Statistika, Vol. 3, No.

2, November 2015

MODEL JARINGAN SYARAF RBF-FA-EGARCH UNTUK

PERAMALAN DATA TIME SERIES

Asri Bekti Pratiwi

Program Studi Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Surabaya
Alamat e-mail : [email protected]

ABSTRAK
Metode pengelompokan yang sering digunakan dalam penelitian adalah Fuzzy C-Mean
Cluster (FCM). Dalam perkembangannya, FCM dikombinasikan metode Subtractive
Clustering (SC) sehingga didapatkan Hybrid Subtractive Fuzzy C-Mean (SFCM).
Metode SFCM memiliki keunggulan dari tingkat kecepatan, dalam hal iterasi, dan
menghasilkan partisi data yang lebih stabil dan akurat bila dibandingkan dengan metode
sebelumnya. Pada penelitian ini, metode SCFM diaplikasikan dengan 13 variabel dari
data demam berdarah. Studi kasus demam berdarah pada penelitian ini dilakukan di
Provinsi Jawa Timur. Berdasarkan pengolahan dengan metode SFCM didapat hasil
pengelompokan dengan 2 kelompok, 3 kelompok, dan 4 kelompok. Dari 6 indeks
validasi untuk mengetahui jumlah pengelompokan yang tepat, menunjukkan bahwa
pengelompokan menjadi 2 kelompok memberikan hasil pengelompokan yang lebih
bagus dibandingkan dengan pengelompokan yang lainnya. Seluruh kabupaten di Pulau
Madura menjadi daerah endemi demam berdarah yang perlu diperhatikan oleh
Pemerintah Provinsi Jawa Timur. Dan hal ini senada dengan fakta yang dirilis oleh
dinas kesehatan Provinsi Jawa Timur, bahwa beberapa wilayah di Madura menjadi
daerah KLB yang memerlukan perhatian serius dalam penanganannya.

Kata Kunci : Fuzzy C-Mean Cluster (FCM), Subtractive Clustering (SC), Subtractive
Fuzzy C-Mean (SFCM), Demam Berdarah.

PENDAHULUAN adalah model Autoregressive Conditional

Heteroscedastic (ARCH) yang
Model time series telah dikenal dikenalkan dengan pertama kali oleh
dengan baik untuk tujuan peramalan Engle [2]. Kemudian Bollerslev
kejadian di masa yang akan datang. mengembangkan model Generalized
Dalam analisis data makro-ekonomi, Autoregressive Conditional
sebagian besar deret waktu biasanya Heteroscedastic (GARCH) [3].
menunjukkan suatu lonjakan-lonjakan Kemudian model Exponential
variansi yang besar pada suatu periode Generalized Autoregressive Conditional
tertentu sehingga asumsi variansi error Heteroscedastic (EGARCH)
konstan tidak dipenuhi [1]. Data time dikembangkan oleh Nelson (1991) [4].
series dengan variansi errornya yang Model conditional heteroscedastic
tidak homogen di setiap waktunya tersebut telah banyak digunakan untuk
dinamakan data time series dengan memodelkan variansi error dari suatu
conditional heteroscedastic. Beberapa model time series ARIMA ketika variansi
metode telah digunakan untuk mengatasi errornya tidak homogen.
masalah heteroscedastic diantaranya

