Teknologi Data Mining untuk Prediksi Laju Inflasi
Mercurius Broto Legowo
Dosen Tetap – Fakultas Teknologi Informasi
Institut Keuangan Perbankan dan Informatika Asia-Perbanas mercurius.broto@gmail.com
Abstraksi
Prediksi laju suatu inflasi perlu dilakukan karena inflasi akan menyebabkan beberapa pengaruh negatif dan menjadi masalah besar dalam perekonomian Indonesia. Tinggi rendahnya laju inflasi akan mengindikasikan baik buruknya pertumbuhan ekonomi suatu Negara dan menjadikan inflasi sebagai indikator pertumbuhan ekonomi. Disamping itu juga, hasil prediksi inflasi dimanfaatkan oleh pembuat kebijakan, investor maupun perusahaan untuk merencanakan strategi ekonomi untuk mengantisipasi perkembangan laju inflasi dan perencanaan keuangan di waktu berikutnya.
Penelitian yang berhubungan dengan pengukuran prediksi laju inflasi telah banyak dilakukan.Pada perkembangan terakhir dalam bidang teknologi informasi dengan telah diterapkannya beberapa model Teknologi Data Mining, guna mendapatkan suatu hasil penelitian prediksi laju inflasi yang lebih cepat dan akurat. Salah satu model yang di terapkan pada penelitian ini adalah Model Support Vector Machine. Untuk mendapatkan akurasi hasil prediksi laju inflasi yang lebih baik maka parameter Support Vector Machine dapat dioptimasi dengan menggunakan Algortima Genetika.
Hasil pada penelitian ini, dengan Model Support Vector Machine yang dipadu dengan Algoritma Genetika dengan menggunakan tipe Kernel Radial akan memiliki nilai RMSE sebesar 0,065 dan nilai akurasi sebesar 96,357% dan hasilnya lebih baik dibanding dengan metode statistik ekonometrik yang digunakan. Hal ini dapat memberikan gambaran bagi para pengambil keputusan yang berkaitan dengan prediksi laju inflasi di Indonesia serta dalam rangka mengembangkan model dan memberikan kontribusi untuk perbaikan akurasi prediksi laju inflasi.
Kata Kunci : Laju Inflasi, Prediksi, Teknologi Data Mining
1. PENDAHULUAN
Kondisi adanya kenaikan harga barang dan jasa secara umum dimana barang dan jasa tersebut merupakan kebutuhan pokok masyarakat atau turunnya daya jual mata uang suatu negara. (BPS Indonesia. 2013). Kondisi seperti ini sering dihubungkan dengan inflasi. Secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya. Kebalikan dari inflasi disebut deflasi ( Bank Indonesia, 2013 ). Kenaikan harga barang dan jasa yang cukup tinggi akan menyebakan terganggunya system ekonomi suatu usaha dan perekonomian suatu negara. Dengan demikian maka tinggi rendahnya laju inflasi akan mengindikasikan baik buruknya pertumbuhan ekonomi suatu Negara dan menjadikan inflasi sebagai indikator pertumbuhan ekonomi.
Prediksi laju suatu inflasi perlu dilakukan karena inflasi akan menyebabkan beberapa pengaruh negatif dan menjadi masalah besar dalam perekonomian Indonesia. Disamping itu juga, hasil prediksi inflasi dimanfaatkan oleh pembuat kebijakan, investor maupun perushaan untuk merencanakan strategi ekonomi dalam mengantisipasi perkembangan laju inflasi dan perencanaan keuangan di waktu berikutnya kedepan.( Jha and Dang, 2009).
Data 10 tahun terakhir menunjukkan bahwa kondisi ekonomi di Indonesia semakin membaik semenjak krisis ,namun perlunya kehati-hatian pemerintah dalam menentukan kebijakan moneter karena laju inflasi masih sangat fluktuatif.
