BAB V KESIMPULAN DAN SARAN
5.2 Saran
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis dan pembahasan pada bab sebelumnya maka diperoleh kesimpulan sebagai berikut.
1. Model FFNN terbaik yang digunakan untuk memodelkan temperatur di Semarang adalah FFNN (2,2,2) yang terdiri dari 2 node pada lapisan masukkan, 2 node pada lapisan tersembunyi dan 2 node pada lapisan keluaran.
2. Hasil perbandingan kriteria model terbaik kasus temperatur di Semarang menunjukkan bahwa pemodelan BNN mempunyai kinerja yang lebih baik daripada VAR dan FFNN untuk kriteria out-of sample. Sedangkan model FFNN mempunyai kinerja lebih baik daripada VAR dan BNN berdasarkan kriteria in-sample.
5.2 Saran
Pada analisis Bayesian Neural Network masih terdapat autokorelasi yang berarti bahwa generate sample pada tiap parameter masih belum acak. Sehingga untuk penelitian selanjutnya sebaiknya mencari prior yang lebih baik lagi. Model BNN pada penelitian ini masih terbatas satu distribusi pada lokasi yang berbeda. Oleh karena itu, perlu dikembangkan model mixture dengan komponen mixture yang berdistribusi berbeda di setiap lokasi.
54
55
DAFTAR PUSTAKA
Bishop, C. M. (1995). Neural Network for Pattern Recognition. UK: Clarendon Press Oxford.
Box, G., & Tiao, G. (1992). Bayesian inference in statistical analysis. New York: Wiley.
Carlin, B. (1992). A simple Monte Carlo approach to Bayesian graduation. Transactions of the Society of Actuaries, 44, 55-76.
Casella, G., & George, E. (1992). Explaining the Gibbs sampler. The American Statistician, 46(3), 167-174.
Charlin, B. P., & Chib, S. (1995). Bayesian Model via Markov Chain Monte Carlo Methods. Journal Royal Statistical Society, 57, No. 3, 473-484.
Doan, C. D., & Liong, S. Y. (2004). GeneralizationFor Multilayer Neural Network Bayesian Regularization or Early Stopping. Asia Pasific Association of Hydrology and Water Resources : The 2nd APHW Conference.
Fithriasari, K. (2014). Pengembangan Disagregasi Data Curah Hujan Dengan Pendekatan Bayesian Mixture Neural Network Multi-Output. Surabaya: Disertasi, Jurusan Statistika, ITS.
Fithriasari, K., Iriawan, N., Ulama, B., & Sutikno. (2013). Bayesian Neural Networks for Time Series Modeling. Proceedings Of South East Asian Conference On Mathematics And Its Applications (SEACMA). ISBN 978-979-96152-8-2.
Fithriasari, K., Iriawan, N., Ulama, B., Sutikno, & Kuswanto, H. (2013). Predicton of hourly rainfall using Bayesian neural network adjusting procedure. Proceeding Of The 3rd Annual, Basic Science Inernational Conference (hal. 193-201). ISSN 0973-1377(Print),ISSN 0973-7545(Online).
Gujarati. (2004). Basic Econometrics Fourth Edition. New York: The McGraw-Hill.
IPCC. (2007). Climate Change 2007: Synthesis Report, Contribution of Working Groups I,II, and III to the Fourth Assessment Report of the Intergovernment Panel on Climate Change. Geneva, Switzerland: IPCC.
Iriawan, N., Astutik, S., & Prasetyo, D. D. (2010). Markov Chain Monte Carlo-Based Approaches for Modeling the Spatial Survival with Conditional Autoregressive (CAR) Fraity. International Journal of Computer Sciences and Network Security, Vol. 10 No. 12, 211-216.
Johnson, R. A., & Winchern, D. W. (2007). Applied Multivariate Statistical Analysis 6th edition. New Jersey: Pearson Prentice Hall.
56
King, R., Morgan, B., Giemenez, O., & Brooks, S. (2010). Bayesian Analysis for Population Ecology. USA: Chapman & Hall/CRC.
Kisi, O., & Uncuoglu, E. (2005). Comparison of Three Back-Propagation Training Algorithms for Two Case Studies. Indian Journal of Engineering & Materials Sciences,Vol.12, 434-442.
Koop, G. (2003). Bayesian Econometrics. England: John Wiley & Sons.
