Peramalan Laju Inflasi Di Indonesia Menggunakan Back Propagation Neural Network Dan Recurrent Neural Network

Permatasari, Dinar (2017) Peramalan Laju Inflasi Di Indonesia Menggunakan Back Propagation Neural Network Dan Recurrent Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5213100017-Undergraduate_Theses.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang berkesinambungan yang pada akhirnya memberikan manfaat bagi peningkatan kesejahteraan masyarakat. Peramalan inflasi di suatu negara mendapatkan perhatian yang positif karena sebagian besar bank sentral menggunakan laju inflasi sebagai salah satu pertimbangan untuk mengambil kebijakan moneter. Untuk itu, Bank Indonesia sebagai bank sentral, membutuhkan peramalan inflasi sebagai jembatan penghubung untuk mengetahui nilai inflasi yang akan datang agar dapat melakukan perencanaan kebijakan moneter yang akan diambil selanjutnya, sehingga dapat terwujud inflasi yang rendah dan stabil, yang bermuara pada pertumbuhan ekonomi yang berkesinambungan dan berkelanjutan. Pada tugas akhir ini, dilakukan peramalan menggunakan metode Jaringan Saraf Tiruan (JST) Back Propagation Neural Network (BPNN) dan Recurrent Neural Network (RNN). Metode Jaringan Saraf Tiruan ini dapat digunakan untuk membangun model dalam melakukan peramalan laju inflasi di Indonesia. Variabel yang digunakan antara lain laju inflasi, Gross Domestic Product (GDP), kurs, money supply, dan Indeks Harga Konsumen (IHK) di Indonesia. Data yang digunakan diambil mulai dari tahun 1999 sampai tahun 2016. Sebelum melakukan peramalan, dilakukan uji coba untuk mencari model yang paling baik pada masing-masing metode dengan struktur dan parameter-parameter yang memiliki nilai tertentu sehingga memiliki nilai MAPE yang paling rendah. Berdasarkan hasil uji coba, mayoritas hasil pelatihan dan validasi dalam pemodelan peramalan laju inflasi menunjukkan bahwa semakin banyak variabel dan semakin besar simpul masukan dan simpul tersembunyi yang digunakan, semakin tinggi tingkat akurasi model yang dihasilkan. Model-model dari metode BPNN memiliki nilai MAPE yang tidak terpaut jauh dengan model-model dari metode RNN. Dan berdasarkan hasil pengujian, baik model dari metode RNN maupun BPNN memiliki kinerja yang cukup baik dengan kisaran nilai MAPE di bawah 10%. Namun metode RNN lebih unggul karena mampu meramalkan dengan nilai MAPE lebih rendah dari metode BPNN dan mampu membaca pola model 4 yang tidak bisa dilakukan oleh metode BPNN. Meskipun begitu baik metode BPNN maupun metode RNN sama-sama stabil dalam melakukan peramalan yang terbukti dengan tingkat error yang tidak terlalu signfikan berubah mulai dari tahapan pelatihan sampai tahapan pengujian. Dengan demikian dapat dikatakan bahwa metode RNN dan BPNN memiliki tingkat akurasi baik. ======================================================================================================================== Inflation stability is a requirement for sustainable economic growth which in turn will benefit to the people welfare. Prediction of inflation in a certain country gets positive attention because most of the central bank uses inflation as one of the consideration during taking monetary decision. Monetary decision is taken with consideration of inflation rate in the future. Current inflation rate, as a result of past financial policy, may only give elusive information. For Bank Indonesia as the central bank, inflation prediction is a connecting bridge to know future inflation rate, which then help in making a decision that will ensure low and stabile inflation rate, which will end in a sustainable economic growth. In this study, the prediction of inflation uses Jaringan Saraf Tiruan (JST), Back Propagation Neural Network (BPNN), and Recurrent Neural Network (RNN). These methods are chosen because those can adapt excellently in solving various prediction cases. The objective of this study is hopefully to support Bank Indonesia in stabilizing Indonesia’s economic situation Artificial Neural Network Method can be used to build model in forecasting inflation rate in Indonesia. Variables used include inflation rate, Gross Domestic Product (GDP), exchange rate, money supply, and Consumer Price Index (CPI) in Indonesia. The data used were taken from 1999 to 2016. Before doing the forecasting, the experiment was done to find the best model in each method with the structure and parameters that have certain value so that has the lowest MAPE value. Based on the results of the trial, the majority of training and validation results in the modeling of inflation rate forecasting indicates that the more variables and the larger the input node and the hidden node used, the higher the accuracy of the resulting model. The models of the BPNN method have MAPE values that are not far adrift with the models of the RNN method. And based on test result, both model of RNN and BPNN method have good performance with MAPE value range below 10%. However, the RNN method is superior because it is able to predict with lower MAPE value than BPNN method and able to read pattern 4 model which can not be done by BPNN method. Yet both BPNN and RNN methods are equally stable in predictable forecasting with less significant error rates ranging from the training phase to the testing phase. Thus, it can be said that the method of RNN and BPNN has a good level of accuracy.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: peramalan, inflasi, jaringan saraf tiruan, BPNN, RNN
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
Divisions: Faculty of Information Technology > Information System > (S1) Undergraduate Theses
Depositing User: Dinar Dinar Permatasari
Date Deposited: 21 Aug 2017 08:14
Last Modified: 27 Nov 2017 07:54
URI: http://repository.its.ac.id/id/eprint/42336

Actions (login required)

View Item View Item