Peramalan Sales & Inflasi dengan Pendekatan Artificial Neural Network dan Model Regresi Dinamik (Fungsi Transfer)

Tujuan penelitian ini adalah menerapkan metode Feed Forward Neural Network pada model peramalan time series multivariate, dan membandingkan dengan metode Regresi Dinamik (Fungsi Transfer). Kriteria MSE, AIC, BIC dan SBC digunakan untuk menbandingkan dua model peramalan. Dalam nembandingkan diambil dua kasus (Sales berdasarkan Leading Indicator, dan Inflasi berdasarkan Indeks Harga Konsumen). Hasil penelitian menunjukkan bahwa model FFNN lebih baik dibanding dengan model fungsi transfer, baik untuk data \u27\u27Sales" dan "Inflasi" hal ini karena pada FFNN tidak memerlukan asumsi yang ketat. Secara statistik pendekatan Fungsi Transfer lebih mudah untuk dikuti karena adanya tahapan identifikasi yang memudahkan untuk mendapatkan model terbaik Selain itu model yang diperoleh mudah diinterpretasikan untuk menjelaskan keterkaitan antara ramalan kejadian suatu waktu dengan kejadian-kejadian sebelumnya. Hal ini tidak ada atau belum ditemukan pada model pendekatan FFNN, sehingga unsur coba-coba lebih dominan pada saat penentuan arsitektur terbaik untuk model peramalan. FFNN adalah suatu pendekatan alternatif yang sangat bagus untuk problem peramalan khususnya dalam fungsi transfer. Dengan pendekatan FFNN, hasil ramalan "Sales" dapat disimpulkan bahwa jumlah sales dipengaruhi oleh leading indicator pada saat ini, tiga periode sebelumnya dan juga dipengaruhi oleh jumtah sales sebelumnya. Sedangkan hasil ramalan "Inflasi" dipengaruhi oleh IHK pada saat ini, satu periode sebelumnya dan juga dipengaruhi inflasi sebelumnya, dua dan tiga periode sebelumnya