0,5490 -0,0521 0,0027161823 2 0,4969 0,9884 -0,4915 0,2415889669
3 0,4566 0,4582 -0,0016 0,0000024971 3 0,4566 0,9920 -0,5354 0,2866319844
4 0,5055 0,4444 0,0611 0,0037381619 4 0,5055 0,9773 -0,4718 0,2225570166
5 0,5096 0,5187 -0,0091 0,0000823219 5 0,5096 0,8759 -0,3663 0,1341560153
6 0,9000 0,8784 0,0216 0,0004665600 6 0,9000 0,6855 0,2145 0,0460102500
7 0,7849 0,7868 -0,0019 0,0000036493 7 0,7849 0,9791 -0,1942 0,0377176505
Total 0,0070105817 Total 1,2889042182
MSE 0,0010015117 MSE 0,1841291740
Akurasi Kebenaran (%) 71
6.1.3. Pelatihan dan Pengujian Arsitektur 6-2-5-1
Berikut adalah hasil pelatihan dan pengujian dengan 7 data untuk
arsitektur 6-2-5-1. Adapun parameter yang digunakan adalah :
29
>> net=newff(minmax(p) ,[2,5,1],{'logsig','tansig','logsig'},'traingd');
>>net.trainParam.epochs=500000;
>>net.trainParam.goal = 0,0001;
>>net.trainParam.Lr = 0,1;
>>net.trainParam.show = 100;
>>net=train(net,p,t)
>>a=sim(net,p);
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Setelah dilakukan perulangan maka ditemukan error minimum pada epoch
140503 seperti pada gambar 6.4
Gambar 6.4. Pelatihan Arsitektur 6-2-5-1 Mencapai Goal
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 6.3.
Tabel 6.3. Hasil Pelatihan dan Pengujian dengan Model 6-2-5-1
Pelatihan (Train) Pengujian (Test)
No Target Output
JST Error SSE No Target
Output
JST Error SSE
1 0,4291 0,4664 -0,0373 0,0013912587 1 0,4291 0,9926 -0,5635 0,3175317766
2 0,4969 0,4977 -0,0008 0,0000006675 2 0,4969 0,9906 -0,4937 0,2437564817
3 0,4566 0,4113 0,0453 0,0020538821 3 0,4566 0,9923 -0,5357 0,2869533026
30
Pelatihan (Train) Pengujian (Test)
No Target Output
JST Error SSE No Target
Output
JST Error SSE
4 0,5055 0,5543 -0,0488 0,0023774879 4 0,5055 0,9891 -0,4836 0,2338297806
5 0,5096 0,4850 0,0246 0,0006064821 5 0,5096 0,9938 -0,4842 0,2344236324
6 0,9000 0,8983 0,0017 0,0000028900 6 0,9000 0,9810 -0,0810 0,0065610000
7 0,7849 0,7611 0,0238 0,0005659486 7 0,7849 0,9148 -0,1299 0,0168766926
Total 0,0069986168 Total 1,3399326664
MSE 0,0009998024 MSE 0,1914189523
Akurasi Kebenaran (%) 71
6.2.4. Pelatihan dan Pengujian Arsitektur 6-5-2-1
Berikut adalah hasil pelatihan dan pengujian dengan 7 data untuk
arsitektur 6-5-2-1. Adapun parameter yang digunakan adalah :
>> net=newff(minmax(p) ,[5,2,1],{'logsig','tansig','logsig'},'traingd');
>>net.trainParam.epochs=500000;
>>net.trainParam.goal = 0,0001;
>>net.trainParam.Lr = 0,1;
>>net.trainParam.show = 100;
>>net=train(net,p,t)
>>a=sim(net,p);
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Setelah dilakukan perulangan maka ditemukan error minimum pada epoch
37535 seperti pada gambar 6.5
Gambar 6.5. Pelatihan Arsitektur 6-5-2-1 Mencapai Goal
31
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 6.4
Tabel 6.4. Hasil Pelatihan dan Pengujian dengan Model 6-5-2-1
Pelatihan (Train) Pengujian (Test)
No Target
Output
JST Error SSE No Target
Output
JST Error SSE
1 0,4291 0,4753 -0,0462 0,0021344012 1 0,4291 0,9297 -0,5006 0,2505999394
