peramalan permintaan bahan bakar minyak jenis …
TRANSCRIPT
PERAMALAN PERMINTAAN BAHAN BAKAR MINYAK JENIS AVTUR DI TANJUNGPINANG DENGAN METODE
ARIMA DAN NEURAL NETWORK
Dwiky Nugraha1, Fauzia Dianawati2
1,2Departemen Teknik Industri Fakultas Teknik - Universitas Indonesia, Depok 16424
Tel: (021) 78888805. Fax: (021) 78885656
[email protected],[email protected],
Abstrak
Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini. Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Hasil dari penelitian ini dapat digunakan sebagai data awal untuk membuat kebijakan mengenai pengendalian avtur di bandara Raja Haji Fisabilillah.
FORECASTING DEMAND OF AVTUR IN TANJUNGPINANG WITH ARIMA METHOD AND NEURAL NETWORK
Abstract
The growing of air transport, the economy and the facilities in the local area resulted in
an increase of aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have initial data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don’t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method. ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non-linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. Therefore, the result of this study can be used as initial data to make policy regarding control of aviation fuel at the Raja Haji Fisabilillah airport.
Keywords: ARIMA; Avtur; Forecasting; Neural Network; Tanjungpinang.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
Pendahuluan
Indonesia merupakan salah satu negara terbesar dunia dengan penduduk
keempat terbanyak didunia dan berada pada lokasi geografi yang strategis dengan
keberadaan global yang kuat. Dengan jumlah penduduk Indonesia yang berkisar
255 juta jiwa penduduk dan Badan Pusat Statistik (BPS) Indonesia
memproyeksikan pada tahun 2020 Indonesia memiliki sekitar 271 juta jiwa
penduduk yang diproyeksikan dari pertumbuhan penduduk Indonesia antara tahun
2010 sampai tahun 2014 sebesar 1,4 memiliki potensi global yang baik. Potensi
global yang baik ini harus didukung dengan mobilitas dan fleksibilitas dari para
pelaku kerja yang tinggi. Dan sektor transportasi merupakan salah satu faktor
yang penting dalam menunjang potensi global suatu negara.
Perkembangan industri transportasi udara di Indonesia secara umum
mengalami perkembangan yang cukup baik, hal ini dapat dilihat dari banyaknya
perusahaan atau maskapai penerbangan yang melayani jasa penerbangan ke
berbagai daerah baik dalam negeri maupun luar negeri. Perkembangan industri
transportasi udara yang cukup baik ini tidak terlepas dari peningkatan jumlah
pengguna jasa transportasi udara, baik penggunaan untuk kepentingan pariwisata,
kepentingan bisnis, menemui keluarga atau teman dan kepentingan-kepentingan
lainnya.
Lalu lintas udara yang padat harus ditopang dengan pelayanan pesawat yang
tinggi, salah satunya adalah pelayanan pengisian bahan bakar pesawat sebagai
sumber energi yang dibutuhkan pesawat. Bahan bakar yang dipakai oleh pesawat
terbang adalah avtur (aviation turbine). Untuk memaksimalkan pelayanan
pengisian bahan bakar pesawat terbang, maka perusahaan penyedia jasa avtur
harus mulai memikirkan perencanaan avtur secara jangka panjang. Karena dengan
naiknya tren penggunaan transportasi udara, maka akan berpengaruh terhadap
permintaan avtur sebagai bahan bakar pesawat terbang.
Dalam hal pemasaran dan penyediaan bahan bakar penerbangan dan bensin
penerbangan di Indonesia, semuanya ditangani oleh Pertamina Aviation. Saat ini
Pertamina Aviation melayani kegiatan pengisian bahan bakar pesawat udara di 56
depot pengisian pesawat udara (DPPU) di seluruh wilayah Indonesia dan Timor
Leste. Pertamina Aviation ingin terus memperbaiki fasilitas dan pelayanan yang
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
dimilikinya dalam melayani kebutuhan Indonesia, baik DPPU yang memiliki
keuntungan yang tinggi maupun tidak. Hal ini membuat Pertamina Aviation terus
mimikirkan cara dalam memberikan pelayanan maksimal yang diimbangi dengan
penghematan biaya operasional maupun investasi pada DPPU yang memiliki
penjualan avtur yang rendah dan belum memiliki fasilitas yang memadai dan
sesuai standar. Salah satu DPPU tersebut adalah DPPU bandara Raja Haji
Fisabilillah di Tanjungpinang.
