Pemaparan Hasil Kerja Praktik

ANALISIS PREDIKSI INDEKS HARGA KONSUMEN

MENGGUNAKAN RECURRENT NEURAL NETWORK
DI KOTA METRO

Nama : Ahmad Dzaki Putra Dimas

NIM : 118160092
Dosen Pebimbing : Dr. Sri Efrinita Irwan, S.Si., M.Si.
POKOK PEMBAHASAN

 Pendahuluan
 Tempat dan Metode Kerja Praktik
 Tinjauan Pustaka
 Rancangan Penyelesaian Masalah
 Penutup
Pendahuluan
Latar Belakang
• IHK adalah suatu harga dari barang atau jasa yang
dikonsumsi oleh masyarakat.

• Salah satu faktor yang mempengaruhi perekonomian di

suatu wilayah.

• IHK di Kota Metro mengalami kenaikan di bulan Juli

107.71.

• Prediksi IHK menggunakan RNN.

Rumusan Masalah

1. Bagaimana tingkat akurasi dalam memprediksi Indeks Harga

Konsumen di Kota Metro menggunakan RNN?

2. Apakah angka IHK yang didapat mengalami inflasi atau deflasi

dari metode yang digunakan?
Batasan Masalah

 Data IHK diperoleh dari BPS Kota Metro.

 Penelitian menggunakan RNN untuk memprediksi IHK.

 Menggunakan bahasa pemrograman phyton di googlecolab

untuk melakukan komputasi.

 Hasil dari prediksi yang didapat adalah hasil testing data

dan data IHK bulan Agustus 2021.
Tujuan

 Mengimplementasikan metode Recurrent Neural Network

dalam memprediksi IHK di Kota Metro

 Mendapatkan model prediksi IHK di Kota Metro

Manfaat

Bagi Penulis :
Membantu proses pengaplikasian ilmu perkuliahan yang telah
dipelajari ke dalam masalah yang didapat dan mampu
menyelesaikan masalah tersebut.

Bagi Instansi :
Memberikan informasi dari penyelesaian masalah yang
dilakukan.
 Metodologi

Studi
Analisis
Literatur

Pengumpulan Pengolahan Kesimpulan

Data Data
Tempat dan Metode Kerja Praktik
Tempat Kerja Praktik

Nama Instansi : Badan Pusat Statistik Kota Metro

Waktu Pelaksanaan : 14 Juni 2021 - 16 Juli 2021

Alamat Instansi : Jl. Prawinegara Metro, Lampung

AR
Pebimbing Lapangan : Ervina Yolanda, S.St.l.

Prawiranegara Metro, Lampung

Metode Kerja Praktik

a) Membuat infografis dan cover buku (Kecamatan Dalam Angka)

b) Menginput data ke dalam format yang akan dibukukan
c) Membuat Ringkasan Eksekutif Kota Metro 2016-2020
d) Menginput data survei Perusahaan/Usaha Industri Pariwisata dan
Ekonomi Kreatif
e) Mengikuti Survey Perusahaan Industri Mikro dan Kecil dan Ubinan
Jagung
f) Menghitung Jumlah Survei Angkatan Kerja Nasional
g) Mengidentifikasi Regristrasi BMN
Tinjauan Pustaka
Tinjauan Pustaka
Deep Learning Recurrent Neural
Bagian dari Machine Learning, Networks
memiliki lapisan pemrosesan Salah satu bagian dari Neural
data yang banyak untuk Networks pada Deep Learning
melakukan proses belajar tanpa pengawasan yang
pembelajaran digunakan untuk memprediksi
Time Series

Neural Networks
Kumpulan dari neuron yang
saling berhubungan yang
belajar secara bertahap
Ilustrasi
Rancangan Penyelesaian Masalah
 Rancangan Penyelesaian Masalah

Normalisasi Data Training Model

Pengumpulan Parameter yang Analisis dan

Data digunakan Hasil
 Data Yang Digunakan
Indeks Harga Konsumen Kota Metro (Tahun Dasar 2018=100)

