jurnal: PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY...
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of jurnal: PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY...
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
1
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS
MENGGUNAKAN FOURIER RESIDUAL MODIFICATION
GREY FORECASTING MODEL (1,1)
Cendra Puspa Nuswantri, Suyono dan Widyanti Rahayu
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Jakarta
Jl. Rawamangun Muka, Jakarta Timur 13220, Indonesia
Abstrak Peramalan jangka pendek sangat diperlukan untuk menyelesaikan hal yang
mendesak. Namun jika data masa lalu yang tersedia sulit didapatkan atau terbatas maka
bisa mengakibatkan sulitnya mendapatkan ramalan yang akurat. Model peramalan
dikatakan baik jika nilai keakuratan peramalannya mendekati data sebenarnya. Grey
Forecasting Model atau GM (1,1) merupakan model peramalan yang menggunakan
persamaan differensial orde satu dan satu variabel. Fourier Residual Modification Grey
Forecasting Model atau FGM (1,1) merupakan modifikasi GM(1,1) dengan
menggunakan Deret Fourier demi meningkatkan keakuratan ramalan jangka pendek
untuk data terbatas.
Kata kunci: Grey Forecasting Model, Fourier Residual Modification Grey Forecasting
Model, Deret Fourier, peramalan jangka pendek, data terbatas.
1 Pendahuluan
Metode peramalan terbagi menjadi dua yaitu metode peramalan kualitatif dan
kuantitatif. Metode peramalan kualitatif digunakan jika metode peramalan kuantitatif
sulit digunakan. Metode peramalan kuantitatif adalah peramalan untuk data-data yang
bisa dikuantitatifkan. Berdasarkan waktunya, peramalan terbagi menjadi peramalan
jangka pendek, peramalan jangka menengah dan peramalan jangka panjang. Peramalan
jangka pendek digunakan untuk kurun waktu tidak lebih dari 3 bulan ke depan.
Peramalan jangka pendek berguna untuk untuk mengambil keputusan yang sifatnya
mendesak seperti ketenagakerjaan, penjadwalan, produksi, dan perencanaan keuangan
(Makridakis, 1990).
Sebelum tahun 1990-an, pendekatan dengan regresi tradisional mendominasi
literatur peramalan, tapi kondisi ini berubah setelah pertengahan 1990-an sebagian besar
peneliti lebih banyak yang menggunakan teknik ekonometrik modern, misalnya model
kointegrasi dan model koreksi kesalahan (Error Correction Model) untuk pemodelan dan
meramalkan permintaan. Selain itu, penelitian sebelumnya telah difokuskan pada analisis
ekonometrik tradisional, dengan model regresi, model deret waktu dan model ARIMA.
Namun model-model tersebut hanya efektif untuk meramalkan permintaan jangka
panjang dan tidak bagus untuk peramalan jangka pendek dan pada data dengan
karakteristik berfluktuasi (Huang & Lee, 2011).
Peramalan menggunakan Grey Forecasting Model pertama kali ditemukan oleh
Deng, 1982. Model peramalan ini merupakan salah satu pengembangan dari Grey
Theory. Keberadaan informasi grey yang belum diketahui pada setiap sistem di berbagai
kehidupan nyata mendorong perkembangan Grey Forecasting Model sangat penting
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
2
untuk dilakukan. Peramalan akan menghasilkan informasi baru yang akan terjadi di masa
depan. Informasi ini tentu sangat bermanfaat bagi para pembuat kebijakan, pebisnis dan
pengambil keputusan. Namun tidak setiap data mudah didapatkan sehingga data tersebut
jumlahnya terbatas. Peramalan jangka pendek merupakan hal yang sulit dilakukan
apalagi dengan data terbatas. Peramalan dengan GM(1,1) bisa digunakan untuk jumlah
data yang kecil atau dengan kata lain data terbatas. Peramalan ini digunakan untuk
peramalan barisan, prediksi interval, peramalan bencana alam, peramalan musim dan
peramalan pasar modal (Liu & Lin, 2006). Grey Forecasting Model (1,1) atau GM(1,1)
telah berhasil diterapkan untuk data permintaan pariwisata di Taiwan yang volatilitasnya
tinggi (Huang & Lee, 2011). Peramalan ini dilakukan untuk periode jangka panjang.