Saat ini Pertamina Aviation sedang ingin memperbaiki infrastruktur DPPU
untuk terus meningkatkan dan mengurangi resiko yang terjadi dalam
pengoperasian. Tetapi, dalam perencanaannya Pertamina Aviation belum
memiliki data awal untuk menentukan suatu kebijakan. Salah satu data awal yang
diperlukan adalah potensi pasar dan peramalan permintaan dari avtur untuk
mengetahui apakah DPPU tersebut layak untuk diinvestasikan dan jenis
infrastruktur yang diinvestasikan, untuk mengurangi kerugian dan resiko. Dengan
dilakukannya penelitian ini, tujuan dari penelitian ini adalah untuk mendapatkan
peramalan permintaan avtur pada DPPU Bandara Raja Haji Fisabilillah. Yang
nantinya akan dipakai sebagai data awal untuk menentukan sebuah kebijakan.
Tinjauan Teoritis A. Metode ARIMA
ARIMA (Autoregressive Integrated Moving Average) merupakan salah satu
teknik peramalan dengan pendekatan deret waktu yang menggunakan teknik
korelasi antar suatu deret waktu. Model ini ada karena secara statistik ada korelasi
antar deret pengamatan. Untuk mengetahui adanya dependensi antar pengamatan,
dapat dilakukan uji korelasi antar pengamatan yang biasa dikenal dengan fungsi
autokorelasi.
Model ARIMA terdiri dari tiga proses yaitu autoregressive, integrated, dan
moving average yang dinotasikan sebagai ARIMA (p, d, q). Ordo p menunjukkan
adanya proses autoregressive pada model, ordo d menunjukkan adanya proses
integrated pada model, dan ordo q menunjukkan adanya proses moving average
pada model.
Dalam ARIMA ada tiga proses penting mulai dari identifikasi korelasi,
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
menentukan parameter model dan cek diagnosis model, hingga tahap terakhir
yaitu melakukan peramalan (Montgomery dan Johnson, 1998: 190).
1. Identifikasi model (identification model)
2. Estimasi parameter dan validasi data (estimation parameter and diagnostic
checking)
3. Peramalan (forecasting)
Pada metode ARIMA memiliki tiga proses penting, yaitu:
• Proses Autoregressive
Autoregressive adalah sebuah pengembangan regresi linear sederhana.
Model autoregressive dengan ordo p (AR(p)) dinyatakan dalam ARIMA
(p,0,0). Untuk model ARIMA dengan orde p sama dengan 1 atau AR(1)
dinyatakan sebagai berikut:
!! = !! + !!!!!! + !! (2.1)
• Proses Moving Average
Proses ini memiliki kemiripan dengan metode exponential smoothing.
Model ini merupakan estimasi pertimbangan pola residual data beberapa
periode lampau. Model moving average dengan ordo q (MA(q)) dinyatakan
dalam ARIMA (0,0,q). Untuk model ARIMA dengan orde q sama dengan 1
atau MA (1) dinyatakan sebagai berikut:
!! = ! − !!!!!! + !! (2.2)
• Proses Integrated
Proses integrated merupakan proses yang tidak stasioner. Proses ini
melibatkan random walks dan tren. Jika suatu deret adalah sebuah random
walk, maka nilai dari permintaan aktual periode sebelumnya adalah prediktor
terbaik. Proses integrated dapat dinyatakan dalam sebuah model
ARIMA(0,1,0) yang berupa model random walk.
