IMPLEMENTASI METODE BACKPROPAGATION NEURAL NETWORK (BPNN) DALAM MERAMALKAN TINGKAT INFLASI DI INDONESIA

AHMAD RIZKI WIRANTO, 1917031008 (2023) IMPLEMENTASI METODE BACKPROPAGATION NEURAL NETWORK (BPNN) DALAM MERAMALKAN TINGKAT INFLASI DI INDONESIA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG. (Submitted)

Preview	File PDF ABSTRAK.pdf Download (16Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (1216Kb)
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (928Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

ABSTRACT IMPLEMENTATION OF THE BACKPROPAGATION NEURAL NETWORK (BPNN) METHOD TO FORECASTING INFLATION IN INDONESIA Forecasting is an attempt to predict something in the future based on patterns of data or information in the past. ARIMA, Exponential Smoothing, and SARIMA are several methods that are often used in forecasting time series data. However, this method has weaknesses, namely the data used must be stationary and the resulting accuracy is not good. To overcome these weaknesses, many researchers apply the Artificial Neural Network method, one of which is Backpropagation Neural Network. The Backpropagation Neural Network method is very well used in economic forecasting. The economic problem in Indonesia that is still a big problem is inflation. In this study, inflation forecasting in Indonesia will be carried out using inflation data in Indonesia for the period January 2000 to October 2022. The results obtained show that the best data sharing was 50% training and 50% testing using the sigmoid binary activation function, the best architecture was obtained, namely 12-21-1 with an MSE value at the training stage of 0,00067535 and MSE at the testing stage is 0.0767. After forecasting, it was found that the highest inflation occurred in October 2023 of 0,5579 and the smallest inflation forecast occurred in February 2023 of 0,203. Keywords: Forecasting, Neural Network, Backpropagation Neural Network, Inflation Peramalan merupakan upaya dalam memperkirakan sesuatu di masa depan berdasarkan pada pola data atau informasi di masa lalu. ARIMA, Exponential Smoothing, dan SARIMA merupakan beberapa metode yang sering digunakan dalam peramalan data runtun waktu. Namun, metode tersebut memiliki kelemahan yaitu data yang digunakan harus stasioner serta akurasi yang dihasilkan kurang baik. Untuk mengatasi kelemahan tersebut, peneliti banyak yang menerapkan metode Jaringan Syaraf Tiruan salah satunya Backpropagation Neural Network. Metode Backpropagation Neural Network sangat baik digunakan dalam peramalan bidang ekonomi. Masalah ekonomi di Indonesia yang sampai saat ini masih menjadi permasalahan besar adalah inflasi. Pada penelitian ini, akan dilakukan peramalan inflasi di Indonesia menggunakan data inflasi periode Januari 2000 hingga Oktober 2022. Hasil yang diperoleh menunjukan pembagian data terbaik yaitu 50% training dan 50% testing dengan menggunakan fungsi aktivasi sigmoid biner didapatkan arsitektur terbaik yaitu 12-21-1 dengan nilai MSE pada tahapan training sebesar 0,00067535 dan MSE pada tahapan testing yaitu 0,0767. Setelah dilakukan peramalan, diperoleh bahwa inflasi tertinggi terjadi pada bulan Oktober 2023 sebesar 0,5579 serta peramalan inflasi terkecil terjadi pada Februari 2023 sebesar 0,203. Kata Kunci: Peramalan, Jaringan Syaraf Tiruan, Backpropagation Neural Network, Inflasi.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 001 Ilmu pengetahuan
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	2301268736 . Digilib
Date Deposited:	22 Feb 2023 06:45
Terakhir diubah:	22 Feb 2023 06:45
URI:	http://digilib.unila.ac.id/id/eprint/69840

Actions (login required)

Lihat Karya Akhir