Anda di halaman 1dari 9

1

Page 1
Peramalan Time Series
Arna Fariza
Soft Computation Reseach Group
Electronic Engineering Polytechnic Institute of Surabaya
Page 2
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.
2
Page 3
Tipe Data Time Series
Stasioner
Random
Trend
Musiman
Page 4
Data Time Series Stasioner
3
Page 5
Data Time Series Random
Page 6
Data Time Series Trend
4
Page 7
Data Time Series Musiman
Page 8
Teknik Peramalan Time Series
Statistik
Moving Average
Exponential Smoothing
Regresi
ARIMA (Box Jenkins)
Kecerdasan Buatan
Neural Network
Algoritma Genetika
Simulated Annealing
Genetic Programming
Klasifikasi
Hybrid
5
Page 9
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)
Page 10
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
6
Page 11
Model Peramalan Dengan GA
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
) ( ) ( ... ) ( ) ( ) 1 (
2 2 1 1 0
k e k x a k x a k x a a k y
n n
+ + + + + = +
Page 12
Model Sistem
Training dengan GA
untuk mendapatkan
nilai koefisien model
linier
Hasil
Peramalan
Data Training
Data Test

7
Page 13
Periode Data
Periode input Periode training
GA
Periode
peramalan
Membangkitkan
populasi inisial
Awal
peramalan
Data observasi
Data prediksi
waktu
data
Page 14
Model Algoritma Genetika untuk
Peramalan Time Series (1)
Representasi Kromosom
Fungsi Fitness
a
0
a
1
a
2
.. a
n
Gen
) ( ) ( ... ) ( ) ( ) 1 (
2 2 1 1 0
k e k x a k x a k x a a k y
n n
+ + + + + = +
+
=
MSE
f
1
n
y y
MSE
n
k
k k
=

=
1
2
) (
8
Page 15
Model Algoritma Genetika untuk
Peramalan Time Series (2)
Seleksi : Roulette whell
Perkawinan Silang :
arithmetic crossover
Mutasi :
arithmetic mutation
) 1 ( . ) ( ). 1 ( ) 1 (
) 1 ( ). 1 ( ) ( . ) (
+ + = +
+ + =
k s r k s r k s
k s r k s r k s
i i i
i i i

Page 16
Peramalan Time Series dengan
Neural Network
9
Page 17
Peramalan Time Series Multikriteria
dengan Neural Network