Gambar.1.1 Grafik Inflasi Tahun 2003 – 2013
Berdasarkan data pada grafik tersebut, maka terlihat pada tahun 2005 terjadi kenaikan yang cukup signifikan yaitu sekitar 17 % dan selanjutnya hingga tahun 2010 kembali normal dengan laju inflasi rata-rata dibawah 8 %. Indikator yang secara umum untuk mengukur laju inflasi adalah Indeks Harga Konsumen (IHK). Penelitian yang berhubungan dengan pengukuran prediksi laju inflasi telah banyak dilakukan dengan memanfaatkan metode Statistic Econometric, misalnya menggunakan Moving Average Method. Pada perkembangan terakhir dalam bidang teknologi informasi dengan telah diterapkannya beberapa model dalam Teknologi Data Mining, guna mendapatkan suatu hasil yang lebih cepat dan akurat. Peramalan Inflasi dengan Neural Network ( Nakamura, Emi, 2005) atau Artificial Neural Network (Haider and Hanif , 2009 ), membandingkan Artificial Neural Network dengan analisis Regresi Linier (Wahyuningsih, Zuhroh & Zainuri, 2008) serta model Artificial Neural Network berbasis Particle Swarm Optimization ( Raharjo, Joko, 2013 ). Model lain dalam Teknologi Data Mining yang juga bisa di terapkan adalah Model Support Vector Machine dan dapat dipadukan dengan Algoritma Genetika guna optimasi parameternya. Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi. Kemampuan lain yang dimiliki oleh metode SVM adalah memiliki akurasi yang tinggi dan tingkat kesalahan yang relativ kecil, kemampuan untuk model komplek nonlinear decision baoudaries, lebih mudah untuk mengatasi over fitting, tidak membutuhkan data yang terlalu besar dan dapat digunakan untuk melakukan prediksi (Sreelakshmi & Kumar, 2008). Sedangkan Algoritma Genetika adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi
alamiah pada tugas-tugas pemecahan masalah (problem solving) (Sumathi, Sivanandam, Lei, Chen, & Nguang, 2006 ). Algoritma Genetika memiliki beberapa kelebihan diantaranya adalah dapat digunakan untuk variabel diskrit maupun kontinyu, dapat digunakan untuk variable yang besar, hasil akhir berupa beberapa variabel yang optimum, tidak hanya satu penyelesaian saja, optimasi dilakukan dengan mengkodekan variable dan dapat digunakan pada data numerik, data eksperimental, atau fungsi analitik (Haupt & Haupt, 2004). Berdasarkan uraian diatas, maka pada penelitian ini akan menerapkan model Support Vector Machine dengan optimasi parameter menggunakan Algoritma Genetika untuk prediksi laju inflasi di Indonesia, yang hingga sekarang belum pernah dilakukan serta diharapkan bisa menghasilkan hasil prediksi yang lebih akurat.
2. TINJAUAN PUSTAKA
2.1. Support Vector Machine
Gambar 2.1 Optimal Hyperlane pada SVM Garis solid pada Gambar 2.1 menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik kotak dan lingkaran yang berada dalam lingkaran hitam adalah support vector. Upaya mencari lokasi hyperplane optimal ini merupakan inti dari proses pembelajaran pada SVM.
1.1.1
Metode KernelFungsi kernel yang biasa digunakan dalam support vector machine adalah sebagai berikut:
1. Kernel Linier 2. Kernel Polynomial
3. Kernel Radial Busis Function 4. Kernel Tangent hyperbolic (sigmoid)
Tabel 2.1. Support Vector Machine.1 Fungsi Kernel dalam SVM
No Kernel Type Formula 1 Kernel Linier
2 Kernel Polynomial 3 Radial Basis
Function 4 Kernel
Sigmoid
1.1.2
Algoritma SVMAlgoritma metode SVM untuk melakukan prediksi Laju Inflasi dapat digambarkan dengan menggunakan flowchart sebagai berikut:
Gambar 2.2
Flowchart Algoritma Support Vector Machine
1.2 Algoritma Genetika
Algoritma Genetika adalah suatu teknik optimasi yang didasarkan pada prinsip genetika dan seleksi alam (Shukla et al., 2010 ). Algoritma Genetika merupakan metode pencarian yang disesuaikan dengan prosess generika dari orginisme biologi yang berdasar pada teori evolusi Charles Darwin.
kromosom. Tiga aspek yang penting untuk penggunaan algoritma genetik:
1. Defenisi fungsi fitness
2. Defenisi dan implementasi representasi genetik 3. Defenisi dan implementasi operasi genetik
Secara umum struktur dari suatu algoritma genetik (Weise, 2009), dapat mendefenisikan dengan langkah-langkah sebagai berikut:
a. Membangkitkan populasi awal b. Membentuk generasi baru c. Evaluasi solusi
Algoritma genetika dapat dijelaskan dengan menggunakan flowchart sebagai berikut :
Gambar 2.1 Flowchart Algoritma Genetika 1.3 Pengertian Inflasi
1.3.1
Konsep Dasar InflasiMenurut Bank Indonesia, secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya Kebalikan dari inflasi disebut deflasi.
