Draft Jurnal Ilmiah Nasional

Teknologi Data Mining untuk Prediksi Laju Inflasi

Mercurius Broto Legowo

Dosen Tetap Fakultas Teknologi Informasi

Institut Keuangan Perbankan dan Informatika Asia-Perbanas
mercurius.broto@gmail.com

Abstraksi

Prediksi laju suatu inflasi perlu dilakukan karena inflasi akan menyebabkan beberapa pengaruh negatif dan menjadi
masalah besar dalam perekonomian Indonesia. Tinggi rendahnya laju inflasi akan mengindikasikan baik buruknya
pertumbuhan ekonomi suatu Negara dan menjadikan inflasi sebagai indikator pertumbuhan ekonomi. Disamping itu juga,
hasil prediksi inflasi dimanfaatkan oleh pembuat kebijakan, investor maupun perusahaan untuk merencanakan strategi
ekonomi untuk mengantisipasi perkembangan laju inflasi dan perencanaan keuangan di waktu berikutnya.
Penelitian yang berhubungan dengan pengukuran prediksi laju inflasi telah banyak dilakukan.Pada perkembangan
terakhir dalam bidang teknologi informasi dengan telah diterapkannya beberapa model Teknologi Data Mining, guna
mendapatkan suatu hasil penelitian prediksi laju inflasi yang lebih cepat dan akurat. Salah satu model yang di terapkan pada
penelitian ini adalah Model Support Vector Machine. Untuk mendapatkan akurasi hasil prediksi laju inflasi yang lebih baik
maka parameter Support Vector Machine dapat dioptimasi dengan menggunakan Algortima Genetika.
Hasil pada penelitian ini, dengan Model Support Vector Machine yang dipadu dengan Algoritma Genetika dengan
menggunakan tipe Kernel Radial akan memiliki nilai RMSE sebesar 0,065 dan nilai akurasi sebesar 96,357% dan hasilnya
lebih baik dibanding dengan metode statistik ekonometrik yang digunakan . Hal ini dapat memberikan gambaran bagi
para pengambil keputusan yang berkaitan dengan prediksi laju inflasi di Indonesia serta dalam rangka mengembangkan model
dan memberikan kontribusi untuk perbaikan akurasi prediksi laju inflasi.

Kata Kunci : Laju Inflasi, Prediksi, Teknologi Data Mining

1. PENDAHULUAN

Kondisi adanya kenaikan harga barang dan jasa secara

umum dimana barang dan jasa tersebut merupakan
kebutuhan pokok masyarakat atau turunnya daya jual
mata uang suatu negara. (BPS Indonesia. 2013).
Kondisi seperti ini sering dihubungkan dengan inflasi.
Secara sederhana inflasi diartikan sebagai
meningkatnya harga-harga secara umum dan terus
menerus. Kenaikan harga dari satu atau dua barang
saja tidak dapat disebut inflasi kecuali bila kenaikan
itu meluas (atau mengakibatkan kenaikan harga) pada
barang lainnya. Kebalikan dari inflasi disebut deflasi
( Bank Indonesia, 2013 ). Kenaikan harga barang dan
jasa yang cukup tinggi akan menyebakan
terganggunya system ekonomi suatu usaha dan
perekonomian suatu negara. Dengan demikian maka
tinggi rendahnya laju inflasi akan mengindikasikan
baik buruknya pertumbuhan ekonomi suatu Negara
dan menjadikan inflasi sebagai indikator pertumbuhan
ekonomi.
Prediksi laju suatu inflasi perlu dilakukan karena
inflasi akan menyebabkan beberapa pengaruh negatif
dan menjadi masalah besar dalam perekonomian
Indonesia. Disamping itu juga, hasil prediksi inflasi
dimanfaatkan oleh pembuat kebijakan, investor
maupun perushaan untuk merencanakan strategi
ekonomi dalam mengantisipasi perkembangan laju
inflasi dan perencanaan keuangan di waktu berikutnya
kedepan.( Jha and Dang, 2009).
Data 10 tahun terakhir menunjukkan bahwa kondisi
ekonomi di Indonesia semakin membaik semenjak
krisis ,namun perlunya kehati-hatian pemerintah dalam
menentukan kebijakan moneter karena laju inflasi
masih sangat fluktuatif.
Hal ini seperti yang terlihat pada Grafik Inflasi 10
tahun terakhir pada gambar 1.1 dibawah ini.

