SISTEM INTELEJEN UNTUK PREDIKSI PERTUMBUHAN EKONOMI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ADAPTIF NEURO-FUZZY Oleh: Y. Restuwardi G06400046 Dibimbing.

Presentasi berjudul: "SISTEM INTELEJEN UNTUK PREDIKSI PERTUMBUHAN EKONOMI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ADAPTIF NEURO-FUZZY Oleh: Y. Restuwardi G06400046 Dibimbing."— Transcript presentasi:

1 SISTEM INTELEJEN UNTUK PREDIKSI PERTUMBUHAN EKONOMI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ADAPTIF NEURO-FUZZY Oleh: Y. Restuwardi G Dibimbing Oleh : Prof. Dr. Ir. Marimin, M.Sc Yeni Herdiyeni, S.Kom, M.Kom

2 Latar Belakang Target Pembangunan = Pertumbuhan ekonomi
Efek dari kebijakan ekonomi bersifat lamban Dibutuhkan kemampuan melakukan “peramalan” JST dan ANFIS memiliki kemampuan peramalan

3 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

4 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

5 JST Propagasi Balik

6 ANFIS

7 Tahapan Penelitian Pengujicobaan Arsitektur Terbaik -> Arsitektur Terbaik Pengembangan Sistem -> Sistem Intelegen

8 Bagan Alir Penelitian

9 Metode Penentuan Arsitektur JST BP

10 Arsitektur JST BP & ANFIS
Modifikasi JST Propagasi Balik Modifikasi ANFIS Karakteristik Spesifikasi Fungsi Keanggotaan Input trimf, gaussmf, gbellmf,dsigmf Fungsi Output Constant Algoritma Training Hybrid Jumlah fungsi keanggotaan 2 Initial step size 0.01 Metode Generate FIS Grid Partition Jumlah epoch 1000 Tolerasi error Karakteristik Spesifikasi - Jumlah lapisan tersembunyi 1 - Neuron lapisan input 1, 2 - Neuron lapisan tersembunyi 100, 250, 500, dan 1000 - Neuron lapisan Output - Inisialisasi Bobot Nguyen-Widrow -Fungsi Aktivasi Lapisan tersembunyi Sigmoid - Fungsi Aktivasi Lapisan Output Purelinier - Laju Pembelajaran 0.01 - Jumlah Epoch 1000

11 Arsitektur JST BP dengan input maksimum 2

12 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

13 Hasil Percobaan JST BP Pengaruh Prediktor pada percobaan dgn Jaringan Syaraf Tiruan Propagasi Balik Perbandingan nilai aktual dengan nilai prediksi dengan prediktor M1 Perbandingan nilai aktual dengan nilai prediksi dengan prediktor M2 Perbandingan nilai aktual dengan nilai prediksi dengan prediktor M1 & M2 Arsitektur JST BP 100 neuron

14 Lanjutan Rataan Error terhadap masing-masing Prediktor

15 Pengaruh jumlah neuron pada Percobaan dgn Jaringan Syaraf Tiruan Propagasi Balik
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 Grafik perbandingan rataan MSE untuk 100, 250, 500 dan 1000 Neuron dengan prediktor M1 & M2

16 Lanjutan Jumlah MSE untuk tiap Arsitektur Neuron Neuron / Prediktor
100 250 500 1000 M1 30.548 14.966 15.039 18.145 M2 22.226 10.168 14.258 9.266 M1 & M2 30.681 Jumlah MSE untuk tiap Arsitektur Neuron

17 Hasil Percobaan ANFIS Perbandingan Rataan MSE untuk masing-masing prediktor

18 Lanjutan

19 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.

20 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.

21 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