optimasi multi respon pada proses foaming pembuatan produk...
TRANSCRIPT
seminar tugas akhir
Renny Elfira Wulansari 1310100022
pembimbing Dr. Suhartono, S.Si, M.Sc
Gedung H Lantai 2 Statistika FMIPA-ITS
Surabaya, 11 Juli 2014
agenda
Pendahuluan
Tinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
mencapai dan
menjaga
kestabilan nilai
rupiah
Peramalan netflow uang
kartal
latarbelakang
pendahuluan
Memantau netflowuang kartal
tujuan tunggal
ARIMAX (Dengan Efek Variasi Kalender)
ARIMAX (Dengan Efek Variasi Kalender)
ARIMAEkstrapolasi
Data
latarbelakang
pendahuluan
peramalan
belum baik
Belum menggambarkan pola
musiman data
Adanya hari raya idul fitri yang
nilai netflow uang kartalnya
cenderung sangat besar,
dengan kondisi terjadinya
yang tiap tahun bergesar
maju 11 hari.
latarbelakang
pendahuluan
Other
Research
meramalkan hasil penjualan salah satu
perusahaan retail per bulan khususnya pada
bulan dimana terdapat hari raya idul fitri
membandingkan hasil peramalan antara metode ARIMAX
dengan tren stokastik, ARIMAX dengan tren deterministik,
dekomposisi, ARIMA musiman (SARIMA), dan Artificial
Neural Network (ANN)
Suhartono et al(2010)
latarbelakang
pendahuluan
Other
Research
perbandingan proyeksi inflasi antara model
ekonometrika sederhana yaitu ARIMA,
Vector Autoregressive (VAR) model, dan
Bayesian Vector Autoregression model
dengan ANN
hasil proyeksi ANN lebih baik dibandingkan proyeksi
menggunakan model ekonometrika sederhana
Model Artificial Neural Network (ANN) merupakan salah satu teknik peramalan baru dalam
bidang ekonomi dan keuangan. Kelebihan dari model ini adalah model ini bebas dari asumsi
linieritas yang harus digunakan dalam metode ekonometrika tradisional seperti ARIMA
Moshiri dan Cameron(2000)
rumusanmasalah
Bagaimana karakteristik dari data netflow uang kartal Bank Indonesia?
Bagaimana model ARIMAX yang sesuai untuk memprediksi netflow uang kartal
Bank Indonesia?
Bagaimana model Radial Basis Function Network yang sesuai untuk memprediksi
netflow uang kartal Bank Indonesia?
Bagaimana perbandingan hasil prediksi netflow uang kartal Bank Indonesia dengan
menggunakan model ARIMAX dan model Radial Basis Function Network?
pendahuluan
Uang kartal adalah uang kertas dan uang logam rupiah yang dikeluarkan dan diedarkan oleh Bank Indonesia
Pembayaran tunai selain menggunakan uang kartal juga dapat denganmenggunakan cek. Dalam melakukan pembayaran dengan cekseseorang harus memiliki simpanan dalam bentuk rekening giro di suatu bank umum. Uang yang berada dalam rekening giro bank umum
ini disebutuang giral
uang
Uang GiralUang
Kuasi
Uang Kartal di
Masyarakat
Giro Masyarakat
Uang Kartal di BI
Giro Bank Umum
SBI
M2
M1
M0
uang
Selisih antara outflow dan inflow disebut
netflowoutflow > inflow maka selisihnya disebut net
outflowoutflow < inflow maka selisihnya disebut net inflow
uang
outflow
inflow
Netflow
Fungsi transfer merupakan metode peramalan nilai deret waktu 𝒁𝒕 yang
didasarkan nilai-nilai masa lalu deret itu sendiri serta pada satu atau lebih deret
waktu lain yang berhubungan dengan deret waktu 𝒁𝒕 tersebut (deret input 𝑿𝒕).
𝒁𝒕 = 𝒗 𝑩 𝑿𝒕 + 𝜼𝒕 dimana 𝒗 𝑩 =𝝎𝒔(𝑩)𝑩
𝒃
𝜹𝒓(𝑩)dan 𝜼𝒕 =
𝜽(𝑩)
𝝓(𝑩)𝜶𝒕
dengan,
𝒁𝒕 : deret output yang stasioner
𝑿𝒕 : deret input yang stasioner
𝜼𝒕 : deret noise𝝎𝒔 𝑩 = 𝝎𝟎 −𝝎𝟏𝑩 −𝝎𝟐𝑩
𝟐 −⋯−𝝎𝑺𝑩𝑺
𝜹𝒓 𝑩 = 𝟏 − 𝜹𝟏𝑩 − 𝜹𝟐𝑩𝟐 −⋯− 𝜹𝒓𝑩
𝒓
fungsitransfer
ARIMAX(Calendarvariationeffect)Model ARIMAX adalah model ARIMA dengan tambahan variabel. Terdapat beberapa
jenis tambahan variabel, misalnya variabel-variabel dummy untuk efek variasi kalender
dan tren deterministik.
