Wavelet radial basis function (WRBF) untuk peramalan time series non stationer

HANDOYO, Samingun, Prof. Drs. Subanar, Ph.D

2010 | Tesis | S2 Ilmu Komputer

Penelitian ini dilakukan bertujuan untuk mengimplementasikan dan menerapkan metode hybrida yang dikenal dengan Wavelet Radial Basis Function (WRBF) untuk peramalan data time series non stasioner. Ada 2 format data input yang dipertimbangkan yaitu input format9 adalah data input dengan anggota 9 elemen data dan input format17 adalah data input dengan anggota 17 elemen data. Input format9 digunakan untuk meramalkan data ke-10 sedangkan input format17 untuk meramalkan data ke-18. Ada 4 jenis data yang dikaji dalam penelitian ini yaitu: data time series caotic McGlass merupakan data stasioner yang berpola, data monthly average electric usage merupakan data non stasioner dengan ragam tidak konstan, data traffic fatalities adalah data non stasioner dengan trend dan ragam tidak konstan dan Canadian lynx data merupakan data yang non stasioner dan non linier. Setelah sistem selesai dibangun, parameter input bagi sistem ditentukan dengan trial dan error untuk sistem WRBF9 yaitu dengan mencoba berbagai nilai spread dan berbagai nilai SSE dari WRBF9. Kombinasi nilai yang memberikan SSE testing terkecil dipilih sebagai input jaringan WRBF, kemudian nilai MSE WRBF dan jumlah node yang terbentuk digunakan sebagai input bagi sistem WFFNN. Hasil aplikasi pada data McGlass menunjukkan bahwa metode WRBF lebih superior, namun demikian metode WFFNN juga berperformance sangat baik, hal ini ditunjukkan oleh nilai MSE dari WFFNN yang juga sangat kecil. Pada umumnya performance WRBF9 mendominasi untuk aplikasi pada data-data yang dikaji dalam penelitian ini, tetapi dengan semakin meningkatnya tingkat kerumitan pola data yaitu data yang non stasioner dengan campuran trend dan ragam yang tidak konstan atau data non stasioner yang non linier, metode WFFNN berperformance lebih baik.

This reaserch was conducted to implement and apply the hybrid method known as the Wavelet Radial Basis Function (WRBF) for forcasting non-stationary time series data. There are two format input data. The input data format 9 consist of 9 elemen data and is used to forecast data number 10. The input data format 17 consist of 17 elemen data and is used to forecast data number 18. There are four types data that were examined in this study ie: the caotic time series McGlass data is data that has stationary pattern, the monthly average electricity usage data that has non stationary in varian, the traffic fatalities data is non stationary data with trend and non constan varian, and the Canadian lynx data is non stationary and non linier data. After the system was completed in development, to determine the input parameter system is done by trial and error for system WRBF9 that is by trying various different values of spread and SSE. The combination of values that has smallest SSE is chosen as input parameter. Then MSE and the number of WRBF node formed to be used as input for the system WFFNN. The result of the application of on the McGlass data indicate that the method WRBF be superior, however, the WFFNN methods also have good performance for this data. This is indicated by MSE form WFFNN which is also very small. In general WRBF9 dominating performance for application in data that were discussed in this research, but with increasing level of complexity of the data pattren ie: non stationary with a mix of trend and varian not constan or non stationary and non linear data , the WFFNN methods has performance better than WRBF methods.

Kata Kunci : Peramalan time series,Wavelet,Neural network,WRBF,WFFN