Peramalan Harga Cabai di Kab

Peramalan Harga Cabai di Kab. Bandung Menggunakan Hybrid Autoregressive Integrated Moving Average dengan Backpropagation Neural Network
Tugas Akhir
diajukan untuk memenuhi salah satu syarat
memperoleh gelar sarjana?
dari Program Studi Ilmu Komputasi
Fakultas Informatika
Universitas Telkom
1107130064?
Mochamad Hendrawan Bintara?

Program Studi Sarjana Ilmu Komputasi
Fakultas Informatika?
Universitas Telkom?
Bandung?
2018

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

Peramalan Harga Cabai di Kab. Bandung Menggunakan Hybrid Autoregressive Integrated Moving Average dengan Backpropagation Neural Network
Forecasting Of Chili Prices in Bandung District Using Hybrid Autoregressive Integrated Moving Average with Backpropagation Neural Network
Mochamad Hendrawan Bintara 1, Fhira Nhita 2, Aniq Atiqi Rohmawati 3
1,2,3Prodi S1 Ilmu Komputasi, Fakultas Informatika, Universitas Telkom
[email protected],[email protected], [email protected]
1397039370
Abstrak
Harga cabai yang termasuk salah satu komoditas pangan dapat berpengaruh terhadap kenaikan harga cabai yang signifikan. Hal itu disebabkan karena cuaca yang tidak menentu yang dapat mempengaruhi kualitas cabai yang dipanen. Solusinya yaitu, melakukan peramalan harga cabai dan curah hujan yang dapat memberikan informasi penting dan berguna kepada para petani di Kabupaten Bandung, dalam membuat keputusan produksi dan pemasaran. Pada tugas akhir ini dilakukan analisis terhadap data harga cabai dan curah hujan menggunakan model ARIMA (1,0,0), model BPNN (pola 12), serta model Hybrid ARIMA BPNN (1,0,0)(pola 12), dimana model tersebut telah divalidasi oleh RMSE (Root Mean Square Error). Hasil validasi terhadap data harga cabai untuk model ARIMA (1,0,0) dengan nilai RMSE Training = 9398,97 dan RMSE Testing = 9733,76. Untuk model BPNN (pola 12) dengan nilai RMSE Training = 5533,27 dan RMSE Testing = 15107,18, dan untuk model HYBRID ARIMA BPNN (1,0,0)(pola 12) dengan nilai RMSE Training = 7288,28 dan RMSE Testing = 79733,90. Sedangkan terhadap data curah hujan untuk model ARIMA (1,0,0) dengan nilai RMSE Training = 165,54 dan RMSE Testing = 149,96. Untuk model BPNN (pola 12) dengan nilai RMSE Training = 123,25 dan RMSE Testing = 332,73, dan untuk model HYBRID ARIMA BPNN (1,0,0)(pola 12) dengan nilai RMSE Training = 129,85 dan RMSE Testing = 151,36.