1.3.2
Pengukuran InflasiAda beberaa macam pengukuran inflasi, karena perbedaan indeks harga yang berkaitan dengan berbagai sektor ekonomi. Indikator yang sering digunakan untuk mengukur tingkat inflasi adalah Indeks Harga Konsumen (IHK). Perubahan IHK dari waktu ke waktu menunjukkan pergerakan harga dari paket barang dan jasa yang dikonsumsi masyarakat. Model Laju inflasi selanjutnya dapat ditunjukkan dengan ersamaan sebagai berikut :
LIt = IHKt - IHKt-1 x 100
IHKt-1 ...(2.3 ) dimana;
LIt = Laju Inflasi pada periode t
IHKt = Indeks Harga Konsumen periode t
IHKt -1 = Indeks Harga Konsumen periode t-1
1.3.3
Pengaruh InflasiPengaruh inflasi secara jelas akan dapat menyebabkan ketidak-astian tenting masa depan harga, suku bunga, nilai tukar dan kemungkinan berakibat pada meningkatnya potensi resiko antara pedagang dan mitra suatu Negara (Jha & Dang, 2011).
1.4 Metode Evaluasi
Indikasi keberhasilan dari suatu prediksi adalah apakah hasil percobaan yang dilakukan telah akurat dan apakah model prediksi yang digunakan sudah optimal (Shukla et al., 2010 ). Upaya untuk mendapatkan jawaban atas pertanyaan-pertanyaan tersebut maka diperlukan sebuah metode pengukuran hasil dari suatu prediksi dalam bentuk perhitungan kesalahan, dimana beberapa metode pengukuran kesalahan yaitu:
a. Sum Square Error (SSE)
Perhitungannya adalah:
- Hitung keluaran GA-Support Vector Machine untuk masukan pertama
- Kuadratkan setiap keluaran kemudian hitung seluruhnya.
(2.4)
b. Root Mean Square Error ( RMSE )
Perhitungannya adalah: 1. Hitung SSE
2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran, kemudian diakarkan.
. ...(2.5) N = Banyaknya data pada pelatihan
K = Banyaknya Keluaran
Model yang telah optimal akan digunakan untuk simulasi terhadap data yang telah disiapkan untuk pengujian. Kinerja dari suatu model support vector machine setelah dilakukan suatu pelatihan dapat diukur dengan melihat error hasil pelatihan, validasi dan testing terhadap sekumpulan data input baru. Salah satu cara yang dapat digunakan untuk evaluasi ini adalah menggunakan analisis regresi terhadap respon jaringan dan target yang diharapkan.
1.5
Metode Evaluasi Berdasarkan Statistik EkonomterikMetode Moving Average adalah salah satu metode statistic
Ekonometrik yang dapat digunakan untuk melakukan prediksi berdasarkan analisis data runtun waktu. Untuk menghitung tingkat akurasi dan kehandalan peramalan data runtun waktu, digunakan kriteria MSE (Mean Square Error) dan MAPE (Mean Absolute Percentage Error).
a. MSE (Mean Square Error)
Kriteria MSE menyatakan besarnya kesalahan rata-rata kuadrat dari suatu metode peramalan (Hansun, S., 2013 ), dengan rumus perhitungan :
( 2.6 ) dimana :
n menyatakan jumlah data dan et adalah nilai kesalahan
hasil ramalan yang diperoleh dari xt - ẍt. Dalam hal ini, xt
adalah nilai data aktual dan ẍt adalah nilai ramalannya.
