PERAMALAN DERET WAKTU MENGGUNAKAN MODEL JARINGAN SYARAF FUNGSI BASIS RADIAL (RBFNN) DAN AUTO REGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

DIAN TRI WIYANTI, Dr.-Ing. Mhd. Reza M.I Pulungan, S.Si, M.Sc.,

2012 | Tesis | S2 Ilmu Komputer

Keakuratan dalam time series forecasting menjadi pokok dari proses pengambilan keputusan. Time series menggunakan pendekatan kuantitatif dengan data masa lampau yang dijadikan acuan untuk peramalan masa depan. Beberapa penelitian yang telah melakukan riset pada time series, diantaranya menggunakan statistik, jaringan syaraf, wavelet, dan sistem fuzzy. Metode-metode tersebut memiliki kekurangan dan keunggulan yang berbeda. Namun permasalahan yang ada dalam dunia nyata seringkali adalah masalah yang kompleks dimana satu model saja mungkin tidak mampu mengatasi masalah tersebut dengan baik. Alasan penggabungan kedua model ini (ARIMA dan RBF) adalah karena adanya asumsi bahwa model tunggal tidak dapat secara total mengidentifikasi semua karakteristik dari time series. Pada penelitian ini akan dilakukan peramalan terhadap data Indeks Harga Perdagangan Besar (IHPB) dan data inflasi komoditi Indonesia, kedua data berada pada rentang tahun 2006 hingga beberapa bulan di tahun 2012, dan kedua data tersebut masing-masing memiliki 6 variabel. Hasil peramalan metode ARIMA-RBF akan dibandingkan dengan metode ARIMA dan metode RBF secara individual. Hasil analisa menunjukkan bahwa dengan metode penggabungan ARIMA dan RBF, model yang diberikan memiliki hasil yang lebih akurat dibandingkan dengan model ARIMA saja atau model RBF saja. Hal ini terlihat dalam visual plot, MAPE, dan RMSE dari semua variabel pada dua data uji coba.

The accuracy of time series forecasting is being the subject of the decision making process. Time series using a quantitative approach to the data of the past that made reference to forecast the future. Some of research that have been doing research on time series, such as using statistics, neural networks, wavelets, and fuzzy systems. These methods have different advantages and disadvantages.But often the problem in the real world is a complex problem where just a single model maybe cannot overcome that problem well. The reason to combining these two models (ARIMA and RBF) is the assumption that a single model can not completely identify all the characteristics of time series. This research will make a forecasting for data of Wholesale Price Index (WPI) and inflation of Indonesian commodity. Both of data in the range of 2006 to several months in 2012, and each of the data has 6 variables. The results of ARIMA-RBF forecasting method will be compared with ARIMA method and RBF method individually. The result of analysis show that the combination method of ARIMA and RBF give accurate results than the ARIMA model or RBF model only. The result can be seen using the visual plot, MAPE, and MSE of all the variables in the two trial data.

Kata Kunci : time series, RBF, ARIMA