Kata Kunci: curah hujan, peramalan, harga cabai, ARIMA, BPNN, HYBRID
-1460523495
Abstract
The price of chili which is one of the food commodities can affect the significant price increase. That’s because the weather that can affect the quality of chili that is harvested. The solution is, chili price and rainfall forecasting that can provide important and useful information for farmers in Bandung Regency, in making production and marketing decisions. Forecasting can be done through a series of scientific methods. In this final project analysis of chili and rainfall data using ARIMA model (1,0,0), BPNN model (pattern 12), and Hybrid ARIMA BPNN model (1,0,0)(pattern 12), where model has been validated by RMSE (Root Mean Square Error). The result of validation to chili price data for ARIMA model (1,0,0) with value of RMSE Training = 9398,97 and RMSE Testing = 9733,76. For BPNN model (pattern 12) with value of RMSE Training = 5533,27 and RMSE Testing = 15107,18, and for HYBRID ARIMA BPNN model (1,0,0)(pattern 12) with value of RMSE Training = 7288.28 and RMSE Testing = 79733,90. While for rainfall data for ARIMA model (1,0,0) with value of RMSE Training = 165,54 and RMSE Testing = 149,96. For BPNN model (pattern 12) with value of RMSE Training = 123,25 and RMSE Testing = 332,73, and for HYBRID ARIMA BPNN model (1,0, 0) (pattern 12) with value of RMSE Training = 129,85 and RMSE Testing = 151,36.
Keywords: rainfall, forecasting, chilli prices, ARIMA, BPNN, HYBRID.-9525143510
Pendahuluan
Latar Belakang
Indonesia termasuk pada negara tropis yang memiliki dua iklim yaitu musim hujan dan musim kemarau, dimana kondisi ini adalah suatu kelebihan yang dimiliki Indonesia untuk tumbuhnya tanaman sayuran. Salah satu tanaman sayuran yang sangat dibutuhkan oleh hampir semua orang adalah tanaman cabai. Tanaman cabai merupakan salah satu sayuran yang memiliki peluang bisnis yang baik, karena adanya permintaan cabai yang tinggi untuk kebutuhan pangan masyarakat. Namun banyak kendala yang dihadapi para petani cabai dalam menanam tanaman cabai, yaitu menanam tanaman cabai pada musim hujan yang dapat mengandung resiko terhadap tanaman cabai dikarenakan tanaman cabai tidak tahan terhadap hujan lebat yang terus menerus terjadi. Oleh karena itu harga cabai mengalami fluktuasi harga, karena adanya pengaruh terkait curah hujan yang menyebabkan turunnya hasil panen tanaman cabai 21.
Salah satu cara untuk mengatasi permasalahan tersebut, yaitu para petani membutuhkan peramalan harga cabai dan curah hujan, agar para petani dapat memilih kapan harus menanam tanaman cabai yang tidak menyebabkan hasil panen turun dan tidak mengalami fluktuasi harga. Pada penelitian sebelumya pernah dilakukan prediksi influenza dengan menggunakan algoritma HYBRID ARIMA (Autoregressive Integrated Moving Average) dengan BPNN (Backpropagation Neural Network), yaitu “A Hybrid Forecasting Model based on ARIMA and BP-NN” 9.
Pada tugas akhir ini metode yang digunakan dalam peramalan harga cabai dan curah hujan yaitu menggunakan metode HYBRID ARIMA (Autoregressive Integrated Moving Average) dengan BPNN (Backpropagation Neural Network). HYBRID adalah penggabungan dari kedua metode dengan cara optimasi. Pada jurnal ini yang di optimasi adalah metode ARIMA (Autoregressive Integrated Moving Average) dengan menggunakan BPNN (Backpropagation Neural Network, dimana yang di optimasi adalah residu ARIMA (Autoregressive Integrated Moving Average).
Perumusan Masalah
Berikut beberapa masalah yang dibahas dalam penelitian kali ini:
Bagaimana korelasi antara data harga cabai dengan data curah hujan?
Bagaimana memprediksi harga cabai dan curah hujan dengan mengimplementasikan algoritma ARIMA (Autoregressive Integrated Moving Average)?
Bagaimana memprediksi harga cabai dan curah hujan dengan mengimplementasikan algoritma BPNN (Backpropagation Neural Network)?
Bagaimana memprediksi harga cabai dan curah hujan dengan mengimplementasikan algoritma HYBRID ARIMA (Autoregressive Integrated Moving Average) dan BPNN (Backpropagation Neural Network)?
Tujuan Penelitian
Mendapatkan hasil korelasi positif atau negatif yang mempunyai keterkaitan antara data harga cabai dengan data curah hujan.

Dapat menerapkan metode ARIMA (Autoregressive Integrated Moving Average) sehingga dapat memprediksi harga cabai dan curah hujan.

Dapat menerapkan metode BPNN (Backpropagation Neural Network) sehingga dapat memprediksi harga cabai dan curah hujan.

Dapat menerapkan metode HYBRID ARIMA (Autoregressive Integrated Moving Average) dan BPNN (Backpropagation Neural Network) sehingga dapat memprediksi harga cabai dan curah hujan.

Landasan Teori
Kaitan Curah Hujan dengan Harga Cabai
Tanaman cabai jika mengalami kurangnya pasokan air akan menyebabkan hasil panen dapat berkurang. Tetapi tidak baik jika kelebihan pasokan air, faktor tersebut dikarenakan adanya perubahan iklim yang terjadi. Pada umumnya merupakan relatif sensitif terhadap kekurangan dan kelebihan air. Terdapat dua faktor utama yang terkait dengan perubahan iklim global yang berdampak pada sektor pertanian. Faktor tersebut yaitu perubahan pola hujan dan meningkatnya kejadian iklim ekstrim seperti kekeringan dan banjir 2.