Model GM(1,1) dengan bentuk umum GM(d,v) dimana d adalah order atau tingkat
persamaan differensial dan v adalah jumlah variabel pada persamaan model (Nguyen &
Huang, 2011). GM (1,1) adalah model peramalan Grey yang menggunakan persamaan
differensial tingkat pertama dengan satu variabel. Dengan demikian diperlukan model
peramalan yang tepat agar hasil peramalannya akurat.
Pada penelitian ini akan digunakan GM (1,1) yang dilanjutkan dengan modifikasi
Deret Fourier demi mendapatkan peramalan jangka pendek untuk data terbatas.
Penggunaan Fourier awalnya dikembangkan oleh Brigham tahun 1998 lalu dilanjutkan
oleh Hsu tahun 2003 untuk peramalan. Modifikasi Grey Forecasting Model dengan
Deret Fourier diharapkan dapat memberikan metode yang lebih efektif untuk menangani
peramalan jangka pendek untuk data terbatas.
2 Landasan Teori
1. Peramalan
Peramalan adalah esensi dari perencanaan dan operasi kontrol dalam berbagai
bidang seperti manajemen produksi, sistem inventori, kontrol kualitas, perencanaan
keuangan dan analisis investasi (Wei, 2006:88). Peramalan dilakukan karena adanya
time lag atau senjang waktu antara kesadaran akan peristiwa atau kebutuhan
mendatang dengan kejadian yang terjadi di masa depan. Adanya lead time atau waktu
tenggang ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu
tenggang panjang dan dan hasil peristiwa akhir bergantung pada faktor-faktor yang
diketahui maka perencanaan menjadi sangat penting. Dengan demikian, peramalan
diperlukan untuk menetapkan kapan suatu kejadian terjadi sehingga bisa diputuskan
tindakan untuk mengantisipasi (Makridakis, 1983:3).
Menurut Heizer (2005), berdasarkan waktu peramalan dikelompokkan
menjadi tiga yaitu peramalan jangka panjang, peramalan jangka menengah dan
peramalan jangka pendek . Peramalan jangka pendek adalah peramalan untuk jangka
waktu tidak lebih dari 3 bulan ke depan.
2. Grey Forecasting Model
Grey System Theory pertama kali dikembangkan oleh Deng (1982) yang
difokuskan pada model ketidakpastian dan informasi yang tidak cukup dalam
menganalisis dan memahami sistem melalui riset pada analisis bersyarat, prediksi dan
pengambilan keputusan. Dalam kehidupan nyata sering dijumpai sistem
ketidakpastian sehingga peneliti mendapatkan keterbatasan informasi mengetahui
struktur sistem, parameter dan karakteristik. Contoh yang merupakan sistem grey
misalnya sistem sosial, sistem ekonomi dan sistem cuaca. Dalam sistem tersebut
banyak dijumpai ketidakpastian. Sistem yang pasti misalnya sistem komputer, sistem
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
3
mesin dan sistem yang eksak lainnya. Grey Forecasting Model merupakan adaptasi
dari bagian inti Grey System Theory dan telah berhasil diaplikasikan dalam bidang
finansial, integrated circuit industry dan pemasaran jasa perjalanan udara. Grey
Forecasting Model menggunakan Operasi Pembangkit Akumulasi atau Accumulated
Generating Operation disingkat AGO untuk membangun persamaan differensial.
Grey Forecasting Model atau disingkat GM memberikan solusi untuk model
ketidakpastian pada data terbatas (minimal terdapat empat data) yang biasa disebut
"partial known, partial unknown" (Liu & Lin, 2006). Model umum peramalan ini
adalah GM (d,v) dimana d adalah order dari persamaan differensial dan v adalah
jumlah variabel dalam persamaan (Nguyen & Huang, 2011). Grey Forecasting Model
digunakan untuk peramalan jangka pendek tanpa perlu memisalkan distribusi data
yang akan diolah. Grey Forecasting Model pada skripsi ini adalah GM(1,1) dimana
menggunakan turunan orde pertama dengan satu variabel.
Untuk mendapatkan model GM(1,1) diperlukan barisan data asli atau data
mentah yang disusun berdasarkan waktu. Data asli dapat dinyatakan dalam definisi
berikut (Huang & Lee, 2011).
Definisi 1. Barisan data asli atau data mentah berdasarkan urutan waktunya
didefinisikan sebagai
{ } ( )
dimana adalah urutan dari dari data periode paling lampau hingga
data terkini.
