Penerapan Extreme Learning Machine (ELM) untuk Meramalkan Laju Inflasi di Indonesia
Abstract
Inflation is generally the tendency for the prices of goods and services to rise continuously. An artificial neural network (ANN) is an information processing model that closely resembles how an organism's memory system works, such as information transmission processes in the brain. Forecasting is the activity of determining future events based on past data. A time series is a set of observations that occur consecutively in the correct amount of time based on a time index. The data used in this study are Indonesian monthly inflation data. Extreme Learning Machine (ELM) is an artificial neural network approach that uses a single hidden layer feedforward neural network architecture (SLFN). The advantages of ELM over traditional learning algorithms are learning speed, improved generalization performance, and simplified implementation. An error value of RMSE of 0.1992215 was obtained based on the analysis performed using the Extreme Learning Machine (ELM) method.
References
Aditiya, B. A., Widiyanto, D., Falih, N., Komputer, F. I., Pembangunan, U., Veteran, N., & Tiruan, J. S. (2020). Implementasi Metode Exrtreme Learning Machine (ELM) untuk Memprediksi Indeks Pembangunan Manusia. 493–503.
Alfiyatin, A. N., Mahmudy, W. F., Ananda, C. F., & Anggodo, Y. P. (2019). Penerapan Extreme Learning Machine (ELM) untuk Peramalan Laju Inflasi di Indonesia. Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(2), 179.
Anicic, O., Jović, S., Skrijelj, H., & Nedić, B. (2017). Prediction of laser cutting heat affected zone by extreme learning machine. Optics and Lasers in Engineering, 88, 1–4.
Anwar, R. N. (2020). Visualisasi Dashboard dan Peramalan Jumlah Kasus. X.
Ardilla, Y. (2016). Metode Hibrida ARIMA dan Multilayer Perceptron untuk Peramalan Jangka Pendek Konsumsi Listrik di Jawa Timur.
Arifianty, A., Mulyono, M., & Irzal, M. (2017). Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Metode Extreme Learning Machine (ELM). JMT : Jurnal Matematika Dan Terapan, 1(1), 22–32.
Ashar, N. M., Cholissodin, I., & Dewi, C. (2018). Penerapan Metode Extreme Learning Machine ( ELM ) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak ( Studi Kasus Pada PT . KHI Pipe Industries ). 2(11), 4621–4628.
Aswi & Sukarna. (2006). Analisis Deret Waktu : Teori dan Aplikasi.
Atmadja, Adwin S., S. P. (1999). INFLASI DI INDONESIA : 1(1), 54–67.
Badan pusBadan pusat statistik. (2022). pengertian Inflasi.
Cholisa, F. nur. (2021). prediksi penjualan minuman kopi menggunakan metode extreme learning machine (ELM).
Dewi, E. A. (2018). Perbandingan Metode Holt Winter’s Exponentian Smoothing dan Extreme Learning Machine (ELM) pada Peramalan Penjualan Semen. 3, 1–13.
Fauziah, F., Ningsih, Y. I., & Setiarini, E. (2019). Analisis Peramalan (Forecasting) Penjualan Jasa Pada Warnet Bulian City di Muara Bulian. Eksis: Jurnal Ilmiah Ekonomi Dan Bisnis, 10(1), 61.
Giusti, A., Widodo, A. W., & Adinugroho, S. (2018). Prediksi Penjualan Mi Menggunakan Metode Extreme Learning Machine ( ELM ) di Kober Mie Setan Cabang Soekarno Hatta. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(8), 2972–2978.
Grahadian Saukat, S. (2020). Provinsi Kepulauan Riau. Kompas Pedia, 1–23.
Hendriansa, B. (2019). perancangan sistem informasi peramalan produksi apel di kota batu dengan metode extreme learning machine(ELM) (studi kasus di dinas pertanian kota batu).
Huang, G. Bin, Zhu, Q. Y., & Siew, C. K. (2006). Extreme learning machine: Theory and applications. Neurocomputing, 70(1–3), 489–501.
Irwin Dwi Agustina, Wiwik Anggraeni, S.Si, M.Kom, Ahmad Mukhlason, S.Kom, M, S. (2010). Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan. Undergraduate Thesis, Information system, RSSI 519.
Jannah, R. (2020). Implementasi metode extreme learning machine (elm) dalam klasifikasi tipe gangguan skizofrenia.
Nadio, K., Putra, D., Furqon, M. T., & Yudistira, N. (2020). Prediksi Penjualan Hijab menggunakan Metode Extreme Learning Machine ( ELM ) ( Studi Kasus : Vie Hijab Store ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(6), 1750–1757.
Pamungkas, M. B., & Wibowo, A. (2018). Aplikasi Metode Arima Box-. The Indonesian Journal of Public Health, 13, 181–194.
Phiadelvira, B. Y., Haq, D. Z., Novitasari, D. C. R., & Setiawan, F. (2022). Prediksi Besar Daya Listrik Tenaga Gelombang Laut Metode Oscillating Water Coloumn (PLTGL-OWC) di Banyuwangi Menggunakan Extreme Learning Machine (ELM). Unnes Journal of Mathematics, 11(1), 1–7.
Prayoga, Y., Tambunan, H. S., & Parlina, I. (2019). Penerapan Clustering Pada Laju Inflasi Kota Di Indonesia Dengan Algoritma K-Means. BRAHMANA: Jurnal Penerapan Kecerdasan Buatan, 1(1), 24–30.
Ridha, M. (2019). Inflasi dalam pandangan umer chapra tesis.
Siwi, I. P. (2016). Peramalan Produksi Gula Pasir Menggunakan Extreme Learning Machine (Elm) Pada Pg Candi Baru Sidoarjo.
Sulton, A. I. (2019). Peramalan Produksi Padi di Kabupaten Lumajang Menggunakan Metode Extreme Learning Machine. Seminar Informatika Aplikatif Polinema, 1–6.
Suriyani, N. K., & Sudiarta, G. M. (2018). Pengaruh Tingkat Suku Bunga, Inflasi Dan Nilai Tukar Terhadap Return Saham Di Bursa Efek Indonesia. E-Jurnal, 7(6), 3172–3200.
Sutawijaya, A., & Zulfahmi, S. P. (1999). Inflasi Di Indonesia : 1(1), 54–67.
Tiwari, M., Adamowski, J., & Adamowski, K. (2016). Water demand forecasting using extreme learning machines. Journal of Water and Land Development, 28(1), 37–52.
Toto Syatori Nasehudin, N. G. (2012). Metode Penelitian Kuantitatif.
Wanto, A., & Windarto, A. P. (2017). Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation. Jurnal & Penelitian Teknik Informatika Sinkron, 2(2), 37–43.
Wuryandari, M. D., & Afrianto, I. (2012). Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah. Jurnal Komputer Dan Informatika, 1(1), 45–51.