1
Draft Jurnal Ilmiah Nasional
Gambar.1.1 Grafik Inflasi Tahun 2003 2013
Berdasarkan data pada grafik tersebut, maka
terlihat pada tahun 2005 terjadi kenaikan yang cukup
signifikan yaitu sekitar 17 % dan selanjutnya hingga
tahun 2010 kembali normal dengan laju inflasi rata-
rata dibawah 8 %. Indikator yang secara umum untuk
mengukur laju inflasi adalah Indeks Harga Konsumen
(IHK). Penelitian yang berhubungan dengan
pengukuran prediksi laju inflasi telah banyak
dilakukan dengan memanfaatkan metode Statistic
Econometric, misalnya menggunakan Moving Average
Method. Pada perkembangan terakhir dalam bidang
teknologi informasi dengan telah diterapkannya
beberapa model dalam Teknologi Data Mining, guna
mendapatkan suatu hasil yang lebih cepat dan akurat.
Peramalan Inflasi dengan Neural Network ( Nakamura,
Emi, 2005) atau Artificial Neural Network (Haider
and Hanif , 2009 ), membandingkan Artificial Neural
Network dengan analisis Regresi Linier
(Wahyuningsih, Zuhroh & Zainuri, 2008) serta model
Artificial Neural Network berbasis Particle Swarm
Optimization ( Raharjo, Joko, 2013 ). Model lain
dalam Teknologi Data Mining yang juga bisa di
terapkan adalah Model Support Vector Machine dan
dapat dipadukan dengan Algoritma Genetika guna
optimasi parameternya. Support Vector Machine
(SVM) adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa fungsi-fungsi
linier dalam sebuah ruang fitur (feature space)
berdimensi tinggi, dilatih dengan algoritma
pembelajaran yang didasarkan pada teori optimasi.
Kemampuan lain yang dimiliki oleh metode SVM
adalah memiliki akurasi yang tinggi dan tingkat
kesalahan yang relativ kecil, kemampuan untuk model
komplek nonlinear decision baoudaries, lebih mudah
untuk mengatasi over fitting, tidak membutuhkan data
yang terlalu besar dan dapat digunakan untuk
melakukan prediksi (Sreelakshmi & Kumar, 2008).
Sedangkan Algoritma Genetika adalah algoritma yang
berusaha menerapkan pemahaman mengenai evolusi
alamiah pada tugas-tugas pemecahan masalah
(problem solving) (Sumathi, Sivanandam, Lei, Chen,
& Nguang, 2006 ). Algoritma Genetika memiliki
beberapa kelebihan diantaranya adalah dapat
digunakan untuk variabel diskrit maupun kontinyu,
dapat digunakan untuk variable yang besar, hasil akhir
berupa beberapa variabel yang optimum, tidak hanya
satu penyelesaian saja, optimasi dilakukan dengan
mengkodekan variable dan dapat digunakan pada data
numerik, data eksperimental, atau fungsi analitik
(Haupt & Haupt, 2004). Berdasarkan uraian diatas,
maka pada penelitian ini akan menerapkan model
Support Vector Machine dengan optimasi parameter
menggunakan Algoritma Genetika untuk prediksi laju
inflasi di Indonesia, yang hingga sekarang belum
pernah dilakukan serta diharapkan bisa menghasilkan
hasil prediksi yang lebih akurat.
2. TINJAUAN PUSTAKA
2.1. Support Vector Machine
Support Vector Machine (SVM) adalah sistem
pembelajaran yang menggunakan ruang hipotesis
berupa fungsi-fungsi linier dalam sebuah ruang fitur
(feature space) berdimensi tinggi, dilatih dengan
algoritma pembelajaran yang didasarkan pada teori
optimas (Sreelakshmi & Kumar, 2008 ). SVM
dikembangkan oleh Boser, Guyon, Vapnik, dan
pertama kali dipresentasikan pada tahun 1992 di
Annual Workshop on Computational Learning Theory.
Konsep SVM dapat dijelaskan secara sederhana
sebagai usaha mencari hyperplane terbaik yang
berfungsi sebagai pemisah dua buah class pada input
space (Wu et al., 2007 ). Proses pembelajaran dalam
problem klasifikasi diterjemahkan sebagai upaya
menemukan garis (hyperplane) yang memisahkan
antara kedua kelompok tersebut. Hyperplane adalah
pemisah terbaik antara kedua class dapat ditemukan
dengan mengukur margin hyperplane tersebut dan
mencari titik maksimalnya. Margin adalah jarak antara
hyperplane tersebut dengan data terdekat dari masing-
masing class. Subset data training set yang paling
dekat ini disebut sebagai support vector.
2
Draft Jurnal Ilmiah Nasional

