BAB 1 PENDAHULUAN
Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan tugas akhir.
1.1 Latar Belakang
Negara yang maju adalah negara yang mempunyai perekonomian dan stabilitas yang kuat. Namun, stabilitas ekonomi tidak selalu berjalan dengan mulus karena perekonomian dipengaruhi oleh banyak faktor, baik faktor internal maupun faktor eksternal. Salah satu indikator utama yang digunakan untuk melihat perkembangan perekonomian suatu negara adalah tingkat laju inflasi.
Inflasi sering diartikan sebagai kecenderungan naiknya harga secara umum dan terus menerus. Menurut Boediono (1985), kenaikan harga dari satu atau dua barang saja tidak disebut inflasi, kecuali kenaikan tersebut meluas kepada (mengakibatkan kenaikan) sebagian besar dari harga barang-barang lain. Dengan kata lain, inflasi juga merupakan proses menurunnya nilai mata uang secara kontinu. Kebalikan dari inflasi disebut deflasi. Indikator yang sering digunakan untuk mengukur tingkat inflasi adalah indeks harga konsumen (IHK). Dan terdapat beberapa faktor yang mempengaruhi laju inflasi di Indonesia diantaranya dari faktor internal dan faktor eksterna, sedangkan faktor internalnya yaitu Produk Domestik Bruto (PDB), BI Rate, dan Jumlah Uang Beredar (M2), serta Nilai Tukar Rupiah terhadap Dollar (Kurs), (Primawan, 2012).
Inflasi memiliki dampak positif dan negatif bagi perekonomian indonesia, apabila inflasi rendah akan berpengaruh positif yang akan mendorong perekonomian lebih baik tetapi sebaliknya, ketika inflasi tinggi keadaan perekonomian menjadi
Inflasi yang tidak dikendalikan dengan baik akan berdampak pada merosotnya perekonomian Indonesia. Oleh karena itu, prediksi inflasi pada masa yang akan datang sangat diperlukan untuk menyusun kebijakan ekonomi di masa mendatang.
Penelitian tentang prediksi inflasi sebelumnya sudah pernah dilakukan. Mega Silfiani dan Suhartono (2012) mengunakan metode ARIMA (autoregressive integrated moving average), ANN (artificial neural network) dan Ensembel (gabungan) untuk peramalan inflasi di Indonesia. Metode single ANN ensembel menghasilkan RMSE yang kecil dibandingkan model lainnya pada pemodelan inflasi nasional dan tujuh kota di Jawa Timur. Oleh karena itu dapat dikatakan metode yang lebih rumit tidak selalu meningkatkan akurasi peramalan pada data out of sample dibandingkan metode yang sederhana meskipun metode yang lebih rumit cocok dengan model statistik untuk data historis yang tersedia. Aidatul Fitriah (2011) memprediksi tingkat inflasi di Indonesia dengan menggunakan model neuro fuzzy, yaitu ANFIS (adaptive neuro fuzzy inference system) yang diaplikasikan pada tingkat inflasi , nilai tukar rupiah dan tingkat BI Rate dimana dilihat dari hasil MSE dan MAPE pada testing yang bernilai sangat besar, dapat disimpulkan bahwa prediksi tingkat inflasi menggunakan model ANFIS tidak cocok untuk jangka panjang, namun cocok untuk jangka pendek misal tingkat inflasi 3 bulan kemudian (triwulan).
Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut (Widiarsana, O et al., 2011). Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan sampel latih. (Daniel,2005). Algoritma K-Nearest Neighbor (kNN) adalah metode yang digunakan untuk mengelompokkan objek berdasarkan contoh pelatihan terdekat di ruang fitur , Knn merupakan jenis yang paling dasar dari contoh based learning atau lazy learning juga termasuk kelompok instance-based learning. kNN dilakukan dengan mencari kelompok objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing. (Krati,2014).
Ketepatan algoritma KNN oleh ada atau tidak adanya fitur – fitur yang tidak relevan, atau jika bobot fitur tersebut setara dengan relevansinya terhadap klasifikasi. Algoritma K-Nearest Neighbor memiliki kelebihan yaitu dapat menghasilkan data
yang kuat atau jelas dan efektif jika digunakan pada data yang besar. Dari beberapa kelebihan tersebut,
K-Nearest Neighbor juga memiliki kekurangan yaitu membutuhkan nilai K sebagai parameter, jarak dari data percobaan tidak dapat jelas dengan tipe jarak yang digunakan dan dengan atribut yang digunakan untuk memperoleh hasil yang terbaik, maka harus menggunakan semua atribut atau hanya satu atribut yang telah pasti. (Alfian, 2014).