!! = !!!! + !! (2.3)
Apabila nonstasioneritas ditambahkan pada proses ARMA, model umum
dari ARIMA (p,d,q) akan terpenuhi. Selain dari itu, didalam proses ini juga ada
yang disebut dengan proses deterministic trend atau yang lebih dikenal dengan
ARIMA (0,1,0)1. Angka 1 yang kedua pada notasi ARIMA digunakan apabila
nilai d > 0 (adanya proses differencing yang dilakukan) untuk menunjukkan
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
bahwa deret tersebut memiliki sebuah tren deterministic. Model ini dapat
dinyatakan dengan:
!! = !!!! + !! + !! (2.4)
B. Metode Jaringan Saraf Tiruan (Artificial Neural Network)
Artificial neural network (ANN) atau jaringan saraf tiruan adalah sebuah
model matematis yang menyerupai cara kerja otak biologis seperti neuron yang
ada di dalam otak kita. Jaringan saraf tiruan merupakan metode yang fleksibel
untuk memodelkan sebuah data yang memiliki pola yang bersifat non linear.
Neural network terbentuk dari unit-unit proses sederhana yang terhubung antar
unit dan membentuk struktur yang mampu untuk mempelajari hubungan diantara
variabel-variabel. Unit-unit ini berupa inti syaraf, hubungan antara inti syaraf,
dan aturan-aturan pembelajaran. Pembobotan diberikan di tiap hubungan
menurut aturan pembelajaran tertentu. Hasil dari proses pembelajaran dalam
jaringan tersimpan dalam bentuk bobot tiap hubungan antar inti syaraf.
Keunggulan dari metode jaringan saraf tiruan ini berasal dari cara metode ini
memproses setiap informasi data yang bersifat paralel. Metode ini tidak
membutuhkan asumsi dari data yang lebih dahulu muncul dalam melakukan
pembuatan model, namun hanya melihat secara luas bagaimana karakteristik dari
data tersebut (Zhang, 2003).
Arsitektur jaringan saraf adalah susunan dari neuron kedalam layer dan
hubungan yang terjadi di dalam layer itu sendiri. Arsitektur jaringan saraf tediri
dari 3 macam bagian, yaitu unit input, hidden layer, dan unit output.
C. Metode Hybrid
Metode hybrid yang digunakan pada penelitian ini adalah penggabungan
dari metode ARIMA dan metode jaringan saraf tiruan, karena keduanya
memiliki keunggulan yang dapat saling melengkapi. Keunggulan metode
ARIMA adalah kemampuannya yang baik dalam mengestimasi data linear,
sedangkan keunggulan metode jaringan saraf adalah kemampuannya yang baik
dalam mengestimasi data nonlinear.
Dalam melakukan metode gabungan ini, diperlukan peramalan dari metode
ARIMA terlebih dahulu, yang kemudian residual dari metode ARIMA
diramalkan dengan menggunakan metode jaringan saraf. Hasilnya digabungkan
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
sehingga akan mendapatkan estimasi peramalan dengan metode hybrid. Tahapan
pengerjaan metode hybrid adalah sebagai berikut:
1. Menentukan model ARIMA dari data yang digunakan.
2. Menghitung nilai residual metode ARIMA
3. Menghitung prediksi nilai error dengan menggunakan metode jaringan
saraf tiruan
4. Menggabungkan nilai prediksi dengan menggunakan ARIMA dan nilai
prediksi error dengan menggunakan jaringan saraf.
D. Perhitungan Kesalahan Peramalan
Metode peramalan memberikan sebuah proyeksi masa depan berdasarkan dari
data masa lampau, sedangkan banyak kejadian tidak terduga bisa terjadi pada
masa yang akan datang, serta perubahan perubahan faktor yang tidak menentu.
Hal ini menyebabkan tingkat keberhasilan dan keakuratan dari peramalan harus
diukur dengan menghitung kesalahan peramalan. Hal ini sesuai dengan salah satu
prinsip peramalan dimana tidak ada peramalan yang akurat, dan peramalan
seharusnya menyertakan estimasi kesalahan.
Pada penelitian ini digunakan pengukuran kesalahan yang berupa Rata-rata
Persentase Kesalahan Mutlak (Mean Absolut Percent Error/MAPE). Mean
Absolut Percent Error adalah metode perhitungan kesalahan dalam peralaman
yang dihitung dengan mencari persentase kesalahan dari setiap periode peramalan
kemudian membaginya dengan jumlah data/periode yang digunakan. Secara
matematis, MAPE dapat dinyatakan dengan persamaan berikut:
!"#$ = (!!) !"!!"