Correlation Function (CF)
CF merupakan keterkaitan hubungan antara dua data untuk mengukur kekuatan hubungan antara dua data atau variabel. Kekuatan hubungan tersebut yaitu korelasi kuat, korelasi lemah, dan tidak berkorelasi. Untuk mengetahui kekuatan hubungan antara dua data, dapat dilihat dari korelasi positif dan korelasi negatif. Jika korelasi positif disebut korelasi kuat, kemudian jika korelasi negatif disebut korelasi lemah dan jika korelasi nol disebut tidak berkorelasi. Berikut rumus CF dapat dilihat dibawah ini 11:
CORR=t=1n(nxy)(x-y)t=1n(nx2-(x)2)(ny2-(y)2) (2.1)
Ket:corr: Nilai korelasi antara variabel x dan y
n: Banyaknya data
xy: Total jumlah hasil perkalian variabel x dan y
x: Nilai total jumlah variabel x
y: Nilai total jumlah variabel y
x2: Nilai kuadrat dari total jumlah variabel x
y2: Nilai kuadrat dari total jumlah variabel y
Autocorrelation Function (ACF)
ACF merupakan korelasi yang sangat baik untuk mengidentifikasi urutan proses Moving Average (q), karena cut off setelah lag (q). ACF mempunyai korelasi dari lag 1,2,3…,k untuk menentukan orde Moving Average (q). Berikut rumus ACF dapat dilihat dibawah ini 11.

rk=t=1n(yt-y)(yt-1-y)t=1n(yt-1-y)2 (2.2)
Ket:rk: Nilai korelasi pada lag k, dimana k = 0,1,2,…k
n: Banyaknya data
yt: Nilai prediksi
y: Nilai rata-rata
Partial Autocorrelation Function (PACF)
PACF merupakan korelasi yang sangat baik untuk mengidentifikasi urutan proses Autoregressive (p), karena cut off setelah lag (p). PACF mempunyai korelasi dari lag 1,2,3…,k untuk menentukan orde Autoregressive (p). Berikut rumus PACF dapat dilihat dibawah ini 11.

?k= ?k?k-1+?k?k-2+…+?k?k-p (2.3)
Ket:?k: Nilai pada Autocorrelaion Function (ACF)
?: Nilai pada Partial Autocorrelaion Function (PACF)
k: Nilai pada lag, dimana k = 0,1,2,…p
Model Autoregressive Integrated Moving Average (ARIMA)
ARIMA merupakan salah satu model dari Analisis Time Series yaitu suatu variabel yang memiliki nilai secara berurutan terhadap waktu kejadian di dunia nyata, data yang digunakan berdasarkan data Time Series 5. Model ARIMA termasuk kedalam peramalan (forecasting) yaitu memprediksi kejadian di masa yang akan datang dengan data dari masa lampau dalam kehidupan nyata4. Model ARIMA secara teori adalah kelas model paling umum untuk meramalkan deret waktu, yang dapat dipetakan berdasarkan (p, d, q) dimana p merupakan jumlah istilah Autoregressive, d merupakan Differencing, q merupakan jumlah kesalahan perkiraan dalam persamaan prediksi Moving Average. Rumus ARIMA (p, d, q) adalah sebagai berikut 10:
Yt=?0+?1Yt-1+…+?pYt-p+?t-?1?t-1-…-?q?t-q(2.4)
Ket:Yt: Nilai prediksi pada periode t, t=1,2,3,…,n.