1
 Statistika, Vol. 3, No. 2, November 2015

Tujuan utama permodelan data time kunang-kunang untuk mendapatkan error

series adalah agar dapat dilakukan yang minumum
peramalan terhadap data-data yang akan
datang. Keakuratan hasil prediksi sangat
diperlukan terutama dalam pengambilan METODE PENELITIAN
keputusan dalam banyak bidang Sumber Data dan Variabel Penelitian
khususnya ekonomi. Kasus
heteroscedastic sering ditemukan pada Sampel data adalah return saham
data harga saham yang variansi error harian Bank Rakyat Indonesia Tbk
konstan tidak dipenuhi [2]. (BBRI.JK) antara 11 November 2003 –
Beberapa peneliti telah 11 Maret 2011 dengan jumlah data
mengembangkan model peramalan sebanyak 1911 pengamatan yang
dengan menggabungkan beberapa memiliki variansi error heteroscedastic.
metode peramalan dengan jaringan syaraf Sebanyak 80% data pertama yaitu 1531
tiruan. Kamstra dan Donaldson data pengamatan digunakan untuk
menggabungkan Generalized mengestimasi parameter model Jaringan
Autoregressive Conditional Syaraf RBF-GARCH dan 20% sisanya
Heteroscedastic (GARCH) dengan yaitu 380 data pengamatan digunakan
Artificial Neural Network (ANN), untuk peramalan out-sample dan sebagai
dikenal dengan NN-GARCH [5]. Suatu validasi model.
model gabungan antara Fungsi Basis
Radial (RBF) dan NN-GARCH atau Metode Analisis
dikenal dengan model RBF-NN-GARCH
diteliti oleh Coelho dan Santos [6]. Misalkan ‫ܢ‬௧ = ൫‫ݖ‬ଵ௧, ‫ݖ‬ଶ௧, … , ‫ݖ‬௤௧൯' ⊆ ℝ௤
Xin-She Yang mengenalkan adalah vektor yang memuat ‫ ݍ‬variabel
algoritma kunang-kunang atau Firefly penjelas (variabel prediktor) bagi respon
Algorithm (FA). Algoritma kunang- ‫ݕ‬௧ ∈ ℝ, ‫ =ݐ‬1, … , ܶ. Dimisalkan
kunang adalah algoritma metaheuristik hubungan antara ‫ݕ‬௧ dan ‫ܢ‬௧ mengikuti
yang terinspirasi dari perilaku kedip model dengan bentuk
cahaya kunang-kunang. Terdapat dua ‫ݕ‬௧ = ॱ[‫ݕ‬௧|‫ܢ‬௧
] + ߝ௧ = ݂(‫ܢ‬௧) + ߝ௧
fungsi dasar kedip cahaya tersebut, yaitu (1)
untuk menarik perhatian kunang-kunang maka model Jaringan Saraf Fungsi Basis
yang lain (komunikasi) dan untuk Radial merupakan pendekatan dari model
menarik mangsa [7]. dari persamaan (1), yaitu
Dalam penelitian ini dilakukan kajian ‫ݕ‬௧ = ∑௠௜ୀଵ ‫ ݓ‬௜߮(‖‫ܢ‬௧ − ߤ௜‖) + ߝ௧
mengenai mengenai penggabungan dua (2)
model yaitu model jaringan syaraf RBF dengan ࢠ௧ merupakan variabel penjelas,
dengan model EGARCH dengan optimasi ߤ௜ adalah center atau pusat atas fungsi
error dari hasil permalan dengan basis ke-݅ dan ‫ ݓ‬௜ adalah bobot atas
menggunakan algoritma kunang-kunang. fungsi basis ke-݅. Fungsi ߮(∙) adalah
Dalam hal ini model RBF menggantikan fungsi aktivasi yang pada jaringan saraf
model ARIMA yang biasanya Fungsi Basis Radial biasa disebut sebagai
digabungkan dengan model EGARCH. fungsi basis. Fungsi basis Gaussian [6]
Varians error dari model RBF didefinisikan sebagai berikut
dimodelkan dengan menggunakan model ௫మ
EGARCH. Nilai dari parameter bobot, ߮௝(‫݌ݔ݁ = )ݔ‬൬− ଶఙమ൰
ೕ
center dan lebar dari jaringan saraf RBF (3)
dioptimasi menggunakan algoritma dengan ߪ௝ adalah lebar dari fungsi basis.