!"!!!! (2.5)
Metode Penelitian a. Pengumpulan Data
Data yang digunakan pada penelitian ini adalah data permintaan avtur di
Tanjungpinang. Data didapatkan dari salah satu perusahaan penjual bahan bakar
minyak jenis avtur di daerah Tanjungpinang. Data yang didapat adalah data
permintaan harian avtur dalam satuan kilo liter dari tanggal 1 Januari 2015 sampai
dengan tanggal 26 Oktober 2016. Pada tahap pengumpulan data, data permintaan
harian diolah menjadi data permintaan mingguan sehingga didapatkan 95 periode
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
minggu. Berikut adalah grafik data mingguan permintaan avtur di Tanjungpinang
yang digunakan pada penelitian ini.
Gambar 1. Penjualan Avtur di Tanjungpinang
b. Pengolahan Data dengan Metode ARIMA
Tahap dalam pengolahan data menggunakan metode ARIMA terdiri dari tiga
tahapan proses, yaitu identifikasi model, estimasi parameter dari model dan
validasi (diagnostic checking) model dan diakhiri dengan tahapan peramalan.
Berikut adalah tahapan yang dilakukan pada metode ARIMA:
1. Identifikasi Model
Pada tahap ini akan dilakukan penentuan besaran ordo pada model ARIMA
(p, d, q). Identifikasi model diawali dengan membuat plot data time series untuk
melihat kestasioneran data. Dari plot data ini dapat dilihat apakah data yang ada
sudah bersifat stasioner atau belum, jika belum maka data harus dideferensiasikan
sampai data menjadi stasioner.
Dibutuhkanlah uji Kwiatkowski-Phillpis-Schimdt-Shin untuk mengetahui
apakah data bersifat stationer atau tidak. Dari uji tersebut dihasilkan uji statistik
sebesar 0.397, lebih kecil daripada nilai kritis alpha (0.05) yang digunakan yaitu
sebesar 0.463. Hal ini menunjukkan bahwa data tersebut bersifat stasioner.
Dikarenakan data tersebut sudah bersifat stasioner, maka data tersebut tidak perlu
dideferensiasikan lagi sehingga ordo diferensiasi yang digunakan sebesar 0.
Ordo autoregressive didapatkan dengan melihat plot nilai dari autokorelasi
parsial (PACF) dengan cara melihat dimana terjadinya lag yang terputus. Dari
0.00
50.00
100.00
150.00
200.00
250.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94
Sales (kl)
Minggu
Sales Avtur di DPPU RHF
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
hasil grafik PACF, dapat dilihat bahwa korelasi melewati garis selang
kepercayaan pada lag 1 tetapi terputus pada lag 2 sehingga diperkiraan model
sementara mengandung ordo autoregressive sebesar 1.
Ordo moving average didapatkan dengan melihat plot nilai dari autokorelasi
(ACF) pada dengan cara melihat dimana terjadinya lag yang terputus. Dari
gambar ACF, dapat dilihat bahwa garis korelasi melewati garis selang
kepercayaan pada lag 1 dan terus berlanjut sampai lag 5, lalu terputus pada lag 6
sehingga diperkirakan model sementara mengandung ordo moving average
sebesar 5.
Dari tahap identifikasi model ini, didapatkan bahwa model ARIMA dari
penjualan avtur di Tanjungpinang adalah ARIMA (1,0,5) dan model ARIMA
sementara yang didapat adalah sebagai berikut:
!! = !!!!!! + !!!!!! + !!!!!! + !!!!!! + !!!!!! + !!!!!! + !! (3.1)
2. Estimasi parameter model dan validasi model (diagnostic checking)
Perhitungan dibantu menggunakan perangkat lunak SPSS, dan didapatkan
parameter untuk persamaan ARIMA. Berdasarkan dari hasil perhitungan, dapat
dilihat bahwa sudah didapatkan besarnya koefisien untuk masing-masing
konstanta pada model ARIMA (1,0,5), sehingga didapatkan persamaan model
ARIMAnya adalah:
!! = 97.862− 0.17!!!! − 0.549!!!! − 0.225!!!! − 0.336!!!! −
0.224!!!! − 0.350!!!! (3.2)
Akan tetapi, jika dilihat dari hasil perhitungan, koefisien parameter untuk
autoregressive dan moving average memiliki niai signifikansi yang besar, yang
dapat menandakan masih diperlukan analisis lebih lanjut terhadap data tersebut.
