Membangun peramalan data produksi dengan model ANFIS untuk data time series
ANFIS diimplementasikan untuk menyelesaikan masalah tersebut dengan cara menggunakan Lagrange Multiplier (LM) untuk menguji hipotesis dalam penambahan variable pada model ANFIS. Beberapa variabel harus dimasukkan ke model karena adanya input yang baru, jumlah cluster atau aturan yang ditambahkan dalam model.
- Menentukan input dapat diidentifikasi dengan lag plot atau PACF plot. Lag plot atau PACF plot dapat digunakan untuk identifikasi input autoregresif (AR). Berdasarkan Lag plot atau PACF plot, lag yang signifikan harus diuji sebagai variabel input ANFIS. Penentuan input dilakukan dengan membangun model yang melibatkan beberapa variabel input dengan jumlah cluster minimum dan jumlah aturan minimum. Pertama, konstruksikan model dengan 1 variabel input, 2 cluster dan 2 rule kemudian dipilih model yang memiliki nilai terbesar koefisien determinasi. Penambahan input dilakukan dengan menggunakan prosedur LM-test untuk mendapatkan model yang optimal input.
- Penambahan jumlah cluster dari setiap input dapat dilakukan dengan menggunakan prosedur LM-test saat model ANFIS dengan input optimal diperoleh.
- Basis aturan ANFIS dihasilkan berdasarkan variabel input optimal dan jumlah optimal cluster. Kombinasi yang mungkin dari aturan yang dapat dihasilkan adalah mp, dimana m adalah bilangan dari fungsi keanggotaan dan p adalah jumlah input.
Kesimpulan yang diperoleh berdasarkan studi empiris adalah model yang dikembangkan memiliki kinerja yang baik untuk peramalan data produksi padi. Model ANFIS yang optimal untuk peramalan produksi padi terdiri dari 3 variabel input (lag-1, lag-2 dan lag-5), 2 fungsi keanggotaan dan 2 aturan. Kinerja ANFIS lebih baik dari ARIMA (Autoregressive Integrated Moving Average) untuk peramalan data produksi padi di Provinsi Jawa Tengah. Nilai MAPE dan RMSE dari peramalan menggunakan ANFIS adalah 1,5% dan 0,256. Sedangkan nilai MAPE dan RMSE menggunakan ARIMA masing-masing sebesar 2,36% dan 0,396. Dalam hal ini kinerja ANFIS lebih baik dari ARIMA.
Ditulis : Timothy Rainier Andika