Perbandingan Metode Jaringan Saraf Tiruan, Fuzzy, Dan Anfis Pada Peramalan Data Inflasi Indonesia
DOI:
https://doi.org/10.25126/jtiik.2025128613Kata Kunci:
anfis, fuzzy, inflasi, jaringan saraf tiruanAbstrak
Peramalan adalah teknik penting untuk mengestimasi nilai masa depan berdasarkan data historis. Namun, metode peramalan sering menghadapi tantangan dalam memilih model dengan tingkat akurasi terbaik. Penelitian ini bertujuan membandingkan kinerja metode Jaringan Syaraf Tiruan (JST) dan Fuzzy Metode Sugeno serta gabungan kedua metode yang disebut Adaptive Neuro Fuzzy Inference System (ANFIS). Ketiga metode digunakan untuk meramalkan inflasi bulanan Indonesia. Penerapan ketiga metode membutuhkan penentuan input yang berdasarkan stasioner dan PACF. Data tidak stasioner lag 2 sehingga Differencing lag 2 kemudian tidak ada lag yang keluar pada PACF. Berdasarkan kedua hal tersebut ditentukan inputnya ialah dan . Hasil menunjukkan bahwa metode JST dengan 3 lapisan tersembunyi dengan banyak neuron (2,1,1) memberikan kinerja terbaik (nilai RMSE terkecil sebesar 1,16127 pada data testing). Metode terbaik tersebut digunakan untuk meramalkan Inflasi bulan September 2023 hingga Desember 2024 cenderung konstan antara 2,68879% hingga 2,68887%. Kontribusi riset ini adalah metode advance (ANFIS) dengan menggabungankan dua metode (JST dan Fuzzy) belum tentu lebih baik daripada metode tanpa penggabungan (JST atau Fuzzy).
Abstract
Forecasting is an important technique for estimating future values based on historical data. However, forecasting methods often face challenges in choosing a model with the best level of accuracy. This study aims to compare the performance of the Artificial Neural Network (ANN) and Fuzzy Sugeno Method methods and a combination of the two methods called the Adaptive Neuro Fuzzy Inference System (ANFIS). The third method is used to predict Indonesia's monthly inflation. The application of the third method requires input determination based on stationary and PACF. The data is not stationary lag 2 so that Differencing lag 2 then there is no lag that comes out in PACF. Based on these two things, the input is determined to be Y_(t-1) and Y_(t-2). The results show that the ANN method with 3 hidden layers with many neurons (2,1,1) gives the best performance (the smallest RMSE value is 1.16127 on the test data). The best method used to predict inflation from September 2023 to December 2024 tends to be constant between 2.68879% to 2.68887%. The contribution of this research is that the advanced method (ANFIS) by combining two methods (ANN and Fuzzy) is not necessarily better than the method without combining (ANN or Fuzzy).
Downloads
Referensi
AGGARWAL, C.C., 2018. Neural Networks and Deep Learning. New York: Springer.
AKTIVANI, S., 2021. Uji Stasioneritas Data Inflasi Kota Padang Periode 2014-2019. Jurnal Statistika Industri dan Komputasi, 6(1), 26-33.
ALFIYATIN, A. N., MAHMUDY, W. F., ANANDA, C. F. & ANGGODO, Y. P., 2019. Penerapan Extreme Learning Machine (ELM) untuk Peramalan Laju Inflasi di Indonesia. JTIIK, 6(2), 179-186.
ALMUMTAZAH, N., KIROMI, M. S. & ULINNUHA, N., 2023. Klasifikasi Alzheimer Berdasarkan Data Citra MRI Otak Menggunakan FCM dan ANFIS. JTIIK, 10(3), 613-622.
BPS, 2023. Pemutakhiran Tahun Dasar dalam Penghitungan Indeks Harga Konsumen (IHK). Tersedia melalui: <https://blorakab.bps. go.id/news/2020 /04/15/53/pemutakhiran-tahun-dasar-dalam-penghitungan-indeks-harga-konsumen--ihk-.html> [Diakses 6 Oktober 2023].
