ABSTRAKSI: Prediksi dapat memberikan gambaran tentang masa depan yang paling mendekati kenyataan. Untuk memprediksi data masa depan dapat dilakukan dengan menggunakan data historis masa lalu dengan cara mempelajari polanya sampai dihasilkan suatu model prediksi yang optimal. Metode tersebut dinamakan metode prediksi data time series. Evolutionary Algorithms (EAs) dapat digunakan untuk membangun model prediksi tersebut. Kelebihan dari EAs adalah mampu menghasilkan banyak solusi sekaligus sehingga model prediksi yang dihasilkan lebih beragam.
Evolution Staregies (ES) merupakan salah satu jenis EAs yang sering digunakan untuk menyelesaikan permasalahan optimasi. Differential Evolution (DE) merupakan kelas dari ES. DE memiliki skema yang hampir sama dengan ES. Perbedaan yang sangat signifikan adalah pada proses pembangkitan individu baru dimana DE bersifat semi terarah sedangkan ES bersifat acak. Pada Tugas Akhir ini dilakukan analisis perbandingan performansi antara ES dan DE dari segi kecepatan dan akurasi pada prediksi data time series dengan studi kasus yang digunakan adalah prediksi tingkat inflasi di Indonesia.
Berdasarkan observasi yang telah dilakukan dapat diketahui bahwa akurasi DE pada masalah prediksi data time series sedikit lebih baik daripada ES. Waktu yang diperlukan DE untuk membangun fungsi prediksi optimal juga jauh lebih cepat. Namun untuk data dengan tingkat fluktuasi tinggi dan sulit diprediksi seperti data tingkat inflasi di Indonesia, penggunaan metode prediksi data time series dengan mengimplementasikan ES maupun DE kurang mampu untuk mengadaptasi pola data historis tersebut sehingga prediksi yang dihasilkan kurang optimal.Kata Kunci : prediksi data time series, Evolutionary Algorithms (EAs), Evolution Staregies (ES), Differential Evolution (DE)ABSTRACT: Forecasting can provide a description of the future that most closely to reality. Forecasting the future data could be done by using past historical data by studying the pattern to produce an optimal forecasting model. This method is called time series data forecasting. Evolutionary Algorithms (EAs) can be used to build the forecasting model. The advantages of EAs is able to generate many solutions at once so the prediction model became more vary.
Evolution Staregies (ES) as a type of EAs is often used to solve optimization problems. Differential Evolution (DE) is belongs to the class of ES. DE has a similar scheme with ES. The most significant difference is in the process of generating new individuals which DE is semi-directed whereas ES is random. This final project is created to analyse and compare the performance between ES and DE in terms of speed and accuracy in time series data forecasting using inflation rate forecasting in Indonesia as a case study.
Based on the observations, the forecasting accuracy of DE on time series data forecasting is better than ES. DE is also much faster than ES in building an optimal forecasting function. But for data with high-level fluctuations and unpredictable as inflation rate in Indonesia, using the time series data forecasting by implementing DE and ES is less able to adapt the pattern of historical data so that the result of forecastings are less than optimal.Keyword: time series data forecasting, Evolutionary Algorithms (EAs), Evolution Staregies (ES), Differential Evolution (DE)