Penerapan Neural Network dalam Pemodelan Deret Waktu Tingkat Suku Bunga Sertifikat Berharga Bank Indonesia (SBI)

Abstract

Merupakan hal sangat penting untuk melakukan pemodelan deret waktu terhadap tingkat suku bunga SBI. Metode ARIMA seringkali tidak dapat memberikan hasil yang memuaskan terutama bila kondisi-kondisi awal (asumsi) dari data tidak terpenuhi dengan baik. Neural Network dapat dijadikan alternatif yang layak dipertimbangkan pada pemodelan dan peramalan data yang komplek. Penelitian ini bertujuan untuk melihat kemampuan GRNN sebagai salah satu tipe Neural Network yang dapat diaplikasikan dalam peramalan data deret waktu, dalam pemodelan tingkat suku bunga SBI. Data yang digunakan adalah data mingguan periode Agustus 1998 sampai Agustus 2002. Dampak krisis moneter terhadap data tingkat suku bunga SBI menyebabkan sulit terpenuhinya syarat kehomogenan ragam dari data. Oleh karena itu digunakan dua pendekatan yaitu dengan menggunakan data secara keseluruhan (data I) dan data stasioner (data II) untuk melihat kemampuan dari ARIMA dan GRNN dalam pemodelan dan peramalan. Pemodelan deret waktu terhadap data tersebut secara keseluruhan tidak berhasil menemukan model ARIMA yang dapat memenuhi asumsi keacakan dan kenormalan sisaan. Model terbaik yang diperoleh dari pendekatan ARIMA adalah (2,2,1) yang secara lengkap dapat ditulis sebagai berikut: 22.94142-3.0464242+0.614223 -0.16362+-0.949781 Hasil peramalan ARIMA (2,2,1) tidak sebaik hasil pemodelannya. Berdasarkan nilai MAPE yang diperoleh, GRNN memberikan hasil pemodelan dan peramalan yang lebih baik. Model GRNN yang dihasilkan dengan menggunakan data secara keseluruhan dan data yang stasioner memberikan hasil peramalan yang relatif sama. Dengan menggunakan Z., sebagai input optimal, nilai MAPE dari peramalan yang dihasilkannya adalah 0.20%.