Peramalan Banyak Kasus Demam Berdarah (DB) di Kota Surabaya Menggunakan Hybrid Integer-valued Autoregressive Integrated Moving Average (INARIMA) dan Radial Basis Function Neural Network (RBFNN)

Juliaristi, Fajarani (2016) Peramalan Banyak Kasus Demam Berdarah (DB) di Kota Surabaya Menggunakan Hybrid Integer-valued Autoregressive Integrated Moving Average (INARIMA) dan Radial Basis Function Neural Network (RBFNN). Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1314201203-Master_Thesis.pdf - Accepted Version

Download (954kB) | Preview

Abstract

Metode Hybrid merupakan kombinasi dua atu lebih sistem dalam satu fungsi. Pada penelitian ini digunakan kombinasi Integer-valued Autoregressive Integrated Moving Average (INARIMA) dengan Radial Basis Function Neural Network (RBFNN). INARIMA digunakan untuk memodelkan komponen linier dan menghasilkan nilai residual. Nilai residual yang tersebut kemudian akan di analisis menggunakan RBFNN. Pada model INARIMA, input yang digunakan adalah variabel acak bilangan bulat positif yang memenuhi identically and independent distributed (iid). Pada model INARIMA juga digunakan Binomial Thinning Operator yang merupakan jumlahan dari variabel acak Bernoulli. Parameter yang belum diketahui pada model INARIMA akan diestimasi menggunakan Metode Conditional Least Square (CLS). Kombinasi dari model INARIMA yang telah dijelaskan sebelumnya adalah RBFNN. RBFNN adalah salah satu model Neural Network (NN) yang digunakan untuk menyelesaikan permasalahan nonlinier. Pada proses pembelajaran RBFNN terjadi proses nonlinier dari lapisan input ke lapisan tersembunyi dengan menggunakan fungsi aktivasi Gaussian, sedangkan pada lapisan tersembunyi ke lapisan output terjadi proses linier. Pada proses menentukan model terbaik, digunakan Metode Self Organizing Map (SOM) untuk mengelompokkan data input menjadi beberapa kelompok sehingga nilai pusat dan varians setiap kelompok dapat dihitung. Aplikasi Metode Hybrid INARIMA dan RBFNN diterapkan untuk meramalkan banyak kasus demam berdarah di Kota Surabaya. Data yang digunakan adalah data banyak kasus demam berdarah di Kota Surabaya dari bulan Januari 2006 sampai Desember 2014. Penelitian ini menghasilkan model terbaik Hybrid INAR(1) dengan variabel prediktor x1 dan RBFNN dengan 2 neuron input, 2 neuron pada lapisan tersembunyi, dan 1 neuron output. Model ini menghasilkan nilai Mean Square Error (MSE) sebesar 371,494 dan Root Mean Square Error (RMSE) sebesar 19,274 ===================================================================================================== Hybrid method is a combination of two or more systems in one function. In this study, the combination is Integer-valued Autoregressive Integrated Moving Average (INARIMA) with Radial Basis Function Neural Network (RBFNN). INARIMA modelling the linear component of data and produce the residual. Residual value will analised using RBFNN. In INARIMA process, the input is nonnegative integer random variable and it is identically and independent distributed (iid). In INARIMA model, there is Binomial Thinning Operator is sum of Bernoulli random variable. The unknown parameter in INARIMA model estimated using Conditional Least Square (CLS). The combination of INARIMA is RBFNN. RBFNN is the one of Neural Network (NN) model which it use to solve nonlinear problem. In RBFNN learning, there is nonlinear process from input layer to hidden layer using Gaussian activation function and linear process from hidden layer to output. To determining the optimum model, Self Organizing Map (SOM) classify the input data to several groups then the centroid value and variance each groups can be calculate. The aplication of Hybrid INARIMA and RBFNN method is forecast the number of dengue fever case in Surabaya from January 2006 until December 2014. This study obtain the best model is Hybrid INAR(1) with explanatory variable x1 and RBFNN with 2 neurons in input layer, 2 neurons in hidden layer, and 1 neuron in output layer. This model produce Mean Square Error (MSE) 371.494 and Root Mean Square (RMSE) 19.274

Item Type: Thesis (Masters)
Additional Information: RTSt 519.536 Jul p
Uncontrolled Keywords: DB, Hybrid, INARIMA, CLS, RBFNN, SOM
Subjects: Q Science > QA Mathematics > QA278.2 Regression Analysis
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 17 Mar 2020 02:49
Last Modified: 17 Mar 2020 02:49
URI: https://repository.its.ac.id/id/eprint/75493

Actions (login required)

View Item View Item