Model Hidden Markov Pada Prediksi Harga Beras Dan Perpindahan Konsumen Beras Di Kota Solok Provinsi Sumatera Barat

Putri, MelsiDiansa (2014) Model Hidden Markov Pada Prediksi Harga Beras Dan Perpindahan Konsumen Beras Di Kota Solok Provinsi Sumatera Barat. Magister thesis, Universitas Brawijaya.

Abstract

Model hidden Markov merupakan pengembangan dari rantai Markov. Rantai Markov merupakan salah satu proses stokastik yang memiliki sifat prediktif. Sifat prediktif tersebut dapat dipahami sebagai suatu kejadian dimasa akan datang yang sangat bergantung pada perilaku masa sekarang. Parameter dari model ini adalah matriks probabilitas transisi, matriks probabilitas awal, ekspektasi, dan varians dari proses observasi. Model diterapkan untuk memprediksi harga beras Solok nonsubsidi dan memprediksi perpindahan konsumen beras Solok. Diasumsikan bahwa faktor penyebab kejadian perubahan harga beras Solok dan perpindahan konsumen beras Solok tidak diamati secara langsung dan membentuk rantai Markov. Keadaan seperti ini dapat dimodelkan dengan model hidden Markov dan algoritma Viterbi dengan mengimplementasikannya menggunakan software Delphi. Prediksi harga beras Solok menggunakan 36 data harga beras dari tahun 2010, 2011, 2012 setiap bulannya, sedangkan untuk data prediksi perpindahan konsumen beras menggunakan kuesioner dengan total 420 orang responden yang tersebar di dua kelurahan di kota Solok. Prediksi harga beras Solok ini mendapatkan hasil yang sangat baik. Nilai MAPE yang cukup kecil yaitu 6.11% (kurang dari 20%) sehingga data prediksi yang dihasilkan mendekati data aktual atau data sebenarnya. Prediksi perpindahan konsumen beras menghasilkan barisan hidden state yang sesuai dengan alasan harga dan kualitas beras. Harga dan kualitas beras sangat mempengaruhi konsumen beras dalam menentukan pilihan beras yang akan dikonsumsi. Dengan demikian model hidden Markov dengan algoritma Viterbi dapat memprediksi dengan baik pada masalah harga dan perpindahan konsumen beras Solok.

English Abstract

Hidden Markov models is the development of a Markov chain. Markov chain is a stochastic process which has predictive properties. The predictive nature can be understood as an event that our future depends heavily on the behavior of the present. Parameters of the model are the transition probability matrix, the initial probability matrix, expectation, and variance of the observation process. The model is applied to predict the price of non-subsidized rice Solok and predict the movement of rice consumers Solok. It is assumed that the causes of events and changes in the price of rice Solok Solok rice consumers displacement is not observed directly and form a Markov chain. Such a situation can be modeled with hidden Markov models and the Viterbi algorithm to implement it using the Delphi software. Predicted price of rice SMF using 36 rice price data from 2010, 2011, 2012 per month, while for the data transfer predictions rice consumers using questionnaires with a total of 420 respondents were spread in two villages in the town of Solok. Predicted price of rice this Solok get excellent results. MAPE values are quite small with a value of 6.11% (less than 20%) so that the data generated predictions approaching the actual data or actual data. Predicted displacement produces consumer rice hidden state sequence corresponding to the reason the price and quality of rice. Price and quality of rice greatly affect rice consumers in determining the choice of rice to be consumed. Thus the hidden Markov models with the Viterbi algorithm can predict well the issue and transfer of the consumer price of rice Solok.

Item Type: Thesis (Magister)
Identification Number: TES/519.233/p/MOD/041401256
Subjects: 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.2 Probabilities
Divisions: S2/S3 > Magister Matematika, Fakultas MIPA
Depositing User: Hasbi
Date Deposited: 22 Apr 2014 10:11
Last Modified: 22 Apr 2014 10:11
URI: http://repository.ub.ac.id/id/eprint/157474
Full text not available from this repository.

Actions (login required)

View Item View Item