| dc.description.abstract | Analisis deret waktu merupakan hal yang sangat penting dalam setiap bidang ilmu sains seperti prediksi keuangan, prediksi cuaca, penelitian dan ilmu medis (Chitra dan Uma 2010). Pada banyak kasus sangat jarang ditemukan data deret waktu yang memenuhi asumsi. Salah satu penyebabnya adalah adanya hubungan yang tidak linear antar peubahnya, sehingga sangat diperlukan suatu metode yang efisien. Banyak metode yang berkembang mengenai prediksi data deret waktu dengan ukuran data yang besar dan peubah penjelas yang banyak, seperti metode k-Nearest Neighbor (kNN). Metode kNN dapat digunakan untuk data yang tidak memenuhi asumsi klasik dan karakteristik data yang tidak linear. Dalam metode kNN sangat penting untuk memilih nilai k-tetangga terdekat, karena hal ini dapat mempengaruhi hasil prediksi. Nilai k yang kecil dapat menghasilkan ragam yang besar pada hasil prediksi, sedangkan nilai k yang besar dapat mengakibatkan bias model yang besar. Metode alternatif yang biasanya digunakan untuk mengatasi masalah ini adalah optimasi parameter dengan menggunakan cross-validation, namun metode ini kurang efisien karena algoritma training harus diulang kembali untuk k selanjutnya. Teknik ensemble merupakan suatu metode yang memiliki kemampuan keakuratan prediksi dan sangat efisien digunakan dalam metode kNN, sehingga tidak perlu dilakukan pencarian nilai k yang optimal. Pada prinsipnya teknik ensemble adalah menggabungkan hasil pendugaan dari banyak model menjadi satu buah pendugaan akhir. Teknik ensemble dapat diaplikasikan dalam analisis deret waktu untuk menghasilkan keakuratan prediksi. Sorjamaa et al. (2005) menggunakan mutual information untuk memilih input prediksi deret waktu dalam kNN. Yu et al. (2009) menggunakan Multiresponse Sparse Regression (MRSR) sebagai langkah ketiga untuk peringkat masing-masing k-tetangga terdekat dan terakhir melakukan pendugaan Leave-One-Out sebagai langkah keempat dalam memilih tetangga terdekat. Sasu (2012) mengembangkan algoritma kNN untuk prediksi data deret waktu. Penelitian tersebut menggunakan metode regresi kNN untuk memprediksi respon atau peubah output, namun dalam penelitian ini akan digunakan modifikasi prediksi untuk data deret waktu dengan konsep pembobot. Penelitian ini menerapkan metode kNN tunggal dan ensemble kNN pada data harga beras di Indonesia agar diperoleh keakuratan prediksi. Penelitian ini bertujuan untuk mengetahui kinerja metode kNN tunggal dan ensemble kNN, kemudian memprediksi harga beras di Indonesia menggunakan metode terbaik. Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Kementerian Pertanian (KEMENTAN) bagian distribusi dan cadangan pangan. Data dibagi menjadi dua kelompok, data dari Januari 2010 hingga Desember 2011 (t=1 hingga t=24) dijadikan sebagai data training dan sisanya dari Januari - Desember 2012 (t=25 hingga t=36) sebagai data testing. Peubah yang digunakan terdiri dari peubah output () yaitu data harga beras per bulan dari Januari 2010 hingga Desember 2012 sedangkan untuk peubah input yang digunakan adalah X1 luas panen padi (ha), X2 produktivitas (ku/ha), X3 total produksi padi (ton) dan X4 jumlah penduduk (ribu). Langkah awal yang dilakukan dalam penelitian ini adalah menghitung prediksi harga beras dari Januari - Desember 2012 dengan metode kNN tunggal kemudian melakukan prediksi terhadap kedua metode menggunakan jumlah tetangga terdekat (k) yang berbeda. Langkah selanjutnya menghitung prediksi harga beras dengan metode ensemble kNN. Setelah diperoleh hasil prediksi masing-masing metode selanjutnya dilakukan evaluasi terhadap hasil prediksi akhir dengan harga beras pada data testing berdasarkan nilai MAPE (Mean Absolute Percentage Error), MAE (Mean Absolute Error) dan RMSEP (Root Mean Squared Error of Prediction). Prediksi harga beras di Indonesia menggunakan metode terbaik berdasarkan nilai MAPE, MAE dan RMSEP tersebut. Nilai MAPE, MAE dan RMSEP hasil prediksi harga beras di Indonesia menunjukkan bahwa metode ensemble kNN memiliki kinerja yang lebih baik dibandingkan dengan metode kNN tunggal. Nilai-nilai tersebut semakin kecil jika nilai k yang dicobakan semakin besar, namun jika nilai k yang dicobakan sangat besar atau mendekati ukuran data training maka ketiga nilai tersebut memberikan hasil yang besar. Kisaran nilai prediksi harga beras hampir sama dengan harga beras sebenarnya. Selain itu, prediksi harga beras juga memiliki pola trend yang hampir sama dengan harga beras sebenarnya. | en |
