Pemodelan Dan Peramalan Jaringan Syaraf Tiruan Dengan Peubah Input Arima Dan Garch
| Main Author: | Ni’matuzzahroh, Ludia |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/168534/1/LUDIA%20NI%E2%80%99MATUZZAHROH.pdf http://repository.ub.ac.id/168534/ |
Daftar Isi:
- Peramalan merupakan unsur penting dan diperlukan dalam pengambilan suatu keputusan. Terdapat beberapa metode statistika yang dikembangkan untuk meramalkan data deret waktu, diantaranya metode ARIMA Box-Jenkins dan GARCH. Kedua metode tersebut memang baik untuk peramalan, namun masih memiliki kelemahan. Kemudian untuk mengatasi kelemahan tersebut dapat digunakan pendekatan lain, yaitu dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Metode JST ini dapat mengatasi permasalahan yang ada pada metode ARIMA Box-Jenkins maupun GARCH, di mana metode JST mempunyai kemampuan dalam memodelkan data deret waktu yang bersifat non linier. Namun tidak terdapat aturan dalam menentukan peubah input. Pada penelitian ini, peubah input yang digunakan pada pemodelan Neuro-ARIMA berupa variabel lag dan residual (sisaan) yang diperoleh dari identifikasi model ARIMA, sedangkan pada pemodelan Neuro-GARCH peubah input yang digunakan berupa kuadrat sisaan dan ragam sisaan yang diperoleh dari identifikasi model GARCH. Pada penelitian ini diharapkan model Neuro-ARIMA dan model Neuro-GARCH mampu memodelkan data deret waktu dengan baik. Model yang dipilih sebagai model terbaik adalah model yang memiliki nilai MSE testing terkecil dan R2 testing terbesar. Tujuan penelitian ini adalah untuk memodelkan data deret waktu dengan model Neuro-ARIMA dan model Neuro-GARCH, dan untuk mengetahui kinerja model Neuro-ARIMA dan model NeuroGARCH dalam meramalkan data deret waktu. Model Neuro-ARIMA terbaik adalah model Neuro-ARIMA([16],0,[1][16]) dengan jumlah unit lapisan (4-15-1) dengan MSE sebesar 0.052 dan R2 sebesar 0.360, sedangkan model Neuro-GARCH terbaik adalah model NeuroGARCH(1,1) dengan jumlah unit lapisan (3-5-1) untuk data return, dengan MSE sebesar 0.007 dan R2 sebesar 0.982. Sedangkan untuk data volatilitas diperoleh model Neuro-GARCH(1,1) dengan jumlah unit lapisan (2-5-1), dengan MSE sebesar 0.014 dan R2 sebesar 0.861