sistem intelejen untuk prediksi pertumbuhan ekonomi dengan

SISTEM INTELEJEN
UNTUK PREDIKSI PERTUMBUHAN EKONOMI DENGAN
MENGGUNAKAN JARINGAN SYARAF TIRUAN
DAN ADAPTIF NEURO-FUZZY
Oleh: Y. Restuwardi
G06400046
Dibimbing Oleh :
Prof. Dr. Ir. Marimin, M.Sc
Yeni Herdiyeni, S.Kom, M.Kom
Latar Belakang
• Target Pembangunan = Pertumbuhan ekonomi
• Efek dari kebijakan ekonomi bersifat lamban
• Dibutuhkan kemampuan melakukan
“peramalan”
• JST dan ANFIS memiliki kemampuan
peramalan
Tujuan penelitian
• Mengetahui apakah indikator yang dipilih
mampu merepresentasikan pola pertumbuhan
ekonomi
• Mengetahui apakah JST propagasi balik dan
ANFIS memprediksi secara baik
• Membuat sistem intelegen untuk prediksi
pertumbuhan ekonomi
Ekonomi Makro
• PDB adalah pendapatan total yang diperoleh
secara domestik
• Kebijakan Fiskal & Moneter
• M1 : Uang Kertas, Uang Koin, Travel check, &
checkable deposits, & electronic checks
• M2 : tabungan, deposito, money market mutual
fund
JST Propagasi Balik
Output
Input 2
Lapisan Input
Terdiri dari 2 Neuron
Lapisan Tersembunyi
Terdiri dari n Neuron
Lapisan Output
Terdiri dari 1 Neuron
ANFIS
x
x
w
W1
A1
M
y
N
f
A2
x
B2
M
y
B2
Layer 1
N
w
W2
Layer 2
Forward
y
S
Layer 3
Layer 4
Backward
Layer 5
Tahapan Penelitian
1. Pengujicobaan Arsitektur Terbaik -> Arsitektur
Terbaik
2. Pengembangan Sistem -> Sistem Intelegen
Bagan Alir Penelitian
Mulai
Lakukan Kombinasi
Percobaan
Analisis Arsitektur
Percobaan Terbaik
Implementasi Sistem
dengan BP
Implementasi Sistem
dengan ANFIS
Simulasi Data
Selesai
Metode Penentuan Arsitektur JST BP
Data
Indikator
moneter
Data GDP
Sorting data
Penentuan
Aristektur JST
Propagasi Balik
Training JST
Propagasi Balik
Data testing
Indikator
moneter
JST Propagasi
Balik Terlatih
Data Testing
GDP
JST
Propagasi
Balik Terpilih
Arsitektur JST BP & ANFIS
Modifikasi JST Propagasi Balik
Karakteristik
Spesifikasi
- Jumlah lapisan tersembunyi
1
- Neuron lapisan input
1, 2
- Neuron lapisan tersembunyi
Modifikasi ANFIS
Karakteristik
Spesifikasi
Fungsi Keanggotaan Input
trimf, gaussmf,
gbellmf,dsigmf
100, 250, 500, dan
1000
Fungsi Output
Constant
- Neuron lapisan Output
1
Algoritma Training
Hybrid
- Inisialisasi Bobot
Nguyen-Widrow
Jumlah fungsi keanggotaan
2
-Fungsi Aktivasi Lapisan
tersembunyi
Sigmoid
Initial step size
0.01
- Fungsi Aktivasi Lapisan
Output
Purelinier
Metode Generate FIS
Grid Partition
Jumlah epoch
1000
Tolerasi error
0
- Laju Pembelajaran
0.01
- Jumlah Epoch
1000
Arsitektur JST BP dengan input maksimum 2
Output
Input 2
Lapisan Input
Terdiri dari 2 Neuron
Lapisan Tersembunyi
Terdiri dari n Neuron
Lapisan Output
Terdiri dari 1 Neuron
Data Percobaan
• Data Input adalah kombinasi antara M1 dan M2
• Data output adalah persentase pertumbuhan
PDB
• Training menggunakan data triwulan mulai
tahun 1990 – 2003
• Testing menggunakan data 2004
Hasil Percobaan JST BP
• Pengaruh Prediktor pada percobaan dgn Jaringan Syaraf Tiruan
Propagasi Balik
Perbandingan nilai aktual
dengan nilai prediksi dengan
prediktor M1
Arsitektur JST BP 100 neuron
Perbandingan nilai aktual
dengan nilai prediksi dengan
prediktor M2
Perbandingan nilai aktual
dengan nilai prediksi dengan
prediktor M1 & M2
Lanjutan
Rataan Error terhadap masing-masing Prediktor
• Pengaruh jumlah neuron pada Percobaan dgn Jaringan Syaraf
Tiruan Propagasi Balik
120
100
80
60
40
20
0
Data 1
Data 2
100 Neuron
Grafik perbandingan rataan
MSE untuk 100, 250, 500
dan 1000 Neuron dengan
prediktor M1
Grafik perbandingan rataan
MSE untuk 100, 250, 500
dan 1000 Neuron dengan
prediktor M2
Data 3
250 Neuron
Grafik perbandingan rataan
MSE untuk 100, 250, 500
dan 1000 Neuron dengan
prediktor M1 & M2
Data 4
Lanjutan
100
250
500
1000
M1
30.548
14.966
15.039
18.145
M2
22.226
10.168
14.258
9.266
Neuron /
Prediktor
M1 & M2
257.652
297.581
30.681
113.498
Jumlah MSE untuk tiap Arsitektur Neuron
Hasil Percobaan ANFIS
Perbandingan Rataan MSE untuk masing-masing prediktor
Lanjutan
Rancangan Sistem
• Jika yang tersedia sebagai input adalah data M1,
maka digunakan jaringan syaraf tiruan dengan
jumlah neuron 1000.
• Jika yang tersedia sebagai input adalah data M2,
digunakan Jaringan Syaraf Tiruan dengan
jumlah neuron 250.
Kesimpulan
• M2 adalah Prediktor terbaik
• Jika dibandingkan dengan ANFIS, JST
Propagasi Balik menunjukkan kinerja yang lebih
baik dan stabil jika prediktornya adalah M1 atau
M2.
• ANFIS menunjukkan kinerja relatif lebih baik
JST jika prediktor yang digunakan adalah M1 &
M2.
Saran
• Memperhatikan kemungkinan keberadaan Pola
siklus dan atau korelasi data deret waktu
• Menambah jumlah set data input & target
• Menambah Jumlah Indikator Moneter yang
dijadikan input
• Mengujicobakan model Neural Network yang
lain