2
 Statistika, Vol. 3, No. 2, November 2015

Model Jaringan Syaraf RBF- tinggi, meningkatkan kompleksitas

EGARCH merupakan gabungan dari komputasi dan kebutuhan memori [8].
model Jaringan Syaraf Fungsi Basis Variabel penjelas yang terpilih (relevan)
Radial dengan model heteroscedastic, adalah variabel yang memberikan
yaitu model Exponential GARCH pengurangan error peramalan cukup
(EGARCH). Model EGARCH (1,1) besar pada peramalan in-sample dengan
didefinisikan sebagai berikut menggunakan jaringan saraf RBF. Pada
ߝ௧ = ‫ݑ‬௧ඥℎ௧ , ‫ݑ‬௧~ܰ (0,1) tahapan ini, algoritma clustering K-
(4) means digunakan (4.4) untuk
|ఌ | ఌ mengelompokkan unit input ke dalam
ln ℎ௧ = ߱ + ߜln ℎ௧ିଵ + ߬ ೟ష భ + ߩ ೟ష భ
ඥ௛೟షభ ඥ௛೟షభ beberapa cluster dan mendapatkan center
dengan ߝ௧ adalah error suatu model dan untuk masing-masing cluster. Untuk
ℎ௧ merupakan variansi dari error memperoleh nilai bobot yang optimal
tersebut. digunakan metode least square.
Sehingga model Jaringan Syaraf RBF- Tahapan :
EGARCH dapat dinyatakan dalam Langkah 1 : Untuk ݇ berjalan dari 1
bentuk sebagai berikut sampai lag, lakukan :
‫ݕ‬௧ = ∑௠௜ୀଵ ‫ ݓ‬௜߮(‖‫ܢ‬௧ − ߤ௜‖) + ߝ௧ Langkah 2 : Bentuk matriks unit input, ܺ
(5) dengan Yt vektor training,
ߝ௧ = ‫ݑ‬௧ඥℎ௧ , ‫ݑ‬௧~ܰ (0,1) yaitu (4.5)
|ఌ೟ష భ| ఌ೟ష భ ܺ = [‫ݕ‬௧ିଵ, ‫ݕ‬௧ିଶ, … , ‫ݕ‬௧ି௞]
ln ℎ௧ = ߱ + ߜln ℎ௧ିଵ + ߬ +ߩ Langkah 3 : Hitung jumlah unit hidden
ඥ௛೟షభ ඥ௛೟షభ
dengan ߮(∙) adalah fungsi pada yang optimal berdasarkan
persamaan (3). algoritma clustering K-
means. Dapatkan center dari
Pembentukan model Jaringan Saraf
setiap unit hidden.
RBF-FA-EGARCH terdiri dari lima
Langkah 4 : Hitung lebar dari setiap unit
tahapan. Tahapan pertama adalah
hidden (cluster) berdasarkan
penentuan variabel penjelas zt yang
jarak Euclidean antara
relevan. Kedua adalah penentuan center
center ߤ௝ dan persekitaran
pada jaringan syaraf Fungsi Basis Radial.
terdekatnya, yaitu
 
Ketiga adalah perhitungan nilai fungsi
basis untuk mendapatkan tahapan yang  j  min   j   i i  j
keempat, yaitu perhitungan bobot serta dengan ߙ adalah learning
estimasi parameter EGARCH. Tahapan rate
terakhir adalah optimasi nilai parameter Langkah 5 : Dapatkan output berupa
dengan menggunakan algoritma kunang- matriks ‫ ۯ‬dari layer hidden
kunang. dengan menggunakan
Langkah-langkah Penelitian fungsi aktivasi Gaussian,
dengan ‫ܣ‬௜௝ merupakan
A. Pemilihan Variabel Penjelas output dari input input ke-݅
Penentuan variabel input dalam unit hidden ke-݆.
peramalan data time series merupakan Langkah 6 : Hitung bobot antara layer
salah satu permasalahan utama dalam hidden dan output dengan
penerapan Jaringan Syaraf Tiruan. Tidak menggunakan least square,
semua lag variabel dapat digunakan yaitu ‫ି) ۯ ்ۯ( = ݓ‬ଵ‫ݕ ்ۯ‬,
sebagai input, karena beberapa variabel dengan ‫ ݕ‬adalah target.
mungkin tidak relevan sehingga dapat Langkah 7 : Dapatkan estimasi output
menyebabkan dimensi input terlalu target, yaitu ‫ ݓۯ = ݕ‬.