Model ARIMAX dengan tren deterministik adalah sebagai berikut.
𝒁𝒕 = 𝒍𝒕 + 𝜷𝟏𝑽𝟏,𝒕 + 𝜷𝟐𝑽𝟐,𝒕 +⋯+ 𝜷𝒌𝑽𝒌,𝒕
+𝒎𝟏𝑺𝟏,𝒕 +𝒎𝟐𝑺𝟐,𝒕 +⋯+𝒎𝒌𝑺𝒌,𝒕 +𝜽𝒒(𝑩)
𝝓𝒑(𝑩)𝜶𝒕
(Suhartono et al, 2010)
trend
dummyefek variasikalender
dummy seasonal(bulan)
Residualyg di
modelkanARIMA
Mean Absolute Percentage Error (MAPE) merupakan salah satu kriteria
yang dapat digunakan dalam pemilihan model (Wei, 2006).
Perhitungan nilai MAPE adalah sebagai berikut:
𝑴𝑨𝑷𝑬 =𝟏
𝒏
𝒕=𝟏
𝒏𝒁𝒕 − 𝒁𝒕𝒁𝒕
𝒁𝒕 : nilai sesungguhnya 𝒁𝒕 : nilai peramalan
pemilihanmodelterbaik
RadialBasisFunctionNetwork(RBFN)
Komponen RBFN sama dengan ANN lainnya, yaitu memiliki neuron, fungsi aktivasi, dan bobot (weight).
Pemodelan RBFN dilihat pada bentuk jaringan yang terdiri dari jumlah neuron pada input layer, jumlah
neuron pada hidden layer, julah output pada output layer, serta fungsi aktivasi.
Pada tiap node di hidden layer RBFN menggunakan Radial Basic Function (RBF) yang dilambangkan
dengan 𝝓(𝒓). Fungsi aktivasi ini merupakan fungsi aktivasi nonlinier. Fungsi aktivasi yang biasa
digunakan dalam RBFN adalah fungsi Gaussian.
𝒁𝒕 = 𝑭 𝐱 =
𝒊=𝟎
𝒎𝟏
𝒘𝒊𝝋( 𝐱 − 𝐜𝐢 )
𝒊 : 0, … , m1
𝒚 𝐱 : output RBFN
𝒘𝒊 : bobot (weight)
𝒄𝐢 : center
||. || : Euclidean Norm
sumberdata
data
sekunder
metodologipenelitian
Data bulanan dengan periode bulan Januari
2004 hingga Desember 2013
Indeks Harga Konsumen dari Badan PusatStatistik Indonesia
Netflow uang kartal dan Kurs didapat dari
Bank Indonesia
variabelpenelitian
Netflow Uang Kartal -> Variabel Respon
Indeks Harga Konsumen -> Variabel Prediktor (X1)
Nilai tukar rupiah per satuan dollar AS (rupiah) -> Variabel
Prediktor (X2)
metodologipenelitian
langkahanalisis
Menganalisa karakteristik dari data netflow uang kartal
Pemodelan ARIMAX (Akan dibentuk 3 model ARIMAX)
Pemodelan RBFN (Radial Basis Neural Network)
Membandingkan hasil proyeksi antara model ARIMAX dan RBFN
berdasarkan nilai RMSE hasil proyeksi
Menarik kesimpulan
metodologipenelitian
karakteristiknetflowuangkartal
analisisdanpembahasan
statistikadeskriptifnetflowuangkartal
Tahun Minimum Maksimum Rata-RataDeviasi
Standar
2005 -29.295 29.360 1.498 13.251
2006 -13.451 24.753 2.809 10.189
2007 -19.837 30.302 3.518 11.752
2008 -37.426 44.713 3.634 21.118
2009 -27.505 29.443 1.220 17.134
2010 -20.911 28.686 3.296 13.015
2011 -55.421 65.421 4.533 29.007
2012 -27.723 47.110 5.562 19.980
2013 -44.857 59.067 4.427 30.049
Total -55.421 65.421 3.388 18.388
Year
Month
201320122011201020092008200720062005
JanJanJanJanJanJanJanJanJan
75000
50000
25000
0
-25000
-50000
Ne
tflo
w U
an
g K
art
al (M
ilya
r R
up
iah
)
0
12
1110
9
8
7
65
4
3
2
1
12
11
10
9
8
7
6
543
2
1
12
1110
9
8
765
4
32
1
12
11
10
9
8
765
4
32
1
12
11
10
9
87
6
54
3
2
1
12
11
10
9
87
6
543
2
1
12
11
10
9
87
65
43
2
1
12
11
10
9
8
76
54
3
21
12
11
10
98
765432
1
karakteristiknetflowuangkartal
Ket:
t-1 hari raya
hari raya (t)
M ke 1 & 2
hari raya (t)
M ke 3 & 4
t+1 hari raya
M ke-1 M ke-4 M ke-2 M ke-1 M ke-4 M ke-2M ke-4 M ke-3 M ke-2
hasilanalisa
karakteristiknetflowuangkartal