Model harus diperiksa untuk menguji apakah model persamaan ARIMA
tersebut dapat digunakan sebagai model peramalan untuk data permintaan avtur di
Tanjungpinang. Pengujian yang digunakan adalah uji Ljung-Box untuk
mengetahui apakah ada korelasi antar residual. Karena seperti yang sudah
dijelaskan bahwa model ARIMA terdapat asumsi bahwa residual mengikuti
proses white noise, yaitu deret acak yang bersifat independen dan terdistribusi
secara normal.
Pengujian Ljung-Box dibantu dengan perangkat lunak dengan hipotesis awal
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
adalah tidak adanya korelasi residual antar lag, dan hipotesis alternatifnya adalah
terdapat korelasi residual antar lag.
Berdasarkan hasil Ljung-Box, dapat dilihat jika nilai signifikansi untuk uji
Ljung-Box sebesar 0.669. Yang berarti nilai signifikansi uji Ljung-Box lebih
besar daripada nilai alpha (0.05) yang digunakan, yang menandakan bahwa tidak
terdapat korelasi (independen) antar residual pada model tersebut.
Setelah melakukan uji untuk melihat korelasi antar residual, dilakukan uji
untuk melihat apakah distribusi residual model tersebut tersebar secara normal
atau tidak. Hal ini dapat dilihat dengan menganalisa grafik normal probability plot
dan histogram. Pada grafik normal probability plot dapat dilihat bahwa titik-titik
residual pada bagian awal sedikit menyimpang dari garis normal walaupun secara
keseluruhan menyebar secara merata pada garis lurus. Hal ini memperlihatkan
bahwa data residual pada model tersebut diperkirakan tersebar secara normal. Hal
ini juga dapat dilihat dari bentuk dari grafik histogram, dapat dilihat bahwa bentuk
dari histogram memperlihatkan tidak adanya skewness.
Setelah model sudah digunakan untuk melakukan peramalan permintaan,
didapatkan selisih antara nilai aktual dengan hasil dari nilai peramalan. Pada
penelitian ini digunakan analisa kesalahan MAPE untuk menghitung keakuratan
hasil dari peramalan. Dengan menggunakan bantuan perangkat lunak,
didapatkanlah hasil dari perhitungan MAPE model tersebut. Setelah itu dilakukan
perbandingan model ARIMA dengan ordo yang berbeda untuk menguji apakah
model ARIMA yang dipakai adalah model yang terbaik untuk peramalan
permintaan avtur di Tanjungpinang.
Tabel 1. Perbandingan Nilai Error Model ARIMA
No ARIMA Model MAPE 1 ARIMA (1,0,1) 16.00% 2 ARIMA (1,1,1) 16.69% 3 ARIMA (1,1,0) 18.29% 4 ARIMA (0,1,1) 16.88% 5 ARIMA (1,0,4) 16.12% 6 ARIMA (1,0,5) 15.08% 7 ARIMA (3,0,5) 15.23% 8 ARIMA (3,1,5) 15.93% 9 ARIMA (5,1,3) 16.45%
10 ARIMA (3,0,2) 15.28% 11 ARIMA (3,0,4) 15.83%
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
12 ARIMA (3,0,3) 15.30% Dari tabel 1, perbandingan error dari model ARIMA didapatkan bahwa
model yang memiliki MAPE terkecil adalah ARIMA (1,0,5) sebesar 15.08%.
