Peramalan Harga Minyak Goreng di Kalimantan Timur Menggunakan Model Hybrid Time Series Regression Quadratic – Neural Network
Abstract
A hybrid model is a combination of two or more forecasting methods. One of hybrid model that can be used in forecasting is Time Series Regression (TSR) Quadratic – Neural Network (NN). TSR Quadratic can be used in time series data that contains quadratic trend patterns, namely an increase or decrease that forms a curved or parabolic line NN is a method that has characteristics similar to biological neural networks in conducting data pattern recognition. This study was aimed to obtain a hybrid model of TSR quadratic-NN to forecast cooking oil prices in East Kalimantan and obtain forecasting results based on the best model. The results showed that the TSR Quadratic-NN hybrid model with 3 neurons in the hidden layer was the best model with a MAPE of 2.51368%. The forecasting results based on this model showed that cooking oil prices in East Kalimantan from January to December 2023 showed an increase
Downloads
Download data is not yet available.
References
Adinugroho, W. (2021). Pendekatan Clustering Time Series Pada Peramalan Harga Minyak Goreng. Media Edukasi Data Ilmiah dan Analisis (MEDIAN), 4, 47–55.
Aina, M. Q., Hendikawati, P., & Walid. (2019). Time Series Modelling of Stock Price By MODWT-ARIMA Method. UNNES Journal of Mathematics, 8(2), 79-89.
Aswi, & Sukarna. (2006). Analisis Runtun Waktu Aplikasi dan Teori. Makassar: Andira Publisher.
Bowerman, B. L., & O’Connell, R. T. (1987). Time Series Forecasting. Boston: Duxbury Press.
Diksa, I. G. B. N. (2021). Peramalan Gelombang Covid 19 Menggunakan Hybrid Nonlinear Regression Logistic – Double Exponential Smoothing di Indonesia dan Prancis. Jambura Journal of Mathematics, 3(1), 37–51.
Drapela, K., & Drapelova, I. (2011). pplication of Mann-Kendall Test and The Sen’s Slope Estimate for Trend Detection in Deposition Data From Bily Kriz (Beskydy Mts., the Czech Republic). Beskdy Mendel University in Brno, 4(2), 133–146.
Fausett, L. (1994). Fundamentals of Neural Network, Achitectures, Algorithms, and Applications. New Jersey: Prentice-Hall.
Fitri A., Margasaty F., Kusmaria, Desfaryani, R. & Dewi, V. U. (2020). Peramalan Harga Minyak Goreng Di Tengah Pandemi Covid-19 Kota Bandar Lampung. dwijenAGRO, 10(1), 21–26.
Gilbert, R. O. (1987). Statistical Methods For Environmental Pollution Monitoring. New York: Van Nostrand Reinhold Company.
Hutasuhut, A. T. (2014). Pembuatan Aplikasi Pendukung Keputusan Untuk Peramalan Persediaan Bahan Baku Produksi Plastik Blowing dan Inject Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) Di CV. Asia. Jurnal Teknik POMITS, 3(2), A-169.
Lehtinen, E., Pulkkinen, U., & Porn, K. (1997). Statistical Trend Analysis Methods for Temporal Phenomena.
Makarti, P., & Karim, A. (2007). Perbandingan Metode Ordinary Least Square (OLS) dan Metode Regresi Robust Pada Hasil Produksi Padi di Kabupaten Indramayu. Seminar Nasional Pendidikan, Sains dan Teknologi.
Makridakis, S., & Wheelwright, S.C. & McGee, V. E. (1999). Metode dan Aplikasi Peramalan Jilid 1 Edisi 2. Jakarta: Erlangga.
Maricar, M. A. (2019). Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan Pada Perusahaan XYZ. Jurnal Sistem dan Informatika, 13(2), 36–45.