b. MAPE (Mean Absolute Percentage Error)
Nilai MAPE memberikan petunjuk tingkat ketepatan / akurasi dan mengenai seberapa besar rata-rata kesalahan absolut peramalan dibandingkan dengan nilai sebenarnya (Hansun, S., 2013 ), dan dinyatakan dengan rumus :
(2.7 )
dimana :
n adalah jumlah data dan et adalah nilai kesalahan ramalan
yang diperoleh dari xt - ẍt .Nilai data aktual dinotasikan
dengan xt dan ẍt adalah nilai ramalannya.. 3. METODE PENELITIAN
Metode penelitian yang digunakan pada penelitian ini adalah penelitian eksperimen, yakni penelitian yang berfokus pada penyelidikan beberapa variabel dan bagaimana cara variabel-variabel tersebut dapat dipengaruhi oleh suatu kondisi tertentu. Biasanya penelitian eksperimen digunakan untuk melakukan verifikasi hipotesis yang sudah dirumuskan sebelumnya. Pada penelitian ini akan digunakan metode Support Vector Machine dengan Algoritma Genetika yang akan digunakan untuk melakukan optimasi parameter, dengan tahapan penelitiannya, sebagai berikut
a. Pengumpulan Data
Data sekunder yang digunakan dalam penelitian ini yaitu data Inflasi dan Indeks Harga Konsumen sejak Januari 1979 sampai Nopember 2013 yang diolah dengan formula tertentu. Data ini peroleh dari Biro Pusat Statistik Indonesia. Sedangkan data primer yang gunakan adalah data hasil pengolahan dengan Rapidminer ver 5.3 yang akan dibandingakan dengan data aktual.
b. Pengolahan Data Awal
Tahap awal pengolahan data ini dilakukan menjadi beberapa langkah yaitu:
1) Penentuan Input Dan Output
Data input dan output yang digunakan dalam penelitian ini adalah data time series (data rentet waktu), yakni data laju Inflasi di Indonesia mulai Januari 1979 sampai Nopember 2013
2) Penentuan data Training dan Testing
Setelah melakukan penentuan data input dan data output, selanjutnya dilakukan penentuan data training dan data testing.
3) Normalisasi Data
Sebelum dilakukan pelatihan terhadap data set, data primer harus dilakukan normaliasi data terlebih dahulu. Normalisasi data dilakukan dengan tujuan agar proses pelatihn dapat berjalan dengan cepat dan mampu digunakan untuk melakukan pelatihan.
c. Metode atau Model Yang Diusulkan
Pada penelitian ini metode yang diusulkan untuk melakukan prediksi laju inflasi adalah dengan menggunakan model Support Vector Machine dengan menerapkan Algoritma Genetika untuk melakukan optimasi parameter Support Vector Machine
d. Eksperimen dan Pengujian Model
Tahap eksperimen dilakukan untuk menghasilkan model prediksi dengan menggunakan langkah-langkah sebagai berikut:
a. Inisialisasi parameter C ,γ dan ε b. Pemilihan Kernel
c. Menentukan Max Iteration e. Evaluasi dan Validasi Hasil
Evaluasi hasil pengujian model ini dengan menggunakan Root Mean Square Error dan pengujian validasi dengan menggunakan uji statistik berupa t-test Paired Two Sample for mean. RMSE digunakan untuk menguji seberapa dekat nilai aktual dengan nilai prediksi dan t-test Paired Two Sample for mean digunakan untuk melakukan pengujian apakah ada perbedaan RMSE sebelum dan sesudah digunakan Algoritma Genetika pada model Support Vector Machine.
4.
HASIL DAN PEMBAHASAN
Hasil dalam penelitian dilakukan dalam dua metode yaitu metode perhitungan dengan menggunakan perhitungan Metode Support Vector Machine tanpa dikombinasi dengan Algoritma Genetika dan Support Vector Machine yang dikombinasi dengan Algoritma Genetika. Model pengujian dilakukan dengan menggunakan Tipe Kernel Radial.
Tabel 4.2
Pengujian Terbaik GA-SVM dan SVM Pada Tipe Kernel Radial
SVM GA-SVM
C 401.113 968.504
Gamma 0.233 0.181
Epsilon 0.004 0.000
Akurasi 98,90% 99.30%
RMSE 0,004 0.035
SedangkanGrafik perbandingan prediksi laju inflasi pada SVM dan GA-SVM yang diterapkan pada data training ditunjukkan oleh gambar 4.1
.
