RBF and ARIMA Combined for Time Series Forecasting

Abstract

Permasalahan yang ada dalam dunia nyata seringkali adalah masalah yang kompleks di mana satu metode saja mungkin tidak mampu mengatasi masalah tersebut dengan baik. Dalam penelitian ini, dua buah metode, yaitu ARIMA dan RBF, akan digabungkan. Alasan penggabungan kedua model ini adalah karena adanya asumsi bahwa model tunggal tidak dapat secara total mengidentifikasi semua karakteristik dari time series. Pada penelitian ini dilakukan peramalan terhadap data Indeks Harga Perdagangan Besar (IHPB), data tersebut berada pada rentang tahun 2006 hingga beberapa bulan di tahun 2012, serta memiliki 6 variabel. Hasil peramalan metode ARIMA-RBF dibandingkan dengan metode ARIMA dan metode RBF secara individual. Hasil analisa menunjukkan bahwa dengan metode penggabungan ARIMA dan RBF, model yang diberikan memiliki hasil yang lebih baik dibandingkan dengan model ARIMA saja atau model RBF saja. Hal ini terlihat dalam MAPE, RMSE, dan waktu komputasi dari semua variabel yang ada pada data uji coba tersebut.