Gambar 2.1 Optimal Hyperlane pada SVM

Garis solid pada Gambar 2.1 menunjukkan hyperplane
yang terbaik, yaitu yang terletak tepat pada tengah-
tengah kedua class, sedangkan titik kotak dan
lingkaran yang berada dalam lingkaran hitam adalah
support vector. Upaya mencari lokasi hyperplane
optimal ini merupakan inti dari proses pembelajaran
pada SVM.

2.1.1 Metode Kernel Gambar 2.2

Fungsi kernel yang biasa digunakan dalam support Flowchart Algoritma Support Vector Machine
vector machine adalah sebagai berikut:
1. Kernel Linier
2. Kernel Polynomial 2.2 Algoritma Genetika
3. Kernel Radial Busis Function Algoritma Genetika adalah suatu teknik optimasi
4. Kernel Tangent hyperbolic (sigmoid) yang didasarkan pada prinsip genetika dan seleksi
alam (Shukla et al., 2010 ). Algoritma Genetika
Tabel 2.1.1 Fungsi Kernel dalam SVM merupakan metode pencarian yang disesuaikan dengan
prosess generika dari orginisme biologi yang berdasar
No Kernel Type Formula pada teori evolusi Charles Darwin.
1 Kernel Linier
Algoritma Genetika terinspirasi dari mekanisme
2 Kernel seleksi alam, dimana individu yang lebih kuat
Polynomial kemungkinan akan menjadi pemenang dalam
3 Radial Basis lingkungan yang kompetitif dan solusi yang optimal
Function dapat diperoleh dan diwakilkan oleh pemenang akhir
4 Kernel dari permainan genetika (Haupt& Haupt, 2004 ).
Sigmoid
Pada Algoritma Genetika tersedia solusi yang
diterapkan pada sebuah populasi individu yang
2.1.2 Algoritma SVM
masing-masing mewakili solusi yang mungkin. Setiap
solusi yang mungkin disebut dengan kromosom.
Algoritma metode SVM untuk melakukan prediksi
Algoritma Genetika menggunakan analogi secara
Laju Inflasi dapat digambarkan dengan menggunakan
langsung dari kebiasaan yang alami yaitu seleksi alam.
flowchart sebagai berikut:
Algoritma ini berkerja dengan sebuah populasi yang
terdiri dari individu-individu, yang masing-masing
individu merepresentasikan sebuah solusi yang
mungkin bagi persoalan yang ada. Dalam kaitan ini,
individu dilambangkan dengan sebuah nilai fitness
yang akan digunakan untuk mencari solusi terbaik dari
persoalan yang ada. Pada akhirnya, akan didapatkan
solusi-solusi yang paling tepat bagi permasalahan yang
dihadapi. Untuk menggunakan algoritma genetika,
solusi permasalahan direpresentasikan sebagai

