Optimasi Radial Basis Function Neural Network dengan Growing Hierarchial Self Organizing Map pada Data Time Series

Salah satu model JST yang sesuai dengan peramalan data time series, adalah model Radial Basis Function Network (RBFN). Jaringan syaraf tiruan Radial Basis Function merupakan jaringan feed-forward yang memiliki tiga lapisan, yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Besarnya dimensi input pada jaringan syaraf menyebabkan menurunnya kemampuan komputasi suatu model jaringan. Salah satu cara untuk mengatasi hal tersebut adalah dengan mereduksi dimensi input. Dalam penelitian ini jaringan syaraf tiruan Radial Basis Function dipadukan dengan metode Growing Hierarchical Self Organizing Map (GH-SOM). Penggunaan teknik clustering data pada proses awal, memungkinkan mengurangi dimensi input dengan kehilangan informasi yang minimum. Sehigga dapat mengoptimalkan proses prediksi dengan menggunakan pendekatan RBFN. Prediksi harga saham dengan Optimasi metode Radial Basis Function neural network dengan Menggunakan Growing Hierarchical Self Organizing Map, dengan jumlah vektor data sebanyak 364 dengan SSE sebesar 0,074713 diperoleh akurasi sebesar 94,03