netflowtertinggidanterendah
Tahun Netflow Terendah Netflow Tertinggi Terjadinya Hari Raya
2005 Januari, Nopember Oktober, Desember Minggu Ke-1 Nopember
2006 Januari, Nopember Oktober, Desember Minggu Ke-4 Oktober
2007 Januari, Nopember September, Desember Minggu Ke-2 Oktober
2008 Januari, Oktober September, Desember Minggu Ke-1 Oktober
2009 Januari, Oktober September, Desember Minggu Ke-4 September
2010 Januari, September Agustus, Desember Minggu Ke-2 September
2011 Januari, September Agustus, Desember Minggu Ke-4 Agustus
2012 Januari, September Agustus, Desember Minggu Ke-3 Agustus
2013 Januari, Agustus Juli, Desember Minggu Ke-2 Agustus
Bulan Januari merupakan bulan yang umumnya mengalami netflow yang
rendah dibanding bulan lain.
Bulan Desember merupakan bulan yang umumnya mengalami netflow yang
tinggi dibanding bulan lain.
Ketika Idul Fitri jatuh pada minggu ke-1 atau minggu ke-2,
netflow terendah -> bulan terjadinya Idul Fitri
netflow tertinggi -> satu bulan sebelum terjadinya Idul Fitri
Ketika Idul Fitri jatuh pada minggu ke-3 atau minggu ke-4,
netflow terendah -> satu bulan setelah terjadinya Idul Fitri
netflow tertinggi -> bulan terjadinya Idul Fitri
boxcoxplot
karakteristiknetflowuangkartal
ACFdanPACF
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
543210-1-2
35000
30000
25000
20000
15000
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0.96
Lower CL 0.50
Upper CL 1.45
Rounded Value 1.00
(using 95.0% confidence)
Lambda
ADFtest
DF=5,599 dengan p-value=0,01
Stasioner
dlm Mean
Stasioner
dlm varian
ujisignifikansiARIMAXAR(1) setelahbackwardelimination
peramalanARIMAX(variasikalender)
Parameter Estimasi Std. Error t p-value
Φ1 -0,546 0,100 -5,49 <,0001
V1,t -37464,600 4960,100 -7,55 <,0001
V1,t-1 49947,300 5249,700 9,51 <,0001
V2,t-1 21666,400 4711,300 4,60 <,0001
V3,t-1 15105,600 6304,800 2,40 0,0189
V4,t 42236,700 4157,600 10,16 <,0001
V4,t+1 -28998,600 4132,400 -7,02 <,0001
Parameter Estimasi Std. Error t p-value
S1,t -20850,700 2592,000 -8,04 <,0001
S2,t -9280,300 2573,100 -3,61 0,0005
S6,t 9189,100 2387,400 3,85 0,0002
S9,t -9905,100 2932,600 -3,38 0,0011
S10,t -7690,400 2846,000 -2,70 0,0084
S12,t 25844,400 2666,500 9,69 <,0001
t 53,442 12,527 4,27 <,0001
Belum
Normal
peramalanARIMAX(variasikalender)
ujiwhitenoise
ujikenormalan
Sampai
LagChi-Square
Derajat Bebas
(df )p-value
6 14,21 11 0,222
12 15,64 17 0,549
18 17,63 23 0,777
24 24,21 29 0,719
36 27,77 35 0,803
KS=0,127 dengan p-value <0,01
t
t
aB
tZ
)546,01(
1S4,25844
S4,7690S1,9905S1,9189
S3,9280S7,20850V6,28998
V7,42236V6,15105V4,21666
V3,49947V6,3746444,53
t12,
t10,t9,t6,
t2,t1,1t4,
t4,1t3,1-t2,
1t1,t1,
boxcoxplotIHK
peramalanfungsitransfer(variabelprediktorIHK)
ACFdanPACFsetelahdifferencing
ujisignifikansiARIMA(1,1,1)
5.02.50.0-2.5-5.0
1.0
0.9
0.8
0.7
0.6
0.5
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 2.11
Lower CL 0.99
Upper CL 3.43
Rounded Value 2.00
(using 95.0% confidence)
Lambda
ADFtest
DF=-3,072 dengan p-value=0,1335
