Perbandingan algoritma genetika, neural network dan metode statistik arima untuk prediksi data time series :: Studi kasus kunjungan Museum di kota Yogyakarta

SETYANINGSIH, Fatma Agus, Prof. Dr. Subanar, Ph.D

2010 | Tesis | S2 Ilmu Komputer

Prediksi time series bertujuan untuk mengendalikan atau mengenali perilaku sistem berdasarkan data pada periode waktu tertentu. Selain menggunakan pendekatan metode statistik, teknik prediksi time series juga dikembangkan pada model kecerdasan buatan (artificial intelligence). Penelitian ini bertujuan untuk membuat aplikasi dengan membandingkan dan mencari model yang memiliki performa lebih baik dalam melakukan prediksi. Prediksi menggunakan ARIMA (Autoregressive Integrated Moving Average) ditempuh melalui tiga tahapan, yaitu : identifikasi model ARIMA, estimasi parameter dari model yang telah diidentifikasi, dan evaluasi kesesuaian model yang telah diestimasi serta kemampuan prediksinya. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan prediksi Prediksi menggunakan Algoritma Genetika (AG) dilakukan dengan mengambil pemodelan yang ada di ARIMA untuk mendapatkan koefisienkoefisien time series yang dapat mewakili perubahan dan pergerakan data perperiode waktu yang ditentukan untuk mendapatkan nilai prediksi pada periode waktu berikutnya. Koefisien-koefisien time series tersebut kemudian di representasikan ke dalam komputasi algoritma genetika. Prediksi menggunakan Neural Network (NN) dilakukan dari data asli hasil observasi maupun dari data time series yang sudah di stasionerkan, kemudian data tersebut diatur nilai input layer dan jumlah neuronnya untuk melakukan proses training dan mendapatkan hasil pengujian (testing). Pada Tesis ini membangun sistem aplikasi yang dapat membandingkan kinerja algoritma genetika, neural network dan metode statistik ARIMA untuk prediksi data time series. Perbandingan nilai performansi dilihat dari nilai MSE (Mean Square Error) dan MAPE (Mean Absolute Percentage Error). Studi empiris yang telah dilakukan menunjukkan MSE yang dihasilkan model ARIMA menunjukkan minimal error sebesar 0.000198722, model AG sebesar 28.2153 dan model NN sebesar 0.000995682. Nilai persentase akurasi prediksi MAPE yang dihasilkan model AG sebesar 65.78%, model NN sebesar 15.15% dan model ARIMA sebesar 18,11%. Nilai performansi MSE dan MAPE tersebut menunjukkan bahwa model prediksi time series AG mempunyai akurasi prediksi lebih baik dibandingkan ARIMA dan NN yang dibuktikan dari nilai MAPE (Mean Absolute Percentage Error), namun untuk nilai MSE terkecil yaitu pada model ARIMA.

Time series prediction use to control or recognize system behavior according to data in some period. Besides using the approach of statistical methods, time series prediction techniques are also developed on the model of artificial intelligence. This research aims to create applications by comparing and finding a model that has performed better in making predictions. Prediction using ARIMA (Autoregressive Integrated Moving Average) is conducted through three stages : identification of ARIMA models, estimation of model parameter that have been identified, and evaluation of conformity that has been estimated and the model prediction capabilities. ARIMA uses the past and the present value of the dependent variable for yield prediction. Prediction using Genetic Algorithm done with taking existing in the ARIMA model to obtain the coefficients of time series that can represent change and movement of data per-determined period of time to obtain the predicted value at the next time period. Time series coefficients are then being represented in the genetic algorithm. Prediction using Neural Network is done from the original data observations of time series data that has been stationary, then set the value of the data input layer and the number of neurons to perform the training process and testing. This thesis is to build to build an application system that can compare the performance of genetic algorithms, neural network and ARIMA statistical methods for prediction of time series data. Comparison of the performance seen from the MSE (Mean Square Error) and MAPE (Mean Absolute Percentage Error). Empirical studies have been done to show the resulting MSE ARIMA models showed minimal error at 0.000198722, amounting to 28.2153 AG model and NN model of 0.000995682. MAPE percentage value prediction accuracy generated by the model AG 65.78%, amounting to 15.15% NN model and ARIMA model of 18.11%. MSE and MAPE performance value indicates that the AG time series prediction model has better predictive accuracy than the ARIMA and NN as evidenced from the value of MAPE (Mean Absolute Percentage Error), but for the smallest MSE is ARIMA models.

Kata Kunci : Time series,ARIMA,Algoitma genetika,Neurak network