Prediksi Tingkat Inflasi Bulanan Indonesia Menggunakan Metode Jaringan Saraf Tiruan
Abstract
Bank Indonesia mendefinisikan inflasi merupakan meningkatkan harga-harga secara umum dan terus-menerus. Kenaikan harga barang dan jasa dapat disebut inflasi apabila kenaikan tersebut meluas atau mempengaruhi kenaikan harga lainnya. Naiknya harga barang dan jasa tersebut dapat menyebabkan turunnya nilai uang. Dengan ini, inflasi dapat menurunkan nilai uang terhadap nilai barang dan jasa secara umum. Jika inflasi yang terjadi dapat dikendalikan dengan baik, tingkat inflasi tersebut dapat memberikan dampak positif terhadap pertumbuhan ekonomi. Tujuan dari penelitian ini yaitu dapat memprediksi tingkat inflasi agar inflasi dapat dikontrol tiap bulannya dan dapat meberikan dampak yang positif. Penelitian ini menggunakan metode jaringan syaraf tiruan yang sesuai digunakan pada data time series dengan data training. Data yang digunakan adalah data inflasi bulanan kelompok pengeluaran dari bulan Desember 2011 sampai Desember Januari 2020 diambil dari Badan Pusat Statistik. Penelitian ini diharapkan dapat membantu untuk memutuskan tindakan yang tepat berdasarkan hasil prediksi. Pengujian menggunakan beberapa model diperoleh hasil terbaik dari model dengan konfigurasi 7-15-1 dengan learning rate 0,01 yang menghasilkan MSE sebesar 0,026. Hasil ini menunjukkan bahwa jaringan syaraf tiruan dapat digunakan untuk prediksi inflasi dengan akurasi yang tinggi.
References
I. Nuraini, ‘Kualitas Pertumbuhan Ekonomi Daerah Kabupaten/Kota Di Jawa Timur’, p. 15, 2017.
I. F. Lubis, ‘Analisis Hubungan Antara Inflasi Dan Pertumbuhan Ekonomi: Kasus Indonesia’, p. 12.
T. N. R. Utami and A. Rusgiyono, ‘Prediksi Inflasi Beberapa Kota Di Jawa Tengah Tahun 2014 Menggunakan Metode Vector Autoregressive (VAR)’, vol. 4, no. 4, p. 10, 2015.
A. Ahmad, ‘Mengenal Artiï¬cial Intelligence, Machine Learning, Neural Network, dan Deep Learning’, p. 5, 2017.
T. Jiang, J. L. Gradus, and A. J. Rosellini, ‘Supervised Machine Learning: A Brief Primer’, Behav. Ther., vol. 51, no. 5, pp. 675–687, Sep. 2020, doi: 10.1016/j.beth.2020.05.002.
T. P. Lillicrap, A. Santoro, L. Marris, C. J. Akerman, and G. Hinton, ‘Backpropagation and the brain’, Nat. Rev. Neurosci., vol. 21, no. 6, pp. 335–346, Jun. 2020, doi: 10.1038/s41583-020-0277-3.
E. Siregar, ‘Analisis Metode Backpropagation Dengan Fungsi Aktivasi Sigmoid Bipolar Dan Fungsi Linear Dalam Prediksi Pertumbuhan Penduduk’, p. 76.
D. Singh and B. Singh, ‘Investigating the impact of data normalization on classification performance’, Appl. Soft Comput., p. 105524, May 2019, doi: 10.1016/j.asoc.2019.105524.
A. D. Muryadi, ‘Model Evaluasi Program Dalam Penelitian Evaluasi’, p. 16, 2017.
C. Bergmeir, R. J. Hyndman, and B. Koo, ‘A note on the validity of cross-validation for evaluating autoregressive time series prediction’, Comput. Stat. Data Anal., vol. 120, pp. 70–83, Apr. 2018, doi: 10.1016/j.csda.2017.11.003.
E. Rilvani, A. B. Trisnawan, and P. P. Santoso, ‘Penentuan Kelulusan Siswa Yayasan Cerdas Bakti Pertiwi Dengan Menggunakan Alghoritma Naïve Bayes Dan Cross Validation’, p. 9.
R. Dwijayanti and S. I. Haryudo, ‘Prediksi Pembebanan Penyulang Transformator Distribusi Gardu Induk Petrokimia Dengan Metode Nonlinear Autoregressive Neural Network (NARNN)’, vol. 08, p. 6, 2019.
B. Dietrich, J. Walther, M. Weigold, and E. Abele, ‘Machine learning based very short term load forecasting of machine tools’, Appl. Energy, vol. 276, p. 115440, Oct. 2020, doi: 10.1016/j.apenergy.2020.115440.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
