PERAMALAN DATA LAJU INFLASI DI KOTA SEMARANG MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)

Melasari, Widia, B2A017012 (2021) PERAMALAN DATA LAJU INFLASI DI KOTA SEMARANG MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN). Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 1. COVER.pdf Download (342kB) | Preview
Preview	Text 2. HALAMAN PERSETUJUAN SCAN.pdf Download (518kB) | Preview
Preview	Text 3. HALAMAN PENGESAHAN SCAN.pdf Download (560kB) | Preview
Preview	Text 6. ABSTRAK.pdf Download (320kB) | Preview
Preview	Text 10. BAB I.pdf Download (554kB) | Preview
Preview	Text 11. BAB II.pdf Download (878kB) | Preview
	Text 12. BAB III.pdf Restricted to Repository staff only Download (504kB) | Request a copy
	Text 13. BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text 14. BAB V.pdf Download (319kB) | Preview
Preview	Text 15. DAFTAR PUSTAKA.pdf Download (327kB) | Preview
	Text 16. LAMPIRAN.pdf Restricted to Repository staff only Download (907kB) | Request a copy
Preview	Text TEXT FULL MANUSCRIPT.pdf Download (1MB) | Preview

Abstract

Inflasi merupakan kenaikan harga-harga secara umum dan terus menerus,namun kenaikan harga yang terjadi pada satu atau dua barang tidak dapat dikatakan sebagai inflasi kecuali kenaikan tersebut mempengaruhi kenaikan harga barang lainnya. Salah satu indikator yang dapat digunakan untuk menganalisa keadaan ekonomi Kota Semarang adalah laju inflasi. Laju inflasi yang rendah dan stabil sangat diperlukan untuk menjaga pertumbuhan ekonomi sehingga dapat memberikan manfaat dalam peningkatan kesejahteraan masyarakat. Sehingga diperlukan sebuah metode yang dapat meramalakan data laju inflasi kota Semarang. Metode GRNN termasuk model jaringan dengan pengawasan (supervised training) dimana output yang diharapkan diarahkan untuk mengikuti pola output data training. Pada penelitian ini menggunakan data bulanan laju inflasi kota Semarang dari tahun 2006 hingga tahun 2020 dengan pembagian data training sebesar 75% dan data testing sebesar 25%. Pemodelan yang terbentuk berdasarkan nilai spread yang paling optimal yaitu 0,004 menghasilkan nilai MAPE sebesar 1,01% yang artinya pelatihan jaringan GRNN ini memiliki tingkat akurasi sebesar 98,99% dan memberikan model dengan kemampuan peramalan yang sangat baik. Kata Kunci : GRNN, Inflasi, Peramalan, Spread

Actions (login required)

View Item