Peramalan Tingkat Inflasi Di Indonesia Berbasis Neural Network Dengan Backpropagation

Peramalan Tingkat Inflasi Di Indonesia Berbasis Neural Network Dengan Backpropagation

• By Amrin, Amrin;
• Tesis
• 232

Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang berkesinambungan yang pada akhirnya memberikan manfaat bagi peningkatan kesejahteraan masyarakat. 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 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 prediksi 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 dan dengan menggunakan smoothing eksponensial untuk prediksi variabel input diperoleh tinkat inflasi di bulan juli 2014 sebesar 0,45.

• Katakunci Inflasi, neural network dengan backpropagation
• URL http://
• Penerbit Universitas Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

Alpaydin, Ethem. (2010). Introduction to Machine Learning. London: The MIT Press

Anoname. Analisis dan Penghitungan Tingkat Kemiskinan Tahun 2008. Jakarta: Badan Pusat Statistik.

Badan Pusat Statistik (BPS). 2014. Inflasi, <http://www.bps.go.id /aboutus.php?id_subyek=03&tabel=1&fl=2> Diunduh pada tanggal 03 Agustus 2014.

Gorunescu, Florin (2011). Data Mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer

Han, J.,&Kamber, M. (2006).Data Mining Concept and Tehniques.San  Fransisco: Morgan Kauffman.

Kusrini,&Luthfi, E. T. (2009).Algoritma Data Mining. Yogyakarta: Andi Publishing.

Kusumadewi, Sri (2003). Pengantar Jaringan Syaraf Tiruan. Yogyakarta.Teknik Informatika FT UII.

Larose, D. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc.

Maimon, Oded&Rokach, Lior.(2005). Data Mining and Knowledge Discovey Handbook. New York: Springer

Myatt, Glenn J. (2007). Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining. New Jersey: John Wiley & Sons, Inc.

Purnomo, M. H., & Kurniawan, A. (2006). Supervised Neural Network dan Aplikasinya. Yogyakarta: Graha Ilmu.

Puspitaningrum, Diyah (2006). Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi Offset.

Santoso, Budi. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.  Yogyakarta: Graha Ilmu.

Sogala, Satchidananda S. (2006). Comparing   the Efficacy of the Decision Trees with Logistic Regression for Credit Risk Analysis. India.

Sugiyono, (2009). Metode Penelitian Bisnis. Bandung: Alfabeta

Sumathi, & S., Sivanandam, S.N. (2006). Introduction to Data Mining and its Applications. Berlin Heidelberg New York: Springer

Vercellis, Carlo (2009). Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons, Ltd.

Witten, I. H., Frank, E., & Hall, M. A. (2011).Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.

Wu, Xindong& Kumar, Vipin. (2009). The Top Ten Algorithms in Data Mining. Boca Raton: CRC Press.