PERBANDINGAN FUNGSI AKTIVASI GAUSSIAN DAN MULTIKUADRATIK PADA RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI INDEKS HARGA KONSUMEN DI SURABAYA

Fiqih Pavita Andharluana; Aviolla Terza Damaliana; Trimono

doi:10.24252/instek.v10i2.56751

Authors

Fiqih Pavita Andharluana UPN Veteran Jawa Timur
Aviolla Terza Damaliana UPN Veteran Jawa Timur
Trimono UPN Veteran Jawa Timur

DOI:

https://doi.org/10.24252/instek.v10i2.56751

Keywords:

IHK, prediksi, RBFNN

Abstract

Indeks Harga Konsumen (IHK) merupakan indikator penting dalam mengukur tingkat inflasi yang digunakan sebagai dasar pengambilan kebijakan ekonomi, termasuk penyesuaian gaji, upah, dan kontrak kerja. Karena IHK memiliki pengaruh penting terhadap perubahan laju inflasi perekonomian Indonesia, maka perlu dilakukan prediksi terhadap IHK untuk membantu pemerintah dalam merumuskan kebijakan yang tepat, baik dalam stabilisasi harga maupun perlindungan terhadap kesejahteraan masyarakat terutama di wilayah dengan aktivitas ekonomi tinggi seperti Kota Surabaya, yang memiliki pertumbuhan Produk Domestik Regional Bruto (PDRB) signifikan. Penelitian ini bertujuan untuk membandingkan kinerja dua fungsi aktivasi dalam model Radial Basis Function Neural Network (RBFNN), yaitu Gaussian dan Multiquadratik, dalam memprediksi laju IHK di Surabaya. Metode RBFNN dipilih karena kemampuannya dalam menangkap pola non-linear pada data deret waktu. Metodologi penelitian meliputi pengumpulan data dari Badan Pusat Statistik (BPS), pra-pemrosesan data, pengembangan model, dan evaluasi menggunakan data uji. Model RBFNN dibangun dengan menentukan kluster, nilai spread, fungsi aktivasi, dan output, serta dievaluasi menggunakan Symmetric Mean Absolute Percentage Error (sMAPE). Data yang digunakan berupa deret waktu Indeks Harga Konsumen (IHK) Kota Surabaya periode Januari 2006 hingga Desember 2024 dengan frekuensi bulanan, sehingga diperoleh 228 data observasi. Berdasarkan hasil analisis, diperoleh bahwa fungsi aktivasi Gaussian memberikan hasil prediksi terbaik dengan nilai SMAPE sebesar 0.70%, yang menunjukkan tingkat akurasi sangat tinggi. Hasil prediksi IHK untuk bulan Januari hingga Mei 2025 berturut-turut adalah 107.61, 108.09, 108.54, 108.95, dan 108.32.

Downloads

Download data is not yet available.

References

[1] Silvia Diva Sari, Joy Stevani Simangunsong, and Novita Sari Siboro, “Pengaruh Indeks Harga Konsumen terhadap Inflasi di Kota Medan Sumatera Utara Tahun 2024,” Jurnal Penelitian Ekonomi Manajemen dan Bisnis, vol. 4, no. 2, pp. 53–61, Apr. 2025, doi: 10.55606/jekombis.v4i2.5009.

[2] Y. A. Lesnussa, H. W. M. Patty, A. N. Mahu, and M. Y. Matdoan, “ANALISIS INDEKS HARGA KONSUMEN TERHADAP INDEKS HARGA SANDANG DAN PANGAN DI KOTA AMBON,” 2018. doi: 10.33603/e.v5i1.839.

[3] M. S. Desfitra, Z. Aulia, R. P. Utami, and N. Fitriana, “Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Di Indonesia,” 2024. doi: 10.62379/jebd.v2i4.

[4] M. Idhom and S. M. Huda, “SISTEM INFORMASI PERAMALAN PENJUALAN DENGAN METODE LEAST SQUARE STUDI KASUS : CV. AGP COMPUTER,” vol. XII, no. 1, pp. 25–34, Jan. 2017, doi: 10.33005/scan.v12i1.879.

[5] M. Idhom, A. Fauzi, T. Trimono, and P. Riyantoko, “Time Series Regression: Prediction of Electricity Consumption Based on Number of Consumers at National Electricity Supply Company,” TEM Journal, vol. 12, no. 3, pp. 1575–1581, Aug. 2023, doi: 10.18421/TEM123-39.