2 0,4969 0,4739 0,0230 0,0005282180 2 0,4969 0,9329 -0,4360 0,1901108292
3 0,4566 0,4597 -0,0031 0,0000094878 3 0,4566 0,9325 -0,4759 0,2264619878
4 0,5055 0,4564 0,0491 0,0024147897 4 0,5055 0,9328 -0,4273 0,1825506720
5 0,5096 0,5437 -0,0341 0,0011609791 5 0,5096 0,9321 -0,4225 0,1784835565
6 0,9000 0,9184 -0,0184 0,0003385600 6 0,9000 0,9334 -0,0334 0,0011155600
7 0,7849 0,7646 0,0203 0,0004116709 7 0,7849 0,9331 -0,1482 0,0219663005
Total 0,0069981067 Total 1,0512888455
MSE 0,0009997295 MSE 0,1501841208
Akurasi Kebenaran (%) 100
6.2. Pemilihan Arsitektur Terbaik Jaringan Saraf Tiruan
Hasil software aplikasi Matlab 6.1 yang digunakan untuk model arsitektur
6-2-1, arsitektur 6-5-1, arsitektur 6-2-5-1 dan arsitektur 6-5-2-1 adalah
memperoleh pola arsitektur terbaik. Dari pola ini nanti akan digunakan untuk
mempredikasi kelompok profesi mana yang akan dominan dalam memberi Sukuk
Ritel (SR) Negara. Penilaian model arsitektur terbaik dilihat dari beberapa aspek
seperti epoch, error minimum dan akurasi kebenaran. Untuk lebih jelas dapat
dilihat pada berikut :
Tabel 6.5. Rekapitulasi Model Arsitektur
Model 6-2-1 6-5-1 6-2-5-1 6-5-2-1
Epochs 69553 35633 140503 37535
MSE 0,0009998989 0,001001512 0,0009998024 0,0009997295
Akurasi 71% 71% 71% 100%
32
Dari tabel 5.5 dapat dilihat bahwa model arsitektur terbaik yanga akan digunakan
untuk melakukan prediksi dari serangkaian uji coba model adalah 6-5-2-1 dengan
epoch 37535, MSE 0,0009997295 dan tingkat akurasi 100%.
6.3 Prediksi Sukuk Negara (SR) Ritel berdasarkan kelompok profesi
Tahap terakhir adalah proses prediksi Sukuk Ritel Negara berdasarkan
kelompok profesi. Tahapan ini dilakukan dengan melihat sejauh mana pengaruh
variabel dengan model arsitertur terbaik yang sudah ditentukan. Pemilihan
variabel dengan menggunakan analisis sensifitas. Proses analisis sensifitas pada
JST adalah dengan melihat performa terbaik yang menghasilkan rangking
variabel input dari yang terendah sampai tertinggi. Hasil analisis sensifitas dapat
dilihat pada tabel berikut :
Tabel 6.6. Hasil Analisis Sensifitas
Nama Variabel
Parameter SR-001 SR-002 SR-003 SR-004 SR-005 SR-006 SR-007 Rata-Rata Rank
PNS (X1) Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 5 JST 0,1863 0,1043 0,1095 0,0855 0,699 0,1071 0,1087
Error Train 0,2428 0,3926 0,3471 0,4200 -0,1894 0,7929 0,6762 0,3832
Error Test 0,1863 0,1043 0,1095 0,0855 0,6990 0,1071 0,1087 0,2001
Peg.Swasta (X2)
Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 1 JST 0,1074 0,5089 0,6571 0,6979 0,1221 0,0854 0,1085
Error Train 0,3217 -0,0120 -0,2005 -0,1924 0,3875 0,8146 0,6764 0,2565
Error Test 0,1074 0,5089 0,6571 0,6979 0,1221 0,0854 0,1085 0,3268
Ibu Rumah Tangga (X3)
Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 6 JST 0,6984 0,1069 0,109 0,109 0,1077 0,0855 0,1055
Error Train -0,2693 0,3900 0,3476 0,3965 0,4019 0,8145 0,6794 0,3944
Error Test 0,6984 0,1069 0,109 0,109 0,1077 0,0855 0,1055 0,1889
