ABSTRAKSI: Time series forecasting memungkinkan suatu organisasi untuk memodelkan suatu sistem yang kompleks dan memprediksi tingkah laku dari sistem tersebut hanya dengan menggunakan data-data masa lampau. Prediksi yang akurat akan memberikan keuntungan strategis yang bisa menjadi kunci sukses organisasi tersebut. Salah satu alternatif metode time series forecasting adalah dengan menggunakan artificial neural network (ANN). Permasalahan pada penggunaan ANN dalam time series forecasting adalah pemodelanya yang memiliki derajat kebebasan yang sangat tinggi. Salah satu alternatif solusi untuk permasalahan ini adalah dengan menggunakan evolutionary algorithm (EA) dalam pemodelan ANN.
Dari sekian banyak jenis ANN, ada salah satu jenis ANN bernama product unit neural network (PUNN) yang menggunakan node multiplikatif sebagai alternatif dari node additif. PUNN telah berhasil diimplementasikan pada permasalahan klasifikasi [12], regresi [14], dan prediksi [13]. Secara teoritis PUNN juga dapat digunakan dalam permasalahan time series forecasting karena PUNN mempunyai kemampuan sebagai universal approximator yang baik [14].
Tugas Akhir ini mengajukan sebuah metode time series forecasting dengan menggunakan PUNN yang dilatih arsitektur dan bobotnya dengan menggunakan EA. Dari hasil perbandingan dengan metode naïve dan auto-regressive moving average (ARMA), PUNN mampu memberikan akurasi peramalan yang lebih baik pada mayoritas data pengujian. Dengan demikian, PUNN dapat dijadikan sebagai suatu alternative metode time series forecasting.
Kata Kunci : time series forecasting, product unit neural network, evolutionary algorithm.ABSTRACT: Time series forecasting allows an organization to model a complex system and predict its behaviour based only on past data. An accurate prediction leads to strategic advantages that may become the key success of an organization. An alternative method in time series forecasting is by using artificial neural network (ANN). A common problem in time series forecasting using ANN is its high freedom degree in modeling. One of alternative solution to this problem is by using evolutionary algorithm (EA) in ANN modeling.
Among many kinds of ANN available, there is an ANN called product unit neural network (PUNN) which uses multiplicative nodes as an alternative to additive nodes. PUNN has been successfully implemented in classification [12], regression [14], and prediction [13] problems. Theoritically, PUNN also possible to be applied in time series forecasting as it has an abillity as a good universal approximator [14].
This Final Project proposed a time series forecasting method using PUNN which architecture and weights are trained using EA. In a comparative study with naive method and auto-regressive moving average (ARMA), PUNN shown better forecast results in most benchmark data. Thus, PUNN can be used as an alternative method in time series forecasting.
Keyword: time series forecasting, product unit neural network, evolutionary algorithm. ii