Prediksi Indeks Harga Konsumen Komoditas Makanan Berbasis Cloud Computing Menggunakan Multilayer Perceptron
DOI:
https://doi.org/10.31328/jointecs.v6i1.1702Keywords:
indeks harga konsumen, multilayer perceptron, cloud computing, prediksi multivariabel,Abstract
Teknik prediksi merupakan salah satu area dalam data mining dimana menemukan pola dari sekumpulan data yang mengarah pada prediksi di masa depan. Prediksi dalam bidang ekonomi merupakan prediksi yang mendominasi karena merupakan salah satu parameter berkembangnya suatu negara. Indeks Harga Konsumen menggambarkan tingkat konsumsi barang dan jasa pada masyarakat yang dapat dijadikan acuan nilai inflasi. Mayoritas penelitian yang melakukan prediksi nilai Indeks Harga Konsumen sebelumnya hanya melakukan prediksi menggunakan nilai Indeks Harga Konsumen itu sendiri sebagai nilai input dan output. Penelitian ini membangun model peramalan dengan memanfaatkan multi variabel input yaitu 28 jenis harga bahan pokok harian sebagai nilai input untuk meramal nilai Indeks Harga Konsumen di kota Surabaya periode 2014 sampai 2018 dimana keseluruhan pembangunan model prediksi dilakukan di lingkungan Amazon Cloud Services. Sistem prediksi dibangun dengan algoritma Multilayer Perceptron dengan variasi arsitektur jumlah neuron, epoch, dan hidden layer. Berdasarkan hasil pengujian, akurasi terbaik dengan nilai RMSE 3.380 dihasilkan oleh konfigurasi 2 hidden layer, hidden layer pertama dan kedua mempunyai neuron masing-masing berjumlah 10 dengan epoch sebesar 1000.References
B. Karlina, “Pengaruh Tingkat Inflasi, Indeks Harga Konsumen Terhadap PDB di Indonesia Pada Tahun 2011-2015,†J. Ekon. dan Manaj., vol. 6, no. 1, pp. 2252–6226, 2017, [Online]. Available: http://fe.budiluhur.ac.id/wp-content/uploads/2017/08/b.-berlian.pdf.
A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,†J. Penelit. Tek. Inform. Sink., vol. 2, no. 2, pp. 37–43, 2017, [Online]. Available: https://zenodo.org/record/1009223#.Wd7norlTbhQ.
A. S. Ahmar et al., “Implementation of the ARIMA(p,d,q) method to forecasting CPI Data using forecast package in R Software,†J. Phys. Conf. Ser., vol. 1028, no. 1, 2018, doi: 10.1088/1742-6596/1028/1/012189.
D. A. Lubis, M. B. Johra, and G. Darmawan, “Peramalan Indeks Harga Konsumen dengan Metode Singular Spectral Analysis (SSA) dan Seasonal Autoregressive Integrated Moving Average (SARIMA),†J. Mat. “MANTIK,†vol. 3, no. 2, pp. 74–82, 2017, doi: 10.15642/mantik.2017.3.2.74-82.
A. Wibowo, “Model Peramalan Indeks Harga Konsumen Kota Palangka Raya Menggunakan Seasonal ARIMA (SARIMA),†J. Mat., vol. 17, no. 2, pp. 17–24, 2018, doi: 10.29313/jmtm.v17i2.3981.
K. Dewi, P. P. Adikara, and S. Adinugroho, “Prediksi Indeks Harga Konsumen ( IHK ) Kelompok Perumahan , Air , Listrik , Gas Dan Bahan Bakar Menggunakan Metode Support Vector Regression,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3856–3862, 2018.
H. Ramchoun, M. Amine, J. Idrissi, Y. Ghanou, and M. Ettaouil, “Multilayer Perceptron: Architecture Optimization and Training,†Int. J. Interact. Multimed. Artif. Intell., vol. 4, no. 1, p. 26, 2016, doi: 10.9781/ijimai.2016.415.
F. R. Lima-Junior and L. C. R. Carpinetti, “Predicting supply chain performance based on SCOR ® metrics and multilayer perceptron neural networks,†Int. J. Prod. Econ., vol. 212, no. February, pp. 19–38, 2019, doi: 10.1016/j.ijpe.2019.02.001.