?t: Nilai error yang bersifat random pada periode t, t=1,2,3,…,n
?0: Nilai konstant atau awal
?1, ?2,…, ?p: Parameter Autoregressive
?q?1, ?2,…,?q: Parameter Moving Average
Model Backpropagation Neural Network (BPNN)
2188845618702Hidden layerInput layerOutput layeryt-1yt-2yt-pytwbvb00Hidden layerInput layerOutput layeryt-1yt-2yt-pytwbvbBPNN adalah salah satu struktur populer dalam jaringan syaraf tiruan untuk menangkap hubungan halus di balik data berdasarkan jaringan syaraf tiruan. Ada tiga layer dalam struktur jaringan yaitu input layer, hidden layer dan output layer, serta neuron pada input layer dan output layer adalah masing-masing variabel input dan variabel output 3. Struktur topologi Model Backpropagation Neural Network (BPNN) ditunjukkan pada gambar berikut 9:
Gambar STYLEREF 2 s 2.1 Struktur topologi Model Backpropagation Neural Network (BPNN)
Fungsi aktivasi Model BPNN yang digunakan sigmoid biner, yaitu sebagai berikut:
g(x)= 11+e-x(2.5)
Ket :w: Parameter model vektor bobot koneksi dari hidden layer ke output layer
v: Parameter model vektor bobot koneksi dari input layer ke hidden layer
b: Nilai bias
g(x): Nilai fungsi aktivasi hidden layer
Model Hybrid Autoregressive Integrated Moving Average (ARIMA) dan Backpropagation Neural Network (BPNN)
Pada model HYBRID Autoregressive Integrated Moving Average (ARIMA) dan Backpropagation Neural Network (BPNN), satu set deret waktu didekomposisi menjadi struktur autokorelasi linier dan struktur non linier dua bagian. Secara khusus, model Autoregressive Integrated Moving Average (ARIMA) digunakan untuk memodelkan bagian linier dari deret waktu, dan error dari pemodelan Autoregressive Integrated Moving Average (ARIMA) dimodelkan menggunakan jaringan syaraf tiruan. Asumsikan bahwa deret waktu ?? didekomposisi menjadi kolom subjek autokorelasi linier ?? dan kolom residu non linier ?? 9:
yt=Lt+Nt (2.6)
langkah berikut digunakan untuk membangun model residual ARIMA yaitu sebagai berikut 9:
et=xt-Lt (2.7)
Urutan error yang masuk pada BPNN dengan nonlinier yaitu sebagai berikut 9:
et=fet-1,…,et-n+?t (2.8)
Kemudian prediksi model HYBRID ARIMA BPNN yaitu sebagai berikut 9:
yt=Lt+Nt (2.9)
Ket:fet-1,…,et-n : Nilai residu ARIMA yang ditentukan oleh jaringan syaraf tiruan
?t : Nilai error
Nt: Hasil forecasting residu ARIMA yang di optimasi BPNN
Lt: Hasil forecasting ARIMA
xt: Data aktual
Root Mean Square Error (RMSE)
Dalam penelitian ini menggunakan Root Mean Square Error (RMSE) untuk mengevaluasi hasil prediksi 9. Root Mean Square Error (RMSE) yaitu untuk memilih atau membandingkan suatu model terbaik. Rumusnya adalah sebagai berikut:
RMSE=t=1n(Yt-xt)2n (2.10)
Ket:n: Banyaknya data
Yt: Nilai prediksi
xt: Nilai aktual
Metodologi dan Desain Sistem
Proses Algoritma ARIMA

Gambar 3.1. Flowchart ARIMA
Dataset yang digunakan adalah data harga cabai dan curah hujan yang diperoleh dari Dinas Pertanian Kab. Bandung dan Badan Meteorologi Klimatologi dan Geofisika (BMKG), data tersebut berupa data harga cabai dan curah hujan bulanan di daerah Kab. Bandung pada tahun 2014-2017.

Input data dibagi menjadi dua bagian, yaitu data training dan data testing.

Identifikasi model ARIMA yaitu menggunakan ACF, PACF. Untuk mengetahui model AR yaitu dilihat dari plot PACF yang melebihi limit, sedangkan untuk MA dilihat dari plot ACF yang melebihi limit.

Estimasi parameter yang digunakan yaitu menggunakan metode gaussian. Tahapan ini dilakukan untuk menentukan parameter pada model yang digunakan yang terkait data asli.

Model ARIMA yaitu menggunakan ARIMA (1,0,1), ARIMA (1,0,0), dan ARIMA (0,0,1).

Forecasting dilakukan setelah estimasi parameter dan model ARIMA didapatkan dengan menggunakan dataset (t-1) yang merupakan hasil forecasting didapatkan dari bulan sebelumnya. Setelah itu validasi kelayakan model yaitu cara mengetahui nilai error dengan menggunakan RMSE.
Hasil forecasting merupakan data forecasting harga cabai dan curah hujan untuk kedepannya.

Proses Algoritma BPNN

Gambar 3.2. Flowchart BPNN
Dataset yang digunakan adalah data harga cabai dan curah hujan yang diperoleh dari Dinas Pertanian Kab. Bandung dan Badan Meteorologi Klimatologi dan Geofisika (BMKG), data tersebut berupa data harga cabai dan curah hujan bulanan di daerah Kab. Bandung pada tahun 2014-2017.

Normalisasi data digunakan untuk menyamakan skala data terhadap data maksimum dan data minimum. Setelah di normalisasi dibagi menjadi dua bagian, yaitu data training dan data testing
Inisialisasi parameter yang digunakan yaitu maks epoch 1000, learning rate 0,01, goal 0,001¸ dan hidden layer 5. Untuk tahapan ini dapat menentukan sendiri angka untuk inisialisasi parameter.

Epoch dilakukan pada saat bertambahnya iterasi, jika tidak terjadi error ; MSE maka iterasi epoch akan bertambah, jika terjadi error ; MSE maka iterasi epoch akan berhenti.

Feedforward berfungsi untuk menghitung inputan hidden layer.