3
Draft Jurnal Ilmiah Nasional
kromosom. Tiga aspek yang penting untuk
penggunaan algoritma genetik:
1. Defenisi fungsi fitness
2. Defenisi dan implementasi representasi genetik
3. Defenisi dan implementasi operasi genetik
Secara umum struktur dari suatu algoritma genetik
(Weise, 2009), dapat mendefenisikan dengan langkah-
langkah sebagai berikut:
a. Membangkitkan populasi awal
b. Membentuk generasi baru
c. Evaluasi solusi
Algoritma genetika dapat dijelaskan dengan
menggunakan flowchart sebagai berikut :
Gambar 2.1 Flowchart Algoritma Genetika
2.3 Pengertian Inflasi
2.3.1 Konsep Dasar Inflasi
Menurut Bank Indonesia, secara sederhana inflasi
diartikan sebagai meningkatnya harga-harga secara
umum dan terus menerus. Kenaikan harga dari satu
atau dua barang saja tidak dapat disebut inflasi kecuali
bila kenaikan itu meluas (atau mengakibatkan
kenaikan harga) pada barang lainnya Kebalikan dari
inflasi disebut deflasi.
2.3.2 Pengukuran Inflasi
Ada beberaa macam pengukuran inflasi, karena
perbedaan indeks harga yang berkaitan dengan
berbagai sektor ekonomi. Indikator yang sering
digunakan untuk mengukur tingkat inflasi adalah
Indeks Harga Konsumen (IHK). Perubahan IHK dari
waktu ke waktu menunjukkan pergerakan harga dari
paket barang dan jasa yang dikonsumsi masyarakat.
Model Laju inflasi selanjutnya dapat ditunjukkan
dengan ersamaan sebagai berikut :
LI t = IHK t - IHK t-1 x 100
IHK t-1 ..........................( 2.3 )
dimana;
LI t = Laju Inflasi pada periode t
IHK t = Indeks Harga Konsumen periode t
IHK t -1 = Indeks Harga Konsumen periode t-1
2.3.3 Pengaruh Inflasi
Pengaruh inflasi secara jelas akan dapat menyebabkan
ketidak-astian tenting masa depan harga, suku bunga,
nilai tukar dan kemungkinan berakibat pada
meningkatnya potensi resiko antara pedagang dan
mitra suatu Negara (Jha & Dang, 2011).
2.4 Metode Evaluasi
Indikasi keberhasilan dari suatu prediksi adalah
apakah hasil percobaan yang dilakukan telah akurat
dan apakah model prediksi yang digunakan sudah
optimal (Shukla et al., 2010 ). Upaya untuk
mendapatkan jawaban atas pertanyaan-pertanyaan
tersebut maka diperlukan sebuah metode pengukuran
hasil dari suatu prediksi dalam bentuk perhitungan
kesalahan, dimana beberapa metode pengukuran
kesalahan yaitu:
a. Sum Square Error (SSE)
Perhitungannya adalah:
- Hitung keluaran GA-Support Vector Machine
untuk masukan pertama
- Hitung selisih antara nilai keluaran GA-Support
Vector Machine dan nilai target
4
Draft Jurnal Ilmiah Nasional
- Kuadratkan setiap keluaran kemudian hitung
seluruhnya.
(2.4)
b. Root Mean Square Error ( RMSE )
Perhitungannya adalah:
1. Hitung SSE
2. Hasilnya dibagi dengan perkalian antara
banyaknya data pada pelatihan dan banyaknya
keluaran, kemudian diakarkan.
.
.........................(2.5)
N = Banyaknya data pada pelatihan
K = Banyaknya Keluaran
Model yang telah optimal akan digunakan untuk
simulasi terhadap data yang telah disiapkan untuk
pengujian. Kinerja dari suatu model support vector
machine setelah dilakukan suatu pelatihan dapat
diukur dengan melihat error hasil pelatihan, validasi
dan testing terhadap sekumpulan data input baru. Salah
satu cara yang dapat digunakan untuk evaluasi ini
adalah menggunakan analisis regresi terhadap respon
jaringan dan target yang diharapkan.
2.5 Metode Evaluasi Berdasarkan Statistik
Ekonomterik
Metode Moving Average adalah salah satu metode
statistic
Ekonometrik yang dapat digunakan untuk melakukan
prediksi berdasarkan analisis data runtun waktu. Untuk
menghitung tingkat akurasi dan kehandalan peramalan data
runtun waktu, digunakan kriteria MSE (Mean Square Error)
dan MAPE (Mean Absolute Percentage Error).
a. MSE (Mean Square Error)
Kriteria MSE menyatakan besarnya kesalahan rata-rata
kuadrat dari suatu metode peramalan ( Hansun, S., 2013 ),
dengan rumus perhitungan :
( 2.6 )
dimana :
n menyatakan jumlah data dan et adalah nilai kesalahan
hasil ramalan yang diperoleh dari xt - t. Dalam hal ini, xt
adalah nilai data aktual dan t adalah nilai ramalannya.
b. MAPE (Mean Absolute Percentage Error)
Nilai MAPE memberikan petunjuk tingkat ketepatan /
akurasi dan mengenai seberapa besar rata-rata kesalahan
absolut peramalan dibandingkan dengan nilai sebenarnya
( Hansun, S., 2013 ), dan dinyatakan dengan rumus :
(2.7 )
dimana :
n adalah jumlah data dan et adalah nilai kesalahan ramalan
yang diperoleh dari xt - t .Nilai data aktual dinotasikan
dengan xt dan t adalah nilai ramalannya..
3. METODE PENELITIAN
Metode penelitian yang digunakan pada penelitian
ini adalah penelitian eksperimen, yakni penelitian yang
berfokus pada penyelidikan beberapa variabel dan
bagaimana cara variabel-variabel tersebut dapat
dipengaruhi oleh suatu kondisi tertentu. Biasanya
penelitian eksperimen digunakan untuk melakukan
verifikasi hipotesis yang sudah dirumuskan
sebelumnya. Pada penelitian ini akan digunakan
metode Support Vector Machine dengan Algoritma
Genetika yang akan digunakan untuk melakukan
optimasi parameter, dengan tahapan penelitiannya,
sebagai berikut
a. Pengumpulan Data
Data sekunder yang digunakan dalam penelitian
ini yaitu data Inflasi dan Indeks Harga Konsumen
sejak Januari 1979 sampai Nopember 2013 yang
diolah dengan formula tertentu. Data ini peroleh
dari Biro Pusat Statistik Indonesia. Sedangkan
data primer yang gunakan adalah data hasil
pengolahan dengan Rapidminer ver 5.3 yang akan
dibandingakan dengan data aktual.
b. Pengolahan Data Awal
Setelah dilakukan pengumpulan data, langkah
selanjutnya adalah melakukan pengolahan
terhadap data tersebut, sehingga kita mendapatkan
hasil yang sesuai dengan yang kita inginkan.
5
Draft Jurnal Ilmiah Nasional

