Peramalan Tingkat Inflasi Indonesia Menggunakan Neural Network Backpropagation Berbasis Metode Time Series

Peramalan Tingkat Inflasi Indonesia Menggunakan Neural Network Backpropagation Berbasis Metode Time Series

• By Amrin, Amrin;
• Jurnal Nasional Tidak Terakreditasi
• 145
• 129-136

Pada penelitian ini akan digunakan metode prediksi  neural network  dengan  backpropagation, untuk  memprediksi tingkat inflasi bulanan di indonesia. Dari hasil analisis data yang dilakukan disimpulkan bahwa Performa model  neural network  dengan  backpropagation  yang dibentuk dari data training dan divalidasi pada data testing memberikan tingkat akurasi pr ediksi yang cukup baik dengan nilai  mean square error  (MSE) 0,0171. Dengan menggunakan  moving average  untuk prediksi variabel input diperoleh tingkat inflasi di bulan juli 2014 sebesar 0,514, dengan
menggunakan  smoothing eksponensial  untuk prediksi variabel input diperoleh tinkat inflasi di bulan juli 2014 sebesar 0,45, dan dengan menggunakan  metode seasonal  untuk prediksi variabel input diperoleh tingkat inflasi sebesar 0,93.

• Katakunci Inflasi, neural network backpropagation, rata-rata error kuadrat
• URL http://ejournal.nusamandiri.ac.id/ejurnal/index.php/techno/article/view/87
• Penerbit Jurnal Techno Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

[1]  Alpaydin, Ethem. (2010).  Introduction to
Machine Learning. London: The MIT
Press.
[2]   Badan Pusat Statistik (BPS). 2014.
Inflasi, <http://www.bps.go.id
/aboutus.php?id_subyek=03&tabel=1&f
l=2> Diunduh pada tanggal 03 Agustus
2014.
[3] Gorunescu, Florin (2011).  Data Mining:
Concepts, Models, and Techniques.
Verlag Berlin Heidelberg: Springer
[4]   Han, J.,&Kamber, M. (2006).Data
Mining Concept and Tehniques.San
Fransisco: Morgan Kauffman.
[5]   Kusrini,&Luthfi, E. T.
(2009).Algoritma Data Mining.
Yogyakarta: Andi Publishing.
[6]   Kusumadewi, Sri (2010). Pengantar
Jaringan Syaraf Tiruan.
Yogyakarta.Teknik Informatika FT
UII.
[7] Larose, D. T. (2005).Discovering
Knowledge in Data. New Jersey: John
Willey & Sons, Inc.
[8]  Maimon, Oded&Rokach, Lior.(2005).
Data Mining and Knowledge Discovey
Handbook. New York: Springer
[9] Myatt, Glenn J. (2007).  Making Sense of
Data: A Practical Guide to Exploratory
Data Analysis and Data Mining. New
Jersey: John Wiley & Sons, Inc.
[10] Purnomo, M. H., & Kurniawan, A.
(2006).  Supervised Neural Network dan
Aplikasinya. Yogyakarta: Graha Ilmu.
[11] Puspitaningrum, Diyah (2006).
Pengantar Jaringan Syaraf Tiruan.
Yogyakarta: Andi Offset.
[12] Santoso, Budi. (2007).  Data Mining
Teknik Pemanfaatan Data untuk
Keperluan Bisnis. Yogyakarta: Graha
Ilmu.
[13] Shukla, A., Tiwari, R., & Kala, R.
(2010). Real Life Applications of Soft
Computing. United States of America
on: Taylor and Francis Group, LLC.
[14]  Sogala, Satchidananda S.  (2006).
Comparing the Efficacy of the
Decision Trees with Logistic Regression
for Credit Risk Analysis. India.
[15]  Sugiyono, (2009).  Metode Penelitian
Bisnis. Bandung: Alfabeta

[16] Sumathi, & S., Sivanandam, S.N.
(2006).  Introduction to Data Mining
and its Applications. Berlin Heidelberg
New York: Springer
[17]  Vercellis, Carlo (2009).  Business
Intelligent:  Data Mining and
Optimization for Decision Making.
Southern Gate, Chichester, West
Sussex: John Willey & Sons, Ltd.
[18] Witten, I. H., Frank, E., & Hall, M. A.
(2011).Data Mining: Practical Machine
Learning and Tools. Burlington:
Morgan Kaufmann Publisher.
[19] Wu, Xindong& Kumar, Vipin. (2009).
The Top Ten Algorithms in Data
Mining. Boca Raton: CRC Press.