Gambar 4.2 Grafik Perbandingan Prediksi Harga GA -SVM dengan SVM
1.6 Evaluasi Dan Validasi Hasil
H0 : Ada perbedaan nilai RMSE sebelum dan sesudah dilakukan optimasi parameter SVM pada Tipe Kernel Radial
H1 : Tidak ada Ada perbedaan nilai RMSE sebelum dan sesudah dilakukan optimasi parameter SVM pada Tipe Kernel Radial
Tabel 5.3
Hasil uji statistic t-test Paired Two Sample for mean pada akurasi tipe kernel polynomial
Berdasarkan data pada tabel 4.3 di atas menunjukkan bahwa nilai t-hitung yang diperoleh, yang ditunjukkan oleh variabel t-Stat sebesar -5,9835 sedangkan t-tabel ditunjukkan oleh variabel t Critical one tail sebesar 1,6991, oleh karena t-hitung < t-tabel maka H0 diterima dan H1 ditolak yaitu ada perbedaan rata-rata RMSE sebelum dan sesudah dilakukan optimasi parameter SVM dengan Algoritma Genetika pada tipe kernel radial
Berdasarkan hasil pengujian maka dapat disimpulkan bahwa Tidak ada perbedaan yang signifikan pada penerapan model Support Vector Machine dalam prediksi laju inflasi sebelum dan sesudah dioptimasi parameter Support Vector Machine dengan menggunakan Algoritma Genetika.
5. PENUTUP
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan tentang Model Support Vector Machine dengan optimasi parameter menggunakan Algoritma Genetika untuk prediksi laju inflasi di Indonesia, menyatakan bahwa dari hasil pengujian menggunakan Tipe Kernel Radial , nilai RMSE rata-rata dengan menggunakan metode SVM sebelum dioptimasi sebesar 0,474 sedangkan rata-rata RMSE dengan menggunakan metode GA-SVM sebesar 0,065. Sedangkan hasil rata-rata akurasi dengan menggunakan metode SVM sebelum dioptimasi sebesar 91,953% selanjutnya rata-rata akurasi pada metode GA-SVM sebesar 96,357%, sehingga dapat dikatakan bahwa penerapan model SVM yang dioptimasi parameter C, γ dan ε dengan algoritma genetika meningkatkan akurasi dalam prediksi laju inflasi di Indonesia yang sangat hasil akurasi prediksi yang lebih baik.
Perlu dilakukan penelitian lain yang dengan statistik ekonometrik untuk perbandingan keakurasian dengan hasil penelitian teknologi datamining ini.
6. Daftar Pustaka
Adnan Haider and Muhammad Nadeem Hanif, (2007), Inflation Forecsting in Pakistan Using Artificial Neural Network, MPRA Paper No. 14645, posted 16. April 2009 23:35 UTC Karachi, Pakistan. http://mpra.ub.uni-muenchen.de/14645/
Emi Nakamura,( 2005), "Inflation Forecasting Using A Neural Network" , Harvard University, June 21, June 2005.
http://www.columbia.edu/~en2198/papers/
Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms, 2nd Edition, New Jersey: A John Wiley and Sons, Ltd
Inflation and Growth, Canberra, Australia. ASARC Working Paper 2011/08, https://cnnd.crawford.anu.edu.au/acde/asarc/p df/papers/2011/WP2011_08
Raharjo, Joko (2013), Model Artificial neural network berbasis Particle swarm optimization untuk Prediksi laju inflasi, Jurnal Sistem Komputer -Vol.3, No.1, Juni 2013, ISSN: 2087-4685, e-ISSN: 2252-3456
Shi, Y., Tian, Y., Kou, G., Peng, Y., & Lia, J. (2011). Optimization Based Data Mining Theory and Application. Springer London, December 2010 doi:10.1007/978-0-85729-504-0
Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Application of Soft Computing. CRC Press
Sreelakshmi, K., & Kumar, P., R. (2008). Short Term Wind Speed Predicting Using Support Vector Machine Model. Journal WSEAS Transcation on Computer, Vol 7 Issue 11, November 2008, pages 1828-1837
Sumathi, S., Sivanandam, S. N., Lei, V., Chen, Z., & Nguang, S. K. (2006). Introduction to Data Mining and its Applications Studies in Computational Intelligence (Volume 29.). London: Springer.
Wahyuningsih,D, Zuhroh, & Zainuri ( 2008 ), Prediksi Inflasi Indonesia Dengan Model Artificial Neural Network, Journal of Indonesian Applied Economics, Vol. 2 No. 2 Oktober 2008, 113-127
Weise, T. (2009). Global Optimization Algorithms – Theory and Application – (Second Edition ). it-weise.de (self-published). Retrieved from
http://www.it-weise.de/documents/metaWGOEB.html
Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., et al. (2007). Top 10 algorithms in data mining (Vol.
14, pp. 1–37). CRC Press. doi:10.1007/s10115-007-0114-2
http://www.bps.go.id/aboutus.php?inflasi=1 diunduh 14-12-2013.