Tahap awal pengolahan data ini dilakukan Hasil dalam penelitian dilakukan dalam dua
menjadi beberapa langkah yaitu: metode yaitu metode perhitungan dengan
1) Penentuan Input Dan Output menggunakan perhitungan Metode Support Vector
Machine tanpa dikombinasi dengan Algoritma
Data input dan output yang digunakan dalam Genetika dan Support Vector Machine yang
penelitian ini adalah data time series (data dikombinasi dengan Algoritma Genetika. Model
rentet waktu), yakni data laju Inflasi di pengujian dilakukan dengan menggunakan Tipe
Indonesia mulai Januari 1979 sampai Kernel Radial.
Nopember 2013
2) Penentuan data Training dan Testing Tabel 4.2
Pengujian Terbaik GA-SVM dan SVM Pada Tipe
Setelah melakukan penentuan data input dan Kernel Radial
data output, selanjutnya dilakukan penentuan
data training dan data testing. SVM GA-SVM
3) Normalisasi Data C 401.113 968.504
Gamma 0.233 0.181
Sebelum dilakukan pelatihan terhadap data set, Epsilon 0.004 0.000
data primer harus dilakukan normaliasi data Akurasi 98,90% 99.30%
terlebih dahulu. Normalisasi data dilakukan
RMSE 0,004 0.035
dengan tujuan agar proses pelatihn dapat
berjalan dengan cepat dan mampu digunakan
untuk melakukan pelatihan. Sedangkan Grafik perbandingan prediksi laju inflasi
pada SVM dan GA-SVM yang diterapkan pada data
c. Metode atau Model Yang Diusulkan training ditunjukkan oleh gambar 4.1.
Pada penelitian ini metode yang diusulkan untuk
melakukan prediksi laju inflasi adalah dengan
menggunakan model Support Vector Machine
dengan menerapkan Algoritma Genetika untuk
melakukan optimasi parameter Support Vector
Machine
d. Eksperimen dan Pengujian Model