[6] P. A. Riyantoko, T. M. Fahrudin, K. M. Hindrayani, A. Muhaimin, and Trimono, “Water Availability Forecasting Using Univariate and Multivariate Prophet Time Series Model for ACEA (European Automobile Manufacturers Association),” Internasional Journal of Data Science, Engineering, and Anaylitics, vol. 1, no. 2, pp. 43–54, Nov. 2021, doi: 10.33005/ijdasea.v1i2.12.

[7] T. Trimono and D. A. Maruddani, “COMPARISON BETWEEN VALUE AT RISK AND ADJUSTED EXPECTED SHORTFALL: A NUMERICAL ANALYSIS,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 17, no. 3, pp. 1347–1358, Sep. 2023, doi: 10.30598/barekengvol17iss3pp1347-1358.

[8] P. Romhadhoni, D. Z. Faizah, and N. Afifah, “Pengaruh Produk Domestik Regional Bruto (PDRB) Daerah Terhadap Pertumbuhan Ekonomi dan Tingkat Pengangguran Terbuka di Provinsi DKI Jakarta,” vol. 14, no. 2, pp. 115–121, 2018, doi: 10.24198/jmi.v14.n2.2018.115-121.

[9] A. T. Damaliana, K. M. Hindrayani, and T. M. Fahrudin, “Hybrid Holt Winter-Prophet method to forecast the num-ber of foreign tourist arrivals through Bali’s Ngurah Rai Airport,” vol. 3, no. 2, pp. 21–32, 2023, doi: 10.3390/xxxxx.

[10] A. Kumar Yadu and G. Shrivastava, “Study of Applications of Radial Basis Function Network in Forecasting,” 2021. [Online]. Available: http://chrisjmccormick.files.wordpress.com/2013/08/.

[11] M. Dwi Cahyo and S. Heranurweni, “PREDIKSI BEBAN ENERGI LISTRIK APJ KOTA SEMARANG MENGGUNAKAN METODE RADIAL BASIS FUNCTION (RBF),” 2019. doi: 10.26623/elektrika.v11i2.1699.

[12] N. Nikentari, M. Bettiza, H. Sasty, and P. #3, “Prediksi Kecepatan Angin Menggunakan Adaptive Neuro Fuzzy (ANFIS) dan Radial Basis Function Neural Network (RBFNN),” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 4, no. 1, pp. 70–75, 2018, doi: 10.26418.

[13] A. R. Brendita et al., “PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK MENGGUNAKAN GUI MATLAB,” vol. 7, no. 4, pp. 431–442, 2018, [Online]. Available:https://ejournal3.undip.ac.id/index.php/gaussian/

[14] A. Nurkholis, D. Alita, and A. Munandar, “Comparison of Kernel Support Vector Machine Multi-Class in PPKM Sentiment Analysis on Twitter,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 2, pp. 227–233, Apr. 2022, doi: 10.29207/resti.v6i2.3906.

[15] A. Seto Arifianto, K. Dewi Safitri, K. Agustianto, G. Wiryawan, and P. N. Jember, “PENGARUH PREDIKSI MISSING VALUE PADA KLASIFIKASI DECISION TREE C4.5,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 9, pp. 779–786, 2022, doi: 10.25126/jtiik.202294778.

[16] M. Heru Widiyanto and R. Mayasari, “IMPLEMENTASI TIME SERIES PADA DATA PENJUALAN DI GAIKINDO MENGGUNAKAN ALGORITMA SEASONAL ARIMA,” 2023. doi: 10.36040/jati.v7i3.

[17] D. Azzahra Nasution, H. H. Khotimah, and N. Chamidah, “PERBANDINGAN NORMALISASI DATA UNTUK KLASIFIKASI WINE MENGGUNAKAN ALGORITMA K-NN,” 2019. doi: 10.24114/cess.v4i1.

[18] V. Wahyuningrum, B. Pusat, S. Provinsi, and J. Barat, “PENERAPAN RADIAL BASIS FUNCTION NEURAL NETWORK DALAM PENGKLASIFIKASIAN DAERAH TERTINGGAL DI INDONESIA,” 2020. doi: 10.34123.

[19] D. C. I. Astuti, D. M. Khairina, and S. Maharani, “Peramalan Nilai Ekspor Nonmigas Kalimantan Timur dengan Metode Double Moving Average (DMA),” Adopsi Teknologi dan Sistem Informasi (ATASI), vol. 2, no. 1, pp. 20–34, Jun. 2023, doi: 10.30872/atasi.v2i1.393.