Analisis Prediksi Neural Network dan Support Vector Machine pada Multivariate Time Series Dataset

Mursalim Mursalim

Sari


Data time series merupakan data yang sering diproduksi oleh manusia setiap harinya dari berbagai bidang baik bidang kesehatan, geoscience, biologi, astronomi dan lainnya. Namun, data time series ini banyak macamnya salah satunya adalah multivariate data dimana jenis data tersebut banyak digunakan oleh peneliti dalam berbagai penelitian. Metode  Machine Learning yang digunakan adalah Neural Network atau NN dan Support Vector Machine  atau SVM yang memiliki kelebihan masing-masing. CRISP-DM metodology akan menerapkan 5 tahapan mulai dari business understanding, data understanding, data preparation, modeling, evaluation dimana pada tahap modeling akan menggunakan 2 model yaitu Neural Network dan Support Vector Machine. hasil penelitian menunjukkan bahwa NN lebih dominan unggul dalam komparasi terbukti pada dataset polution on Beijing menghasilkan RMSE sebesar 0,13. Namun untuk data yang kecil seperti pada indeks saham Google NN mengalami large margin yaitu 2,98 diakrenakan data dan attribut yang terlalu sedikit untuk indeks saham

Referensi


Agustinus jabobus, E. W. (2014). Penerapan Metode Support Vector Machine pada Sistem Deteksi Instrusi secara Real-time. IJCCS, 8(1), 13-24.

Browniee, J. (2018, 5 23). Machine Leraning Mastery. (Machine Learning article) Dipetik 8 5, 2019, dari https://machinelearningmastery.com/k-fold-cross-validation/

C. Orsenigo, C. V. (2010). Combining Discrete SVM and Fixed cardinality Warping distances for multivariates times series classification. Pattern Recognition, 43, 3787-3794.

Christianini N, T. J. (2000). An Introduction to SUpport Vector Machines and Other Kernel Based Learning Methods. 2000: Cambridge Press University.

Efendi, A. (2013). Penggunaan ArtificialNeural Network untuk mendeteksi kelainan mata miopi pada manusia dengan metode Backprogration. Malang: Universitas Islam Negeri Maulana Malik Ibrahim.

Gandhi, R. (2018, 6 7). Towardsdatascience. (Datasciene) Dipetik 8 4, 2019, dari https://towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47

Gorunescu, F. (2011). Data Mining Concept Model Technique. Dalam Intelligent Systems Reference Library (Vol. 12, hal. 12). Verlag Berlin Heidelberg: Springer.

Herdianto. (2013). Metode Prediksi. Yogyakarta: Mercubuana.

Herjanto, E. (2008). Manajemen Operasi Edisi Ketiga. Jakarta: Grasindo.

Hidayatullah, T. (2014). Kajian Komparasi Penerapan Algoritma Support Vector Machine (SVM) dan Multilayer Perceptron (MLP) dalam prediksi indeks saham sektor perbankan: studi kasus saham LQ45 IDX Bank BCA. Senimar Nasional Inovasi dan Tren (SNIT) 2014. Jakarta.

Mohamed F. Ghalwash, D. R. (2012). Early Classification of Multivariate Time Series Using a Hybrid HMM/SVM model. 2012 IEEE International COnference on Bioinformatics and Biomedicine. USA.

Muhtaram, A. (2011). Metris Comunity. Dipetik 8 5, 2019, dari http://www.metris-community.com/pengertian-data-mining-konsep-pdf/

Nuno Caestano, P. C. (2015). Using Data Mining For Prediction of Hospital Length of stay: AN Application of th CRISP-DM Methodology. Springer International Publishing Switzerland, 149-166.

Pusphita Anna Octaviani, Y. W. (2014). Penerapan Metode Klasifikasi Support Vector Machine (Svm) pada Data Akreditasi Sekolah dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(4), 811-820.

Rima Diani, U. N. (2017). Analisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray unutk deteksi Kanker. Ind. Journal on Computing, 2(1), 109-118.

Soelistyani, Y. (t.thn.). Model Peramalan Harga Saham dengan Pendekatan Neural Network Algoritma Multilayer Percepton (MLP) dan Support Vector Regression (SVR).

Team, N. W. (2019, Juli Sabtu). National Weather Service. (National Oceanic and Atmospheric Administration) Dipetik Juli Sabtu, 2019, dari https://airquality.weather.gov/

V.N, V. (1999). The Nature of Statitical Learning Theory. New York Berlin Heidelberg: Springer-Verlag.

Vapnik, V. C. (1995). Support Vector Networks. Machine Leraning, 20(1), 273-279.

Zhiguang Wang, W. Y. (2017). Time Series Classification from Scratch with Deep Neural Network: A Strong Baseline. 2017IEEE. USA.




DOI: https://doi.org/10.31294/ijcit.v7i2.14443

##submission.copyrightStatement##

##submission.license.cc.by-sa4.footer##

P-ISSN: 2527-449X E-ISSN: 2549-7421
Statistik Pengunjung Jurnal IJCIT
 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License