Backpropagation berfungsi untuk menghitung faktor kesalahan tersembunyi, yang digunakan untuk menghasilkan output error, output ?bobot dan output ?bias.
Simpan bobot yaitu bobot digunakan untuk sistem pengujian selanjutnya.

Forecasting yaitu setelah epoch berhenti dan output (yt) didapatkan dengan menggunakan feedforward dan backpropagation.
Denormalisasi merupakan proses pengembalian skala data 0,1 dikembalikan ke data semula. Setelah itu validasi kelayakan model yaitu cara mengetahui nilai error dengan menggunakan RMSE.

Hasil forecasting merupakan data forecasting harga cabai dan curah hujan untuk kedepannya.

Proses Algoritma HYBRID ARIMA BPNN
Gambar 3.3. Flowchart HYBRID ARIMA BPNN
Dataset yang digunakan adalah data harga cabai dan curah hujan yang diperoleh dari Dinas Pertanian Kab. Bandung dan Badan Meteorologi Klimatologi dan Geofisika (BMKG), data tersebut berupa data harga cabai dan curah hujan bulanan di daerah Kab. Bandung pada tahun 2014-2017.

Input data dibagi menjadi dua bagian, yaitu data training dan data testing.

Pada proses ARIMA yaitu proses algoritma ARIMA, setelah itu lanjut ke forecasting ARIMA yaitu hasil yang sudah di forecasting.

Kemudian pada proses BPNN yaitu proses optimasi residu ARIMA yang dioptimasi oleh algoritma BPNN, setelah itu lanjut ke forecasting residu yaitu hasil yang sudah di forecasting.

Model HYBRID yaitu proses penggabungan hasil forecasting ARIMA dengan hasil forecasting residu ARIMA yang telah dioptimasi oleh BPNN, tahapan ini dilakukan untuk mendapatkan hasil forecasting dengan cara dijumlahkan.

Forecasting dilakukan setelah model HYBRID didapatkan dengan menggunakan penjumlahan antara hasil forecasting ARIMA dengan hasil forecasting residu ARIMA yang telah dioptimasi oleh BPNN. Setelah itu validasi kelayakan model yaitu cara mengetahui nilai error dengan menggunakan RMSE.

Hasil forecasting merupakan data forecasting harga cabai dan curah hujan untuk kedepannya.

Evaluasi
Hasil Pengujian
Hasil Pengujian Korelasi Data Harga Cabai dengan Data Curah Hujan
Untuk mengetahui hasil pengujian korelasi antara data harga cabai dengan data curah hujan memerlukan dua data, yaitu antara data harga cabai dengan data curah hujan tahun 2014-2017. Berdasarkan hasil pengerjaan korelasi data harga cabai dengan data curah hujan dapat diketahui nilai korelasi data harga cabai dengan data curah hujan, yaitu 0,257538067 terkait nilai tersebut hubungan korelasi positif. Untuk data harga cabai dengan data curah hujan memiliki keterkaitan hubungan yang sangat kuat dikarenakan korelasinya positif, maka dari itu pada tugas akhir ini melakukan forecasting data harga cabai dan data curah hujan.
Hasil Pengujian Model ARIMA, BPNN, dan HYBRID ARIMA BPNN
Validasi pada Model Algoritma ARIMA, BPNN, dan HYBRID ARIMA BPNN Data Harga Cabai
Untuk mengetahui hasil pengujian model yang digunakan pada tugas akhir ini, yaitu memerlukan tahap validasi dengan menggunakan RMSE. Berikut tabel validasi training dan testing model terbaik terhadap data harga cabai dapat dilihat dibawah ini:
Tabel 4.1 Validasi Model Training dan Testing Data Harga Cabai
  Training Testing
ARIMA (1,0,0) BPNN (pola 12) Hybrid (1,0,0) (pola 12) ARIMA (1,0,0) BPNN (pola 12) Hybrid (1,0,0) (pola 12)
RMSE 9398,97 5533,27 7288,28 9733,76 15107,18 9733,90
Berdasarkan validasi Tabel 4.1 dapat diketahui nilai validasi training dan testing pada model ARIMA (1,0,0), model BPNN (pola 12), dan model HYBRID ARIMA BPNN berdasarkan RMSE.

