PENGARUH PARTICLE SWARM OPTIMIZATION PADA PELATIHAN BOBOT JARINGAN SYARAF TIRUAN UNTUK PERAMALAN TINGKAT INFLASI

Harry Ganda Nugraha, Dr. Azhari S.N,

2013 | Tesis | S2 Ilmu Komputer

Masalah peramalan adalah masalah yang sering ditemukan dalam proses pengambilan keputusan. Tool yang cukup populer untuk menangani masalah peramalan adalah Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan banyak digunakan karena kemampuannya untuk meramalkan data nonlinear time series. Algoritma pembelajaran yang sering digunakan untuk memperbaiki bobot pada Jaringan Syaraf Tiruan adalah Backpropagation. Namun proses pembelajaran Backpropagation terkadang menemui kendala seperti over fiting sehingga tidak dapat menggeneralisasi masalah. Untuk mengatasi masalah tersebut diusulkan penggunaan Particle Swarm Optimization untuk melatih bobot pada jaringan. Performa dari masing-masing model akan diukur dengan Mean Square Error, Mean Absolute Percentage Error, Normalized Mean Square Error, Prediction Of Change In Direction, Average Relative Variance. Untuk keperluan analisis model digunakan data time series inflasi di indonesia. Metode yang diusulkan menunjukan sistem jaringan hybrid mampu menangani masalah peramalan data time series dengan performa mendekati Jaringan Syaraf Tiruan Backpropagation

Forecasting problem is a problem that often found in decision making process. The popular tool to handle that problem is artificial neural network. Artificial neural network are widely used because its ability to forecast nonlinear time series data. The learning algorithms that widely used to train artificial neural network weight is Backpropagation. But Backpropagation learning process sometimes encounter problem such as over fiting so it can not generalized the problem. Particle Swarm Optimization method is proposed to train artificial neural network weigth. The performance of each model will be measured by the Mean Square Error, Mean Absolute Percentage Error, Normalized Mean Square Error, Prediction Of Change In Direction, Average Relative Variance. Indonesia inflation time series data are used for analysis of model. The proposed method show that hybrid system could handle the time series forecasting problem as good as Backpropagation artificial neural network.

Kata Kunci : -Peramalan, jaringan syaraf tiruan, particle swarm optimization, inflasi, mean square error, mean absolute percentage error, normalized mean square error, prediction of change in direction, average relative variance