BAB I
PENDAHULUAN
1.1. Latar Belakang
Peramalan ialah memperkirakan apa yang akan terjadi masa datang (Armstrong, 2001). Peramalan merupakan alat bantu yang penting dalam suatu perencanaan. Peramalan dengan akurasi yang baik dapat dijadikan bahan pertimbangan yang baik juga oleh pembuat keputusan dalam mengambil keputusan. Akan tetapi, peramalan seringkali salah atau tidak tepat. Hal itu sangat wajar, namun yang menjadi pertanyaan ialah seberapa salah peramalan tersebut. Salah satu hal yang sulit diramalkan ialah inflasi. Hal tersebut disebabkan inflasi sangat dipengaruhi oleh ketidakpastian mengingat inflasi dipengaruhi oleh banyak faktor sehingga meramalkan inflasi menjadi kompleks. Namun, mendapatkan nilai peramalan inflasi yang akurat akan menjadi suatu hal yang penting bagi banyak pihak diantaranya para pembuat kebijakan untuk menetapkan kebijakan moneter dan kebijakan fiskal serta menetapkan target inflasi, perusahaan untuk membuat keputusan investasi dan menetapkan harga, investor untuk melakukan investasi, masyarakat untuk mengetahui seberapa besar daya beli mereka dan lain-lain.
Inflasi didefinisikan sebagai kenaikan harga barang dan jasa secara umum, sedangkan deflasi didefinisikan sebagai penurunan harga barang dan jasa secara umum (Case dkk, 2012). Berdasarkan definisi tersebut maka kenaikan harga barang secara individu tidak dapat dikatakan sebagai inflasi. Menurut Mankiw (2012), inflasi memiliki hubungan lebih kepada nilai dari uang dan daripada nilai dari barang. Sebagai contoh, pada masa sekarang ini sebuah telur memiliki harga seribu rupiah. Pada masa lalu telur memiliki harga lima ratus rupiah. Pada kenyataannya dimensi dan rasa telur sejak dahulu hingga kini relatif tetap, namun terjadi perubahan harga telur tanpa disertai perubahan kualitas telur. Peningkatan harga barang dan jasa seperti pada kasus sebutir telur tersebut menggambarkan bahwa kenaikan harga tidak selalu disebabkan karena perubahan nilai dari suatu barang, melainkan perubahan nilai dari uang. Oleh karena terdapat perubahan
pada nilai uang, maka hal tersebut tidak hanya terjadi pada telur namun juga harga dari hampir semua barang dan jasa.
Inflasi merupakan salah satu indikator yang dapat digunakan untuk menganalisis keadaan ekonomi. Hal itu disebabkan karena inflasi akan memberikan dampak besar terhadap perekonomian, seperti perubahan interest rate, kenaikan harga, distorsi pajak, perubahan pada pasar tenaga kerja, redistribusi kemakmuran antara debitur dan kreditur dan lain-lain (Mankiw, 2012). Para ahli ekonomi umumnya berpendapat bahwa inflasi menyebabkan biaya pekerja, distribusi dan efekpertumbuhan ke arah negatif. Dalam halterkait biaya, inflasi dianggap sebagai masalah utama ekonomi modern danmenjadi fokus utama pembuatan kebijakan ekonomi untuk bertujuan mengurangi dan menstabilkan pertumbuhan harga (Mitze, 2002). Sebagai salah satu variabel dalam ekonomi makro, jika inflasi dapat diramalkan dengan model peramalan yang baik maka akan lebih dapat membantu dalam pengambilan kebijakan ekonomi ataupun kebijakan lain yang memiliki dampak dari inflasi. Namun, kenaikan dari harga barang dan jasa yang terjadi di dalam dunia ekonomi nyata tidak terjadi pada level yang sama sehingga membuat peramalan inflasi menjadi sulit (Case dkk, 2012).
Terdapat berbagai faktor-faktor yang mempengaruhi inflasi, oleh karena itu, tingkat inflasi dapat diramalkan dengan metode peramalan kausal. Peramalan kausal telah cukup banyak digunakan untuk meramalkan data yang berupa berinterval tetap (time-series). Armstrong (2006) mengatakan bahwa model peramalan kausal dapat memberikan hasil yang lebih akurat daripada model peramalan yang menggunakan metode ekstrapolasi non kausal (time series method). Lebih lanjut Armstrong mengemukakan bahwa metode peramalan kausal umumnya lebih akurat daripada metode time series karena pada metode kausal dapat melibatkan variabel kebijakan-kebijakan (policy variable). Metode peramalan kausal sangat berguna untuk mendukung pengambilan keputusan di bidang bisnis dan pemerintahan terutama apabila si pengambil keputusan ingin mengetahui dampak akibat perubahan pada variabel yang berpengaruh.
Salah satu metode peramalan kausal konvensional yang dapat digunakan ialah multiple regression analysis (analisis regresi berganda). Multiple regression analysis merupakan model regresi yang melibatkan lebih dari satu variabel independen untuk meramalkan satu variabel dependen (Hanke dan Wichern, 2005). Namun, melakukan peramalan dengan menggunakan multiple regression analysis untuk meramalkan inflasi di Indonesia cukup sulit dan belum tidak memberikan akurasi yang baik. Oleh karena sulitnya melakukan peramalan inflasi di Indonesia dengan menggunakan metode konvensional seperti multiple regression analysis, maka diperlukan suatu pendekatan baru untuk mengatasi permasalahan tersebut. Selain multiple regression analysis, salah satu aplikasi dari kecerdasan buatan yaitu jaringan syaraf tiruan juga dapat dipakai dalam meramalkan peramalan yang berbasis kausalitas.