Validasi pada Model Algoritma ARIMA, BPNN, dan HYBRID ARIMA BPNN Data Curah Hujan
Untuk mengetahui hasil pengujian model yang digunakan pada tugas akhir ini, yaitu memerlukan tahap validasi dengan menggunakan RMSE. Berikut tabel validasi training dan testing model terbaik terhadap data curah hujan dapat dilihat dibawah ini:
Tabel 4.2 Validasi Model Training dan Testing Data Curah Hujan
  Training Testing
ARIMA (1,0,0) BPNN (pola 12) Hybrid (1,0,0) (pola 12) ARIMA (1,0,0) BPNN (pola 12) Hybrid (1,0,0) (pola 12)
RMSE 165,54 123,25 129,85 149,96 332,73 151,36
Berdasarkan validasi Tabel 4.2 dapat diketahui nilai validasi training dan testing pada model ARIMA (1,0,0), model BPNN (pola 12), dan model HYBRID ARIMA BPNN berdasarkan RMSE.
Grafik pada Model Algoritma ARIMA, BPNN, dan HYBRID ARIMA BPNN Data Harga Cabai
Setelah mengetahui hasil pengujian pada tahap validasi model yang digunakan pada tugas akhir ini, yaitu terdapat grafik training dan testing. Berikut grafik training dan testing model ARIMA (1,0,0), BPNN (pola 12), dan HYBRID (1,0,0)(pola 12) terbaik terhadap data harga cabai dapat dilihat dibawah ini:

Gambar 4.1 Grafik Training model ARIMA (1,0,0)

Gambar 4.2 Grafik Testing model ARIMA (1,0,0)

Gambar 4.3 Grafik Training model BPNN (pola 12)
Gambar 4.4 Grafik Testing model BPNN (pola 12)

Gambar 4.5 Grafik Training model HYBRID (1,0,0) (pola 12)

Gambar 4.6 Grafik Testing model HYBRID (1,0,0) (pola 12)
Pada gambar grafik training dan testing model ARIMA(1,0,0), BPNN (pola 12), dan HYBRID (1,0,0)(pola 12) terhadap data harga cabai menunjukan hasil perbandingan data aktual training dengan data prediksi training, dan data aktual testing dengan data prediksi testing, dimana grafik tersebut menunjukan bahwa garis berwarna biru merupakan grafik data aktual dan garis berwarna orange merupakan grafik data hasil prediksi.
Grafik pada Model Algoritma ARIMA, BPNN, dan HYBRID ARIMA BPNN Data Curah Hujan
Setelah mengetahui hasil pengujian pada tahap validasi model yang digunakan pada tugas akhir ini, yaitu terdapat grafik training dan testing. Berikut grafik training dan testing model ARIMA (1,0,0), BPNN (pola 12), dan HYBRID (1,0,0)(pola 12) terbaik terhadap data curah hujan dapat dilihat dibawah ini:

Gambar 4.7 Grafik Training model ARIMA (1,0,0)

Gambar 4.8 Grafik Testing model ARIMA (1,0,0)

Gambar 4.9 Grafik Training model BPNN (pola 12)
Gambar 4.10 Grafik Testing model BPNN (pola 12)

Gambar 4.11 Grafik Training model HYBRID (1,0,0) (pola 12)

Gambar 4.12 Grafik Testing model HYBRID (1,0,0) (pola 12)
Pada gambar grafik training dan testing model ARIMA(1,0,0), BPNN (pola 12), dan HYBRID (1,0,0)(pola 12) terhadap data curah hujan menunjukan hasil perbandingan data aktual training dengan data prediksi training, dan data aktual testing dengan data prediksi testing, dimana grafik tersebut menunjukan bahwa garis berwarna biru merupakan grafik data aktual dan garis berwarna orange merupakan grafik data hasil prediksi.

