ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2

Abstract

Nilai parameter dari suatu model peramalan dapat diestimasi dengan  meminumkan ukuran evaluasi keakuratan peramalan seperti MSE, MAE, MAPE dan AIC. Pada penelitian ini telah dilakukan estimasi parameter hybridizing neural network dengan exponential smoothing dengan meminimumkan MSE, MAE, MPE dan MAPE. Estimasi parameter dibatasi untuk nilai mulai dari 0.01 sampai  dengan 0.99. Estimator merupakan nilai yang memberikan model dengan ukuran keakuratan peramalan MAE dan MSE minimum. Dari algoritma program R yang telah dibuat, diperoleh estimator parameter  yang meminimalkan MSE  adalah 0.13. Estimtor parameter yang meminimumkan MAE adalah 0.01. Estimator parameter yang meminimumkan nilai MPE dan MAPE bernilai sama yakni 0.27. Ketiga estimator tersebut selanjutnya dimasukkan ke dalam model hybridizing neural network dengan exponential smoothing. Dari analisis perbandingan nilai MAE dan MSE dari masing-masing model, dapat disimpulkan bahwa untuk data hasil pegukuran mean sea level satelit altimetri Jason 2 estimasi parameter bobot dengan meminimumkan nilai MAE memberikan model hybridizing neural network dan exponential smoothing dengan nilai MAE dan MSE terkecil yakni 0.3088635 dan 0.2767077.Kata Kunci : Akurasi, Hybridizing, Exponential Smoothing, Neural Network