Lestari, Dwi Wahyu (2020) Jaringan Syaraf Tiruan Dengan Input Arima, Kombinasi Arima Dan Dummy Outlier Untuk Peramalan Inflasi. Sarjana thesis, Universitas Brawijaya.
Abstract
Banyak permasalahan bidang ekonomi yang sulit terpecahkan dikarenakan data yang akan dianalisis memiliki pola data tertentu dan sulit didefinisikan. Salah satu metode pemodelan yang bisa digunakan untuk menangkap pola-pola non-linier adalah metode jaringan syaraf tiruan. JST mampu menangkap pola-pola non-liniear dalam deret waktu. JST pada data deret waktu memiliki kelemahan yakni tidak terdapat aturan dalam menentukan unit input sehingga model jaringan yang terbentuk tidak selalu baik. Oleh karena itu pada penelitian digunakan 2 input yaitu input lag ARIMA dan lag ARIMA ditambah dengan dummy outlier dengan studi kasus inflasi di Indonesia. Model ARIMA Box-Jenkins merupakan model yang sering digunakan dalam pemodelan data deret waktu. Pengamatan pada deret waktu terkadang dipengaruhi oleh peristiwa yang tidak terduga yang disebut outlier. Adanya outlier mempengaruhi analisis data seperti identifikasi model, estimasi parameter dan peramalan. Penanganan untuk kasus outlier adalah dengan menyisipkan variabel dummy ke dalam model yang mana variabel dummy ditentukan berdasarkan pada tipe outlier. Hasil analisis menunjukkan bahwa model ARIMA terbaik untuk peramalan inflasi adalah SARIMA(0,1,1)(1,1,1)12. dan setelah dideteksi outlier terdapat 4 innovation outlier. Hasil perbandingan akurasi ramalan melalui nilai RMSE testing menunjukkan bahwa jaringan dengan input lag ARIMA ditambah dummy outlier atau Rprop-NN (13,4,1) merupakan model terbaik untuk peramalan inflasi di Indonesia dengan RMSE 0,47095.
English Abstract
Problem in economics are often difficult to solve, that’s because tha data used to analyzed has irregular patern and difficult to define. Neural Network can catch the non-linear patern in time series. But, in Neural Network there are not rules to used specify units input, so the model of the network is not always good. There are two inputs of neural network that were examined and tested for forecasting inflation in Indonesia, the input according to lag ARIMA and input such as lag ARIMA plus dummy outlier. ARIMA Box-Jenkins is a popular and widely used for time series modelling. Time series observation are often influenced by external disruptive event and make the observations not inconsistent with the others. These inconsistent observation are called outliers. Outliers can have very disruptive effect on model identification, parameter estimation, and forecasting. A dummy outlier can be used to account for an outlier in the data and based on the type of outlier. Result of analysis showed that the best of seasonal ARIMA models suited to inflation forecasting is SARIMA(0,1,1)(1,1,1)12 and after doing detection of outliers, there are 4 innovational outlier. The result of comparative forecast model for forecasting inflation in Indonesia through value of RMSE testing showed that network with input lag ARIMA plus dummy outlier, namely RPROP-NN (13,4,1) is the best model for forecasting inflation in Indonesia with RMSE 0.47095.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0520090054 |
| Uncontrolled Keywords: | ARIMA, Inflasi, Innovational Outlier, Resilient Backpropagation. |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | ismanto |
| Date Deposited: | 31 Jan 2021 13:47 |
| Last Modified: | 11 Jul 2022 06:30 |
| URI: | http://repository.ub.ac.id/id/eprint/182230 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
0520090054-Dwi Wahyu Lestari.pdf Restricted to Registered users only until 31 December 2023. Download (4MB) |
Actions (login required)
 |
View Item |