Tahap eksperimen dilakukan untuk menghasilkan

model prediksi dengan menggunakan langkah-
langkah sebagai berikut:
a. Inisialisasi parameter C , dan
b. Pemilihan Kernel
c. Menentukan Max Iteration
e. Evaluasi dan Validasi Hasil
Evaluasi hasil pengujian model ini dengan
menggunakan Root Mean Square Error dan
pengujian validasi dengan menggunakan uji
statistik berupa t-test Paired Two Sample for
mean. RMSE digunakan untuk menguji seberapa
dekat nilai aktual dengan nilai prediksi dan t-test
Paired Two Sample for mean digunakan untuk
melakukan pengujian apakah ada perbedaan
RMSE sebelum dan sesudah digunakan Algoritma
Genetika pada model Support Vector Machine.
4. HASIL DAN PEMBAHASAN
Gambar 4.2 Grafik Perbandingan Prediksi Harga GA
-SVM dengan SVM
4.3 Evaluasi Dan Validasi Hasil
Evaluasi dan validasi atas pengujian efektifitas
penerapan model GA-SVM dilakukan uji beda dengan
memb andingkan akurasi prediksi laju inflasi pada
data testing Support Vector Machine sebelum dan
sesudah dioptimasi dengan Algoritma Genetika
berdasarkan nila RMSE. Pada hasil eksperiman dengan
menggunakan kernel tipe Radial. Pengujian beda
dilakukan dengan menggunakan metode statistic untuk
menguji hipotesa:

6
Draft Jurnal Ilmiah Nasional

H0 : Ada perbedaan nilai RMSE sebelum dan Berdasarkan hasil dan pembahasan tentang Model
sesudah dilakukan optimasi parameter SVM Support Vector Machine dengan optimasi parameter
pada Tipe Kernel Radial menggunakan Algoritma Genetika untuk prediksi laju
H1 : Tidak ada Ada perbedaan nilai RMSE sebelum inflasi di Indonesia, menyatakan bahwa dari hasil
dan sesudah dilakukan optimasi parameter SVM pengujian menggunakan Tipe Kernel Radial , nilai
pada Tipe Kernel Radial RMSE rata-rata dengan menggunakan metode SVM
sebelum dioptimasi sebesar 0,474 sedangkan rata-rata
Tabel 5.3 RMSE dengan menggunakan metode GA-SVM
sebesar 0,065. Sedangkan hasil rata-rata akurasi
Hasil uji statistic t-test Paired Two Sample for mean dengan menggunakan metode SVM sebelum
pada akurasi tipe kernel polynomial dioptimasi sebesar 91,953% selanjutnya rata-rata
akurasi pada metode GA-SVM sebesar 96,357%,
Variable
Variable 1 2 sehingga dapat dikatakan bahwa penerapan model
SVM yang dioptimasi parameter C, dan dengan
Mean 0,9195 0,9636
algoritma genetika meningkatkan akurasi dalam
Variance 0,0028 0,0011 prediksi laju inflasi di Indonesia yang sangat
Observations 30 30 bermanfaat bagi lembaga terkait untuk pengambilan
Pearson Correlation 0,6485 keputusan.
Hypothesized Mean Difference 0,00
5.2 Saran
Df 29,0000
Pada penelitian ini secara umum penerapan model
t Stat -5,9835 GA-SVM dapat meningkatkan akurasi prediksi laju
P(T<=t) one-tail 0,00 inflasi di Indonesia, akan tetapi perlu dilakukan
t Critical one-tail 1,6991 penelitian lebih lanjut dengan melakukan analisa
P(T<=t) two-tail 0,00 komparatif model-model prediksi baik dengan
t Critical two-tail 2,0452
teknologi data mining ataupun dengan metode
statistik ekonometrik yang lain untuk mendapatkan
hasil akurasi prediksi yang lebih baik.
Perlu dilakukan penelitian lain yang dengan
statistik ekonometrik untuk perbandingan keakurasian
Berdasarkan data pada tabel 4.3 di atas menunjukkan
dengan hasil penelitian teknologi datamining ini.
bahwa nilai t-hitung yang diperoleh, yang ditunjukkan
oleh variabel t-Stat sebesar -5,9835 sedangkan t-tabel
6. Daftar Pustaka
ditunjukkan oleh variabel t Critical one tail sebesar
1,6991, oleh karena t-hitung < t-tabel maka H 0
Adnan Haider and Muhammad Nadeem Hanif, (2007),
diterima dan H1 ditolak yaitu ada perbedaan rata-rata Inflation Forecsting in Pakistan Using Artificial
RMSE sebelum dan sesudah dilakukan optimasi Neural Network, MPRA Paper No. 14645, posted
parameter SVM dengan Algoritma Genetika pada tipe 16. April 2009 23:35 UTC Karachi, Pakistan.
kernel radial http://mpra.ub.uni-muenchen.de/14645/

