Penelitian dengan judul “Recurrent Neural Network untuk Peramalan Runtun Waktu dengan Pola Long Memory” dilakukan oleh Walid, S.Pd., M.Si. dibawah bimbingan Prof.Drs. Subanar, Ph.D., Prof.Dr.rer.Nat. Dedi Rosadi, M.Si., dan Dr. Suhartono, M.Si. pada tahun 2017.
Berikut ini merupakan intisari dari penelitian tersebut.
INTISARI
Dalam praktek sehari-hari, seringkali pemodelan runtun waktu itu tidak hanya atau tidak cukup melibatkan lag atau order autoregressive (AR) saja akan tetapi juga melibatkan lag atau order yang moving average (MA). Kondisi ini terjadi baik dalam model linear yang lebih dikenal dengan model autoregressive moving average (ARMA) maupun pada model nonlinear, yang salah satu bentuknya adalah model recurrent neural networks (RNN). Feedforward neural networks (FFNN) adalah salah satu bentuk model nonlinear yang dapat dipandang sebagai suatu kelompok model yang sangat fleksibel yang dapat digunakan untuk berbagai aplikasi. Recurrent Neural Network sebagai salah satu model hybrid yang sering digunakan untuk meramalkan dan mengestimasi persoalan-persoalan terkait dengan kelistrikan, dapat digunakan untuk menguraikan penyebab membengkaknya beban listrik yang dialami PLN. Dalam penelitian ini akan dikembangkan prosedur peramalan RNN pada runtun waktu dengan pola long memory. Mengingat aplikasinya adalah beban listrik nasional yang tentu mempunyai trend berbeda dangan kondisi beban listrik di negara manapun. Penelitian ini memberikan hasil algoritma peramalan runtun waktu yang mempunyai pola long memory dengan menggunakan FFNN yang selanjutnya disebut dengan algoritma fractional integrated feedforward neural networks (FIFFNN). Selain itu, penelitian ini juga memberikan hasil algoritma peramalan runtun waktu yang mempunyai pola long memory dengan menggunakan RNN dalam hal ini mengunakan E-RNN yang selanjutnya disebut dengan algoritma fractional integrated recurrent neural networks (FIRNN). Hasil peramalan runtun waktu long memory dengan menggunakan model Fractional Integrated Feedforward Neural Network (FIFFNN) dengan menggunakan data differensi pada rentang [-1,1] menunjukan bahwa model Fractional Integrated Feedforward Neural Network (FIFFNN) (24,7,1) memberikan nilai MSE terkecil, yaitu 0,00170185. Sedangkan hasil peramalan runtun waktu long memory dengan menggunakan model Fractional Integrated Recurrent Neural Network (FIRNN) (24,6,1) dengan data differensi pada rentang [-1,1] memberikan hasil dengan nilai MSE terkecil, yaitu 0,00149684.
Kata Kunci : ARFIMA, FIFFNN Algorithm, FIRNN Algorithm,FFNN, Long Memory, NN, RNN.