Kajian tentang pembentukan model RBFNN melalui metode constructive learning untuk data time series di bidang finansial :: Studi kasus pemodelan nilai tukar US dolar terhadap rupiah

ZULIANA, Sri Utami, Prof. Drs. H. Subanar, Ph.D

2008 | Tesis | S2 Matematika

Radial Basis Function Neural Networks (RBFNN) merupakan salah satu bentuk dari Multi-Layer Perceptron (MLP) yang memiliki radial basis function (RBF) sebagai fungsi aktivasi pada hidden layer. Kelebihan dari RBFNN adalah kemampuannya mengestimasi fungsi non-linear. RBFNN dalam penelitian ini diterapkan untuk peramalan data time series menggunakan metode constructive learning. Penelitian ini akan membahas tentang model RBFNN dalam pemodelan statistik untuk peramalan dengan model RBFNN satu lapisan hidden. Prosedur identifikasi yang digunakan untuk menentukan jumlah unit hidden adalah metode contructive learning dimana estimasi jumlah unit hidden dimulai dari jumlah yang terkecil, dalam penelitian ini dimulai dari tiga unit hidden dan metode yang digunakan untuk mengestimasi bobot output adalah metode global ridgeregression digunakan serta kriteria yang dipakai untuk melakukan inferensi pada parameter-parameter yang telah ditaksir pada model RBF adalah MSE, MAPE dan MAD. Sedangkan definisi nilai varian pada hidden layer menggunakan tiga definisi yaitu standard deviasi, jarak rata-rata dari pusat cluster dan jarak maksimum dari pusat cluster. Aplikasi dari penelitian ini adalah pemodelan data finansial yang dipilih adalah data nilai tukar US Dolar terhadap Rupiah dengan menggunakan perangkat lunak MATLAB dan dibantu dengan perangkat lunak Minitab

Radial Basis Function Neural Networks (RBFNN) is one of Multi-Layer Perceptron (MLP) forms which has radial basis function (RBF) as activation functions in hidden layer. Advantage of RBFNN is its ability to estimate nonlinear functions. In this research RBFNN is applied for time series forecasting using constructive learning method. This research will discuss about RBFNN model in statistical modelling for forecasting in one hidden-layer. To decide hidden unit number we use constructive learning method, the method that estimates hidden unit number from the smallest number, in this research we start from three hidden units . To estimate output’s weights we use global ridge-regression. To inference the parameters that have been estimated in RBF model we use MSE, MAPE and MAD. In addition, we estimate the widths using standard deviasi, average distance from cluster center dan maximum distance from cluster center in order to improve the generalization process. For application we modelled financial time-series i.e. exchange rate US dolar to rupiah using MATLAB software and Minitab software.

Kata Kunci : Radial Basis Function Neural Networks,RBFNN,Constructive learning,Non,limear time series,Global ridge,regression