Pemodelan Banyaknya Penumpang Kereta Api di Pulau Jawa dengan Nonlinear Autoregressive Neural Network

Article Sidebar

PDF
Published Feb 23, 2021

Main Article Content

Ismarani Ismarani
Universitas Sebelas Maret
Dewi Retno Sari Saputro
Universitas Sebelas Maret
Ririn Setiyowati
Universitas Sebelas Maret

Abstract

Model Autoregressive (AR) adalah model regresi yang menghubungkan nilai amatan dengan nilai sebelumnya pada lag tertentu. Pada model AR terkadang diperoleh struktur nonlinear sehingga dikembangkan model nonlinear AR (NAR). Untuk keperluan evaluasi model dikembangkan model NAR dengan neural network (NN) dengan arsitektur input, hidden layer, dan output. Model tersebut dikenal dengan model Nonlinear Autoregressive Neural Network (NAR-NN). Model NAR-NN dapat diterapkan pada data banyaknya penumpang kereta api di Pulau Jawa. Data banyaknya penumpang kereta api merupakan data runtun waktu. Data banyaknya penumpang kereta api pada tahun 2006-2019 mengalami trend naik dan mengikuti pola nonlinear. Pada penelitian ini dilakukan pemodelan banyaknya penumpang kereta api di Pulau Jawa dengan NAR-NN yang menggunakan fungsi aktivasi sigmoid biner dan algoritme training Levenberg-Marquadt Backpropagation (LMBP). Adapun evaluasi model yang digunakan pada penelitian ini adalah  Mean Absolute Percentage Error (MAPE). Hasil penelitian dengan percobaan hidden neuron, diperoleh bahwa model terbaik pada saat delay 2 dan hidden neuron 12 dengan nilai MAPE sebesar 3,75%.

Article Details

How to Cite
Ismarani, I., Saputro, D., & Setiyowati, R. (2021). Pemodelan Banyaknya Penumpang Kereta Api di Pulau Jawa dengan Nonlinear Autoregressive Neural Network. PRISMA, Prosiding Seminar Nasional Matematika, 4, 645-651. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/44750
Issue
Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika
Section
Articles

References

Badan Pusat Statistik. (2020). Tabel Dinamis Jumlah Penumpang Kereta Api. (Online). (https://ww.bps.go.id/dynamictable/2015/03/10/815/jumlah-penumpang-kereta-api-2006-2019-ribu-orang-.html, diakses 20 Februari 2020).
Chang, P. C., Wang, Y. W., & Liu, C. H. (2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting. Expert Systems with Applications, 32(1), 86-96.
Hagan, M. T., & Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. IEEE transactions on Neural Networks, 5(6), 989-993.
Irhamah, I., & Andalita, I. (2015). Peramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Kertajaya Menggunakan ARIMA dan ANFIS. Jurnal Sains dan Seni ITS, 4(2), 15724.
Julpan, J., Nababan, E. B., & Zarlis, M. (2018). Analisis Fungsi Aktivasi Sigmoid Biner dan Sigmoid Bipolar dalam Algoritma Backpropagation pada Prediksi Kemampuan Siswa. Jurnal Teknovasi: Jurnal Teknik dan Inovasi, 2(1), 103-116.
Rosyidah, H., Rahmawati, R., & Prahutama, A. (2018). Pemodelan Vector Autoregressive X (VARX) untuk Meramalkan Jumlah Uang Beredar di Indonesia. Jurnal Gaussian, 6(3), 333-343.
Siang, J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset, Yogyakarta.
Sebastian, D. (2010). Autoregressive Neural Network Process. Universitas Passau, Jerman.
Suhartono, S., & Endharta, A. J. (2009). Peramalan Konsumsi Listrik Jangka Pendek Dengan Arima Musiman Ganda Dan Elman-recurrent Neural Network. JUTI: Jurnal Ilmiah Teknologi Informasi, 7(4), 183-190.
Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Method. Ed 2. Pearson Prentice Hall’s, New Jersey.
Wheelwright, S., Makridakis, S., & Hyndman, R. J. (1998). Forecasting: methods and applications. John Wiley & Sons.
Wutsqa, D. U., Subanar, S. G., & Sujuti, Z. (2006). Forecasting performance of VAR-NN and VARMA models. In Proceedings of the 2nd IMT-GT Regional Conference on Mathematics (p. 29).