Emi Nakamura,( 2005), "Inflation Forecasting Using

Berdasarkan hasil pengujian maka dapat disimpulkan
bahwa Tidak ada perbedaan yang signifikan pada
penerapan model Support Vector Machine dalam
prediksi laju inflasi sebelum dan sesudah dioptimasi
parameter Support Vector Machine dengan
menggunakan Algoritma Genetika.
A Neural Network" , Harvard University, June
21, June 2005.
http://www.columbia.edu/~en2198/papers/
Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic
Algorithms, 2nd Edition, New Jersey: A John
Wiley and Sons, Ltd

5. PENUTUP Raghbendra Jha and Tu Dang, (2011), Inflation

Variability and The Relationship Between
5.1 Kesimpulan
7
Draft Jurnal Ilmiah Nasional

Inflation and Growth, Canberra, Australia. 14, pp. 137). CRC Press.
ASARC Working Paper 2011/08, doi:10.1007/s10115-007-0114-2
https://cnnd.crawford.anu.edu.au/acde/asarc/p
df/papers/2011/WP2011_08 http://www.bps.go.id/aboutus.php?inflasi=1 diunduh
14-12-2013.
Raharjo, Joko (2013), Model Artificial neural network
berbasis Particle swarm optimization untuk http://www.bi.go.id/web/id/Moneter/Inflasi/Pengenala
Prediksi laju inflasi, Jurnal Sistem Komputer - n+Inflasi/, diunduh 14-12-2013
Vol.3, No.1, Juni 2013, ISSN: 2087-4685, e-
ISSN: 2252-3456

Shi, Y., Tian, Y., Kou, G., Peng, Y., & Lia, J. (2011).
Optimization Based Data Mining Theory and
Application. Springer London, December 2010
doi:10.1007/978-0-85729-504-0

Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life

Application of Soft Computing. CRC Press

Sreelakshmi, K., & Kumar, P., R. (2008). Short Term

Wind Speed Predicting Using Support Vector
Machine Model. Journal WSEAS Transcation on
Computer, Vol 7 Issue 11, November 2008, pages
1828-1837

Sumathi, S., Sivanandam, S. N., Lei, V., Chen, Z., &

Nguang, S. K. (2006). Introduction to Data
Mining and its Applications Studies in
Computational Intelligence (Volume 29.).
London: Springer.

Wahyuningsih,D, Zuhroh, & Zainuri ( 2008 ), Prediksi

Inflasi Indonesia Dengan Model Artificial Neural
Network, Journal of Indonesian Applied
Economics, Vol. 2 No. 2 Oktober 2008, 113-127

Weise, T. (2009). Global Optimization Algorithms

Theory and Application (Second Edition ). it-
weise.de (self-published). Retrieved from
http://www.it-
weise.de/documents/metaWGOEB.html

Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang,
Q., Motoda, H., McLachlan, G. J., et al.
(2007). Top 10 algorithms in data mining (Vol.