SUHENDRA RAHMAT, - (2021) PREDIKSI TINGKAT INFLASI MENGGUNAKAN MODEL REGRESI DENGAN OPTIMASI ALGORITMA GENETIKA. Skripsi thesis, UIN SULTAN SYARIF KASIMRIAU.

	Text (BAB V IMPLEMENTASI DAN PENGUJIAN) BAB V IMPLEMENTASI DAN PENGUJIAN.pdf - Published Version Restricted to Repository staff only Download (359kB)
Preview	Text TA LENGKAP KECUALI BAB V.pdf Download (1MB) | Preview

Abstract

Inflasi dapat dikatakan sebagai perubahan nilai barang ataupun jasa yang terjadi secara terus-menerus, inflasi ini kemudian dapat berdampak buruk pada sosial ekonomi masyarakat. Prediksi terhadap tingkat inflasi diperlukan untuk mengetahui berapa kenaikan maupun penurunan tingkat inflasi dimasa mendatang. Prediksi sendiri merupakan suatu peramalan terhadap suatu hal pada suatu waktu tertetntu. Prediksi atau peramlan dilakukan dengan menggunakan model regresi, model regresi merupakan suatu metode peramalan yang memanfaatkan data historis tingkat inflasi bulanan indonesia. Untuk menghasilkan prediksi yang lebih baik, perlu dilakukan optimasi terhadap model regresi dengan menggunakan algoritma genetika dengan tujuan mendapatkan koefisien regresi terbaik untuk prediksi tingkat inflasi dengan model regresi. Proses crossover pada algoritma genetika menggunakan extended intermediet crossover, proses mutasi menggunakan model random mutation dan proses seleksi menggunakan model replacement selection. Pengujian terhadap prediksi tingkat inflasi dengan model regresi yang dioptimasi dengan algoritma genetika, menggunakan 10 data atau individu yakni data tingkat inflasi pada tahun 2019, prediksi dilakukan sebanyak 10 kali percobaan. Prediksi tingkat inflasi dengan menggunakan model regresi dan optimasi algoritma genetika ini terbukti dapat menghasilkan hasil prediksi tingkat inflasi yang termasuk dalam kategori baik. Nilai rata-rata eror MSE untuk prediksi yang dihasilkan adalah 0.1554, nilai rata-rata eror MAPE sebesar 14.58% dan nilai rata-rata akurasi 85.41%. Kata Kunci: Inflasi, prediksi, regresi linier, algoritma genetika, crossover, mutasi

Actions (login required)

View Item