Analisis Hasil Pengujian
Skenario Dataset Harga Cabai dan Curah Hujan
Pada skenario dataset telah dilakukan tiga skenario dataset. Pada hasil pengujian yang sudah dijelaskan, menggunakan skenario dataset ke-2 yaitu skenario dataset terbaik. Berikut tabel skenario dataset yang digunakan dapat dilihat dibawah ini:
Tabel 4.3 Skenario dataset
Skenario Training Testing
1 75% 25%
2 70% 30%
3 80% 20%
Skenario pada Setiap Model Data Harga Cabai dan Curah Hujan
Model ARIMA
Pada skenario model ARIMA telah dilakukan tiga skenario model. Pada hasil pengujian yang sudah dijelaskan, menggunakan skenario model ke-2 yaitu skenario model terbaik pada model (1,0,0). Berikut tabel skenario model ARIMA yang digunakan dapat dilihat dibawah ini:
Tabel 4.4 Skenario Model ARIMA
Skenario Training Testing
1 (1,0,1) (1,0,1)
2 (1,0,0) (1,0,0)
3 (0,0,1) (0,0,1)
LINK Excel.Sheet.12 “D:\Kuliah\Pengerjaan TA\Skripsi\Hasil Analisis.xlsx” Sheet1!R55C7:R63C8 a f 4 h * MERGEFORMAT
Model BPNN dan HYBRID ARIMA BPNN
Pada skenario model BPNN dan skenario model HYBRID ARIMA BPNN telah dilakukan tiga skenario model. Pada hasil pengujian yang sudah dijelaskan, menggunakan skenario model ke-2 yaitu skenario model terbaik pada model (pola 12). Berikut tabel skenario model BPNN dan HYBRID ARIMA BPNN yang digunakan dapat dilihat dibawah ini:
Tabel 4.5 Skenario Model BPNN dan HYBRID ARIMA BPNN LINK Excel.Sheet.12 “D:\Kuliah\Pengerjaan TA\Skripsi\Hasil Analisis.xlsx” Sheet1!R55C7:R63C8 a f 4 h * MERGEFORMAT
Skenario Training Testing
1 (pola 12) (pola 12)
2 (pola 2) (pola 2)
3 (pola 3) (pola 3)
Identifikasi Algoritma ARIMA Data Harga Cabai
Untuk mengetahui nilai orde yang digunakan pada data harga cabai, yaitu memerlukan ACF dan PACF. Berikut gambar korelasi ACF dan PACF dapat dilihat dibawah ini:

Gambar 4.13 Grafik ACF Gambar 4.14 Grafik PACF
Berdasarkan gambar 4.13 dan 4.14 bahwa ACF menunjukkan data harga cabai telah terjadi cut off pada lag ke-1, untuk PACF menunjukkan data harga cabai telah terjadi cut off dari lag ke-1 sampai maksimal lag ke-2. Pada PACF data harga cabai menggunakan model Autoregressive pada lag ke-1, karena maksimal lag yang tidak berkolerasi yaitu pada lag ke-2, maka dapat menggunakan model Autoregressive pada lag ke-1.

Identifikasi Algoritma ARIMA Data Curah Hujan
Untuk mengetahui nilai orde yang digunakan pada data curah hujan, yaitu memerlukan ACF dan PACF. Berikut gambar korelasi ACF dan PACF dapat dilihat dibawah ini:

Gambar 4.15 Grafik ACF Gambar 4.16 Grafik PACF
Berdasarkan gambar 4.15 dan 4.16 bahwa ACF dan PACF menunjukkan data curah hujan telah terjadi cut off pada lag ke-1, sehingga pada lag ke-1 sudah tidak berkorelasi.

Estimasi Parameter pada Model Algoritma ARIMA Data Harga Cabai
Model Algoritma ARIMA (1,0,0)
Berdasarkan rumus 2.4, maka menghasilkan rumus sebagai berikut:
Yt=?0+?1Yt-1+?tTabel 4.6 Estimasi parameter Training model ARIMA (1,0,0)Estimasi Parameters Training model ARIMA (1,0,0)
?09949,95
?10,578033
?t0,1
Yt=9949,95+0,578033Yt-1+0,1Berdasarkan analisis Tabel 4.6 dapat diketahui estimasi pada ?0= 9949,95, ?1= 0,578033 dan ?t= 0,1. Untuk estimasi parameter ?t menggunakan inisiasi 0,1, dikarenakan jika menggunakan hasil dari estimasi parameter untuk hasil baseline forecasting jauh dengan data aktual. Kemudian estimasi parameter ini digunakan juga untuk mencari nilai prediksi Testing.

Estimasi Parameter pada Model Algoritma ARIMA Data Curah Hujan
Model Algoritma ARIMA (1,0,0)
Berdasarkan rumus 2.4, maka menghasilkan rumus sebagai berikut:
Yt=?0+?1Yt-1+?tTabel 4.7 Estimasi parameter Training model ARIMA (1,0,0)
Estimasi Parameters Training model ARIMA (1,0,0)
?0137,612
?10,445144
?t0,1
Yt=137,612+0,445144Yt-1+0,1Berdasarkan analisis Tabel 4.7 dapat diketahui estimasi pada ?0= 137,612, ?1= 0,445144 dan ?t= 0,1. Untuk estimasi parameter ?t menggunakan inisiasi 0,1, dikarenakan jika menggunakan hasil dari estimasi parameter untuk hasil baseline forecasting jauh dengan data aktual. Kemudian estimasi parameter ini digunakan juga untuk mencari nilai prediksi Testing.