Wiraswasta (X4)
Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 4 JST 0,6996 0,2362 0,2933 0,2019 0,1083 0,1002 0,0855
Error Train -0,2705 0,2607 0,1633 0,3036 0,4013 0,7998 0,6994 0,3368
Error Test 0,6996 0,2362 0,2933 0,2019 0,1083 0,1002 0,0855 0,2464
TNI/Polri (X5)
Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 3 JST 0,6993 0,2864 0,3927 0,4399 0,1083 0,0855 0,1068
33
Error Train -0,2702 0,2105 0,0639 0,0656 0,4013 0,8145 0,6781 0,2805
Error Test 0,6993 0,2864 0,3927 0,4399 0,1083 0,0855 0,1068 0,3027
Lainya (X5) Target 0,4291 0,4969 0,4566 0,5055 0,5096 0,9000 0,7849 2 JST 0,2392 0,501 0,6984 0,5912 0,1083 0,0854 0,1097
Error Train 0,1899 -0,0041 -0,2418 -0,0857 0,4013 0,8146 0,6752 0,2499
Error Test 0,1792 0,501 0,6984 0,5912 0,1083 0,0854 0,1097 0,3247
Pada tabel diatas menunjukkan bahwa variabel input yang memiliki analisis
sensifitas yang paling tinggi adalah X2 (Pegawai Swasta) dengan skor 0,3268 dan
paling rendah adalah X1 (Pegawai Negeri) dengan skor 0,2001.
34
BAB VII
KESIMPULAN
7.1. Kesimpulan
Berdasarkan hasil dan pembahasan diatas, maka penulis dapat mengambil
kesimpulan sebagai berikut :
1. Berdasarkan hasil keputusan kemenkeu tentang hasil penjualan Sukuk
Ritel (SR) Negara untuk seri 008 yang masa penawaranya dilakukan pada
tanggal 19 Februari s.d 4 maret 2016 dan sesuai dengan kewenangan yang
diberikan undang-undang No.19 Tahun 2008 tentang Surat Berharga
Syariah Negara diperoleh bahwa jumlah investor terbanyak pada kategori
kelompok profesi dari beberapa kategori yang ada, bahwa diperoleh
jumlah investor terbanyak menurut kelompok profesi adalah Pegawai
Swasta.
2. Dengan model arsitektur 6-5-2-1, dapat melakukan prediksi Sukuk Negara
Ritel berdasarkan kelompok profesi dengan menunjukkan performa diatas
100%.
7.2. Saran
Walaupun penelitian ini telah menghasilkan temuan awal, peneliti masih
harus mengembangkan analisis dan hasil lebih lanjut, khususnya memperdalam
analisis pada prediksi Sukuk Negara Ritel berdasarkan kelompok profesi dengan
menggunakan analisis sensifitas dengan tools matlab.
I
DAFTAR PUSTAKA
Agus Perdana Windarto. 2017. “Implementasi Metode Topsis Dan Saw Dalam
Memberikan Reward Pelanggan.” Kumpulan jurnaL Ilmu Komputer (KLIK)
4(1): 88–101. http://klik.unlam.ac.id/index.php/klik/article/view/73.
Antonio, Muhammad Syafi’i dkk. 2013. Volatilitas Pasar Modal Syari’ah dan
Indikator Makro Ekonomi: Studi Banding Malaysia dan Indonesia. Jurnal
Liquidity. Vol 2 No 1. Januari-Juni 2013, hal 1-12.
Burhanuddin. 2013. Analisis Perbandingan Kinerja Obligasi Syariah
Mudharabah dan Ijarah di Bursa Efek Indonesia. Semnas Fekon.
Optimisme Ekonomi Indonesia 2013. Antara Peluang dan Tantangan.
Bapepam. 2012. Siaran Pers Akhir Tahun 2012. Online: www.Bapepam.go.id.
Diakses: tanggal 13 Mei 2016. Jakarta: Departemen Keuangan Republik
Indonesia.
D. Graupe. Princiles of artificial neural networks[M]. 2nd Ed. World Scientific
Publishing Co. Pte. Ltd. vol. 6, 2007.