3
 Statistika, Vol. 3, No. 2, November 2015

Langkah 8 : Hitung error output. Jika C. Perhitungan Lebar

terdapat pengurangan error Lebar dapat pula disebut sebagai radius
apabila dibandingkan dalam fungsi Gaussian. Nilai lebar dapat
dengan k−1, pilih ‫ݕ‬௧ି௞ dihitung berdasarkan rumus standar
deviasi sebagai berikut :
B. Penentuan Center Unit Hidden
∑೘
೔స భ(ఓ೔ିఓ
ഥ)
Algoritma clustering K-means digunakan ߪ=ට ௠ ିଵ
dalam penentuan jumlah cluster yang dengan ߤ௜ (݅= 1,2, … , ݉ ) adalah center,
optimal serta nilai center dari masing- ߤ̅ adalah rata-rata center dan ݉ adalah
masing cluster pada jaringan saraf Fungsi banyaknya center yang terpilih. Setelah
Basis Radial. nilai center dan lebar diketahui maka
Algoritma dari metode clustering K- dapat diperoleh fungsi radial basisnya
means [9] dengan ݊ unit input adalah dengan menggunakan fungsi yang
sebagai berikut : digunakan untuk membawa input menuju
Langkah 1 : Pilih ݈< ݊ cluster output yang diinginkan, yaitu fungsi
Langkah 2 : Ambil sejumlah ݈learning Gaussian pada persamaan (3).
data yang pertama
‫ݔ‬ଵ, ‫ݔ‬ଶ, … , ‫ݔ‬௟ sebagai vektor D. Estimasi Bobot dan Parameter
center : EGARCH
 j  xj, j  1, 2 ,..., l
Estimasi parameter model Jaringan
Langkah 3 : Kelompokkan ‫ݔ‬௜ (݅= ݈+ Syaraf RBF-FA-EGARCH, yaitu
1, ݈+ 2, … , ݊) kedalam parameter (ી
ી = ‫ ۻ‬, ી‫܄‬ )', dengan
salah satu cluster ી‫ ܟ( = ۻ‬૚, … , ‫ ') ܕ ܟ‬yang merupakan
berdasarkan criteria jarak parameter bobot pada model jaringan
terkecil : ‫ݔ‬௜ masuk kesalah syaraf Fungsi Basis Radial dan ી‫= ܄‬
satu cluster ke-݆dimana (૑ , ઼, ૌ, ૉ)' yang merupakan parameter
x i   j  min x i   j , 1 j  l model GARCH, dapat dilakukan dengan
j
menggunakan metode Maximum
Langkah 4 : Update vektor center Likelihood [10].
dengan menggunakan nilai Diasumsikan distribusi bersyarat
center yang baru, yaitu : ݂(‫ݕ‬௧|‫ݕ‬௧ିଵ, … , ‫ݕ‬ଵ, ߠ)
adalah normal
1 dengan mean ‫ݕ‬ ො௧ dan variansi ℎ෠௧ dengan ߠ
j   xi , 1  j  l
n j x j adalah vektor parameter dalam ‫ݕ‬ ො௧ dan ℎ෠௧.
i

