PERAMALAN KAUSAL BERBASIS INTEGRASI PRINCIPAL COMPONENT ANALYSIS DAN JARINGAN SYARAF TIRUAN

Abstract

             Artikel ini mengembangkan model peramalan kausal berbasis integrasi dari principal component analysis (PCA) dan jaringan syaraf tiruan (JST). Tujuan artikel ini adalah untuk analisis pengaruh transformasi data dengan PCA terhadap tingkat akurasi pada peramalan kausal dengan JST. Prosedur penelitian yang dilakukan meliputi pemilihan dan analisis variabel kausal, tahap PCA, tahap peramalan dengan JST, tahap analisis hasil  pengaruh PCA dan  perbandingan tingkat akurasi. Model JST yang dibangun adalah JST propagasi-balik dengan arsitektur satu hidden layer. Hasil penelitian dengan menggunakan 16 set data kasus peramalan yang terdiri dari satu variabel respon dan beberapa variabel bebas menunjukkan bahwa secara keseluruhan tingkat akurasi rata-rata hasil peramalan kausal berbasis integrasi PCA-JST berdasarkan nilai total parameter MAPE adalah 7,60. Penelitian menunjukkan bahwa perlakuan PCA berpengaruh terhadap tingkat akurasi peramalan kausal menggunakan metode JST. PCA secara keseluruhan memberikan pengaruh penurunan rata-rata nilai MAPE sebesar 35,53% dari rata-rata nilai MAPE hasil peramalan JST. Berdasarkan analisis perbandingan nilai total parameter MAPE untuk semua data kasus peramalan menunjukkan bahwa peramalan berbasis integrasi PCA-JST mampu memberikan hasil yang lebih baik dari pada metode JST dan atau metode kausal biasa.