Dengan demikian perkiraan bahwa ordo ARIMA (1,0,5) merupakan model
ARIMA yang terbaik adalah benar, dan dapat disimpulkan bahwa model ARIMA
(1,0,5) merupakan model ARIMA yang terbaik yang didapatkan dari data
permintaan avtur di Tanjungpinang.
c. Pengolahan Data dengan Metode SARIMA
Secara umum langkah-langkah yang digunakan mirip dengan metode
ARIMA biasa seperti identifikasi model, estimasi parameter model dan validasi
model, dan peramalan model. Perbedaan antara seasonal ARIMA dengan ARIMA
adalah harusnya menentukan ordo seasonal pada metode seasonal ARIMA seperti
seasonal differencing, seasonal autoregressive, seasonal moving average.
1. Identifikasi Model
Identifikasi model pada metode seasonal ARIMA dilakukan dua macam
identifikasi, yaitu identifikasi model nonseasonal dan identifikasi model seasonal.
Identifikasi nonseasonal memiliki tahap yang sama dengan metode ARIMA biasa,
sehinga model metode ARIMA nonseasonal sudah didapatkan pada bagian
sebelumnya.
Langkah awal dalam mengidentifikasi model seasonal ARIMA dengan
menentukan ordo seasonal yang akan digunakan. Cara menentukan ordo seasonal
ini dengan menganalisa plot data permintaan avtur dan melihat keadaan apakah
ada pola yang terulang atau tidak.
Dapat dilihat bahwa data tersebut memiliki keadaan yang sama dan terjadi
pengulangan setiap 12 periode yang dapat disimpulkan bahwa ordo seasonal yang
dimiliki oleh data tersebut diperkirakan sebesar 12 periode. Langkah selanjutnya
dalam tahap ini adalah menghilangkan tren seasonal dengan menggunakan
diferensiasi seasonal. Akhirnya didapatkanlah data baru hasil dari diferensiasi
seasonal yang akan dipakai pada tahap selanjutnya. Dikarenakan data dilakukan
diferensiasi sebanyak satu kali untuk menghilangkan tren seasonal pada data,
maka diperkirakan besarnya nilai ordo diferensiasi seasonal adalah 1.
Langkah selanjutnya dalam tahap ini adalah menentukan besarnya nilai
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
seasonal autoregressive (SAR) dan ordo seasonal moving average (SMA)
menggunakan data yang sudah di diferensiasikan. Ordo SAR dapat ditentukan
dengan menganalisa plot autokorelasi parsial (PACF). Dari plot data autokorelasi
parsial, dapat dilihat pada lag 12 (seasonal 1) nilai autokorelasi parsial melewati
garis batas signifikansi, yang berarti ordo SAR diperkirakan sebesar 1.
Untuk menentukan besarnya nilai ordo seasonal moving average (SMA)
dapat dilakukan dengan cara menganalisa plot autokorelasi (ACF). Dari plot data
autokorelasi, dapat dilihat pada lag 12 (seasonal 1) nilai autokorelasi melewati
garis batas signifikansi, yang berarti ordo SMA diperkirakan sebesar 1.
Dari perhitungan sebelumnya didapatkan bahwa ordo komponen nonseasonal
adalah (1,0,5) dan ordo komponen seasonal adalah (1,1,1)12 sehingga ordo
seasonal ARIMA yang diperoleh adalah SARIMA (1,0,5)(1,1,1)12. Dan dapat
ditulis dengan persamaan model SARIMA untuk data tersebut adalah sebagai
berikut.
!! = !!!!!! + !!!!!!" + !!!!!! + !!!!!! + !!!!!! + !!!!!! + !!!!!! +
!!!!!!" + c(3.3)
2. Identifikasi Model
Setelah didapatkan persamaan model SARIMA, dengan menggunakan
bantukan perangkat lunak, dihitung nilai koefisien yang diperoleh dari setiap
variabel yang hasilnya dapat dilihat sebagai berikut.
