PERBANDINGAN ANTARA METODE ARIMA BOX-JENKINS DAN NEURAL NETWORKS UNTUK PERAMALAN DATA SIKLUS FREKUANSI FLARE

Abstract

Penggunaan flare merupakan bentuk sktivitas lain dari matahari yang mempunyai panjang siklus yang sama dengan
siklus sunspot, yaitu 11 tahun. Penelitian berkaitan dengan bilangan sunspot sudah banyak dilakukan, antara lain dimulai oleh
Yule (1927). Morn (1954) memodelkan data tahunanbilangan sunspot dan mula-mula mendapatkan model AR(2) yang
selanjutnya dikembangkan dalam bentuk AR(5) sebagai model linier yangbterbaik (Box dkk, 1994). Dalam perkembangannya,
fenomena bilangan sunspot diduga mempunyai pola yang nonlinier (morris 1977). Hal ini didukung oleh Subba Rao dan Da
Silva (1992) yang menggunakan model time series bilinier BL(p,0,p,l) untuk mendapatkan ramalan bilangan sunspot.
Tujuan dari penelitian ini adalah untuk menerapkan metode Neural Network (NN) sebagai model time series nonlinier pada data
frekuensi flare bulanan, dan membandingkan hasilnya dengan model ARIMA Box-Jenkins sebagai model time series linier. Hasil
identifikasi menunjukan bahwa data frekuensi flare bulanan ini memounyai pola musiman dengan panjang siklus 132 bulan
(analoh dengan 11 tahun). Pendekatan NN untuk data ini menghasilkan arsitektur optimal untuk peramalan adalah
NN([1;2;131;133], 2). Sedangkan hasil pemodelan ARIMA untuk data ini secara lengkap dapat dilihat pada widodo (2002) .
secara khusus, hasil perbandingan ketepatan ramalan menunjukan bahwa pendekatan NN dapat memberikan nilai ramalan yang
lebih baik dibanding pendekatan ARIMA. Hal ini secara umum mendukung hasil-hasil penelitian sebelumnya yang menyatakan
bahwa fenomena yang berkaitan dengan data sunspot, dalam hal ini adalah data frekuensi flare, cenderung mempunyai pola yang
nonlinier