PREDIKSI TINGKAT INFLASI MENGGUNAKAN METODE ELMAN RECURRENT NEURAL NETWORK (ERNN) STUDI KASUS DI KOTA PEKANBARU
| Main Author: | REXSY OKTIANA, - |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.uin-suska.ac.id/29584/1/BAB%20V%20IMPLEMENTASI%20DAN%20PENGUJIAN.pdf http://repository.uin-suska.ac.id/29584/2/TA%20LENGKAP.pdf http://repository.uin-suska.ac.id/29584/ |
Daftar Isi:
- ABSTRAK Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang berkesinambungan. Dalam sistem perekonomian suatu negara dan pelaku bisnis pada umumnya tingkat inflasi tidak dapat dianggap remeh. Penelitian mengenai prediksi inflasi mendapatkan perhatian yang positif bagi peneliti makro ekonomi di suatu negara termasuk Indonesia. Jika tingkat inflasi dapat diramalkan dengan akurasi yang tinggi, pemerintah mendapatkan jembatan penghubung untuk pengambilan kebijakan dalam mengantisipasi aktivitas ekonomi di masa depan. Penelitian ini dilaksanakan dengan studi kasus kota Pekanbaru, dengan memakai data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik (BPS) Kota Pekanbaru tentang kenaikan inflasi pada bulan Januari tahun 2000 sampai pada bulan Maret tahun 2020 bulan Maret. Metode yang digunakan dalam penelitian ini untuk memprediksi adalah metode Elman Recurrent Neural Network (ERNN). Metode ERNN merupakan salah satu metode pada jaringan syaraf tiruan dan pengembangan dari algoritma Backpropagation. Keunggulan ERNN adalah adanya context layer dapat membuat iterasi dan kecepatan update parameter lebih baik. Sehingga membuat jaringan syaraf tiruan elman menjadi lebih sesuai saat melakukan peramalan. Dalam penelitian ini metode ERNN berhasil memprediksi tingkat inflasi pada bulan berikutnya dengan studi kasus kota Pekanbaru. Pengujian Mean Square Error (MSE) yang telah dilakukan memberikan nilai MSE yang terkecil pada pembagian data latih 80% dan data uji 20%, nilai learning rate 0,02 dengan nilai MSE 0,183176 Kata Kunci: Context Layer, ERNN, Inflasi, Jaringan Syaraf Tiruan, Prediksi.