Definisi 2. Barisan data first order Accumulated Generating Operation atau AGO
orde pertama dari dinotasikan . Misal ∑ , AGO orde
pertama ditulis sebagai
∑
∑
∑
∑
Definisi 3. Inverse Accumulated Generating Operation disingkat IAGO didefinisikan
sebagai
Pada model peramalan GM(1,1) ini, IAGO nantinya akan digunakan untuk
mendapatkan restored value atau nilai ramalan di masa datang yang dinotasikan
sebagai . Dari barisan data kemudian didapatkan Barisan pembangkit
Rata-Rata yaitu .
Definisi 4. Misal adalah nilai rata-rata dari dua data yang berdekatan
yaitu
[ ]
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
4
Generated Mean Sequence atau Barisan Pembangkit Rata-Rata dari dinotasikan
( )
Selanjutnya untuk setiap pasang nilai dan dibentuk menjadi
persamaan GM(1,1). Namun sebelum membentuk GM(1,1) perlu diketahui definisi
persamaan diferensial order pertama Grey.
Definisi 5. Persamaan differensial Grey didefinisikan sebagai
dimana disebut background value dari
dan a dan b adalah parameter -
parameternya.
Proposisi 1. Misalkan barisan data mentah yaitu
{ } ( )
dan barisan Operasi Pembangkit Akumulasi pertama yaitu
{ } ( )
dimana ∑
Turunan pertama grey dari adalah
(Liu & Lin, 2006:197).
Definisi 6. Misal { } ( ) adalah
barisan data mentah dan { } ( )
adalah barisan Operasi Pembangkit Akumulasi pertama. Bentuk asli dari GM(1,1)
dinyatakan sebagai
Simbol GM(1,1) menyatakan bahwa model menggunakan persamaan diferensial orde
pertama dan satu variabel. Misal ( ) adalah Barisan
Pembangkit Rata-Rata dimana
[ ]
Bentuk dasar GM(1,1) dinyatakan sebagai
(Liu & Lin, 2010:107).
Pada pembahasan selanjutnya yang digunakan adalah bentuk dasar GM(1,1).
Definisi 7. Parameter a dan b pada GM(1,1) masing-masing disebut development
coefficient dan grey action quantity (Liu & Lin, 2010:203).
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
5
Untuk mendapatkan nilai parameter a dan b digunakan metode least square estimate
atau estimasi kuadrat terkecil seperti pada teorema berikut ini.
Teorema 1. Misal terdefinisi sebelumnya, non-negatif. Jika
* + adalah barisan parameter dan
[
]
,
[
]
maka estimasi kudrat terkecil dari
memenuhi
[ ] (Liu & Lin, 2006:199).
Definisi 8. Asumsikan barisan non-negatif, barisan AGO orde pertama dari
dan adalah barisan rataan dari yang berdekatan. Jika
* + [ ]
maka
disebut whitenization atau image equation dari
Teorema 2. Misalkan terdefinisi seperti pada Teorema 1. Jika
* + [ ]
terpenuhi maka berlaku
1. Solusi (fungsi respon waktu) dari fungsi whitenization
adalah
(
)
2. Barisan respon waktu dari persamaan differensial grey GM(1,1)
adalah
(
)
3. Misal maka
(
)
4. Restored value atau nilai ramalan dari adalah
(Liu & Lin, 2006:203).
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
6
3. Keakuratan Model Peramalan Grey Forecasting Model
Keakuratan model peramalan dapat dilihat dari nilai selisih data asli dan data
hasil ramalan. Setelah mendapatkan hasil ramalan menggunakan Grey Forecasting
Model, untuk melihat keakuratan ramalan dibutuhkan Residual Series, Residual Error
dan Average Residual Error.
Misal adalah data asli dan adalah ramalan dengan Grey
Forecasting Model. Residual series didefinisikan sebagai
( )
dimana
|
|
∑|
|
Seringkali Residual Error dan Average Residual Error dinyatakan dalam persen.
∑|
|
Untuk mengetahui tingkat keakuratan ramalan dapat dilihat pada table berikut.