DEIF, M., HAMMAM, R. & SOLYMAN, A., 2021. Adaptive Neuro-Fuzzy Inference System (ANFIS) for Rapid Diagnosis of COVID-19 Cases Based on Routine Blood Tests. International Journal of Intelligent Engineering & Systems, 14(2), 178-189.
KARTIKASARI, R. Y., PRAKARSA, G. & PRADEKA, D., 2020. Optimization of Traffic Light Control Using Fuzzy Logic Sugeno Method. International Journal of Global Operations Research, 1(2), 51-61.
KURNIAWAN, E., WIBAWANTO, H. & WIDODO, D. A., 2019. Implementasi Metode Backpropagation dengan Inisialisasi Bobot Nguyen Widrow untuk Peramalan Harga Sagam. JTIIK, 6(1), 49-54.
KUSUMA, L. P., PRASETIO, B. H. & SETIAWAN, E., 2023. Sistem Identifikasi Penyakit Paru Obstruktif Kronik (PPOK) Berdasarkan Suara Paru-paru Menggunakan Jaringan Saraf Tiruan Berbasis Raspberry PI. JTIIK, 10(1), 215-226.
LUSIA, D. A. & AMBARWATI, A., 2020. Desain Faktorial untuk Pembuktian Teori Masters dalam Penentuan Jumlah Lapisan dan Neuron Tersembunyi Pada Peramalan Multivariat dengan Jaringan Syaraf Tiruan. JTIIK, 7(1), 41-50.
LY, K. T., 2021. A COVID-19 Forecasting System Using Adaptive Neuro-Fuzzy Inference. Finance Research Letters 41.
MAKRIDAKIS, S. & HIBON, M., 2000. The M3-Competition: Results, Conclusions and Implications. International Journal of Forecasting, 16, 451-476.
PUTRA, H. & WALMI, N. U., 2020. Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation. Jurnal Nasional Teknologi dan Sistem Informasi, 6(2), 100-107.
RIZAL, M., INDAH, D. R. & MEUTIA, R., 2021. Analisis Peramalan Produksi Menggunakan Trend Moment Pada Kilang Padi Do’a Ibu Diperlak Kecamatan Peureulak. SAMUKA: Jurnal Samudra Ekonomika, 5(1), 161-168.
SARI, N.R., MAHMUDY, W. F. & WIBAWA, A. P, 2016. Backpropagation on Neural Network Method for Inflation Rate Forecasting in Indonesia. Int. J. Advance Soft Compu. Appl., 8(3), 70-87.
SARI, N.R., MAHMUDY, W. F. & WIBAWA, A. P, 2017a. Comparison of ANFIS and NFS on Inflation Rate Forecasting. 5th International Conference on Electrical, Electronics, and Information Engineering, 123-230.
SARI, N.R., MAHMUDY, W. F. & WIBAWA, A. P., 2017b. Mengukur Performa Model TSK Fuzzy Logic Menggunakan Faktor Eksternal untuk Peramalan Laju Inflasi. MATICS: Jurnal Ilmu Komputer dan Teknologi Informasi, 9(1), 27-32.
SELLE, N., YUDISTIRA, N. & DEWI, C., 2022. Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). JTIIK, 9(1), 155-162.
SIMANUNGKALIT, E. F. B., 2020. Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi di Indonesia. Journal of Management, 13(3), 327-340.
TUNDO, AKBAR, R. & SELA, E. I., 2020. Analisis Perbandingan Fuzzy Tsukamoto dan Sugeno dalam Menentukan Jumlah Produksi Kain Tenun Menggunakan Base Rule Decision Tree. JTIIK, 7(1), 171-180.
YAKUBU, U. A. & SAPUTRA, M. P. A., 2022. Time Series Model Analysis Using Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) for E-Wallet Transactions during a Pandemic. International Journal of Global Operations Research, 3(3), 80-85.
WAHANANI, H. E., SWARI, M. H. P. & AKBAR, F. A., 2020. Case Based Reasoning Prediksi Waktu Studi Mahasiswa Menggunakan Metode Euclidean Distance dan Normalisasi Min-Max. JTIIK, 7(6), 1279-1288.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
