Peramalan Sales & Inflasi dengan Pendekatan Artificial Neural Network dan Model Regresi Dinamik (Fungsi Transfer)
Abstract
Tujuan penelitian ini adalah menerapkan metode Feed Forward Neural Network pada model peramalan time
series multivariate, dan membandingkan dengan metode Regresi Dinamik (Fungsi Transfer). Kriteria MSE, AIC,
BIC dan SBC digunakan untuk menbandingkan dua model peramalan. Dalam nembandingkan diambil dua kasus
(Sales berdasarkan Leading Indicator, dan Inflasi berdasarkan Indeks Harga Konsumen).
Hasil penelitian menunjukkan bahwa model FFNN lebih baik dibanding dengan model fungsi transfer, baik
untuk data ''Sales" dan "Inflasi" hal ini karena pada FFNN tidak memerlukan asumsi yang ketat. Secara statistik
pendekatan Fungsi Transfer lebih mudah untuk dikuti karena adanya tahapan identifikasi yang memudahkan untuk
mendapatkan model terbaik Selain itu model yang diperoleh mudah diinterpretasikan untuk menjelaskan
keterkaitan antara ramalan kejadian suatu waktu dengan kejadian-kejadian sebelumnya. Hal ini tidak ada atau
belum ditemukan pada model pendekatan FFNN, sehingga unsur coba-coba lebih dominan pada saat penentuan
arsitektur terbaik untuk model peramalan. FFNN adalah suatu pendekatan alternatif yang sangat bagus untuk
problem peramalan khususnya dalam fungsi transfer. Dengan pendekatan FFNN, hasil ramalan "Sales" dapat
disimpulkan bahwa jumlah sales dipengaruhi oleh leading indicator pada saat ini, tiga periode sebelumnya dan
juga dipengaruhi oleh jumtah sales sebelumnya. Sedangkan hasil ramalan "Inflasi" dipengaruhi oleh IHK pada
saat ini, satu periode sebelumnya dan juga dipengaruhi inflasi sebelumnya, dua dan tiga periode sebelumnya.
series multivariate, dan membandingkan dengan metode Regresi Dinamik (Fungsi Transfer). Kriteria MSE, AIC,
BIC dan SBC digunakan untuk menbandingkan dua model peramalan. Dalam nembandingkan diambil dua kasus
(Sales berdasarkan Leading Indicator, dan Inflasi berdasarkan Indeks Harga Konsumen).
Hasil penelitian menunjukkan bahwa model FFNN lebih baik dibanding dengan model fungsi transfer, baik
untuk data ''Sales" dan "Inflasi" hal ini karena pada FFNN tidak memerlukan asumsi yang ketat. Secara statistik
pendekatan Fungsi Transfer lebih mudah untuk dikuti karena adanya tahapan identifikasi yang memudahkan untuk
mendapatkan model terbaik Selain itu model yang diperoleh mudah diinterpretasikan untuk menjelaskan
keterkaitan antara ramalan kejadian suatu waktu dengan kejadian-kejadian sebelumnya. Hal ini tidak ada atau
belum ditemukan pada model pendekatan FFNN, sehingga unsur coba-coba lebih dominan pada saat penentuan
arsitektur terbaik untuk model peramalan. FFNN adalah suatu pendekatan alternatif yang sangat bagus untuk
problem peramalan khususnya dalam fungsi transfer. Dengan pendekatan FFNN, hasil ramalan "Sales" dapat
disimpulkan bahwa jumlah sales dipengaruhi oleh leading indicator pada saat ini, tiga periode sebelumnya dan
juga dipengaruhi oleh jumtah sales sebelumnya. Sedangkan hasil ramalan "Inflasi" dipengaruhi oleh IHK pada
saat ini, satu periode sebelumnya dan juga dipengaruhi inflasi sebelumnya, dua dan tiga periode sebelumnya.
Save to Mendeley
