Main Article Content
Abstract
ANFIS (Adaptif Neuro Fuzzy Inference System) adalah metode jaringan neural yang fungsinya sama
dengan sistem inferensi fuzzy. Pada ANFIS, proses belajar pada jaringan neural dengan sejumlah pasangan
data berguna untuk memperbaharui parameter-parameter sistem inferensi fuzzy. Metode ANFIS menggunakan
algoritma Error backpropagation yang memiliki beberapa keunggulan, yaitu baik dari segi kekonvergenan
maupun dari segi lokal minimumnya yang sangat peka terhadap perbaikan parameter ANFIS. Metode ini
diimplementasikan pada peramalan data time series untuk 4 jenis tipe data yaitu stasioner (data sunspot),
random (data saham), non stasioner (airline), musiman (beban listrik). Proses learning data dengan ANFIS
memiliki hasil yang sempurna dimana nilai error proses training mampu mencapai 0 (nol). Metode ANFIS
memiliki hasil yang sangat baik untuk peramalan data saham dimana didapatkan nilai MSE 2.27 pada time lag
320. Hasil peramalan untuk data sunspot dan data beban listrik memiliki hasil yang lebih kecil dari ARIMA
yaitu 10.96 untuk time lag 30 dan 24885 untuk time lag 210. Pada metode ANFIS nilai time lag sangat
berpengaruh pada hasil peramalan dimana semakin besar time lag maka hasil peramalan semakin baik.
Kata kunci: Peramalan Time Series, neural network, ANFIS.
dengan sistem inferensi fuzzy. Pada ANFIS, proses belajar pada jaringan neural dengan sejumlah pasangan
data berguna untuk memperbaharui parameter-parameter sistem inferensi fuzzy. Metode ANFIS menggunakan
algoritma Error backpropagation yang memiliki beberapa keunggulan, yaitu baik dari segi kekonvergenan
maupun dari segi lokal minimumnya yang sangat peka terhadap perbaikan parameter ANFIS. Metode ini
diimplementasikan pada peramalan data time series untuk 4 jenis tipe data yaitu stasioner (data sunspot),
random (data saham), non stasioner (airline), musiman (beban listrik). Proses learning data dengan ANFIS
memiliki hasil yang sempurna dimana nilai error proses training mampu mencapai 0 (nol). Metode ANFIS
memiliki hasil yang sangat baik untuk peramalan data saham dimana didapatkan nilai MSE 2.27 pada time lag
320. Hasil peramalan untuk data sunspot dan data beban listrik memiliki hasil yang lebih kecil dari ARIMA
yaitu 10.96 untuk time lag 30 dan 24885 untuk time lag 210. Pada metode ANFIS nilai time lag sangat
berpengaruh pada hasil peramalan dimana semakin besar time lag maka hasil peramalan semakin baik.
Kata kunci: Peramalan Time Series, neural network, ANFIS.