Motiee, H., & McBean, E. (2009). An Assesment of Long Term Trends in Hydrologic Components and Implications for Water Levels in Lake Superior. Hydrology Research, 40(6), 564–579.
Muslim, A. (2017). Peramalan Ekspor dengan Hibrida ARIMA-ANFIS. Kajian Ekonomi & Keuangan, 1(2).
Pahlevi, O. (2016). Analisis Perbandingan Metode Jaringan Syaraf Tiruan Dan Logika Fuzzy Untuk Peramalan Tingkat Inflasi. Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer, 33-INF.40.
Pakaja, F., & Naba, A. (2015). Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Neural Networks, 6(1), 23–28.
Pratama, I., & Ernah, E. (2021). Analisis Proses Keputusan Pembelian Minyak Goreng Sawit: Studi Kasus pada Warga Korea di Kabupaten Bekasi. Jurnal Ilmu Keluarga dan Konsumen, 14(2), 176–188.
Pusat Informasi Harga Pangan Strategis (PIHPS). (2022). Tabel Harga Berdasarkan Komoditas. https://hargapangan.id/tabel-harga/pasar-tradisional/komoditas. Diakses pada 25 Oktober 2022.
Puspitaningrum, D. (2006). Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Penerbit ANDI.
Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: ANDI.
Sulistyowati, R., Suhartono, Kuswanto, H., Setiawan, & Astuti, E. T. (2018). Hybrid forecasting model to predict air passenger and cargo in Indonesia. 2018 International Conference on Information and Communications Technology, ICOIACT 2018, 2018-Janua, 442–447.
Sumaryanto. (2009). Analisis Volatilitas Harga Eceran Beberapa Komoditas Pangan Utama dengan Model ARCH/GARCH. Jurnal Agro Ekonomi, 27(2).
Walpole, R. E., Myers, R. H., & Ye, K. (2002). Probability and Statistics for Engineers and Scientist.
Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Methods Second Edition. New Jersey: Pearson Education Inc.
Widarjono, A. (2009). Ekonometrika: Pengantar dan Aplikasinya. Ekonosia.
Yanto, M. (2017). Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perceptron Pada Pola Penentuan Nilai Status Kelulusan Sidang Skripsi. Jurnal Teknoif, 5(2), 79–87.
Zhang, G. P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, 159–175.
Aina, M. Q., Hendikawati, P., & Walid. (2019). Time Series Modelling of Stock Price By MODWT-ARIMA Method. UNNES Journal of Mathematics, 8(2), 79-89.
Aswi, & Sukarna. (2006). Analisis Runtun Waktu Aplikasi dan Teori. Makassar: Andira Publisher.
Bowerman, B. L., & O’Connell, R. T. (1987). Time Series Forecasting. Boston: Duxbury Press.
Diksa, I. G. B. N. (2021). Peramalan Gelombang Covid 19 Menggunakan Hybrid Nonlinear Regression Logistic – Double Exponential Smoothing di Indonesia dan Prancis. Jambura Journal of Mathematics, 3(1), 37–51.
Drapela, K., & Drapelova, I. (2011). pplication of Mann-Kendall Test and The Sen’s Slope Estimate for Trend Detection in Deposition Data From Bily Kriz (Beskydy Mts., the Czech Republic). Beskdy Mendel University in Brno, 4(2), 133–146.
Fausett, L. (1994). Fundamentals of Neural Network, Achitectures, Algorithms, and Applications. New Jersey: Prentice-Hall.
Fitri A., Margasaty F., Kusmaria, Desfaryani, R. & Dewi, V. U. (2020). Peramalan Harga Minyak Goreng Di Tengah Pandemi Covid-19 Kota Bandar Lampung. dwijenAGRO, 10(1), 21–26.
Gilbert, R. O. (1987). Statistical Methods For Environmental Pollution Monitoring. New York: Van Nostrand Reinhold Company.