dengan ݊௝ adalah jumlah Maka fungsi likelihood bersyaratnya

adalah
learning data yang
݂(‫ݕ‬ଵ, … , ‫)ߠ ; ்ݕ‬
termasuk dalam cluster ݆. ଵ ଵ ఌమ
Langkah 5 : Kelompokkan ‫ݔ‬௜ (݅= = ݂(‫ݕ‬ଵ; ߠ) ∏்௧ୀଶ exp ቂ− ଶ ௛೟ቃ
ඥଶగ௛೟ ೟
1, 2, … , ݊) kedalam salah =
satu cluster berdasarkan ଵ ଵ (௬೟ି௬ො೟)మ
kriteria jarak terkecil pada ݂(‫ݕ‬ଵ; ߠ) ∏்௧ୀଶ exp ቂ− ଶ ቃ
ඥଶగ௛ ೟ ௛೟
langkah 3.
Langkah 6 : Selama masih terdapat =
perpindahan paling sedikit ଵ ் ଵ ଵ (௬೟ି௬ො೟)మ
satu unit data ke dalam ቂ ቃ ݂(‫ݕ‬ଵ; ߠ) ∏்௧ୀଶ exp ቂ− ଶ ቃ
√ଶగ ඥ௛೟ ௛೟
cluster yang berbeda, dengan ݂(‫ݕ‬ଵ; ߠ) adalah fungsi kepadatan
lakukan langkah 4-6. probabilitas saat pengamatan pertama,

4
 Statistika, Vol. 3, No. 2, November 2015

yaitu ‫ݕ‬ଵ. MLE untuk ߠ (dinotasikan mengoptimalkan error peramalan. Proses

dengan ߠ෠) adalah nilai ߠ yang training dari jaringan saraf RBF
memaksimumkan fungsi likelihood-nya. digunakan untuk mendapatkan interval
Jika fungsi likelihood dinyatakan dengan awal kunang-kunang. Yaitu xopt = (op,
L, maka fungsi log likelihood nya adalah op, wop), dengan op  [-, ], op  [-,
sebagai berikut ], dan wop  [-w, w]. Fungsi objektif
ln ‫ = ܮ‬ln ݂(‫ݕ‬ଵ, … , ‫)ߠ ; ்ݕ‬ dihitung dengan menggunakan RMSE,
்
= ln(2ߨ)ି ൗଶ + ln ݂(‫ݕ‬ଵ; ߠ) + yaitu
ଵ ଵ (௬೟ି௬ො೟)మ m
ln ൬∏்௧ୀଶ exp ቂ− ଶ ቃ൰  y  yˆ t 
2
ඥ௛೟ ௛೟ t
t 1
்ൗ RMSE 
= ln(2ߨ)ି ଶ+ ln ݂(‫ݕ‬ଵ; ߠ) + m
ଵ ଵ (௬೟ି௬ො೟) మ
∑்௧ୀଶ ln(ℎ௧)ି ൗଶ − ∑்
ଶ ௧ୀଶ ௛
்
೟ dengan (‫ݕ‬௧ − ‫ݕ‬ ො௧) adalah error peramalan
= − ଶ ln(2ߨ) + ln ݂(‫ݕ‬ଵ; ߠ) − untuk ݉ pengamatan.
ଵ ଵ (௬೟ି௬ො೟)మ Setelah mendapatkan nilai error
∑் ln(ℎ௧) − ∑்௧ୀଶ
ଶ ௧ୀଶ ଶ ௛೟ peramalan, maka dilakukan perangkingan
Untuk mempermudah proses estimasi, posisi kunang-kunang berdasarkan hasil
