Prediksi Indeks Harga Konsumen Harian menggunakan Support Vector Regression Berbasis Cloud Computing

Budiastuti, Intan Ari (2017) Prediksi Indeks Harga Konsumen Harian menggunakan Support Vector Regression Berbasis Cloud Computing. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
2215206705-Master_Thesis.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Inflasi yang parah bisa menyebabkan kelesuan perekonomian suatu negara. Oleh karena itu, inflasi perlu dikendalikan salah satunya dengan cara, setiap bulan Pemerintah melakukan prediksi dan perhitungan inflasi menggunakan indikator IHK. Prediksi dengan frekuensi bulanan, bisa jadi terlambat, karena inflasi sudah beberapa hari terjadi. Dengan berkembangnya teknologi internet saat ini maka berbagai sumber data berkaitan inflasi mudah diperoleh secara real-time dan ini dapat digunakan untuk data harian inflasi. Perkembangan varian dan volume data yang makin berkembang menimbulkan kebutuhan sistem komputasi yang baik. Cloud computing dapat digunakan untuk mengatasi permasalahan tersebut. Penelitian ini merupakan penelitian awal dalam mengembangkan model prediksi IHK harian menggunakan Big Data dan Cloud Computing. Didalam penelitian ini berfokus pada pengembangan prediksi IHK menggunakan data harian dengan metode Support Vector Regression (SVR) dan simulasinya di dalam Cloud Computing. Untuk pengembangan akurasi model yang lebih baik, dibandingkan fungsi kernel SVR dengan metode Linear Regression, Kernel Ridge Regression dan Random Forest dan melakukan optimasi parameter SVR menggunakan metode Grid Search. Hasil penelitian menunjukkan SVR dengan menggunakan kernel RBF mempunyai MSE lebih kecil yaitu sebesar 0.3454. Prediksi IHK harian ini disimulasikan ke dalam lingkungan cloud computing, hasil menunjukkan waktu proses di dalam cloud computing EC2 sebesar 0.1737 detik, lebih cepat dibandingkan personal computer sebesar 0.2746 detik. ============================================================================================== Severe inflation can cause a country's economic downturn. Therefore, inflation needs to be controlled, one way, every month the Government predict and calculate inflation using CPI indicator. Prediction with monthly frequency, could be too late, because inflation has been a few days. With the development of internet technology today, various data sources related to inflation are easily obtained in real-time and this can be used for daily inflation data. The development of variants and the growing volume of data raises the need for a good computing system. Cloud computing can be used to solve the problem. This research is a preliminary research in developing daily CPI prediction model using Big Data and Cloud Computing. Here we focus on developing CPI predictions using daily data with the Support Vector Regression (SVR) method and its simulations in Cloud Computing. For better model accuracy development, compared to SVR kernel function with Linear Regression method, Kernel Ridge Regression and Random Forest and SVR parameter optimization using Grid Search method. The results showed that SVR using RBF kernel has a smaller MSE of 0.3454. Daily CPI predictions are simulated into cloud computing environments, the results show the processing time in cloud computing EC2 of 0.1737second faster than personal computer 0.2746 second

Item Type: Thesis (Masters)
Additional Information: RTE 004.678 2 Bud p-1
Uncontrolled Keywords: Support Vector Regression, Big Data, Cloud computing, Random Forest, Indeks Harga Konsumen
Subjects: H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models.
Q Science > QA Mathematics > QA278.2 Regression Analysis
Q Science > QA Mathematics > QA76.585 Cloud computing. Mobile computing.
Divisions: Faculty of Industrial Technology > Electrical Engineering > (S2) Master Theses
Depositing User: BUDIASTUTI RR. INTAN ARI
Date Deposited: 25 Oct 2017 08:05
Last Modified: 21 Nov 2017 07:20
URI: http://repository.its.ac.id/id/eprint/42015

Actions (login required)

View Item View Item