Hutasuhut, A. T. (2014). Pembuatan Aplikasi Pendukung Keputusan Untuk Peramalan Persediaan Bahan Baku Produksi Plastik Blowing dan Inject Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) Di CV. Asia. Jurnal Teknik POMITS, 3(2), A-169.
Lehtinen, E., Pulkkinen, U., & Porn, K. (1997). Statistical Trend Analysis Methods for Temporal Phenomena.
Makarti, P., & Karim, A. (2007). Perbandingan Metode Ordinary Least Square (OLS) dan Metode Regresi Robust Pada Hasil Produksi Padi di Kabupaten Indramayu. Seminar Nasional Pendidikan, Sains dan Teknologi.
Makridakis, S., & Wheelwright, S.C. & McGee, V. E. (1999). Metode dan Aplikasi Peramalan Jilid 1 Edisi 2. Jakarta: Erlangga.
Maricar, M. A. (2019). Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan Pada Perusahaan XYZ. Jurnal Sistem dan Informatika, 13(2), 36–45.
Motiee, H., & McBean, E. (2009). An Assesment of Long Term Trends in Hydrologic Components and Implications for Water Levels in Lake Superior. Hydrology Research, 40(6), 564–579.
Muslim, A. (2017). Peramalan Ekspor dengan Hibrida ARIMA-ANFIS. Kajian Ekonomi & Keuangan, 1(2).
Pahlevi, O. (2016). Analisis Perbandingan Metode Jaringan Syaraf Tiruan Dan Logika Fuzzy Untuk Peramalan Tingkat Inflasi. Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer, 33-INF.40.
Pakaja, F., & Naba, A. (2015). Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Neural Networks, 6(1), 23–28.
Pratama, I., & Ernah, E. (2021). Analisis Proses Keputusan Pembelian Minyak Goreng Sawit: Studi Kasus pada Warga Korea di Kabupaten Bekasi. Jurnal Ilmu Keluarga dan Konsumen, 14(2), 176–188.
Pusat Informasi Harga Pangan Strategis (PIHPS). (2022). Tabel Harga Berdasarkan Komoditas. https://hargapangan.id/tabel-harga/pasar-tradisional/komoditas. Diakses pada 25 Oktober 2022.
Puspitaningrum, D. (2006). Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Penerbit ANDI.
Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: ANDI.
Sulistyowati, R., Suhartono, Kuswanto, H., Setiawan, & Astuti, E. T. (2018). Hybrid forecasting model to predict air passenger and cargo in Indonesia. 2018 International Conference on Information and Communications Technology, ICOIACT 2018, 2018-Janua, 442–447.
Sumaryanto. (2009). Analisis Volatilitas Harga Eceran Beberapa Komoditas Pangan Utama dengan Model ARCH/GARCH. Jurnal Agro Ekonomi, 27(2).
Walpole, R. E., Myers, R. H., & Ye, K. (2002). Probability and Statistics for Engineers and Scientist.
Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Methods Second Edition. New Jersey: Pearson Education Inc.
Widarjono, A. (2009). Ekonometrika: Pengantar dan Aplikasinya. Ekonosia.
Yanto, M. (2017). Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perceptron Pada Pola Penentuan Nilai Status Kelulusan Sidang Skripsi. Jurnal Teknoif, 5(2), 79–87.
Zhang, G. P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, 159–175.
Published
2023-11-30
How to Cite
WAHYUNI, Risa Kristia; WAHYUNINGSIH, Sri; SIRINGORINGO, Meiliyani.
Peramalan Harga Minyak Goreng di Kalimantan Timur Menggunakan Model Hybrid Time Series Regression Quadratic – Neural Network.
EKSPONENSIAL, [S.l.], v. 14, n. 2, p. 75-84, nov. 2023.
ISSN 2798-3455.
Available at: <https://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/1123>. Date accessed: 10 may 2024.
doi: https://doi.org/10.30872/eksponensial.v14i2.1123.
Issue
Section
Articles
