ANALISA KOMPARASI NEURAL NETWORK BACKPROPAGATION DAN MULTIPLE LINEAR REGRESSION UNTUK PERAMALAN TINGKAT INFLASI

Lihat/Buka File Repository

Lihat/Buka File Peer Review

Tanggal

2016-08-01

Penulis

Abstraksi

Tingkat inflasi tidak dapat dianggap remeh dalam sistem perekonomian suatu negara dan pelaku bisnis pada umumnya. Jika inflasi dapat diramalkan dengan akurasi yang tinggi, tentunya dapat dijadikan dasar pengambilan kebijakan pemerintah dalam mengantisipasi aktivitas ekonomi di masa depan. Pada penelitian ini akan digunakan metode  prediksi neural network backpropagation  dan  multiple linear regression  untuk memprediksi  tingkat  inflasi  bulanan di indonesia, selanjutnya membandingkan manakah yang terbaik dari kedua metode tersebut. Data inflasi yang digunakan bersumber dari Badan Pusat Statistik dari tahun 2006-2015, dimana 80% sebagai data training dan 20% sebagai data testing.  Dari hasil analisis data yang dilakukan disimpulkan bahwa Performa model multiple linear regression  lebih baik dibandingkan dengan metode  neural network backpropagation dengan nilai mean absolute deviation (MAD) sebesar 0.0380,  mean  square error  (MSE) sebesar  0.0023, dan nilai Root Mean Square Error (RMSE) sebesar 0.0481

URI
https://ejournal.bsi.ac.id/ejurnal/index.php/jtk/article/view/1591/1166

Bidang ilmu
Data Mining

Bibliografi

[1]   Badan Pusat Statistik (BPS). 2015. Inflasi,

l=1&fl=2> Diunduh pada tanggal 03 Desember 2015.  

[2]   Han, J.,&Kamber, M. (2006).Data Mining Concept and 

Tehniques.San  Fransisco: Morgan Kauffman.

[3] Gorunescu, Florin (2011).  Data Mining: Concepts, 

Models, and Techniques. Verlag Berlin Heidelberg: 

Springer. 

[4] Sumathi, & S., Sivanandam, S.N. (2006).  Introduction to 

Data Mining and its Applications. Berlin Heidelberg 

New York: Springer.  

[5]  Witten, I. H.,  Frank, E., & Hall, M. A. (2011).Data 

Mining: Practical Machine Learning and Tools. 

Burlington: Morgan Kaufmann Publisher. 

 

 

[6]   Kusumadewi, Sri (2010). Pengantar Jaringan Syaraf 

Tiruan. Yogyakarta.Teknik Informatika FT UII.  

[7]  Alpaydin, Ethem. (2010).  Introduction to Machine 

Learning. London: The MIT Press. 

[8]  Vercellis, Carlo (2009).  Business Intelligent: Data 

Mining and Optimization for Decision Making. Southern 

Gate, Chichester, West Sussex: John Willey & Sons, 

Ltd..  

 [9]   Larose, D. T. (2005).Discovering Knowledge in Data. 

New Jersey: John Willey & Sons, Inc.  

[10]  Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life 

Applications of Soft Computing. United States of 

America on: Taylor and Francis Group, LLC.  

 

[11] Maimon, Oded&Rokach, Lior.(2005). Data Mining and 

Knowledge Discovey Handbook. New York: Springer.  

 [12] Sugiyono, (2009).  Metode Penelitian Bisnis. Bandung: 

Alfabeta.