K-Nearset Neighbor telah digunakan untuk beberapa penelitian seperti yang dilakukan oleh Ricky Imanuel (2014) pada penelitian “Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor” yang mana hasil penelitiannya tersebut prediksi menggunakan algoritma k-nearset neighbor secara manual dan menggunakan system yang digunakan data training adalah 90 data mahasiswa yaitu 42 orang data teknik informatika S1, 40 orang mahasiswa system informasi S1, dan 8 orang mahasiswa teknik informatika D3. Hasil uji coba didapatkan kesamaan hasil prediksi yaitu 79%. Khalid (2013) “ Stock Price Prediction Using K-Nearest Neighbor (kNN) Algorithm” yang mana hasilnya penelitiannya tersebut prediksi harga saham dengan menggunakan algoritma K- Nearest Neighbor menghasilkan k = 5 untuk melakukan tes tersebut pada set data pelatihan dan hasilnya algoritma kNN stabil dan kuat dengan rasio kesalahan kecil, sehingga hasilnya rasional dan masuk akal. Selain itu hasil prediksi harga saham dengan kNN sangat dekat dengan harga sebenarnya. Dan penelitian lainnya oleh Naila Fitriah (2012) “Aplikasi Prediksi Harga Saham APPLE, IBM, DELL Dan HP menggunakan Algoritma K-Nearest Neighbor” yang mana hasil penelitiannya tersebut yaitu prediksi kenaikan atau penurunan harga saham yaitu Error rate (rata-rata error terkecil) yang dihasilkan Algoritma K-Nearest Neighbors < 50%.
Berdasarkan latar belakang diatas, maka judul penelitian ini adalah “Prediksi Inflasi Di Indonesia Menggunakan Algoritma K-Nearest Neighbor (KNN)”.
1.2 Rumusan Masalah
Inflasi adalah kecenderungan naiknya harga secara umum dan terus menerus . Inflasi yang tidak dikendalikan dengan baik akan berdampak pada merosotnya perekonomian
Indonesia. Oleh karena itu, prediksi tingkat inflasi pada masa yang akan datang sangat diperlukan untuk menyusun kebijakan ekonomi di masa mendatang.
1.3Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu untuk memprediksi inflasi di Indonesia menggunakan Algoritma K-Nearest Neighbor (K-NN).
1.4 Batasan Masalah
Untuk menghindari penyimpangan dan perluasan yang tidak diperlukan, penulis membuat batasan:
1. Data yang digunakan merupakan data dari Bank Indonesia dan Statistik dari tahun 2003 – 2013. (www.bi.go.id) dan (www.bps.go.id).
2. Prediksi dilakukan berdasarkan faktor internal Produk Domestik Bruto (PDB), BI Rate, Jumlah Uang Beredar (M2) dan Nilai Tukar Rupiah terhadap Dollar (Kurs).
3. Tidak mempertimbangkan faktor eksternal seperti faktor alam (banjir dan letusan gunung) serta keadaan politik, kebijakan pemerintah, keamanan dan lain – lainnya.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu pengguna memprediksi inflasi di masa yang akan datang.
2. Sebagai alat batu dan acuan untuk menyusun kebijakan ekonomi di masa mendatang.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan pada penelitian ini adalah : 1. Studi Literatur
Studi literatur yaitu proses pengumpulan bahan-bahan referensi baik dari buku, artikel, paper, jurnal, makalah, maupun situs internet tentang inflasi , Algoritma
K-Nearest Neighbor, data-data yang dibutuhkan berkaitan dengan pembangunan sistem.
2. Analisis Permasalahan
Pada tahapan ini akan dilakukan analisis tentang penerapan algortma K-Nearest Neighbor, untuk dapat menghasilkan Inflasi terhadap permasalahan prediksi inflasi.
3. Perancangan Sistem
Pada tahapan ini, perancangan sistem meliputi beberapa tahap, sesuai dengan kebutuhan sistem yaitu perancangan Database dan Flowchart.
4. Impelementasi
Pada tahapan ini dilakukan pembangunan sistem berdasarkan hasil perancanngan sistem yang telah dilakukan sebelumnya dan penerapan algoritma K-Nearest Neighbor pada sistem. Sistem akan dibangun menggunakan bahasa pemrograman PHP dan database MySQL.
5. Pengujian
Tahapan selanjutnya setelah implementasi adalah pengujian sistem apakah sudah memenuhi kriteria sesuai dengan tujuan penelitian atau tidak.
6. Penyusunan Laporan
Setelah pengujian maka dilakukan penyusunan laporan sesuai dengan hasil yang diperoleh pada saat pengujian sistem.
1.7 Sistematika Penulisan
Sistematika penulisan skripsi ini dibagi menjadi lima bagian utama, yaitu:
Bab 1: Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini membahas teori-teori yang digunakan untuk menyelesaikan permasalalan yang akan dibahas pada penelitian ini.
Bab 3: Analisi dan Perancangan
Bab ini berisi analisi dan penerapan algoritma K-Nearest Neighbor untuk memprediksi inflasi pada masa yang akan datang. Bab ini juga berisi perancangan sistem dan perancangan user interface, Flowchart dari aplikasi yang akan dibuat.
Bab 4: Implementasi dan Pengujian
Bab ini berisi implementasi dari aplikasi yang akan dibuat. Bagaimana algoritma bekerja pada sistem yang dibangun, dan pengujian system yang telah dibangun apakah sudah sesuai dengan apa yang telah digambarkan pada latar belakang dan tujuan dari pembangunan sistem tersebut.
Bab 5: Kesimpulan dan Saran
Bab ini berisi tentang kesimpulan yang didapat dari hasil pengujian dan saran yang dapat bermanfaat untuk penelitian selanjutnya dalam mengembangkan sistem.
