Analisis Kinerja Gabungan Metode Ensemble Empirical Mode Decomposition Dan Generalized Regression Neural Network (Studi Kasus : Peramalan Harga Minyak Mentah)
Abstrak: Metode runtun waktu
cocok digunakan ketika akan memeriksa setiap pola data secara sistematis dan memiliki
banyak variabel bebas, seperti pada kasus harga minyak mentah. Salah satu
penelitian yang memanfaatkan metode runtun waktu adalah integrasi antara
Ensemble Empirical Mode Decomposition (EEMD) dan jaringan syaraf berdasarkan
algoritma Polak-Ribiére Conjugate Gradient (PCG). Jenis jaringan syaraf menggunakan
FeedForward Neural Network (FNN). Namun, FNN memerlukan pengaturan parameter
bebas dalam proses pembelajarannya. Sementara, parameter yang sesuai sangat
dibutuhkan untuk mendapatkan hasil peramalan yang akurat. Penelitian ini
mengusulkan integrasi antara EEMD dan Generalized Regression Neural Network
(GRNN). GRNN memiliki keunggulan, yaitu: tidak memerlukan pengaturan parameter
dan proses pembelajaran yang cepat. Untuk evaluasi, kinerja metode EEMD-GRNN
dibandingkan dengan GRNN. Hasil eksperimen menunjukkan bahwa metode EEMD-GRNN
menghasilkan peramalan yang lebih baik dari GRNN. Metode EEMD-GRNN memiliki
nilai MSE dan RMSE lebih kecil daripada GRNN. Nilai MSE dan RMSE menggunakan
data pengujian untuk WTI berturut-turut sebesar 0,0032 dan 0,0569. Sementara,
Nilai MSE dan RMSE menggunakan data pengujian Brent berturut-turut sebesar
0,0017 dan 0,0415.
Penulis: Sri Herawati, M.
Latif
Kode Jurnal: jptlisetrodd160365