Tabel 2.1 Kriteria keakuratan model peramalan
Tingkatan Kriteria
Residual Error Keakuratan
I (Sangat bagus) 1% 90%
II (Bagus) 5% 80%
III (Mencukupi) 10% 70%
IV (Tidak mencukupi) 20% 60%
Sumber: Liu dan Lin, 2010: 135
4. Modifikasi Grey Forecasting Model
Peramalan diawali menggunakan model GM(1,1). Dengan membandingkan
nilai ramalan dan data asli, maka didapatkan residu GM(1,1). Selanjutnya hasil residu
GM(1,1) dimodifikasi menggunakan Fourier sehingga didapatkan FGM(1,1). Dengan
membandingkan kembali antara ramalan FGM(1,1) dengan data asli, akan dihasilkan
residu untuk model FGM(1,1). Berdasarkan Tabel 2.1, semakin kecil Residual Error
maka semakin baik keakuratannya.
5. Deret Fourier
Deret Fourier adalah fungsi periodik dengan periode dan frekuensi
yang dinyatakan dengan
∑[ ]
dimana
(Brigham, 1988:74).
Pada pembahasan Fourier Residual Modification Grey Forecasting Model atau yang
dikenal sebagai FGM(1,1) ini, koefisien dan kan didapatkan dengan cara least
square estimate.
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
7
3 Pembahasan
Model peramalan Fourier Residual Modification Grey Forecasting Model atau
FGM(1,1) merupakan modifikasi dari model GM(1,1), dalam hal ini yang
dimodifikasi adalah barisan nilai error atau residual series berdasarkan ramalan
GM(1,1). Misal adalah original input dan adalah hasil ramalan
dengan GM(1,1). Residual series dinotasikan sebagai
( )
dimana untuk
Jika dinyatakan dalam Deret Fourier seperti pada persamaan (2.17)
maka menjadi
∑[ (
) (
)]
dimana *
+ adalah frekuensi minimum sebaran Deret Fourier dan
periode Jika persamaan (3.1) dinyatakan sebagai Deret Fourier maka bisa
ditulis sebagai berikut.
[
]
[
(
) (
)
(
)
(
)
(
) (
)
(
)
(
)
(
) (
)
(
)
(
)
(
) (
)
(
)
(
)
]
[
]
[
(
) (
)
(
) (
)
(
) (
)
(
) (
)
(
) (
)
(
) (
)
(
) (
)
(
) (
)]
[
]
(3.4)
Dengan menuliskan persamaan (3.4) sebagai
(3.5)
maka parameter {
} diperoleh dengan least square estimate
yaitu [ ] .
Setelah estimasi parameter {
} diperoleh, Residual
Series yang telah dimodifikasi kemudian dinotasikan kembali sebagai
sehingga
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
8
∑[ (
) (
)]
Misal deret original dari FGM(1,1). Selanjutnya untuk
memperoleh ramalan FGM(1,1) adalah
Pada persamaan (3.7) menunjukkan bahwa FGM(1,1) adalah usaha
meningkatkan keakuratan ramalan GM(1,1) dengan mencari estimasi nilai Residual
Series. Untuk melihat efektifitas ramalan FGM(1,1) selanjutnya dilakukan uji coba
pada data empiris yang memiliki tingkat varian yang berbeda. Untuk mengetahui
keakuratan ramalan FGM(1,1) digunakan persamaan (2.15), (2.16) dan Tabel 2.1
sebagai acuan.
Gambar 3.1 Diagram Alir Prosedur Peramalan dengan Fourier Residual Modification
Grey Forecasting Model (1,1)
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
9
Peramalan jangka pendek untuk data terbatas menggunakan FGM(1,1)
diterapkan pada data permintaan tiket pesawat pada musim liburan berikut ini.