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
Parameter Estimasi Std. Error t p-value
ϕ1 0,98538 0,02559 38,51 <,0001
θ1 0,87101 0,06661 13,08 <,0001
ujiwhitenoiseSampai Lag Chi-Square Derajat Bebas (df ) p-value
6 3,22 4 0,5215
12 9,99 10 0,4416
18 11,22 16 0,7955
24 13,72 22 0,9112
Belum
Stasioner
dlm Mean
Stasioner
dlm varian
crosscorrelationfunction
peramalanfungsitransfer(variabelprediktorIHK)
ujisignifikansib,r,s(1,0,0)
t=-2,38 dengan t0,025;95=2,28
ujiwhitenoise
ACFdanPACFresidual
Sampai
LagChi-Square Derajat Bebas (df ) p-value
6 38,11 6 <,0001
12 87,31 12 <,0001
18 109,98 18 <,0001
24 126,37 24 <,0001
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
ujiwhitenoiseakhir
ujikenormalan
KS=0,115 dengan p-value <0,01
peramalanfungsitransfer(variabelprediktorIHK)
ujisignifikansib,r,s(1,0,0)dengannoiseARIMA(3,0,0)(1,0,0)12
Parameter Estimasi Std. Error t p-value
ϕ1 -1,21827 0,0978 -12,46 <,0001
ϕ2 -0,94660 0,1275 -7,42 <,0001
ϕ3 -0,42696 0,0969 -4,41 <,0001
ϕ12 0,77290 0,0854 9,05 <,0001
𝜔0 -1114,9 544,0290 -2,85 0,0434
Belum
Normal
t
t
aB
tZ
)546,01(
1S4,25844S4,7690S1,9905S1,9189S3,9280S7,20850
V6,28998V7,42236V6,15105V4,21666V3,49947V6,3746444,53
t12,t10,t9,t6,t2,t1,
1t4,t4,1t3,1-t2,1t1,t1,
boxcoxplotkurs
peramalanfungsitransfer(variabelprediktorkurs)
ACFdanPACFsetelahdifferencing
ujisignifikansiARIMA(0,1,[3])
ADFtest
DF=-2,92 dengan p-value=0,1963
ujiwhitenoise5.02.50.0-2.5-5.0
180
170
160
150
140
130
120
110
Lambda
StD
ev
Estimate -5.00
Lower CL *
Upper CL *
Rounded Value -5.00
(using 95.0% confidence)
Lambda
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
9080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
Parameter Estimasi Std. Error t t0,025;95 p-value
θ3 -0,25873 0,09968 -2,60 2,277 <,0001
Sampai Lag Chi-Square Derajat Bebas (df ) 𝝌𝟎,𝟎𝟓;𝒅𝒇𝟐 p-value
6 3,87 5 9,49 0,5677
12 10,50 11 18,31 0,4860
18 17,82 17 26,30 0,4003
24 19,82 23 33,92 0,6528
Stasioner
dlm varian
Belum
Stasioner
dlm Mean
peramalanfungsitransfer(variabelprediktorkurs)
crosscorrelationfunction
Tidak ada b,r,s yang signifikan
ujisignifikansiIHKdankurs
peramalanfungsitransfermulti-input(variabelprediktorIHKdankurs)
Model dengan prediktor IHK: ARIMA(1,1,1) dengan b,r,s (1,1,1)
Model dengan prediktor kurs: ARIMA(0,1,[3])
Variabel Parameter Estimasi Std.Error t t0,025;94 p-value
IHK 𝜔0 -6562,9 2746,1 -2,39 2,278 0,0189
Kurs 𝜔0 11,29655 9,58827 1,18 2,278 0,2418
parameter yang signifikan hanya variabel IHK,
variabel kurs parameternya tidak signifikan
Maka variabel kurs ini harus dihilangkan dalam
model.
Ketika variabel kurs dihilangkan dari dalam
model otomatis model yang terbentuk akan
sama dengan model pada sub bab
sebelumnya yaitu model fungsi transfer
univariat antara netflow uang kartal dan IHK
ujisignifikansiARIMAXgabdenganIHKb,r,s(2,[1,3],0)deretnoiseARIMA(1,0,0)
peramalanARIMAXgabungan(variasikalenderdanIHK)
Lihat CCFDengan system trial error Cari b,r,s yang signifikan
ujiwhitenoise
Parameter EstimasiStd.
