Peramalan Time Series Menggunakan Gaussian Kernel PCA dan Autoregressive

Abstract

Peramalan time series menjadi bagian penting dalam pengambilan keputusan karena mampu memberikan gambaran atau kejadian mendatang berupa data prediksi. Paper ini menawarkan gaussian kernel PCA dan Autoregressive (KPCA-AR) sebagai metode peramalan untuk melakukan prediksi data. Metode KPCA-AR bekerja dengan melakukan pemetaan data ke dimensi yang lebih tinggi menggunakan kernel dengan distribusi gaussian. Setelah itu dilakukan transformasi data dengan PCA agar dimensi yang dihasilkan dapat direduksi dengan varian maksimum sehingga tidak mengurangi karakteristik data secara signifikan. Data inilah yang kemudian digunakan untuk melakukan peramalan menggunakan autoregressive. Paper ini juga membandingkan beberapa metode peramalan lainnya seperti ARIMA, ANN, SVM, dan Eksponensial Smoothin. Hasil menunjukkan bahwa KPCA-AR secara umum mampu memebrikan prediksi yang baik dan bisa digunakan sebagai alternative dari metode perhitungan yang ada dilihat dari kelebihan ataupun kekurangannya.