K. Halawa, M. Bazan, P. Ciskowski, T. Janiczek, P. Kozaczewski, and A. Rusiecki, “Road traffic predictions across major city intersections using multilayer perceptrons and data from multiple intersections located in various places,†IET Intell. Transp. Syst., vol. 10, no. 7, pp. 469–475, 2016, doi: 10.1049/iet-its.2015.0088.
I. Oktavianti, “Analisis Pola Prediksi Data Time Series menggunakan Support Vector Regression, Multilayer Perceptron, dan Regresi Linear Sederhana,†J. Resti, vol. 1, no. 10, pp. 282–287, 2019.
S. Sen, D. Sugiarto, and A. Rochman, “Komparasi Metode Multilayer Perceptron ( MLP ) dan Long Short Term Memory ( LSTM ) dalam Peramalan Harga Beras,†J. Ultim., vol. XII, no. 1, pp. 35–41, 2020.
C. O. Sakar, S. O. Polat, M. Katircioglu, and Y. Kastro, “Real-time prediction of online shoppers’ purchasing intention using multilayer perceptron and LSTM recurrent neural networks,†Neural Comput. Appl., vol. 31, no. 10, pp. 6893–6908, 2019, doi: 10.1007/s00521-018-3523-0.
P. Zhang, Y. Jia, J. Gao, W. Song, and H. Leung, “Short-Term Rainfall Forecasting Using Multi-Layer Perceptron,†IEEE Trans. Big Data, vol. 6, no. 1, pp. 93–106, 2018, doi: 10.1109/tbdata.2018.2871151.
Q. Chen, W. Zhang, and Y. Lou, “Forecasting Stock Prices Using a Hybrid Deep Learning Model Integrating Attention Mechanism, Multi-Layer Perceptron, and Bidirectional Long-Short Term Memory Neural Network,†IEEE Access, vol. 8, pp. 117365–117376, 2020, doi: 10.1109/ACCESS.2020.3004284.
I. A. T. Hashem, I. Yaqoob, N. B. Anuar, S. Mokhtar, A. Gani, and S. Ullah Khan, “The rise of ‘big data’ on cloud computing: Review and open research issues,†Inf. Syst., vol. 47, pp. 98–115, 2015, doi: 10.1016/j.is.2014.07.006.
C. Yang, Q. Huang, Z. Li, K. Liu, and F. Hu, “Big Data and cloud computing: innovation opportunities and challenges,†Int. J. Digit. Earth, vol. 10, no. 1, pp. 13–53, 2017, doi: 10.1080/17538947.2016.1239771.
B. Varghese and R. Buyya, “Next generation cloud computing: New trends and research directions,†Futur. Gener. Comput. Syst., vol. 79, pp. 849–861, 2018, doi: 10.1016/j.future.2017.09.020.
P. Pierleoni, R. Concetti, A. Belli, and L. Palma, “Amazon, Google and Microsoft Solutions for IoT: Architectures and a Performance Comparison,†IEEE Access, vol. 8, pp. 5455–5470, 2020, doi: 10.1109/ACCESS.2019.2961511.
T. M. Madhyastha et al., “Running neuroimaging applications on Amazon Web Services: How, when, and at what cost?,†Front. Neuroinform., vol. 11, no. November, pp. 1–15, 2017, doi: 10.3389/fninf.2017.00063.
G. Portella, G. N. Rodrigues, E. Nakano, and A. C. M. A. Melo, “Statistical analysis of Amazon EC2 cloud pricing models,†Concurr. Comput. , vol. 31, no. 18, pp. 1–15, 2019, doi: 10.1002/cpe.4451.
S. Mezzatesta, C. Torino, P. De Meo, G. Fiumara, and A. Vilasi, “A machine learning-based approach for predicting the outbreak of cardiovascular diseases in patients on dialysis,†Comput. Methods Programs Biomed., vol. 177, pp. 9–15, 2019, doi: 10.1016/j.cmpb.2019.05.005.
H. Turabieh, “A Hybrid ANN-GWO Algorithm for Prediction of Heart Disease,†Am. J. Oper. Res., vol. 06, no. 02, pp. 136–146, 2016, doi: 10.4236/ajor.2016.62016.
Downloads
Published
Issue
Section
License
Pernyataan Hak Cipta dan Lisensi
Hak Cipta :
Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:
Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);
Lisensi :
JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
This work is Under licensed
Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
