Perbandingan Performa Metode Hybrid ARIMA-SVMdan ARIMA-NNAR pada Peramalan Data Deret Waktu

Abstract

Peramalan merupakan salah satu model statistik yang bertujuan untuk memprediksi apa yang akan terjadi di masa depan berdasarkan data masa lalu. Dalam data deret waktu, ada dua tipe pola data berdasar bentuknya, yaitu linier dan nonlinier. Masing-masing tipe pola ini memiliki metode yang tepat untuk digunakan dalam peramalan. Metode berbasis statistik, seperti ARIMA dan metode pemulusan, umum digunakan untuk data yang memiliki pola linier pada data deret waktu, sedangkan metode pembelajaran mesin, seperti ANN dan SVM, terbukti memiliki performa yang baik untuk data yang memiliki pola nonlinier pada data deret waktu. Jika pola data deret waktu mengandung kedua tipe pola tersebut, maka model tunggal, yaitu model berbasis statistik saja atau model berbasis pembelajaran mesin saja, kurang memiliki performa yang baik dalam meramalkan data di masa depan. Oleh sebab itu, kombinasi dari kedua model ini, atau disebut dengan metode hybrid, diperkirakan akan memiliki performa yang lebih baik dibandingkan model tunggal. Salah satu alternatif data yang dapat dilakukan untuk peramalan menggunakan metode hybrid adalah data produksi cabai rawit di Indonesia yang merupakan salah satu komoditas sektor hortikultura yang memiliki peran penting dalam pola konsumsi masyarakat, serta perekonomian Indonesia. Agar produksi cabai rawit dapat diperkirakan sebelumnya, serta untuk mengantisipasi kekurangan ketersediaan cabai rawit di masa mendatang, maka perlu bagi pemerintah untuk mengetahui bagaimana peramalan produksi cabai rawit, khususnya di enam provinsi sentra produksi, yaitu Provinsi Aceh, Provinsi Sumatera Utara, Provinsi Jawa Barat, Provinsi Jawa Tengah, Provinsi Jawa Timur, dan Provinsi Nusa Tenggara Barat yang menyumbang sebesar 76,57 persen dari total produksi cabai rawit Indonesia. Pada penelitian ini, metode hybrid ARIMA-NNAR dan ARIMA-SVM digunakan untuk memprediksi produksi cabai rawit di keenam provinsi sentra produksi, kemudian juga dibandingkan dengan performa model tunggal yang digunakan, yaitu ARIMA, NNAR, dan SVM. Hasil penelitian menunjukkan bahwa model tunggal ARIMA telah cukup baik dalam memprediksi produksi cabai rawit pada data yang pola musimannya dengan jelas terlihat. Penambahan pemodelan dengan memasukkan sisaan dari model ARIMA (metode hybrid) dapat meningkatkan kemampuan model dalam memprediksi data meski tidak jauh dari performa model tunggal ARIMA. Namun, apabila dibandingkan secara keseluruhan, metode hybrid ARIMA-SVM memiliki performa yang lebih baik dibandingkan dengan metode hybrid ARIMA-NNAR. Selain itu, model tunggal NNAR dan SVM menunjukkan performa yang lebih baik dibandingkan dengan metode lainnya pada data yang menunjukkan pola tidak konsisten pada pola musimannya.

Forecasting is a statistical method that aims to predict what will happen in the future based on historical data. In time series data, there are two types of data patterns based on their shape: linear and nonlinear. Each of these pattern types has an appropriate method to use in forecasting. Statistical-based methods, such as ARIMA and the smoothing methods, are commonly used for data with a linear pattern in time series data. Meanwhile, machine learning methods, such as ANN and SVM, perform well for data with a nonlinear pattern in time series data. If the time series data pattern contains both types of patterns, then a single model, a statistical or a machine learning-based model, will perform poorly in predicting future data. Therefore, combining these two models, called the hybrid method, is expected to perform better than the single model. One alternative data that can be used for forecasting using the hybrid method is data on cayenne pepper production in Indonesia, a commodity in the horticulture sector that has an important role in people’s consumption patterns and the Indonesian economy. In order for cayenne pepper production to be predicted, as well as to anticipate a shortage of cayenne pepper availability in the future, the government must know how to forecast cayenne pepper production, especially in six production centers, namely Aceh Province, North Sumatra Province, West Java Province, Central Java Province, East Java Province, and West Nusa Tenggara Province which contributed 76.57 percent of Indonesia’s total cayenne pepper production, in this study, the ARIMA-NNAR and ARIMA-SVM hybrid methods were used to predict cayenne pepper production in the six production center provinces and then compared with the performance of the single model used, namely ARIMA, NNAR, and SVM. The results showed that the single ARIMA model could predict cayenne pepper production on data with clearly visible seasonal patterns. Additional modeling by including the residuals from the ARIMA model (hybrid method) can improve the model’s ability to predict data. However, it is close to the performance of the single ARIMA model. However, when compared, the ARIMA-SVM hybrid method performs better than the ARIMA-NNAR hybrid method. In addition, the NNAR and SVM single models perform better than other methods on data that show inconsistent patterns on seasonal patterns.