Model Neural Network Autoregressive untuk Prediksi Inflasi Bulanan di Kota Yogyakarta
DOI:
https://doi.org/10.26418/justin.v11i2.54370Keywords:
Prediksi Inflasi, Kota Yogyakarta, Neural Network Autoregressive (NNAR)Abstract
Abstrak
Yogyakarta sebagai kota pelajar, kota pariwisata ataupun kota budaya sangatlah ramai aktifitas ekonominya karena banyak sekolah, universitas, tempat wisata dan juga tempat budaya yang tentunya banyak mahasiswa, wisatawan dalam negeri maupun luar negeri yang berkunjung ke kota tersebut. Aktifitas mahasiswa dan wisatawan di kota Yogyakarta ini bisa meningkatkan aktifitas perekonomian seperti tempat kost, penginapan atau hotel serta tidak ketinggalan tempat makan, tempat belanja dan lain sebagainya. Penelitian ini mempunyai tujuan untuk memprediksi inflasi bulanan di kota Yogyakarta yang ramai tersebut. Data sekunder inflasi bulanan untuk kota Yogyakarta diperoleh dari BPS kota Yogyakarta dan BPS pusat. Data yang digunakan yaitu data inflasi bulanan mulai dari Januari 2006 sampai dengan Desember 2021, sebanyak 192 data. Penelitian ini menggunakan model peramalan jaringan syaraf tiruan (JST) atau artificial neural network (ANN). Model JST atau ANN yang digunakan yaitu model neural network autoregressive (NNAR). Model NNAR ini menggunakan algoritma backpropogation dengan fungsi aktifasi sigmoid biner. Pengolahan data pada penelitian ini menggunakan R package statistics yang merupakan open source program. Hasil kesimpulan dari penelitian ini adalah diperoleh model terbaik yaitu NNAR(12,8) artinya model NNAR ini mempunyai input berupa lag-1 sampai dengan lag-12 inflasi bulanan koya Yogyakarta dengan single hiden layer mempunyai 8 neuron. Akurasi model NNAR(12,8) di ukur dengan root mean square error (RMSE, sebesar 0.05962758), mean absolute square error (MASE, sebesar 0.1011443), mean absolute percentage error (MAPE, sebesar 28.32449). Saran dari penelitian ini untuk penelitian lanjutan, model NNAR(12,8) hendaknya dibandingkan dengan model ANN yang lain atau model yang berbasis sistem cerdas (artificial intelegent, AI).
References
DAFTAR PUSTAKA
https://www.bps.go.id/subject/3/inflasi.html#subjekViewTab1. Diakses tanggal 10 Februari 2022
E.F.B., Simunangkalit, “Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Di Indonesiaâ€, Journal of Management (SME’s), vol. 13 no.3 p.327-340. 2020.
Kepres no. 23 tahun 2017 tentang Tim Pengendali Inflasi Nasional.
A.M., Oyewale el al., “Forecasting Inflation Rates Using Artificial Neural Networksâ€, International Journal of Statistics and Applications, vol. 9 no. 6, p: 201-207, 2019.
F.I., Estika & S. Wahyudin, “Analysis of Indonesia’s Inflation Using ARIMA and Artificial Neural Networkâ€, Economics Development Analysis Journal, vol. 8 no. 2, 2019.
Purnawansyah, et al., “An Inflation Rate Prediction Based on Backpropagation Neural Network Algorithmâ€, International Journal of Artificial Intelligence Research, vol. 3, no. 2, 2019.
N.R., Sari, W. F., Mahmudy, & A.P., Wibawa, “Backpropagation on Neural Network Method for Inflation Rate Forecasting in Indonesiaâ€, Int. J. Advance Soft Compu. Appl, Vol. 8, No. 3, 2016.
M.M., Bojaj & G., Djurovic, “Forecasting Inflation: A Combination Approachâ€, Inzinerine Ekonomika-Engineering Economics, vol. 31, No. 2, p.145–154, 2020.
B.M.A., Abdulrahman et.al., “Forecasting of Sudan Inflation Rates using ARIMA Modelâ€, International Journal of Economics and Financial Issues, vol. 8, no. 3, p.17-22, 2018.
M.L., Rahman et.al., “Modeling Inflation in Bangladeshâ€, Open Journal of Statistics, vol. 10, p. 998-1009, 2020.
C. Yang & S. Guo, “Inflation Prediction Method Based on Deep Learningâ€, Computational Intelligence and Neuroscience, vol. 2021.
N. Hamza, “Modeling and Forecasting Inflation in Nigeria using Autoregressive Integrated Moving Average Techniqueâ€, Gusau International Journal of Management and Social Sciences, Federal University, Gusau, vol. 4, no.1, 2021
T. Santoso & B. Kharisma, “Peramalan Inflasi Kota Bandung dengan Pendekatan Box-Jenkinsâ€, Buletin Studi Ekonomi. Vol. 25 No. 2, 2020.
G.L. Ramadhan dkk., “Peramalan Inflasi Indonesia dengan Seasonal Auto Regressive Integrated Moving Averageâ€, SISTEMASI: Jurnal Sistem Informasi Vol. 10, No. 3, p. 627-636, 2021.
Newton dkk., “Analisis Inflasi Menggunakan Data Google Trends Dengan Model Arimax Di Dki Jakartaâ€, Indonesian Journal of Statistics and Its Applications, Vol 4 No 3, p.545 – 556, 2020.
H. Latumahina, dkk., “Peramalan Inflasi Kota Ambon Tahun 2021 Menggunakan Metode Arima Box Jenkins, PARAMETER: Jurnal Matematika, Statistika dan Terapannya, vol. 1, no. 2, p. 118-126, 2021
A.E. Armi, dkk., “Peramalan Angka Inflasi Kota Samarinda Menggunakan Metode Double Exponential Smoothing (Studi Kasus: Badan Pusat Statistik Kota Samarinda)â€, Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer, vol. 14, no. 1. p. 21-26, 2019.
A.C. Udin. & M.T Jatipaningrum, “Peramalan Inflasi Di Indonesia Menggunakan Metode Fuzzy Time Series Based Average Dan Fuzzy Time Series Saxena-Easoâ€, Jurnal Statistika Industri dan Komputasi, vol. 05, no. 02, p.1-10, 2020.
R.J., Hyndman, & G. Athanasopoulos, G., Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia. OTexts.com/fpp2. 2018. Diakses tanggal 14 februari 2022.
M. As’ad, S. Setyowibowo, & E. Sophia, “Peramalan Jumlah Mahasiswa Baru Dengan Model Autoregressive Integrated Moving Average (ARIMA)â€, Jurnal Informatika Merdeka Pasuruan (JIMP), vol. 2, no. 3, 2017.
D. Sena, & N.K., Nagwani, “A Neural Network Autoregression Model to Forecast Per Capita Disposable Incomeâ€, Rpn Journal of Engineering and Applied Sciences, Vol. 11, No. 22. 2016.
M. As’ad et.al., “Prediction of Daily Gold Prices Using an Autoregressive Neural Networkâ€, Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, Vol. 5 No. 2, 2020.
M. As’ad dkk., “Kinerja Model Peramalan Single Exponential Smoothing dan Double Exponential Smoothing dalam Memprediksi Harga Emas Harianâ€, Seminar Nasional Teknologi Informasi dan Komunikasi (SeNTIK) STMIK Jakarta STI&K, 23 Juli 2020.
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2023 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