Tabel 2. Nilai Estimasi Parameter Model SARIMA
Type Coef SE Coef T P AR 1 0.8613 0.1972 4.37 0 SAR 12 -0.5835 0.1382 -4.22 0 MA 1 0.3745 0.2356 1.59 0.116 MA 2 0.2479 0.1569 1.58 0.118 MA 3 -0.1525 0.1287 -1.18 0.24 MA 4 -0.1068 0.142 -0.75 0.454 MA 5 0.1179 0.1586 0.74 0.46 SMA 12 0.3985 0.145 2.75 0.008 Constant -0.2781 0.6754 -0.41 0.682
Berdasarkan hasil estimasi parameter, dapat disimpulkan bahwa persamaan
seasonal ARIMA yang utuh adalah sebagai berikut.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
!! = 0.861!!!! − 0.584!!!!" + 0.374!!!! + 0.248!!!! − 0.152!!!! −
0.107!!!! + 0.118!!!! + 0.398!!!!" − 0.278 (3.4)
Tahap selanjutnya adalah analisa untuk mengetahui apakah model yang
didapatkan sudah memadai untuk digunakan pada tahapan peramalan. Analisa
yang digunakan pada tahap ini adalah uji statistik Ljung-Box dan analisa terhadap
plot autokorelasi residual model.
Uji Ljung-Box dilakukan untuk melihat apakah data yang didapat sudah
terdistribusi secara independen (tidak terdapat korelasi antar data). Uji Ljung-Box
dari model SARIMA tersebut adalah sebagai berikut.
Tabel 3. Nilai Uji Statistik Ljung-Box Model
Lag 12 24 36 48 Chi-Square 9.2 21.6 33 41.3 DF 3 15 27 39 P-Value 0.027 0.12 0.197 0.37
Dapat dilihat bahwa nilai hasil uji pada lag 12 memiliki nilai p-value yang
lebih kecil dibandingkan dengan nilai alpha yang digunakan (0.05). maka
disimpulkan bahwa hipotesa awal ditolak, sehingga residual dari model ini
memiliki korelasi (dependen) dan asumsi white noise tidak terpenuhi.
Didapatkan nilai error yang dihasilkan dari metode SARIMA (3,0,5)(1,1,1)12
untuk peramalan. Setelah itu dilakukan perbandingan model SARIMA dengan
ordo yang berbeda untuk menguji apakah model SARIMA yang dipakai adalah
model yang terbaik untuk peramalan permintaan avtur sebagai berikut.
Tabel 4. Perbandingan Error Model SARIMA
No SARIMA Model MAPE 1 SARIMA (1,0,5)(1,1,1)12 18.49% 2 SARIMA (1,0,5)(2,1,1)12 18.37% 3 SARIMA (1,0,5)(1,1,2)12 18.44% 4 SARIMA (1,0,5)(2,1,2)12 18.55% 5 SARIMA (3,0,5)(1,1,1)12 17.66% 6 SARIMA (3,0,5)(2,1,1)12 17.44% 7 SARIMA (3,0,5)(1,1,2)12 17.51% 8 SARIMA (3,0,5)(2,1,2)12 17.57%
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
Model SARIMA terbaik yang didapatkan adalah model SARIMA
(3,0,5)(2,1,1)12 yang memiliki MAPE sebesar 17.44% dan tidak lebih baik
daripada MAPE yang dihasilkan dengan model dari ARIMA.
d. Pengolahan Data dengan Metode Neural Network
Hal pertama dalam menganalisa menggunakan metode jaringan saraf adalah
menentukan arsitektur jaringan seperti jumlah input neuron, jumlah layer yang
digunakan, jumlah hidden neuron, fungsi transfer yang digunakan dan metode
evaluasi yang digunakan.
Jumlah input neuron biasanya adalah sebanyak jumlah faktor yang digunakan
sebagai data input. Sehingga jumlah input neuron adalah satu. Pada penelitian ini
terdapat 3 layer yang digunakan yaitu 1 input layer, 1 hidden layer, dan 1 output
layer. Untuk mendapatkan hasil yang lebih baik, maka analisa untuk hidden
neuron dilakukan hingga 10.
Fungsi aktivasi yang digunakan dalam penelitian ini adalah fungsi sigmoid
dan linear. Fungsi sigmoid dipakai karena memiliki gradien yang proposional
dengan refleksi keluarannya dan merupakan fungsi transfer yang sering dipakai.