Kvalevag, M. M. (2009). Climate Effects of Land Use Changes And Anthropogenic Impact On Surface Radiation. ISSN 1501-7710. Norway: University of Oslo.
Lampinen, J., & Vehtari, A. (2001). Bayesian approach for neural networks-Review and case studies. Neural Networks, 14(3), 7-24.
Lee, T. H., White, H., & Granger, C. W. (1993). Testing For Neglected Nonlinearity in Time Series Models. Journal of Econometrics, 269-290.
LIPI. (2014, November Senin). Diambil kembali dari http://kependudukan.lipi.go.id/id/kajian-kependudukan/desa-kota/176-perubahan-kualitas-udara-peningkatan-suhu-di-semarang-dan-bandung Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. New
York: Springer.
Machmudin, A., & Ulama, B. S. (2012). Peramalan Temperatur Udara di Kota Surabaya Dengan Menggunakan ARIMA Dan Artificial Neural Network. Jurnal Sain dan Seni ITSVol.1 No.1, D118-D123.
Menchero, A., Diez, R. M., & Insua, D. R. (2005). Bayesian Analysis of Non-Linear Autoregression Models Based on Neural Networks. Neural Computation, 17, 453-485.
Muller, P., & Insua, D. R. (1998). Issue in Bayesian Analysis of Neural Network Models, Vol 10. Neural Computation, 571-592.
Neal, R. M. (1995). Bayesian Learning for Neural Network. University of Toronto. Ntzoufras, I. (2009). Bayesian Modelling Using WinBUGS. New Jersey, USA: John
Wiley & Sons.
Permai, D. S. (2013). Bayesian Neural Network Untuk Peramalan Temperatur Di Surabaya. Prosiding Seminar Nasional Pasca Sarjana XIII, ISBN no. 978-979-96700-6-9. Surabaya: ITS.
Purnomo, H., & Rizal. (2000). Pengaruh Kelembaban, Temperatur Udara dan Beban Kerja terhadap Kondisi Faal Tubuh Manusia. Logika, Vol.4 No.5, ISSN: 1410-2315, 35-47.
57
Scollnik, D. M. (2011). Handbook of Markov Chain Monte Carlo Chapter 1. Dalam An Introduction to Markov Chain Monte Carlo Methods and Their Acturial Applications (hal. 114-165). New York: Chapman & Hall.
Siang, J. J. (2005). Aplikasi Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab. Yogjakarta: Andi Yogjakarta.
Sivanandam, A. S., Sumathi, S., & Deepa, S. N. (2006). Introduction to Neural Network Using Matlab 6.0. New Delhi: McGraw Hill.
Suhartono. (2007). Feed Forward Neural Network untuk Pemodelan Runtun Waktu. Yogjakarta: Universitas Gajah Mada.
Terasvirta, T., Lin, C. F., & Granger, C. J. (1993). Power of The Neural Network Linearity Test. Journal of Time Series Analysis Vol. 14, No. 2, 159-171. Tursilowati. (2007). Urban Heat Island Dan Kontribusinya Pada Perubahan Iklim
Dan Hubungannya Dengan Perubahan Lahan. Prosiding Seminar Nasional Pemanasan Global dan Perubahan Global: Fakta, Mitigasi, dan Adaptasi. Wei, W. S. (2006). Time Series Analysis: Univariate and Multivariate Method
Second Edition. United States of America: Pearson Education, Inc.
Wikipedia. (2015, Oktober Minggu). Diambil kembali dari https://id.wikipedia.org/wiki/Kota_Semarang
Yu, H., & Wilamowski, B. M. (2010). Fast and Efficient and Training of Neural Network. Proc. 3rd IEEE Human System Interaction Conf. HSI 2010, (hal. 15-22). Rzeszow, Poland.
58
BIODATA PENULIS
Penulis dengan nama lengkap Zubdatu Zahrati lahir di kota Surabaya pada tanggal 05 Juli 1990, anak ketiga dari tiga bersaudara. Penulis melanjutkan pendidikan pada jenjang S-2 di Statistika ITS pada tahun 2014. Penulis juga pernah menjadi asisten dosen pada mata kuliah analisis multivariat, biostat, dan pengendalian kualitas statistik. Penulis berharap hasil penelitian tugas akhir ini dapat bermanfaat bagi pembaca. Apabila pembaca ingin berdiskusi mengenai laporan Tesis ini, dapat menghubungi melalui email: [email protected].