Analisa Perbandingan Hasil Peramalan Data Time Series dengan Jaringan Syaraf Tiruan RBF dan FRBF

Authors

  • Nisa Ayunda Universitas Pesantren Tinggi Darul ‘Ulum

DOI:

https://doi.org/10.26594/jmpm.v2i1.887

Keywords:

Perbandingan, Peramalan, JST, RBF, FRBF, MSE

Abstract

Pendekatan peramalan data time series dengan model jaringan syaraf Radial Basis Function (RBF) memiliki sifat supervised learning karena data yang dilatihkan berupa pasangan data input dan target yang diidentifikasi dan diekstrapolasi pola dan hubungannya. Sedangkan model jaringan syaraf Fuzzy Radial Basis Function (FRBF) merupakan model supervised-and-unsupervised learning yang merupakan kolaborasi himpunan fuzzy dan model jaringan syaraf RBF. Analisa perbandingan model jaringan syaraf  RBF dan model jaringan syaraf FRBF dalam peramalan data time series dilakukan dalam penelitian ini untuk mengetahui keefektifan hasil peramalan dengan kedua model tersebut. Nilai MSE dan epoch rata-rata untuk proses peramalan in-sample yang didapatkan untuk model jaringan syaraf RBF dan FRBF secara berurutan adalah 73,45 dan 8,1903E-05 serta 532,36 dan 9,8648E-05. Sedangkan pada peramalan out-sample, nilai yang didapatkan dengan model RBF menjauhi data-data sebelumnya.

References

Bektipratiwi, A dan Irawan, M.I.. (2011). A RBF-EGARCH neural network model for time series forecasting. Proceedings of ”The ICeMATH 2011”.

Broomhead, D., Lowe, D. (1988). Multivariable functional interpolation and adaptive networks. Complex Syst, 2 (6), 321–355.

Chi, Sheng-Chai dan Li-Chang Hsu. (2001). A fuzzy radial basis function neural network for predicting multiple quality characteristics of plasma arc welding. IEEE Trans. Neural Networks. Taiwan.

Irawan, M.I. (2015). Dasar-dasar jaringan saraf tiruan algoritma, pemrograman dan contoh aplikasinya. Surabaya: ITS Press.

Irawan, M.I., Syaharuddin, Utomo, B.U., Rukmi, A.M. (2013). Intelligent irrigation water requirement system based on artificial neural networks and profit optimization for planting time decision making of crops in Lombok Island. Journal of Theoretical and Applied Information Technology, 58 (3), 657–671.

Masduqi, A dan Apriliani E. (2008). Estimation of Surabaya River Water Quality Using Kalman Filter Algorithm. IPTEK, The Journal for Technology and Science, 19 (3).

Tauryawati, M.L dan Irawan, M.I. (2014). Perbandingan metode fuzzy time Series cheng dan metode box-jenkins untuk memprediksi IHSG. Jurnal Sains Dan Seni Pomits, 3 (2), 34-39.

Thommassey, S. dan Happiette, M. (2007). A neural clustering and classification system for sales forecasting of new apparel item. Applied Soft Computing 7, 1177-1187

Qiao, J., Chen, Q., Han, H. (2011). The chemical oxygen demand modelling based on a dynamic structure neural network. Waste water-evaluation and management. Prof. Fernando Sebastián García Einschlag. 93–114, ISBN 978-953-307-233-3 pp.

Published

2017-03-18