ErrorT
p-
value
Φ1 -0,64 0,10 -6,66 <,0001
𝝎𝟎 -1494,70 715,92 -2,09 0,0402
𝝎𝟏 -2364,90 922,10 -2,56 0,0123
𝝎𝟑 836,10 395,20 2,12 0,0377
V1,t -37564,60 4738,30 -7,93 <,0001
V1,t-1 47929,70 4778,40 10,03 <,0001
V2,t-1 22007,90 4292,70 5,13 <,0001
V3,t-1 18349,80 5560,50 3,30 0,0015
V4,t 42223,00 3841,70 10,99 <,0001
V4,t+1 -28833,50 3771,50 -7,65 <,0001
Sampai
Lag
Chi-
Square
Derajat
Bebas (df )
p-
value
6 3,10 5 0,6838
12 6,20 11 0,8595
18 6,92 17 0,9845
24 16,70 23 0,8239
ujikenormalan
KS=0,104 dengan p-value 0,017
Belum
Normal
Parameter EstimasiStd.
Errort
p-
value
S1,t -24967,80 2641,30 -9,45 <,0001
S2,t -12040,10 2732,10 -4,41 <,0001
S6,t 6275,60 2343,80 2,68 0,0091
S9,t -9918,60 2752,00 -3,60 0,0006
S10,t -9309,50 2653,40 -3,51 0,0008
S12,t 25553,60 2668,60 9,58 <,0001
peramalanARIMAXgabungan(variasikalenderdanIHK)
ujisignifikansiARIMAXgabdenganoutlier
Parameter Estimasi Std. Error tp-
value
Φ1 -0,70 0,09 -7,79 <,0001
𝝎𝟎 -1341,40 578,90 -2,32 0,0234
𝝎𝟏 -2464,40 748,53 -3,29 0,0016
𝝎𝟑 1097,30 318,38 3,45 0,001
V1,t -37464,40 3853,20 -9,72 <,0001
V1,t-1 45752,00 3871,60 11,82 <,0001
V2,t-1 21145,50 3452,60 6,12 <,0001
V3,t-1 20664,50 4422,40 4,67 <,0001
V4,t 43736,40 3895,80 11,23 <,0001
V4,t+1 -21202,80 3642,20 -5,82 <,0001
Parameter Estimasi Std. Error tp-
value
S1,t -23507,10 2187,10 -10,75 <,0001
S2,t -12018,40 2230,20 -5,39 <,0001
S6,t 6369,10 1886,00 3,38 0,0012
S9,t -7215,00 2375,40 -3,04 0,0033
S10,t -8237,40 2285,70 -3,60 0,0006
S12,t 23765,40 2319,00 10,25 <,0001
ώA,T =79 18133,00 4807,80 3,77 0,0003
ώA,T =22 -17059,70 5803,30 -2,94 0,0044
ώA,T =96 15032,50 5632,00 2,67 0,0094
ώA,T =81 -18472,90 5770,90 -3,20 0,002
ujiwhitenoise
peramalanARIMAXgabungan(variasikalenderdanIHK)
KS=0,081 dengan p-value 0,144
ujikenormalan
Sampai
Lag
Chi-
Square
Derajat Bebas
(df )𝝌𝟎,𝟎𝟓;𝒅𝒇𝟐 p-value
6 3,29 5 11,07 0,6559
12 11,16 11 19,68 0,4300
18 13,29 17 27,59 0,7167
24 24,86 23 35,17 0,3575
Normal
)7,01(3,10974,24644,1341
I9,18472I5,15032I7,17059
I18113S4,237658237,4S
S7215S1,6369S4,12018S1,23507
V8,21202V4,43736V5,20664
V5,21145V45752V4,37464
5,13,12,1
(81)(96))22(
(79)t12,t10,
t9,t6,t2,t1,
1t4,t4,1t3,
1-t2,1t1,t1,
B
aXXX
Z
tttt
ttt
t
t
peramalanRBFN
hasillearningRBFN
Metode MAPE
RBFN
ARIMAX
27-01-01 1,382838
27-02-01 1,001365
27-03-01 1,310946
27-04-01 1,348178
27-05-01 1,213556 Metode MAPE
RBFN
Fs. Transfer
(variabel
prediktor
IHK)
19-01-01 0,878536
19-02-01 0,980279
19-03-01 0,998905
19-04-01 1,056502
19-05-01 1,021315
Metode MAPE
RBFN
ARIMAX
Gabungan
32-1-1 1,345269
32-2-1 1,341687
32-3-1 1,185833
32-4-1 1,352855
32-5-1 1,159361
peramalanRBFN
contohperhitunganperamalanRBFN
Misal RBFN inputFs. Transfer (19-2-1)
)(44682.43)(43556,42--2779,52
)()()(
21
22110
xF
Dengan,
2
2
2
2
2
2
2
2
21
21616
21
21515
21
22,12,1
21
21,11,1
1
)13326.72(2
||98,87955421||
)13326.72(2
||2,216335,128||
...)13326.72(2
||06,9976,134||
)13326.72(2
||66,9949,135||
exp(
2
||ZZ||
2
||ZZ||
...2
||XX||
2
||XX||
exp()(
tttt
tttt
2
2
2
2
2
2
2
2
21
21616
21
21515
21
22,12,1
21
21,11,1
2
)98,25422(2
||21,456155421||
)98,25422(2
||745,304635,128||...
