laporan akhir penelitian dosen pemula - … · tersebut pemerintah dapat pula melakukan mobilisasi...

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

https://id.wikipedia.org/w/index.php?title=Surat_berharga&action=edit&redlink=1

https://id.wikipedia.org/wiki/Syariah

https://id.wikipedia.org/wiki/Negara

https://id.wikipedia.org/w/index.php?title=Departemen_Keuangan&action=edit&redlink=1

https://id.wikipedia.org/wiki/Pemerintah

https://id.wikipedia.org/w/index.php?title=Agen_penjual&action=edit&redlink=1



https://id.wikipedia.org/wiki/Sukuk

https://id.wikipedia.org/w/index.php?title=Produk_keuangan_syariah&action=edit&redlink=1

http://www.djppr.kemenkeu.go.id/

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

https://id.wikipedia.org/w/index.php?title=Surat_berharga&action=edit&redlink=1

https://id.wikipedia.org/wiki/Syariah

https://id.wikipedia.org/wiki/Negara







https://id.wikipedia.org/wiki/Sukuk

https://id.wikipedia.org/w/index.php?title=Produk_keuangan_syariah&action=edit&redlink=1

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


Gambar 1.2. Diagram Penjualan Sukuk Kelompok Profesi Berdasarkan Investor


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.

http://www.kemenkeu.go.id/

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

http://www.djppr.kemenkeu.go.id/

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


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


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


arsitektur 6-5-1. Adapun parameter yang digunakan adalah :

>> net=newff(minmax(p),[5,1],{'tansig','logsig'},'traingd');






>>a=sim(net,p);




28

Gambar 6.3. Pelatihan Arsitektur 6-5-1 Mencapai Goal


tabel 6.2

Tabel 6.2. Hasil Pelatihan dan Pengujian dengan Model 6-5-1


No Target Output


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


6.1.3. Pelatihan dan Pengujian Arsitektur 6-2-5-1


arsitektur 6-2-5-1. Adapun parameter yang digunakan adalah :

29

>> net=newff(minmax(p) ,[2,5,1],{'logsig','tansig','logsig'},'traingd');






>>a=sim(net,p);




Gambar 6.4. Pelatihan Arsitektur 6-2-5-1 Mencapai Goal


tabel 6.3.

Tabel 6.3. Hasil Pelatihan dan Pengujian dengan Model 6-2-5-1


No Target Output


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


No Target Output


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


6.2.4. Pelatihan dan Pengujian Arsitektur 6-5-2-1


arsitektur 6-5-2-1. Adapun parameter yang digunakan adalah :

>> net=newff(minmax(p) ,[5,2,1],{'logsig','tansig','logsig'},'traingd');






>>a=sim(net,p);




Gambar 6.5. Pelatihan Arsitektur 6-5-2-1 Mencapai Goal

31


tabel 6.4

Tabel 6.4. Hasil Pelatihan dan Pengujian dengan Model 6-5-2-1


No Target

Output


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


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.

XXII

Lampiran 1. Artikel Ilmiah Pada Jurnal Nasional

XXVIII

XXXIII

XXII

Lampiran 2. Prosiding Pemakalah Pada Seminar Ilmiah Nasional

XXVIII

XXXIII

XXXVII

XXXVIII

XXII

Lampiran 3. Rincian Anggaran Penelitian

XXII

Lampiran 4. Poster Hibah Penelitian PDP

laporan akhir penelitian dosen pemula - … · tersebut pemerintah dapat pula melakukan mobilisasi...

Documents