IMPLEMENTASI WEIGHTED K-NEAREST NEIGHBOR UNTUK PERAMALAN DATA DERET WAKTU

Article Sidebar

PDF
Published: Oct 30, 2021
DOI: https://doi.org/10.26740/jram.v5n2.p111-117

Main Article Content

Ahmad Faisol
Universitas Lampung
http://orcid.org/0000-0003-2403-9404
Nusyirwan Nusyirwan
Universitas Lampung
Azkia Nadwah
Universitas Lampung

Abstract

Peramalan merupakan suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang.  Dalam meramalkan data deret waktu dibutuhkan metode peramalan yang efisien untuk menghasilkan nilai peramalan yang akurat.  Pada penelitian ini Metode Weighted k-Nearest Neighbor (WK-NN) dipilih dengan tujuan untuk menerapkan metode WK-NN untuk peramalan data deret waktu dan meninjau kinerja yang dihasilkan.  Data yang digunakan pada penelitian ini adalah data Produk Domestik Bruto (PDB) kehutanan dan penebangan kayu dengan kurun waktu Triwulan I 2010 hingga Triwulan IV 2019.  Hasil penelitian menunjukkan bahwa metode WK-NN memberikan kinerja terbaik pada data PDB kehutanan dan penebangan kayu dengan  dan nilai Mean Absolute Percentage Error (MAPE) yang diperoleh adalah 0.0038%.

Article Details

Issue
Vol. 5 No. 2 (2021): Oktober, JRAM
Section
Statistics
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

The copyright of the received article once accepted for publication shall be assigned to the journal as the publisher of the journal. The intended copyright includes the right to publish the article in various forms (including reprints). The journal maintains the publishing rights to the published articles.
 
 
Author Biographies

Ahmad Faisol, Universitas Lampung

Jurusan Matematika FMIPA Unila

Nusyirwan Nusyirwan, Universitas Lampung

Jurusan Matematika FMIPA Unila

Azkia Nadwah, Universitas Lampung

Jurusan Matematika FMIPA Unila

References

 

[1]   D.T. Larose, œDiscovering Knowledge in Data an Introduction to Data Mining. Jhon Wiley & Sons, Inc., New Jersey, 2005.

[2]   S. Makridakis, S.C. Wheelwriht, and McGee. œMetode dan Aplikasi Peramalan, Terjemahan Hari Suminto, Binarupa Aksara, Jakarta, 1999.

[3]   F. Martinez, M.P. Frias, F. Charte, and A.J. Rivera, œTime Series Forecasting with KNN in R:the tsfknn Package, The R Journal., vol. 11, no. 2, pp. 229-242, 2019.

[4]   B. Santosa, œData Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta, 2007.

[5]   S.B. Setiawan, Adiwijaya, and M.S. Mubarok, œKlasifikasi Topik Berit Berbahasa Indonesia Menggunakan Weighted K-Nearest Neighbor, e-Proceeding of Engineering., vol. 5, no. 1, pp. 1819-1825, 2018.

[6]   S.B. Taieb, G. Bontempi, A. Sorjamaa, and A. Lendasse, œLong-term prediction of time series by combining direct and MIMO strategies, Proceedings of the 2009 IEEE Internationala Joint Conference on Neural Networks, USA, pp. 3054-3061, 2009.