Peramalan Time Series by slappypappy129

VIEWS: 2,787 PAGES: 15

									Peramalan Time Series
Arna F

Pendahuluan
• Data time series : data deret waktu yaitu sekumpulan data pada satu periode waktu tertentu • Peramalan time series : peramalan berdasarkan perilaku data masa lampau untuk diproyeksikan ke masa depan dengan memanfaatkan persamaan matematika dan statistika.

Tipe Data Time Series
• • • • Stasioner Random Trend Musiman

Data Time Series Stasioner

Data Time Series Random

Data Time Series Trend

Data Time Series Musiman

Teknik Peramalan Time Series
• Statistik
– – – – – – – – – – Moving Average Exponential Smoothing Regresi ARIMA (Box Jenkins) Neural Network Algoritma Genetika Simulated Annealing Genetic Programming Klasifikasi Hybrid

• Kecerdasan Buatan

Peramalan dengan Metode Statistik
• Akurasi tinggi apabila perilaku data time series tidak terlalu kompleks dan kondisi awal (asumsi-asumsi) terpenuhi dengan baik yaitu :
– Data harus stasioner, bila tidak stasioner harus distasionerkan – Sesuai fungsi ACF (Auto Correlation Function) dan PACF (Partial Auto Correlation Function)

Peramalan dengan Metode Kecerdasan Buatan
• Dapat mempelajari perilaku data tanpa asumsi-asumsi tertentu • Lebih akurat untuk data non stasioner (index saham, beban listrik dll) • Kemungkinan terjebak pada local optimum

Model Peramalan Dengan GA
y(k  1)  a0  a1 x1 (k )  a2 x2 (k )  ...  an xn (k )  e(k )

Dimana
x1(k)  xn(k) : data input prediksi pada waktu ke k y(k+1) : nilai prediksi pada waktu ke k+1 e(k) : error pada waktu ke k

Model Sistem
Data Training Training dengan GA untuk mendapatkan nilai koefisien model linier


Data Test

Hasil Peramalan

Periode Data
Membangkitkan populasi inisial data Awal peramalan

Data observasi

Data prediksi

Periode input

Periode training GA

Periode peramalan

waktu

Model Algoritma Genetika untuk Peramalan Time Series (1)
• Representasi Kromosom
y(k  1)  a 0  a1 x1 (k )  a 2 x 2 (k )  ...  a n x n (k )  e(k )
a0 a1 a2 ….. an Gen

• Fungsi Fitness
f  1 MSE  
n

MSE 

(y
k 1

k

ˆ  yk ) 2 n

Model Algoritma Genetika untuk Peramalan Time Series (2)
• Seleksi : Roulette whell • Perkawinan Silang :
– arithmetic crossover
 si (k )  r.si (k )  (1  r ).si (k  1)  si (k  1)  (1  r ).si (k )  r.si (k  1)

• Mutasi :
– arithmetic mutation


								
To top