KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU

Abstract

Pada dunia nyata seringkali ditemukan pola data linear dan nonlinear pada data runtun waktu sehingga penggunaan model non linear saja tidak lagi cukup. Penggabungan model linier dan nonlinier menjadi alternatif solusi permasalahan tersebut. Penelitian yang dilakukan untuk mengkaji hybridizing exponential smoothing dan neural network  untuk peramalan data runtun waktu. Penelitian ini dilaksanakan dengan studi literatur. Langkah pertama dalam kajian teoritik ini adalah mempelajari kembali model exponential smoothing dan neural network. Selanjutnya dipelajari bentuk arsitektur beserta model gabungan   exponential smoothing dengan neural network. Dari model gabungan tersebut dikaji cara menduga parameter. Dari kajian teoritik yang telah dilakukan, dapat disimpulkan bahwa estimasi parameter bobot dengan metode kuadrat terkecil pada model hybridizing exponential smoothing dengan  neural network tidak memberikan hasil yang optimal. Hal ini dikarenakan mengkuadratkan kesalahan pada model penggabungan akan menggeser fit kurva ke suatu titik lain sehingga mengurangi keakuratan hasil prediksi. Oleh karena itu parameter optimal  model hybridizing  diperoleh dengan meminimalkan jumlahan absolut error.

Kata Kunci : Hybridizing, Exponential Smoothing, Neural Network, Runtun Waktu.