persamaan ada model jaringan syaraf fungsi objektif, yaitu nilai RMSE yang
Fungsi Basis Radial dapat pula dituliskan paling kecil. Kemudian semua kunang-
dalam bentuk persamaan regresi sebagai kunang akan bergerak menuju kunang-
berikut kunang yang memiliki nilai fungsi
‫ = ݕ‬૎ ߠெ + ߝ objektif lebih kecil, yaitu kunang-kunang
dengan ‫ݕ( = ݕ‬ଵ, ‫ݕ‬ଶ, … , ‫ ') ்ݕ‬, ߝ = yang memiliki intensitas cahaya lebih
(ߝଵ, ߝଶ, … , ߝ் )', ߠெ = (‫ ݓ‬ଵ, … , ‫ݓ‬௠ )' dan terang.
૎= Pada kunang-kunang yang berdekatan
φ൫ฮzଵ − μଵฮ൯ ⋯ φ൫ฮzଵ − μ୫ ฮ൯ maka akan timbul daya tarik yang
ቌ ⋮ ⋱ ⋮ ቍ dirumuskan pada persamaan :
మ
φ൫ฮz୘ − μଵฮ൯ ⋯ φ൫ฮz୘ − μ୫ ฮ൯ ߚ = ߚ଴݁ିఊ௥
0 adalah daya tarik saat jarak r = 0,
Dengan ߮ adalah tetap (fixed), maka nilai sedangkan  merupakan koefisien
awal dari vektor parameter ߠெ dapat penyerapan cahaya. Pergerakan kunang-
diestimasi dengan kunang i bergerak menuju tingkat
ߠ෠଴,ெ = (૎ '૎ )ିଵ૎ '‫ݕ‬ itensitas cahaya yang terbaik ditentukan
sebagai berikut :
మ
E. Optimasi Error Peramalan dengan ‫ݔ‬௜௧ାଵ = ‫ݔ‬௜௧ + ߚ଴݁ିఊ௥೔ೕ൫‫ݔ‬௝௧ − ‫ݔ‬௜௧൯+
ଵ
menggunakan Algoritma Kunang- ߙ(‫ ݀݊ܽݎ‬− ଶ)
kunang
 adalah parameter pengacak dan rand
Algoritma kunang-kunang digunakan adalah nilai acak yang dibangkitkan dari
untuk mengoptimalkan nilai parameter distribusi Uniform [0,1].
model Jaringan saraf RBF-FA-
EGARCH yaitu nilai center, lebar dan
bobot [11]. HASIL PENELITIAN
Inisialisasi posisi awal kunang-kunang
dibangkitkan secara random dengan Sampel data adalah return saham
interval yang diperoleh dari proses harian Bank Rakyat Indonesia Tbk
training pada jaringan saraf RBF yang (BBRI.JK) antara 11 November 2003 –
nantinya merupakan nilai yang 11 Maret 2011 dengan jumlah data

