PENERAPAN METODE CLUSTERING UNTUK PREDIKSI PRODUKSI BAWANG MERAH (ENSEMBLE K-NEAREST NEIGHBORS)

Abstract

Analisis data deret waktu atau yang dikenal data time series memerlukan beberapa asumsi berdasarkan variasi skala dan kesamaan parameter (homogenitas). Dalam banyak kasus, jarang ditemukan data deret waktu yang memenuhi asumsi ini. Hal ini dikarenakan hubungan non-linier yang kompleks antara fitur multidimensi dari data deret waktu. Metode ANN merupakan salah satu algoritma machine learning (LM) dan dianggap sebagai metode yang sederhana untuk diterapkan pada analisis data dengan banyak variabel dimensi. Metode ini dapat digunakan jika asumsi klasik tidak terpenuhi. Penelitian ini bertujuan untuk mengkonfirmasi performa ansambel KNN dan KNN. Metode ini sederhana, tetapi memiliki kelebihan dibandingkan metode lain. Misalnya, Anda dapat menggeneralisasi dari kumpulan data yang relatif kecil. Dalam metode ini, sangat penting untuk memilih jumlah k-nearest neighbor. Metode ensemble bersifat prediktif dan merupakan metode yang efisien digunakan oleh metode JST, sehingga tidak perlu mencari k bilangan. Hasil penelitian menunjukkan bahwa prediksi MAPE, MAE, dan RMSE kecil ketika jumlah k-nearest tetangga besar. Secara keseluruhan, metode ensemble KNN mengungguli metode ANN.