IMPLEMENTASI WEIGHTED K-NEAREST NEIGHBOR UNTUK PERAMALAN DATA DERET WAKTU

Bilah Samping Artikel

PDF (English)
Diterbitkan: Okt 30, 2021
DOI: https://doi.org/10.26740/jram.v5n2.p111-117
Kata Kunci:
Data Deret Waktu, Metode Weighted k-Nearest Neighbor (WK-NN), Mean Absolute Percentage Error (MAPE).

Isi Artikel Utama

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

Abstrak

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%.

Rincian Artikel

Terbitan
Vol 5 No 2 (2021): Oktober, JRAM
Bagian
Statistics
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Biografi Penulis

Ahmad Faisol, Universitas Lampung

Jurusan Matematika FMIPA Unila

Nusyirwan Nusyirwan, Universitas Lampung

Jurusan Matematika FMIPA Unila

Azkia Nadwah, Universitas Lampung

Jurusan Matematika FMIPA Unila

Referensi

 

[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.