)98,25422(2
||59,12176,134||
)98,25422(2
||09,12249,135||exp(
2
||ZZ||
2
||ZZ||...
2
||XX||
2
||XX||exp()(
tttttttt
perbandinganARIMAXdenganRBFN
hasilforecasting
RMSE
Model Bulan Ramalan Bulan Ramalan
ARIMAX
Gabungan
Dengan
Outlier
1 -22510.62 7 24782.97
2 -7371.67 8 4163.35
3 2470.51 9 -3398.04
4 5068.11 10 -4157.7
5 3295.18 11 3917.12
6 10729.77 12 27816.93
BerdasarkanmodelARIMAXGabungan,denganharirayaidulfitri
jatuhpadamingguke-2bulanAgustusditahun2013didapat:
Netflowyangturundrastisdarisatubulansebelumterjadinyaidulfitri
kebulanterjadinyaidulfitriyaituAgustus(bulan8)
Netflow yangterusmenurundarisatubulansebelumidulfitri,kebulanidulfitri,
kemudiansatubulansetelahidulfitri.
NetflowyangtinggipadasatubulansebelumterjadinyaidulfitriyaituJuli (bulan7)
BulanJanuari2013mengalaminet inflowyangsangattinggi
netoutflowyangtinggiselainpadabulanJuliadalahpadabulanDesember
Metode MAPE
ARIMAX (Variasi Kalender) 0,8422
Fs. Transfer (IHK) 1,3818
ARIMAX Gabungan
Dengan Outlier0,7577
RBFN ARIMAX (27-2-1) 1,0014
RBFN Fs. Transfer (19-1-1) 0,8785
RBFN ARIMAX Gabungan
(32-5-1)1,1594
pemecahanmodelARIMAXgabunganpemecahan berdasarkan bulan
yang akan diramalkan nilai netflow nya
sedang untuk Maret, April, Mei,juli, Agustus, dan November
1(81)
1
(96)1
(22)1
(79)1
(81)t
(96)t
(22)t
(79)t6,1
4,13,11-t12,1-t10,
1-t9,1-t6,1-t2,1-t1,
t4,1-t4,2t3,2-t2,
2t1,1-t1,5,1
3,12,1t12,t10,
t9,t6,t2,t1,
1t4,t4,1t3,
1-t2,1t1,t1,
7,0I 12931
I 8,10522I 8,19411I 1,12693I 9,18472
I 5,15032I 17059,7I 18133 1,768
1,1725 939S 8,16635S 2,5766
S 5,5050S 4,4458S 9,8412S 16455
V 14842V 5,30615V 2,14465V 8,14801
V 4,32026V 1,26225 3,1097
4,2464 4,1341S 4,23765S 4,8237
S 7215S 1,6369S 4,12018S 1,23507
V 8,21202V 4,43736V 5,20664
V 5,21145V 45752V 4,37464ˆ
tt
ttt
t
tt
t
tt
t
Z
X
XX
X
XX
Z
16,14,13,1
5,13,12,1
7,0 1,768 1,1725 939
3,1097 4,2464 4,1341ˆ
tttt
tttt
ZXXX
XXXZ
16,14,13,1
5,13,12,1
16,14,13,1
5,13,12,1
16,14,13,1
5,13,12,1
16,14,13,1
5,13,12,1
16,14,13,1
5,13,12,1
16,14,13,1
5,13,12,1
7,0 1,768 1,1725 939
3,1097 4,2464 4,134123765,4ˆ (Des)
7,0 1,768 1,1725 939
3,1097 4,2464 4,13419,13287ˆ (Okt)
7,0 1,768 1,1725 939
3,1097 4,2464 4,13417215ˆ (Sept)
7,0 1,768 1,1725 939
3,1097 4,2464 4,13411,6369ˆ (Jun)
7,0 1,768 1,1725 939
3,1097 4,2464 4,13414,28473ˆ (Feb)
7,0 1,768 1,1725 939
3,1097 4,2464 4,13413,6871ˆ (Jan)
tttt
tttt
tttt
tttt
tttt
tttt
tttt
tttt
tttt
tttt
tttt
tttt
ZXXX
XXXZ
ZXXX
XXXZ
ZXXX
XXXZ
ZXXX
XXXZ
ZXXX
XXXZ
ZXXX
XXXZ
pemecahanmodelARIMAXgabunganPenambahan/pengurangan nilai netflow
akibat pengaruh idul fitri
Untuk bulan yang merupakan satu
bulan sebelum idul fitri persamaan
dalam bulan tersebut,
Mengalami penambahan netflowsebesar 19.526 milyar rupiah jika
idul fitri terjadi pada minggu ke-1.
