Abstract

Tujuan penelitian ini adalah untuk menentukan hasil ramalan inflasi enam bulan berikutnya yaitu bulan Oktober 2016, November 2016, Desember 2016, Januari 2017, Februari 2017 dan Maret 2017 menggunakan metode Autoregressive (AR), Jaringan Syaraf Tiruan (JST) Radial Basis Function (RBF) dan hibrid AR-RBF. Selain itu untuk mengetahui metode mana yang lebih akurat untuk peramalan. Metode AR dapat menganalisis masalah bagian linier data.  Sedangkan, metode JST RBF dapat digunakan untuk memprediksi data nonlinier. Metode hibrid AR-RBF merupakan penggabungan dua buah metode yaitu AR dan JST RBF. Metode penelitian yang digunakan yaitu kajian pustaka. Data yang digunakan yaitu tingkat inflasi Indonesia berdasarkan Indeks Harga Konsumen (IHK) pada bulan Januari 2003 sampai dengan September 2016. Hasil analisia menunjukkan bahwa hasil JST RBF memiliki hasil yang lebih akurat dari pada AR dan hibrid AR-RBF. Hal ini terlihat dari nilai MAPE JST RBF paling kecil yaitu 7,12199%. Hasil peramalan dengan metode JST RBF secara berturut-turut sebesar 3,0960%; 3,3567%; 3,4304%; 3,5468%; 3,6701% dan 3,8570%.


 


The purpose of this research is to forecast the inflation on October 2016, November 2016, December 2016, January 2017, February 2017 and March 2017 using Autoregressive (AR), Radial Basis Function (RBF) Neural Network (NN) and hybrid AR-RBF. Except that the purpose of this reserach to get accurate method. AR methode can be use to analys problem of linear time series data. On contrasting with AR, RBF-NN method can to predict nonlinear data. While hybrid AR-RBF method is the combination of two method, AR and RBFNN. The research method will be use is examine of books. This method is examined by using the data Inflation of Indonesian according to Consumer Price Index (CPI) on January 2003 until September 2016. The result of analysis indicate that RBF NN model get more accurate result than AR model and hybrid AR-RBF. It is shown that  value  MAPE of RBF NN method is the smallest percentage with 7,12199%. The result of forecasting with RBFNN method on consistenly 3,0960%; 3,3567%; 3,4304%; 3,5468%; 3,6701% and 3,8570%.