SELEKSI NILAI CENTER RADIAL BASIS FUNCTION NEURAL NETWORK MENGGUNAKAN K-MEANS PADA DATA TIME SERIES

Mirza Yogy Kurniawan(1*), Fathul Hafidh(2), Al Fath Riza Kholdani(3)

(1) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(2) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(3) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(*) Corresponding Author

Sari


Peramalan time series mengambil data rentet waktu yang sudah berjalan. Tujuannya adalah mengamati atau memodelkan data series yang sudah ada untuk memperkirakan nilai data selanjutnya yang dapat diprediksi secara akurat. Radial Basis Function Neural Network (RBFNN) adalah salah satu model dari Jaringan Saraf Tiruan Feed Forward. Dalam penerapannya RBFNN memerlukan beberapa parameter yang harus ditaksir, salah satunya adalah nilai tengah. Clustering dengan metode K-Means digunakan untuk menentukan nilai tengah pada tahap awal perhitungan algoritma RBFNN agar dapat menghasilkan prediksi degan nilai kesalahan yang lebih rendah. Prediksi rentet waktu dengan menggunakan RBFNN dan K-means mampu menghasilkan prediksi yang memiliki nilai kesalahan lebih rendah dibandingkan dengan prediksi dengan hanya RBFNN saja dengan nilai 0.0389 berbanding dengan 0.13901.


Teks Lengkap:

PDF

Referensi


Fausett, L. (1994). Fundamentals of Neural Networks Architectures Algorithms, and Applications. London: Prentice Hall, Inc.

Nasapi, M., Santoso, I., & Effendi, M. (2014). Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series.

Plummer, E. A. (2000). Time Series Forecasting with Feed-Forward Neural Networks : Guidelines and Limitation. Wyoming.

Sari, D. R. (2013). Analisa Algoritma Backpropagation dengan Metode Gradien Descent untuk Beban Listrik Jangka Pendek. Media SainS, 81-89.

Setiawan, K. (2006). Paradigma Sistem Cerdas. Surabaya: Bayu Media. Xu, R. (2009). Clustering. New Jersey: Wiley IEEE Press.




DOI: http://dx.doi.org/10.31602/ppdu.v0i1.8113

Refbacks

  • Saat ini tidak ada refbacks.