Tahun
Bulan
2016 2017 2018 2019 2020 2021

January 95.14 97.99 100.03 101.32 104.88 106.87

February 95.54 98.27 99.49 101.37 105.08 107.18

March 95.67 97.97 100.38 101.35 105.36 106.83

April 94.90 97.80 100.27 101.59 105.12 106.68

May 94.88 98.64 99.94 101.89 104.75 107.36

June 95.51 99.11 100.46 102.44 105.02 107.43

July 95.80 99.04 100.41 102.72 105.14 107.71

August 96.41 98.91 100.61 103.14 105.20 -

September 96.55 99.01 100.42 102.98 105.30 -

October 96.59 99.24 100.64 103.05 105.35 -

November 97.17 99.32 100.91 103.29 105.77 -

December 97.29 99.55 101.18 103.69 106.31 -

Tabel 1. Data IHK Januari 2016 - Juli 2021

 Normalisasi Data
Normalisasi data dilakukan untuk IndeksHargaKonsumenKotaMetro(TahunDasar2018=100)

mengubah dataset menjadi nilai dengan rentang Tahun

Bulan
[0,1]. Ditunjukkan pada persamaan sebagai 2016 2017 2018 2019 2020 2021
berikut.
January 0.0203 0.2424 0.4014 0.5019 0.7794 0.9345
February 0.0514 0.2642 0.3593 0.5058 0.7950 0.9587
March 0.0616 0.2408 0.4287 0.5043 0.8168 0.9314
(q  p )
x'  ( x  a )  p April 0.0016 0.2276 0.4201 0.5230 0.7981 0.9197
(b  a )
May 0.0000 0.2931 0.3944 0.5464 0.7693 0.9727
Penjelasan : June 0.0491 0.3297 0.4349 0.5892 0.7903 0.9782

x’ : Data hasil normalisasi July 0.0717 0.3242 0.4310 0.6111 0.7997 1.0000
x : Data yang akan dinormalisasi August 0.1193 0.3141 0.4466 0.6438 0.8044 -
q : Data terbesar yang diberikan (1) September 0.1302 0.3219 0.4318 0.6313 0.8122 -
p : Data terkecil yang diberikan (0)
October 0.1333 0.3398 0.4489 0.6368 0.8161 -
b : Data terbesar
a : Data terkecil November 0.1785 0.3461 0.4700 0.6555 0.8488 -
December 0.1878 0.3640 0.4910 0.6867 0.8909 -

Tabel 2. Data IHK setelah di normalisasi

 Parameter Yang Digunakan
Karakteristik Spesifikasi
Arsitektur 3 Hidden Layer

Input Neuron 4

Neuron Hidden Layer 1 30

Neuron Hidden Layer 2 120

Neuron Hidden Layer 3 80

Fungsi Aktivasi ReLu

Bobot Awal Random

Epoch 100

Tabel 3. Parameter
 Training dan Testing Model
data training data Target data testing data Target

0 49
1 50
4' 4 53' 53
2 51
3 52
1 50
2 51
Jumlah Dataset = 67 5' 5 55' 54
3 52
4 53
Dataset Training = 1-53
2 51
3 52
Dataset Testing = 53-67 6' 6 56' 55
4 53
5 54
... ... ... … … ...
48 62
49 63
52' 52 66' 66
50 64

51 65

Tabel 4. Ilustrasi Training dan Testing Model

Analisis dan Hasil
Analisis dan Hasil
Analisis dan Hasil

Hasil Prediksi
Arsitektur Jumlah Percobaan Epoch RMSE Training RMSE Test
One-Step Ahead
30-120-80 9 100 0.049435 0.014811 107.41
40-110-60 2 150 0.025712 0.130251 107.41
25-135-60 3 125 0.019338 0.077357 107.41
15-100-70 7 135 0.013483 0.128504 107.41
50-50-80 10 170 0.084275 0.061981 107.41

IHK pada bulan Agustus 2021 mengalami penurunan menjadi

107.41 yang sebelumnya pada bulan Juli sebesar 107.71.

Penutup
Kesimpulan

 Dengan Arsitektur 25-135-60 memberikn hasil optimal dengan

RMSE yang kecil.

 Dengan arstitektur 25-135-60 prediksi pada bulan Agustus

sebesar 107.71 dilakukan sebanyak 3 kali.

 Setiap percobaan dan arstiktur menghasilkan hasil yang

berbeda.

 Pada bulan Agustus IHK di Kota Metro mengalami deflasi.

Saran

 Pada penelitian selanjutnya dapat menggunakan tools lain seperti

Matlab

 Menerapkan Neural Networks lainnya seperti CNN (Convolution

Neural Networks)
Terima Kasih