2016 : PENDEKATAN TIME SERIES CLUSTERING UNTUK GROUP FORECASTING PADA DATA PERMINTAAN OBAT YANG BERDIMENSI TINGGI

Prof., Drs. Nur Iriawan MIKom.,Ph.D.
Dr. Dra Kartika Fithriasari M.Si
Dedy Dwi Prastyo S.Si., M.Si.


Abstract

Pada kasus high dimensional data, metode pemodelan time series sulit diaplikasikan. Metode multivariate time series mempunyai keterbatasan banyaknya variabel yang dimodelkan secara bersama-sama. Jika data mempunyai series yang cukup banyak dan dilakukan pemodelan secara satu-persatu (univariate), maka untuk mendapatkan model yang sesuai akan membutuhkan waktu yang lama. Untuk mempermudah proses pemodelan untuk semua series, perlu dilakukan preproccessing data sehingga dimensi dari data menjadi lebih sedikit. Pada penelitian ini dilakukan pendekatan time series clustering untuk melakukan peramalan kelompok (group forecasting), dimana setiap kelompok mempunyai pola yang sama sehingga cukup diwakili satu model. Masalah yang seringkali muncul dalam analisis cluster adalah menentukan banyaknya kelompok (cluster). Pada penelitian ini banyaknya cluster yang optimal akan ditentukan menggunakan cross validation. Metode yang diusulkan pada penelitian ini diaplikasikan pada data permintaan obat yang merupakan high dimensional data. Selain berdimensi tinggi, data yang digunakan mempunyai pola hubungan yang nonlinear antara data saat ini dengan data sebelumnya, sehingga perlu dilakukan pemodelan dengan metode nonlinier. Salah satu metode nonlinier yang sering digunakan adalah neural network (NN). Metode tersebut mempunyai kelemahan dalam generalisasi, sehingga dalam penelitian ini diusulkan metode lain yaitu support vector machine (SVM). Metode NN dan SVM akan digunakan untuk memodelkan data permintaan obat setelah dilakukan clustering. Untuk selanjutnya kedua metode tersebut akan dibandingkan hasil ramalannya dengan metode klasik ARIMA menggunakan kriteria mean absolute percentage error (MAPE).