Mengalami penambahan nilai
netflow sebesar 21.145,5 milyar
rupiah jika idul fitri terjadi pada
minggu ke-2.
Mengalami penambahan nilai
netflow sebesar 20.664,5 milyar
rupiah jika idul fitri terjadi pada
minggu ke-3.
Tidak mengalami penambahan
maupun pengurangan nilai netflowjika idul fitri terjadi pada minggu ke-
4.
Untuk bulan dimana terjadi idul fitri
persamaan dalam bulan tersebut,
Mengalami penurunan netflowsebesar 37.464,4 milyar rupiah jika
idul fitri terjadi pada minggu ke-1.
Tidak mengalami penambahan
maupun pengurangan nilai
netflow jika idul fitri terjadi pada
minggu ke-2 atau minggu ke-3.
Mengalami penambahan nilai
netflow sebesar 28.894,4 milyar
rupiah jika idul fitri terjadi pada
minggu ke-4.
Dan untuk bulan yang merupakan satu bulan setelah idul
fitri
persamaan dalam bulan tersebut mengalami
pengurangan sebesar 21.202,8 milyar rupiah jika jika
idul fitri pada tahun tersebut terjadi pada minggu ke-4.
Sedangkan jika terjadi pada minggu ke-1, ke-2, dan ke-
3, persamaan untuk satu bulan setelah idul fitri tersebut
tidak mengalami penambahan maupun pengurangan
netflow.
Jika akan meramalkan bulan yang merupakan dua bulan
sebelum idul fitri (t-2) maka persamaan,
Mengalami penambahan netflow sebesar 32.026,4
milyar rupiah jika idul fitri terjadi pada minggu ke-1.
Mengalami penambahan nilai netflow sebesar 14.801,8
milyar rupiah jika idul fitri terjadi pada minggu ke-2.
Mengalami penambahan nilai netflow sebesar 14.465,2
milyar rupiah jika idul fitri terjadi pada minggu ke-3.
Tidak mengalami penambahan maupun pengurangan
nilai netflow jika idul fitri terjadi pada minggu ke-4.
tZ
Actual VSforecastingActual vsARIMAX (Variasi Kalender)
vsRBFN ARIMAX (27-2-1)
Actual vsARIMAX Gabungandengan Outlier vsRBFN ARIMAX Gabungan (32-5-1)
Actual vs Fs. Transfer (IHK) vsRBFN Fs. Transfer (19-1-1)
121110987654321
50000
25000
0
-25000
-50000
0
Actual
ARIMAX
RBFN ARIMAX
Variable 12
1110
9
8
7
65
4
3
2
1
12
11
109
8
7
6
54
32
1
12
1110
9
8
7
65
4
3
21
121110987654321
50000
25000
0
-25000
-50000
0
Actual
Fs. Transfer
RBFN Fs.Transfer
Variable 12
1110
9
8
7
65
4
3
2
1
12
11
10
9
8
7
6
5
43
2
1
1211109
876
54321
121110987654321
50000
25000
0
-25000
-50000
Index
Data
0
Actual
ARIMAX Gab
RBFN ARIMAX Gab
Variable 12
1110
9
8
7
65
4
3
2
1
12
11
109
8
7
6
543
2
1
1211
109
87
65
43
2
1
kesimpulandansaran
Model ARIMAX (ARIMA dengan tambahan efek variasi kalender) yang sesuai untuk meramalkan netflow uang kartal adalah ARIMAX
(1,0,0) dengan variabel signifikan V1,t , V1,t-1 , V2,t-1 , V3,t-1 , V4,t ,V4,t+1 untuk variabel dummy efek variasi kalendernya dan S1,t , S2,t , S6,t , S9,t ,
S10,t , S12,t untuk dummy bulan-nya. Variabel t yang menangkap tren kenaikan data juga signifikan.