Zhang dkk. (1997) menyatakan bahwa jaringan syaraf tiruan dapat memberikan performa peramalan yang memuaskan dikarenakan jaringan syaraf tiruan memiliki karakteristik unik dalam kemampuan adaptasinya dan dalam melakukan fungsi pemetaannya. Lebih lanjut, Zhang juga menjelaskan bahwa jaringan syaraf tiruan merupakan black box methods sehingga tidak ada bentuk secara eksplisit yang menjelaskan hubungan antara masukan (input) dan keluaran (output). Hal tersebut menyebabkan interpretasi hasil dari jaringan menjadi sulit. Dalam peramalan menggunakan jaringan syaraf tiruan tidak terdapat metode terstruktur untuk mengidentifikasikan jaringan yang sesuai untuk peramalan. Percobaan trial and error perlu dilakukan untuk menemukan struktur jaringan yang tepat.
Pada penelitian ini akan dibentuk model peramalan tingkat inflasi nasional menggunakan jaringan syaraf tiruan bertipe backpropagation (propagasi balik). Hasil peramalan tersebut kemudian dibandingkan dengan hasil peramalan dengan multiple regression analysis. Metode multiple regression dipilih karena metode tersebut dapat mengidentifikasikan faktor-faktor penyebab inflasi yang secara signifikan mempengaruhi nilai dari tingkat inflasi. Hubungan antara variabel prediktor yang merupakan faktor-faktor penyebab inflasi dan variabel tingkat
inflasi dapat diidentifikasikan pada model multiple regression. Variabel prediktor yang disusun pada model multiple regression tersebut akan menjadi input pada pada pembuatan arsitektur peramalan jaringan syaraf tiruan.
1.2. Rumusan Masalah
Masalah yang akan dikaji dalam penelitian ini adalah pembuatan model peramalan tingkat inflasi di Indonesia dengan menggunakan jaringan syaraf tiruan berdasarkan variabel yang mempengaruhi nilai inflasi tersebut serta membandingkan hasil tersebut dengan hasil peramalan kausal dengan metode multiple regression.
1.3. Batasan Masalah
a) Model yang dibangun untuk peramalan dibuat berdasarkan pada data empiris yang didapatkan dari studi literatur.
b) Data tingkat inflasi yang digunakan untuk peramalan merupakan data bulanan sejak Juli tahun 2005 sampai dengan Desember 2012.
c) Peramalan multiple regression hanya menggunakan regresi linier berganda (multiple linear regression) dan juga model dengan interaksi antar variabel.
d) Optimasi jaringan yang dilakukan hanya dengan mengubah neuron layer tersembunyi (hidden layer), fungsi aktivasi dan jumlah maksimum siklus pembelajaran (epoch).
e) Pengujian hasil peramalan menggunakan pembagian data k-fold cross validation, yaitu tujuh puluh lima persen data digunakan sebagai data pelatihan sedangkan dua puluh lima persen sisanya sebagai data pengujian.
1.4. Tujuan Penelitian
Adapun tujuan penelitian ini adalah sebagai berikut:
a) melakukan peramalan kausal nilai inflasi di Indonesia dengan menggunakan jaringan syaraf tiruan bertipe backpropagation, dan
b) membandingkan hasil peramalan jaringan syaraf tiruan bertipe
backpropagation dengan peramalan kausal menggunakan multiple regression analysis.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah untuk menghasilkan aplikasi peramalan inflasi di Indonesia yang dapat mengakomodasi variabel-variabel yang mempengaruhi nilai inflasi dengan menggunakan jaringan syaraf tiruan. Peramalan dengan menggunakan jaringan syaraf tiruan diharapkan mampu memberikan peramalan dengan akuarasi yang lebih baik.
BAB II
TINJAUAN PUSTAKA
Jaringan syaraf tiruan telah banyak digunakan untuk melakukan peramalan. Studi mengenai peramalan inflasi menggunakan jaringan syaraf tiruan dapat ditinjau melalui beberapa pustaka, yaitu Monge (2009), Mitrea, Lee dan Wu (2009), Haider dan Hanif (2009), Moshiri dan Cameron (2000). Salah satu dari penelitian tersebut dilakukan oleh Monge (2009) yang membahas tentang peramalan inflasi di Costa Rica menggunakan jaringan syaraf tiruan. Hasil peramalan menunjukan bahwa jaringan syaraf tiruan dapat digunakan untuk mengakomodasi peramalan inflasi di Costa Rica pada model ekonomi yang tidak linier.
Mitrea, Lee, dan Wu (2009) membahas tentang perbandingan antara peramalan menggunakan jaringan syaraf tiruan dengan metode peramalan konvensional yaitu Moving Average (MA) dan Autoregressive Integrated Moving Average (ARIMA). Jaringan syaraf tiruan yang digunakan adalah feed forward NN dan Nonlinear Autoregressive network with eXogenous input (NARX). Data yang digunakan pada penelitian ini diambil dari database inventory milik Panasonic Refrigeration Company yang berlokasi di Singapura. Pada penelitian tersebut model jaringan syaraf tiruan terbaik dipilih berdasarkan kemampuannya meramalkan permintaan dan menganalisa level manajemen persediaan di perusahaan tersebut. Kesimpulannya, hasil terbaik diperoleh dengan menggunakan NARX NN. Dalam kasus Panasonic Refrigeration Company pendekatan NN dapat digunakan untuk setiap item dalam rangka meningkatkan akurasi peramalan. Pada kasus dalam penelitian tersebut dibuktikan bahwa jaringan syaraf tiruan memiliki performansi yang lebih baik daripada peramalan dengan menggunakan metode konvensional.
Haider dan Hanif (2009) melakukan penelitian tentang peramalan time series inflasi di Pakistan dengan menggunakan jaringan syaraf tiruan. Penelitian