Tabel 3.1 Data permintaan tiket pesawat
Hari Jumlah
Penumpang
Senin 4889
Selasa 4771
Rabu 5311
Kamis 5421
Jumat 5868
Sabtu 6002
Minggu 6101
Sumber: Tang dkk, 2005
Tabel 3.2 Hasil peramalan untuk data permintaan tiket pesawat
Hari k Data
sebenarnya
GM (1,1) FGM (1,1)
Ramalan Residual
value
Residual
error Ramalan
Residual
value
Residual
error
Senin 1 4889
Selasa 2 4771 4953,82 -183 3,83% 4790,14 -19 0,40%
Rabu 3 5311 5188,06 123 2,31% 5254,83 56 1,06%
Kamis 4 5421 5433,37 -12 0,23% 5505,89 -85 1,57%
Jumat 5 5868 5690,28 178 3,03% 5783,08 85 1,45%
Sabtu 6 6002 5959,34 43 0,71% 6058,21 -56 0,94%
Minggu 7 6101 6241,12 -140 2,30% 6081,85 19 0,31%
Average Residual Error 2,07% 0,95%
Keakuratan 97,93% 99,05%
Gambar 3.2 Grafik hasil peramalan permintaan tiket pesawat
Peramalan pada data permintaan tiket pesawat pada musim liburan dengan
menggunakan GM(1,1) memperoleh keakuratan 97,93% dan dengan menggunakan
FGM(1,1) memperoleh keakuratan 99,05%. Selanjutnya untuk melihat efektifitas
4500
4700
4900
5100
5300
5500
5700
5900
6100
6300
6500
0 1 2 3 4 5 6 7 8
Data sebenarnya
GM(1,1)
FGM(1,1)
PERAMALAN JANGKA PENDEK UNTUK DATA TERBATAS MENGGUNAKAN FOURIER RESIDUAL MODIFICATION GREY FORECASTING MODEL (1,1)
10
model peramalan FGM(1,1) juga diterapkan pada data lain dengan tingkat varian
kecil, sedang dan tinggi dan hasilnya adalah FGM(1,1) tetap konsisten memiliki
keakuratan yang lebih tinggi daripada GM(1,1).
4 Penutup
Berdasarkan pada pembahasan mengenai bagaimana melakukan peramalan jangka
pendek untuk data terbatas menggunakan Fourier Residual Grey Forecasting Model atau
FGM(1,1) maka didapatkan kesimpulan bahwa peramalan FGM(1,1) didapatkan dengan
memodifikasi Residual Series atau selisih dari data mentah dan hasil ramalan GM(1,1).
Untuk data mentah yang sama, hasil peramalan jangka pendek dimana datanya terbatas
menggunakan model peramalan FGM(1,1) lebih akurat dibandingkan dengan model ramalan
GM(1,1). FGM(1,1) dapat digunakan untuk meramalkan data yang memiliki varian kecil,
sedang dan bahkan varian besar dengan nilai keakuratan lebih tinggi dibandingkan GM(1,1)
sehingga model peramalan FGM(1,1) lebih efektif dibandingkan GM(1,1).
Pustaka
[1] Brigham, E. Oran. (1988). The Fast Fourier Transform and It’s Applcations. New
Jersey: Prentice Hall.
[2] Deng, Julong. (1982). Control Problems of Grey System, Problems and Control
Letters, Vol.5, 288-294. China.
[3] Heizer, J. dan Render B. (2005).Operation Management, Edisi 7. Jakarta: Penerbit
Salemba Empat.
[4] Huang, Y.L. dan Lee, Y.H. (2011). Accurately Forecasting Model for the Stochastic
Volatility Data in Tourism Demand, Modern Economy, Vol.2, 823-829. China.
[5] Liu, Sifeng dan Lin, Yi. (2006). Grey Information: Theory and Practical
Applications. London: Springer-Verlag.
[6] Liu, Sifeng dan Lin, Yi. (2010). Grey Systems: Theory and Applications. United
States of America: Springer.
[7] Makridakis, Spyros G. (1990). Forecasting, Planning and Strategy for 21st Century.
United States of America: Collier Macmillan, Inc.
[8] Makridakis, Spyros G., Wheelwright, S.C., dan McGee, V.E. (1983). Forecasting
Methods and Applications, Second Edition. Canada: John Wiley and Sons.
[9] Nagle, R. Kent. (2012). Fundamentals of Differential Equations, 8th Edition.
Boston: Pearson Education, Inc.
[10] Nguyen, T.L. dan Huang, Y.F. (2011). Forecasting Energy Intensity with Fourier
Residual Modified Grey Model: An Empirical Study in Taiwan. Taiwan: National
Kaohsiung University of Applied Sciences.
[11] Tang, dkk. (2005). Study on Grey Model GM (1,1) Forecasting for Airport
Passenger Throughput, China-USA Business Review, Vol. 4. China: Beijing Jiaotong
University.
[12] Wei, William W. S. (2006). Time Series Analysis : Univariate and Multivariate
Methods, Second Edition. United States of America: Pearson Addison Wesley.
[13] Xinping, Xiao dan Rongjiao, Zheng. (2011). Multi-Level Recursive Method of
Short-Term Traffic Flow Forecast Based on PGAGO GM(1,1) Model, Management
Science and Engineering, Vol.5, No.3, 6-10. China: Wuhan University of
Technology.