Inisialisasi Parameter dan Arsitektur pada Model BPNN dan HYBRID Data Harga Cabai dan Curah Hujan
Model Algoritma BPNN (pola 12) dan HYBRID ARIMA BPNN (1,0,0)(pola 12)
Inisialisasi parameter yang digunakan pada BPNN dan HYBRID ARIMA BPNN sebagai berikut:
Tabel 4.8 Inisialisasi parameter dan arsitektur Training
Parameters dan arsitektur Harga Cabai (pola 12) Parameters dan arsitektur Curah Hujan (pola 12)
Input 12 unit 12 unit
Hidden Layer 5 unit 5 unit
Output Layer 1 unit 1 unit
Target goal 0,001 0,001
Learning Rate 0,01 0,01
Jumlah epoch 1000 1000
Berdasarkan analisis Tabel 4.8 dapat diketahui inisialisasi parameter pada (pola 12) data harga cabai dan curah hujan yaitu Learning Rate = 0,01, Target goal = 0,001 dan Jumlah epoch = 1000, kemudian untuk arsitektur pada (pola 12) data harga cabai dan curah hujan yaitu Input = 12 unit, Hidden Layer = 5 unit, dan Output Layer = 1 unit. Untuk inisialisasi parameter dan arsitektur dari kedua data disamakan, dikarenakan untuk mengukur model yang mana yang terbaik. Kemudian inisialisasi parameter dan arsitektur ini digunakan juga untuk mencari nilai prediksi Testing.
Kesimpulan
Korelasi antara data harga cabai dengan data curah hujan mendapatkan hasil positif, yaitu memiliki keterkaitan hubungan yang sangat kuat antara data harga cabai dengan data curah hujan.

Model yang terbaik berdasarkan nilai-nilai hasil forecasting yang mendekati data aktual, yaitu model algoritma ARIMA (1,0,0) untuk data harga cabai dan curah hujan.

Model yang terbaik berdasarkan nilai-nilai hasil forecasting yang mendekati data aktual, yaitu model algoritma BPNN (pola 12) untuk data harga cabai dan curah hujan.

Model yang terbaik berdasarkan nilai-nilai hasil forecasting yang mendekati data aktual, yaitu model algoritma HYBRID ARIMA BPNN (1,0,0)(pola 12) untuk data harga cabai dan curah hujan.

DAFTAR PUSTAKAWardana, M. H. (2014). Budidaya Tanaman Cabai Merah di UPTD Perbibitan Tanaman Hortikultura Desa Sumberejo Kecamatan Ambulu Kabupaten Jember. Jember: tidak diterbitkan.

Suryana, U., Yuneline, M. H., ; Kurniawan, G. I. (2016). “Pengembangan Model Penilaian dan Pengelolaan Risiko pada Usaha Sayur Kreatif di Bandung Barat”. Jurnal Ekonomi dan Manajemen STIE Dharma Negara, 1(1), 6-17.

Xiong, L., ; Lu, Y. (2017). “Hybrid ARIMA-BPNN Model for Time Series Prediction of the Chinese Stock Market”. International Conference on Information Management, 3, 93-97.

Makridakis, S., Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., . . . Winkler, R. (1982). “The Accuracy of Extrapolation (Time Series) Methods: Result of a Forecasting Competition”. Journal of Forecasting, 1(2), 111-153.

Khandelwal, I., Adhikari, R., ; Verma, G. (2015). “Time Series Forecasting using Hybrid ARIMA and ANN Models based on DWT Decomposition”. Procedia Computer Science, 48, 173-179.

Abadan, S., ; Shabri, A. (2014). “Hybrid Empirical Mode Decomposition-ARIMA for Forecasting Price of Rice”. Applied Mathematical Sciences, 8(63), 3133-3143.

Naveena, K., Singh, S., Rathod, S., ; Singh, A. (2017). “Hybrid ARIMA-ANN Modelling for Forecasting the Price of Robusta Coffee in India”. International Journal of Current Microbiology and Applied Sciences, 6(7), 1721-1726.

Adanacioglu, H., ; Yercan, M. (2012). An Analysis of Tomato Prices at Wholesale Level in Turkey: an Application of SARIMA Model. Custos e @gronegócio on line, 8(4), 52-75.

Li, J., ; Huang, G. (2016). A Hybrid Forecasting Model based on ARIMA and BP-NN. International Core Journal of Engineering, 2(8), 5-10.

Jadhav, V., Reddy, B. C., ; Gaddi, G. (2017). Application of ARIMA Model for Forecasting Agricultural Prices. Journal of Agricultural Science and Technology, 19, 981-992.

Montgomery, D. C., Jennings, C. L., ; Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting (Second ed.). Hoboken: John Wiley ; Sons Inc.