PERAMALAN TINGKAT PENGANGGURAN DI INDONESIA MENGGUNAKAN METODE TIME SERIES DENGAN MODEL ARIMA DAN HOLT-WINTERS
Teks penuh
Gambar
Dokumen terkait
Data yang telah didapat dimodelkan hingga mendapat model terbaik dengan nilai error terkecil dan kemudian dilakukan proses peramalan dengan memperhatikan nilai MAPE
Dari hasil analisis data yang dilakukan disimpulkan bahwa Performa model neural network dengan backpropagation yang dibentuk dari data training dan divalidasi pada data
Setelah dilakukan peramalan kemudian dilakukan evaluasi menggunakan beberapa perhitiungan untuk menguji model algoritma dengan menentukan nilai Mean Square Error
Model eksponensial smooting direkomendasikan sebagai sebuah teknik yang tidak kompleks dan ekonomis ( inexpensive method ), digunakan time series , analisis metode
Dari kedua model yang digunakan dapat ditunjukkan bahwa model hybrid ARIMA-Artificial Neural Network memiliki nilai RMSE in sample dan RMSE out sample yang lebih kecil
Metoda yang digunakan meliputi metoda regresi stepwise (screening) digunakan untuk membuat model persamaan, root mean square error (RMSE) untuk mengevaluasi hasil
Table 8: RMSE and MAPE for both models Root Mean Square Error Mean Absolute Percentage Error Holt's Double Exponential Smoothing 173.26 2.26% Fuzzy Time Series Markov Chain 161.20
Hasil analisis menunjukkan bahwa regresi linear memiliki kinerja yang lebih baik dalam hal prediksi tarif ojek online, dengan nilai Root Mean Square Error RMSE dan Mean Squared Error