Model fungsi transfer yang sesuai untuk meramalkan netflow uang kartal dengan variabel prediktor IHK adalah prewhitening menggunakan ARIMA(1,1,1) dengan b, r, s (1,0,0) dan
model deret noise ARIMA(3,0,0)(1,0,0)12
Variabel kurs tidak memiliki pengaruh yang signifikan pada netflow uang kartal secara univariat. Setelah dilakukan fungsi transfer multi-input antara netflow uang kartal dengan IHK
dan kurs didapatkan hasil yang sama bahwa hanya variabel IHK yang berpengaruh signifikan terhadap netflow uang kartal sedangkan variabel kurs tidak
Karena efek variasi kalender dan variabel prediktor IHK berpengaruh pada netflow uang kartal maka dibentuk model ARIMAX gabungan untuk meramalkan netflow uang kartal. Model
ARIMAX gabungan yang sesuai untuk meramalkan netflow uang kartal adalah model dengan variabel signifikan V1,t , V1,t-1 , V2,t-1 , V3,t-1 , V4,t , V4,t+1 untuk variabel dummy efek variasi
kalendernya dan S1,t , S2,t , S6,t , S9,t , S10,t , S12,t untuk dummy bulan-nya. Variabel prediktor IHK juga signifikan dengan b, r, s (2,[1,3],0) dan model deret noise ARIMA (1,0,0).
Model terbaik yang didapat dalam learning RBFN dengan input ARIMAX (akibat efek variasi kalender) adalah model dengan 2 unit neuron dalam hidden layer (dengan kisaran jumlah neuronpada hidden layer antara 1 hingga 5).
kesimpulan
kesimpulandansaran
Model terbaik yang didapat dalam learning RBFN dengan input fungsi transfer (variabel IHK) adalah model
dengan 1 unit neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer antara 1 hingga 5).
Model terbaik yang didapat dalam learning RBFN dengan input ARIMAX gabungan adalah model dengan 5
unit neuron dalam hidden layer (dengan kisaran jumlah neuron pada hidden layer antara 1 hingga 5).
Berdasarkan hasil peramalan didapatkan hasil model ARIMAX gabungan antara efek variasi kalender dengan
variabel prediktor IHK sebagai model terbaik dibanding model lain dalam penelitian ini.
kesimpulan
saran
Untuk penelitian selanjutnya jumlah neuron dalam hidden layer yang dicoba pada learning
RBFN dapat diperbanyak karena mungkin saja bisa didapatkan hasil peramalan yang lebih
baik lagi
daftarpustaka (1)Aswi & Sukarna. (2006). Analisis Deret Waktu: Teory dan Aplikasi. Makassar: Andira Publisher.
Badan Pusat Statistik. (2014). Metodologi Inflasi. Retrieved from www.bps.go.id
Bank Indonesia. (2014). Fungsi Bank Indonesia. Retrieved from http://www.bi.go.id/id/tentang-bi/fungsi-bi/status/Contents/Default.aspx
Bank Indonesia. (2014). Fungsi Bank Indonesia. Retrieved from http://www.bi.go.id/id/tentang-bi/fungsi-bi/tujuan/Contents/Default.aspx
Cryer, J. &. (2008). Time Series Analysis with Application in R (2nd edition). New York: Springer Science+Business Media, LLC.
Daniel, W.W. (1986). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia Pustaka Utama.
Fausett, L. (1994). Fundamental of Neural Network: Architectures, Algorithm, and Applications. New Jersey: Prentice Hall Inc.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link).Yogyakarta: Graha Ilmu.
daftarpustaka (2)Moshiri, S & Cameron, N. (2000). Journal of Forecasting. Neural Network Versus Econometric Models in Forecasting Inflation, 201-217.
Sadono & Sukirno. (1998). Pengantar Teori Makroekonomi. Jakarta: PT Raja Grafindo Persada.
Solikin & Suseno. (2002). Uang: Pengertian, Penciptaan, dan Peranannya dalam Perekonomian. Jakarta: Bank Indonesia.
Suhartono, Lee, M. H, Hamzah, N.A. (2010). Proceedings of the Regional Conference on Statistical Sciences. Calendar Variation Model Based on Time Series Regression for Sales Forecast: The Ramadhan Effects, 30-41.
Swammy, M.N.S. (2006). Neural Networks in a Softcomputing Framework. Germany: Springer Science and Business Media.
Walpole, R.E. (1995). Pengantar Statistika. Jakarta: PT. Gramedia Pustaka Utama.
Wei, W.W.S. (2006). Time Series Analysis, Univariate, and Multivariate Methods. Canada: Addison Wesley Publishing Company.