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

DT Wiyanti, R Pulungan

Abstract


Salah satu metode peramalan yang paling dikembangkan saat ini adalah time series, yakni menggunakan pendekatan kuantitatif dengan data masa lampau yang dijadikan acuan untuk peramalan masa depan. Berbagai penelitian telah mengusulkan metode-metode untuk menyelesaikan time series, di antaranya statistik, jaringan syaraf, wavelet, dan sistem fuzzy. Metode-metode tersebut memiliki kekurangan dan keunggulan yang berbeda. Namun permasalahan yang ada dalam dunia nyata merupakan masalah yang kompleks. Satu metode saja mungkin tidak mampu mengatasi masalah tersebut dengan baik. Dalam artikel ini dibahas penggabungan dua buah metode yaitu Auto Regressive Integrated Moving Average (ARIMA) dan Radial Basis Function (RBF). Alasan penggabungan kedua metode ini adalah karena adanya asumsi bahwa metode tunggal tidak dapat secara total mengidentifikasi semua karakteristik time series. Pada artikel ini dibahas 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. Kedua data tersebut masing-masing memiliki enam variabel. Hasil peramalan metode ARIMA-RBF 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 penggunaan salah satu metode 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 the subject of many decision-making processes. Time series use a quantitative approach to employ data from the past to make forecast for the future. Many researches have proposed several methods to solve 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 just too complex that a single method cannot provide adequate solutions, since a single model may not completely identify all the characteristics of time series. In this research, we propose to combine two methods, Auto Regressive Integrated Moving Average (ARIMA) and Radial Basis Function (RBF). This research will make a forecasting for Wholesale Price Index (WPI) and inflation of Indonesian commodity. Each of data is in the range of 2006 to several months in 2012, and each has 6 variables. The results of ARIMA-RBF forecasting method will be compared with ARIMA method and RBF method individually. The result of the analysis shows that the combined method of ARIMA and RBF is more accurate than the ARIMA model or RBF model only. The result can be observed using the visual plot, MAPE, and MSE of all the variables in the two trial data.


Keywords


time series; RBF; ARIMA

Full Text:

PDF

References


Faruk DO. 2010. A hybrid neural network and ARIMA model for water quality time series prediction. Eng App Intelligence. 23:586-594.

Fauziah L & Suhartono. 2012. Peramalan jumlah kedatangan wisatawan mancanegara ke Indonesia melalui lima pintu kedatangan utama mengggunakan model hibrida ARIMA-ANFIS. Makalah Tugas Akhir. Jurusan Statistika FMIPA-ITS. Surabaya.

Munarsih E. 2011. Penerapan Model ARIMA-Neural Network Hybrid untuk Peramalan Time Series. Thesis. S2 Matematika FMIPA Universitas Gadjah Mada. Yogyakarta.

Sutijo B, Subanar & Guritno S. 2006. Pemilihan hubungan input node pada jaringan syaraf fungsi radial basis. Berkala MIPA 16(1):55-61.

Terui N & Van Dijk HK. 2002. Combined forecast from linear and nonlinear time series model. Int J. of Forecasting 18 (3):421-438.

Zhang G. 2003. Time series forecasting using a hybrid ARIMA and neural network model. J.Neurocomputing 50:159-175.

Zheng F & Zhong S. 2011. Time series forecasting using a hybrid RBF neural network and AR model based on binomial smoothing. World Academy of Science. Eng Technol 75:1471-1475.


Refbacks

  • There are currently no refbacks.