Peramalan Data Intermiten Menggunakan Metode Autoregressive Integrated Moving Average dan Neural Network (ARIMA-NN)

Agustin, Rima (2018) Peramalan Data Intermiten Menggunakan Metode Autoregressive Integrated Moving Average dan Neural Network (ARIMA-NN). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5214100011_Undergraduate_Theses.pdf]
Preview
Text
5214100011_Undergraduate_Theses.pdf - Accepted Version

Download (2MB) | Preview

Abstract

Pola data intermiten merupakan pola permintaan yang terjadi secara terputus-putus dimana tidak dapat diselesaikan dengan metode deret waktu konvensional. Ketidakaturan pola data yang terjadi menimbulkan suatu pengembangan metode tertentu untuk menangani data tersebut, sehingga pada tugas akhir ini akan menyelesaikan permasalahan data intermiten dengan menerapkan metode ARIMA-NN. Hal ini dilakukan karena pada studi literatur telah ditemukan banyak penelitian data intermiten yang menggunakan metode hybrid ARIMA-NN yang dinilai cukup baik dalam menyelesaikan permasalahan tersebut. Alasan penggabungan kedua metode ini adalah karena adanya asumsi bahwa metode tunggal tidak dapat secara total mengidentifikasi semua karakteristik time series. Oleh karena itu peramalan metode ARIMA-NN dilakukan untuk mengetahui prediksi pada data intermiten beberapa tahun kedepan yang berguna untuk membantu instansi dalam pengambilan keputusan. Hasil dari penelitian tugas akhir ini difokuskan pada penemuan model terbaik dan keakuratan hasil peramalan dengan mengetahui nilai error yang kecil yang kemudian dapat memberikan keputusan dalam peramalannya. Pada tugas akhir ini dilakukan peramalan terhadap data intermiten untuk menyelesaiakan ketidakteraturan pola yang terjadi dalam permintaan tertentu guna membantu instansi dalam pengambilan keputusan. Model ARIMA-ANN dapat digunakan untuk meramalkan jumlah impor beras. Model ARIMA terbaik yang digunakan adalah (1,0,0). Model ARIMA ini dilanjutkan dengan menggunakan metode ANN dengan input layer sebanyak 12 neuron, hidden layer sebanyak 7 neuron, dan output layer sebanyak 1 neuron. Sehingga model ARIMA-ANN dapat meramalkan jumlah impor beras pada periode selanjutnya. Hasil peramalan jumlah impor beras menggunakan metode ARIMA-ANN memiliki nilai MDA 67.1% pada data training lalu MDA 70.3% pada data testing yang menunjukkan bahwa model memiliki tingkat keakuratan yang cukup baik.
=======================================================================================================
Intermittent data patterns are dashed patterns of demand that can not be solved by conventional time series methods. The irregularity of data patterns that occur lead to a development of certain methods to handle the data, so that in this final project will solve the problem of intermittent data by applying ARIMA-NN method. This is done because in the literature study has found a lot of intermittent data research using hybrid ARIMA-NN method is considered good enough in solving the problem. The reason for merging these two methods is because of the assumption that a single method can not totally identify all time series characteristics. Therefore, ARIMA-NN forecasting method is done to know the prediction on intermittent data several years ahead which is useful to assist the agency in decision making. The results of this final project research focused on finding the best model and accuracy of forecasting results by knowing the small error value which then can give a decision in forecasting. In this final project is done forecasting of intermittent data to solve pattern irregularity that occur in certain request to assist agency in decision making. The ARIMA-ANN model can be used to predict the amount of rice imports. The best ARIMA model used is (1,0,0). ARIMA model is continued by using ANN method with 12 layer input of neuron, hidden layer as much as 7 neurons, and output layer as much as 1 neuron. So the ARIMA-ANN model can predict the amount of rice import in the next period. The result of forecasting the amount of rice import using ARIMA-ANN method has MDA value of 67,1% in training data then MDA 70,3% in data testing showing that the model has a middle level of accuracy.

Item Type: Thesis (Undergraduate)
Additional Information: RSSI 006.32 Agu p-1 3100018074450
Uncontrolled Keywords: intermiten, hybrid, Autoregressive, Moving Average, Neural Network
Subjects: Q Science > QA Mathematics > QA280 Box-Jenkins forecasting
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
Divisions: Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis
Depositing User: RIMA IKA AGUSTIN
Date Deposited: 07 Mar 2018 04:26
Last Modified: 08 Jul 2020 14:00
URI: http://repository.its.ac.id/id/eprint/49734

Actions (login required)

View Item View Item