Endri. 2011. Corporate Governance Terhadap Peringkat Sukuk Korporasi di
Indonesia. Jurnal Keuangan dan Perbankan. Vol.15 No.2 Mei 2011,
hlm.178-190.
Fika. 2013. Akad Mu’assiroh (Sukuk). Online: www.kumpulanmakalahbaru.com.
(diakses: tanggal 13 Mei 2016).
Hanafie, Ilham. 2013. Negeri Non Muslim Pun Suka Sukuk. Online:
www.majalahmasjidkita.com. (diakses tanggal 13 Mei 2016).
Indah. 2010. Sukuk dan Pertumbuhannya. Online: www.Ibsyari’ah.com. (diakses
tanggal 13 Mei 2013).
Intana, Lila. 2013. Cara OJK menjaga market agar tetap bullish. Online:
www.swa.co.id. (diakses pada tanggal 16 Juni 2013).
Maru'ao,D.O. 2010Neural Network Implementation in Foreign Exchange
KursPrediction. Faculty of Industrial Engineering, Gunadarma University
Jakarta.
Otoritas Jasa Keuangan. 2013. Statistik Perkembangan Pasar Modal Syari’ah.
Online: www. Bapepam.go.id. (diakses pada tanggal 13 Mei 2016).
II
Rusydiana, Aam. 2012. Analisis Penguraian Masalah Pengembangan Sukuk
Korporasi di Indonesia Pendekatan Metode ANP (Analytic Network
Process). Online: www.Konsultananp.blogspot.com. (Diakses pada tanggal
29 Mei 2013).
Sonang Sahat et.all 2013 Metode Jaringan Saraf Tiruan dalam Prediksi Serangan
Jantung yang efektif , Jurnal SNATIKOM Tunas Bangsa Siantar.
S.S. Ge, Y. Yang, and T.H. Lee. Hand gesture recognition and tracking based on
distributed locally linear embedding. Image and Vision Computing, 2008,
26(12): 1607-1620.
Tim Kajian Simplikasi Penerbitan Efek Syariah (Sukuk). 2012. Kajian Simplikasi
Penerbitan Sukuk. Online: www.Bapepam.go.id (Diakses pada tanggal 13
Mei 2013. Jakarta: Badan Pengawas Pasar Modal.
Tim Kerjasama Simplikasi Prosedur Penerbitan Efek Syari’ah. 2012. Kajian
Simplikasi Prosedur Pengelolaan Efek Syari’ah dan Pengelolaan Investasi.
Online: www.Bapepam.go.id (Diakses pada tanggal 13 Mei 2013). Jakarta:
Badan Pengawas Pasar Modal
Tim Kajian Pasar Sekunder Sukuk. 2012. Kajian Pasar Sekunder Sukuk. Online:
www.Bapepam.go.id. (Diakses pada tanggal 13 Mei 2016). Jakarta: Badan
Pengawas Pasar Modal.
Tim Kajian Minat Investor Terhadap Syari’ah di Pasar Modal. 2011. Kajian
Minat Investor Terhadap Syari’ah di Pasar Modal. Online :
www.Bapepam.go.id. Diakses pada tanggal 13 Mei 2013. Jakarta:Badan
Pengawas Pasar Modal.
Tim Kajian Pengembangan Produk Syari’ah. 2009. Kajian Pengembangan
Produk Syari’ah di Pasar Modal Sukuk Musyarakah dan Sukuk Istishna.
Online: www.Bapepam.go.id. (Diakses pada tanggal 13 Mei 2016).
Jakarta:Badan Pengawas Pasar Modal.
Tim Studi Tentang Investasi Syariah Di Pasar Modal Indonesia. 2004. Studi
Investasi Pada Pasar Modal Syari’ah di Indonesia. www.Bapepam.go.id.
Online: Diakses pada tanggal 13 Mei 2016. Jakarta:Badan Pengawas Pasar
Modal.
III
Wuryandari dan Afrianto ,2012, Perbandingan Metode Jaringan Saraf Tiruan
Backpropogation dengan Learning Vector Quantization pada pengenalan
wajah, Jurnal KOMPUTA edisi 1 1 Volume 1. Bandung.