Penerapan metode Feedforward Neural Network dengan algoritma Quasi Newton BFGS dan metode Winter Eksponensial Smoothing pada pola data musiman
| Main Author: | Rohana, Fadzilatur |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2011
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/152752/1/051103676.pdf http://repository.ub.ac.id/152752/ |
Daftar Isi:
- Salah satu teknik peramalan yang umum digunakan adalah metode winter eksponensial smoothing. Menurut Makridakis (1999) metode Winter exponential smoothing ini didasarkan atas tiga persamaan pemulusan, yaitu untuk pemulusan stationer, pemulusan trend dan pemulusan musiman. Karena berkembangnya ilmu pengetahuan ini para peneliti menemukan suatu metode baru untuk melakukan peramalan time series. Metode tersebut adalah metode Neural Networks (NN). Salah satu dari metode Neural Networks (NN) adalah metode Feedforward Neural Network (FFNN). Menurut Alfonso dan Sutikno (2010) mengatakan bahwa Feedforward Neural Network (FFNN) dikenal cukup fleksibel karena dalam pembentukan jaringan FFNN dilakukan dua algoritma utama, yaitu feed-forward dan backpropagation. Tujuan dari penelitian ini adalah untuk mengetahui manakah diantara motode FFNN dengan algoritma Quasi Newton BFGS dan metode Winter Eksponensial Smoothing yang merupakan model terbaik digunakan untuk peramalan dengan kriteria nilai MSE. Data yang dipakai pada penelitian ini adalah data yang mempunyai pola data musiman. Dimana variabel yang diukur adalah banyaknya kedatangan penumpang pesawat terbang di bandara Internasional Juanda, banyaknya penderita DBD di provinsi Jawa Timur, dan juga besarnya intensitas curah hujan kabupaten Bondowoso. Dari hasil didapatkan bahwa metode FFNN dengan algoritma Quasi Newton BFGS merupakan model terbaik yang digunakan untuk peramalan untuk ketiga data tersebut.