Anda di halaman 1dari 8

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

1
Draft Jurnal Ilmiah Nasional

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

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 2.3.2 Pengukuran Inflasi


penggunaan algoritma genetik:
Ada beberaa macam pengukuran inflasi, karena
1. Defenisi fungsi fitness
perbedaan indeks harga yang berkaitan dengan
2. Defenisi dan implementasi representasi genetik
berbagai sektor ekonomi. Indikator yang sering
3. Defenisi dan implementasi operasi genetik
digunakan untuk mengukur tingkat inflasi adalah
Secara umum struktur dari suatu algoritma genetik Indeks Harga Konsumen (IHK). Perubahan IHK dari
(Weise, 2009), dapat mendefenisikan dengan langkah- waktu ke waktu menunjukkan pergerakan harga dari
langkah sebagai berikut: paket barang dan jasa yang dikonsumsi masyarakat.
a. Membangkitkan populasi awal Model Laju inflasi selanjutnya dapat ditunjukkan
b. Membentuk generasi baru dengan ersamaan sebagai berikut :
c. Evaluasi solusi

Algoritma genetika dapat dijelaskan dengan LI t = IHK t - IHK t-1 x 100


menggunakan flowchart sebagai berikut :
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
Gambar 2.1 Flowchart Algoritma Genetika tersebut maka diperlukan sebuah metode pengukuran
hasil dari suatu prediksi dalam bentuk perhitungan
2.3 Pengertian Inflasi kesalahan, dimana beberapa metode pengukuran
kesalahan yaitu:
2.3.1 Konsep Dasar Inflasi
Menurut Bank Indonesia, secara sederhana inflasi a. Sum Square Error (SSE)
diartikan sebagai meningkatnya harga-harga secara Perhitungannya adalah:
umum dan terus menerus. Kenaikan harga dari satu - Hitung keluaran GA-Support Vector Machine
atau dua barang saja tidak dapat disebut inflasi kecuali untuk masukan pertama
bila kenaikan itu meluas (atau mengakibatkan - Hitung selisih antara nilai keluaran GA-Support
kenaikan harga) pada barang lainnya Kebalikan dari Vector Machine dan nilai target
inflasi disebut deflasi.

4
Draft Jurnal Ilmiah Nasional

- Kuadratkan setiap keluaran kemudian hitung Kriteria MSE menyatakan besarnya kesalahan rata-rata
seluruhnya. kuadrat dari suatu metode peramalan ( Hansun, S., 2013 ),
dengan rumus perhitungan :

( 2.6 )

dimana :
n menyatakan jumlah data dan et adalah nilai kesalahan
(2.4) 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)
b. Root Mean Square Error ( RMSE ) Nilai MAPE memberikan petunjuk tingkat ketepatan /
akurasi dan mengenai seberapa besar rata-rata kesalahan
Perhitungannya adalah: absolut peramalan dibandingkan dengan nilai sebenarnya
( Hansun, S., 2013 ), dan dinyatakan dengan rumus :
1. Hitung SSE
2. Hasilnya dibagi dengan perkalian antara
banyaknya data pada pelatihan dan banyaknya
keluaran, kemudian diakarkan. (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..
.
.........................(2.5) 3. METODE PENELITIAN
Metode penelitian yang digunakan pada penelitian
N = Banyaknya data pada pelatihan ini adalah penelitian eksperimen, yakni penelitian yang
K = Banyaknya Keluaran berfokus pada penyelidikan beberapa variabel dan
bagaimana cara variabel-variabel tersebut dapat
Model yang telah optimal akan digunakan untuk dipengaruhi oleh suatu kondisi tertentu. Biasanya
simulasi terhadap data yang telah disiapkan untuk penelitian eksperimen digunakan untuk melakukan
pengujian. Kinerja dari suatu model support vector verifikasi hipotesis yang sudah dirumuskan
machine setelah dilakukan suatu pelatihan dapat sebelumnya. Pada penelitian ini akan digunakan
diukur dengan melihat error hasil pelatihan, validasi metode Support Vector Machine dengan Algoritma
dan testing terhadap sekumpulan data input baru. Salah Genetika yang akan digunakan untuk melakukan
satu cara yang dapat digunakan untuk evaluasi ini optimasi parameter, dengan tahapan penelitiannya,
adalah menggunakan analisis regresi terhadap respon sebagai berikut
jaringan dan target yang diharapkan. a. Pengumpulan Data
Data sekunder yang digunakan dalam penelitian
2.5 Metode Evaluasi Berdasarkan Statistik
ini yaitu data Inflasi dan Indeks Harga Konsumen
Ekonomterik
sejak Januari 1979 sampai Nopember 2013 yang
Metode Moving Average adalah salah satu metode diolah dengan formula tertentu. Data ini peroleh
statistic dari Biro Pusat Statistik Indonesia. Sedangkan
Ekonometrik yang dapat digunakan untuk melakukan data primer yang gunakan adalah data hasil
prediksi berdasarkan analisis data runtun waktu. Untuk pengolahan dengan Rapidminer ver 5.3 yang akan
menghitung tingkat akurasi dan kehandalan peramalan data dibandingakan dengan data aktual.
runtun waktu, digunakan kriteria MSE (Mean Square Error) b. Pengolahan Data Awal
dan MAPE (Mean Absolute Percentage Error). Setelah dilakukan pengumpulan data, langkah
selanjutnya adalah melakukan pengolahan
a. MSE (Mean Square Error) 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 Gambar 4.2 Grafik Perbandingan Prediksi Harga GA
e. Evaluasi dan Validasi Hasil -SVM dengan SVM
Evaluasi hasil pengujian model ini dengan
menggunakan Root Mean Square Error dan 4.3 Evaluasi Dan Validasi Hasil
pengujian validasi dengan menggunakan uji Evaluasi dan validasi atas pengujian efektifitas
statistik berupa t-test Paired Two Sample for penerapan model GA-SVM dilakukan uji beda dengan
mean. RMSE digunakan untuk menguji seberapa memb andingkan akurasi prediksi laju inflasi pada
dekat nilai aktual dengan nilai prediksi dan t-test data testing Support Vector Machine sebelum dan
Paired Two Sample for mean digunakan untuk sesudah dioptimasi dengan Algoritma Genetika
melakukan pengujian apakah ada perbedaan berdasarkan nila RMSE. Pada hasil eksperiman dengan
RMSE sebelum dan sesudah digunakan Algoritma menggunakan kernel tipe Radial. Pengujian beda
Genetika pada model Support Vector Machine. dilakukan dengan menggunakan metode statistic untuk
menguji hipotesa:
4. HASIL DAN PEMBAHASAN

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 A Neural Network" , Harvard University, June
bahwa Tidak ada perbedaan yang signifikan pada 21, June 2005.
penerapan model Support Vector Machine dalam http://www.columbia.edu/~en2198/papers/
prediksi laju inflasi sebelum dan sesudah dioptimasi
parameter Support Vector Machine dengan Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic
menggunakan Algoritma Genetika. 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.

Beri Nilai