5
 Statistika, Vol. 3, No. 2, November 2015

sebanyak 1911 pengamatan yang EGARCH memberikan RMSE sebesar

memiliki variansi error heteroscedastic.
heteroscedastic 0,0011 seperti yang disajikan disajikan
Sebanyak 80% data pertama yaitu 1531 dalam Tabel 1. Berdasarkan Tabel 1,
data pengamatan digunakan untuk optimasi error peramalan model Jaringan
mengestimasi
engestimasi parameter model Jaringan Saraf RBF-FA-EGARCH
EGARCH dengan
Syaraf RBF-GARCH
GARCH dan 20% sisanya menggunakan algoritma kunang
kunang-kunang
yaitu 380 data pengamatan digunakan memberikan peningkatan keakuratan
untuk peramalan out-sample
sample dan sebagai hasil peramalan.
validasi model. Gambar 1 menyajikan
plot data dari return saham harian Bank
Rakyat Indonesia.

Gambar 2 Plot Hasil Peramalan model RBF

RBF-FA-
Gambar 1 Plot Return Saham Bank Rakyat EGARCH
Indonesia
Tabel 1 RMSE Hasil Peramalan
RMSE
Dari perhitungan iteratif seleksi variabel MODEL 7 HARI
penjelas berdasarkan error peramalan KEDEPAN
yang paling kecil, diperoleh 8 inputan ARIMA-EGARCH 0.0104
yang merupakan variabel penjelas terbaik Jaringan Saraf RBF- 0.0011
yang digunakan dalam peramalan data FA-EGARCH
return saham Bank Rakyat Indonesia Tbk
adalah
‫ݖ‬௧ = KESIMPULAN
(‫ݕ‬௧ିଵ, ‫ݕ‬௧ିଶ, ‫ݕ‬௧ିଷ, ‫ݕ‬௧ିସ, ‫ݕ‬௧ି଺଺, ‫ݕ‬௧ିଵ଴, ‫ݕ‬௧ିଵସ, ‫ݕ‬௧ିଶସ) Dari hasil simulasi peramalan pada
dengan RMSE < 0.001. Pemilihan jumlah data return saham Bank Rakyat
cluster/unit hidden optimal jaringan saraf Indonesia, Tbk dapat disimpulkan bahwa
RBF diperoleh sebanyak 5 unit hidden. model Jaringan Syaraf RBF RBF-FA-
Algoritma kunang-kunang
kunang digunakan EGARCH memberikan performansi lebih
untuk mengoptimalkan parameter nilai baik daripada model peramalan ARIMA
ARIMA-
center, lebar dan bobot yang diperoleh. EGARCH, sehingga model tersebut dapat
Proses iteratif nya dengan trial dan dijadikan alternatif
ernatif model peramalan data
memperhitungkan error peramalannya time series heteroscedastic
heteroscedastic.
diperoleh hasil terbaik dengan jumlah
populasi sebanyak 100,  = 0.3, 0 = 0.1,
dan tingkat penyerapan  = 1. DAFTAR PUSTAKA

Hasil peramalan untuk 7 hari kedepan [1] Enders, W., 1995 1995, Applied
model Jaringan Saraf RBF--FA-EGARCH Econometricc Time Series, John
disajikan pada Gambar 2. Peramalan Willey & Sons. Inc, Canada.
dengan menggunakan model RBF-FA-
RBF [2] Engle, R. F., 1982,, ’Autoregressive
Conditional Heteroscedaticity With

6
 Statistika, Vol. 3, No. 2, November 2015

Estimates of the Variance of United algorithm for interval-valued stock

Kingdom Inflation, Econometrica price index forecasting, Knowledge-
40, 987-1007. Based Systems 55, 87–100.
[3] Bollerslev, T., 1986, Generalized
Autoregressive Conditional
Heteroscedasticity, Journal of
Econometrica 31, 307-327.
[4] Nelson, D. B., 1991, Conditional
heteroskedasticity in asset returns: A
new approach, Econometrica 59,
347-370.
[5] Kamstra, M. J. dan Donaldson, G.,
1997, An Artificial Neural Network
GARCH Model for International
Stock Market Volatility, Journal of
Empirical Finance 4.1, 17-46.
[6] Coelho, L. dan Santos, A., 2010, A
RBF Neural Network Model with
GARCH Errors : Application to
Electricity Price Forecasting.
Electric Power Systems Research 81,
74-83.
[7] Xin-She Yang., 2010, Nature-
Inspired Metaheuristic Algorithms.
Second Edition. Luniver Press,
United Kingdom.
[8] Zheng, G.L. dan Billings, S.A.,
1996, Radial Basis Function
Configuration Using Mutual
Information and the Orthogonal
Least Square Algorithm, Neural
Networks 9, 1619-1637.
[9] Gupta, M. M., Jin, L., dan Homma,
N. 2003. Static and Dynamic Neural
Networks : From Fundamentals to
Advanced, John Wiley & Sons, Inc.,
Canada.
[10] Medeiros, M., McAleer, M., Slottje,
D., Ramos, V. dan Rey-Maqquiera,
J., 2008, ’An Alternative Approach
to Estimating Demand : Neural
Network Regression with
Conditional Volatility for High
Frequency Air Passenger Arrivals’,
Journal of Econometrics 147, 378-
382.
[11] Tao Xiong, Yukun Bao dan Zhongyi
Hu, 2014, Multiple-output support
vector regression with a firefly