Perbandingan metode ARIMA dengan RBFNN dalam peramalan rata-rata banyaknya bilangan Sunspot

INDONESIA:

ARIMA dan RBFNN merupakan salah satu metode yang dapat digunakan dalam peramalan time series seperti bilangan sunspot. Dalam menganalis data yang diperoleh dari BPAA LAPAN Pasuruan, maka langkah yang dilakukan yaitu mendeskripsikan data, identifikasi, pendugaan parameter, uji signifikansi, kemudian meramalkan untuk periode mendatang.

Metode ARIMA adalah salah satu metode peramalan yang ada dalam time series, metode ini termasuk dari jenis model kausal, yang biasanya menggunakan analisis regresi untuk menentukan variabel yang signifikan mempengaruhi variabel dependen. Metode ARIMA berasal dari penggabungan antara Autoregresive (AR) dan Moving Average (MA). Model umum untuk ARIMA yang digunakan dalam peramalan adalah
X_t=X_(t-1)-0,0497+0,1541X_(t-11)-0,1541X_(t-12)-0,5344α_(t-1)-0,9585α_(t-11)

RBFNN adalah salah satu model Neural Network (NN) yang digunakan untuk menyelesaikan permasalahan nonlinear. Desain dari RBFNN adalah model NN yang mentransformasikan input secara nonlinear dengan menggunakan fungsi aktivasi multikuadratik pada lapisan tersembunyi sebelum diproses secara linear di lapisan output. Sehingga model umum RBFNN adalah :
f(x)=-178,3-2.781,2×〖10〗^3 ψ_1 (x,c_1 )-131,5ψ_2 (x,c_2 )-11,7ψ_3 (x,c_3 )+852ψ_4 (x,c_4 )+9,3ψ_5 (x,c_5 )+3,6(x,c_6 )-138,9ψ_7 (x,c_7 )+334,3ψ_8 (x,c_8 )+36,9ψ_9 (x,c_9 )+2.268ψ_10 (x,c_10)

Dengan membandingkan kedua metode ini, diperoleh metode mana yang lebih baik dalam meramalkan sunspot.

ENGLISH:

ARIMA and RBFNN is one of the methods that can be used in time series forecasting such as sunspot number. In releasing data obtained from BPAA LAPAN Pasuruan, the steps taken are to describe the data, identification, parameter estimation, significance test, and then forecast for the coming period.

ARIMA method is one of the forecasting methods that exist in the time series, this method includes from the type causal model, which usually uses regression analysis to determine the variables that significantly affect the dependent variable. The ARIMA method is derived from the merger between Autoregresive (AR) and Moving Average (MA). The general model for ARIMA used in forecasting is
X_t=X_(t-1)-0,0497+0,1541X_(t-11)-0,1541X_(t-12)-0,5344α_(t-1)-0,9585α_(t-11)

RBFNN is one of the Neural Network (NN) models used to solve nonlinear problems. The design of RBFNN is an NN model that transforms inputs nonlinearly by using a multicadratic activation function in a hidden layer before it is linearly coated in output. So the general model of RBFNN is
f(x)=-178,3-2.781,2×〖10〗^3 ψ_1 (x,c_1 )-131,5ψ_2 (x,c_2 )-11,7ψ_3 (x,c_3 )+852ψ_4 (x,c_4 )+9,3ψ_5 (x,c_5 )+3,6(x,c_6 )-138,9ψ_7 (x,c_7 )+334,3ψ_8 (x,c_8 )+36,9ψ_9 (x,c_9 )+2.268ψ_10 (x,c_10)

By comparing these two methods, which method is better in predicting the sunspot.