Proporsi pembagian data pada penelitian ini dalam melakukan pelatihan jaringan
saraf tiruan adalah 70% untuk training, 15% untuk testing, dan 15% untuk
validasi. Dan metode pelatihan yang digunakan adalah metode levenberg-
marquardt backpropagation.
Nilai MAPE dari neuron yang sudah dilatih akan diperoleh, nilai MAPE yang
didapatkan model setelah dilakukan training adalah sebagai berikut.
Tabel 5. Nilai MAPE dari Model Permintaan Avtur untuk Metode ANN
Jumlah Hidden Neuron Traning 1 2 3 4 5
1 16.91% 16.27% 15.67% 18.36% 15.42%
2 15.37% 16.28% 15.11% 17.24% 15.39%
3 16.28% 15.53% 16.39% 15.05% 16.66% 4 15.32% 16.18% 15.85% 15.76% 15.75%
5 16.68% 16.00% 15.31% 14.74% 16.77%
6 18.16% 15.32% 15.56% 16.48% 15.62% 7 14.95% 27.03% 15.73% 16.48% 18.22%
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
8 15.49% 17.12% 16.80% 23.44% 17.27%
9 15.72% 15.93% 16.42% 14.83% 21.14%
10 15.56% 15.29% 14.88% 15.71% 15.39%
Tabel 5. Nilai MAPE dari Model Permintaan Avtur untuk Metode ANN (lanjutan)
Jumlah Hidden Neuron
Traning 6 7 8 9 10 1 17.59% 15.13% 18.02% 14.89% 17.35%
2 15.69% 15.42% 27.52% 20.09% 16.73%
3 16.65% 18.52% 18.88% 16.14% 15.52% 4 14.73% 15.71% 19.90% 18.56% 20.78%
5 17.02% 15.38% 16.26% 16.57% 14.92%
6 16.65% 21.41% 15.04% 16.03% 21.55%
7 15.47% 27.07% 14.89% 15.46% 17.09% 8 15.67% 17.66% 16.94% 14.62% 16.69%
9 15.92% 18.01% 16.01% 16.77% 15.88%
10 15.34% 16.35% 16.23% 16.51% 17.89% Berdasar dari hasil yang telah didapat pada tabel 5, nilai MAPE terkecil yang
dapat dicapai oleh metode neuron network adalah 14.62% dengan menggunakan 9
hidden network.
e. Pengolahan Data dengan Metode Hybrid
Metode hybrid yang dilakukan penelitian ini adalah gabungan dari metode
ARIMA dan metode ANN yang sudah dilakukan sebelumnya. Dari model
ARIMA yang sudah didapat, nilai prediksi untuk setiap periode diperoleh dan
nilai residual untuk setiap periode didapatkan dengan mengurangi nilai prediksi
dengan nilai aktual permintaan. Nilai residual ini yang akan digunakan sebagai
input pada metode neural network. Pengaturan arsitektur jaringan ANN pada
metode hybrid sama seperti arsitektur jaringan pada metode ANN sebelumnya.
Nilai MAPE dari neuron yang sudah dilatih akan diperoleh, nilai MAPE yang
didapatkan model setelah dilakukan training adalah sebagai berikut.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
Tabel 6. Nilai MAPE dari Model Permintaan Avtur untuk Metode Hybrid
Jumlah Hidden Neuron
Traning 1 2 3 4 5
1 15.47% 16.79% 14.94% 14.78% 14.10% 2 14.98% 15.21% 15.04% 14.33% 15.82%
3 15.02% 15.85% 14.61% 18.94% 38.03%
4 16.34% 15.34% 15.35% 14.51% 16.35%
5 15.01% 15.19% 15.40% 16.55% 15.03% 6 15.30% 15.09% 15.01% 15.90% 15.64%
7 14.63% 15.82% 20.90% 15.77% 179.17%
8 16.92% 15.06% 16.36% 16.90% 14.84% 9 14.91% 17.18% 15.37% 15.05% 20.72%
10 16.62% 22.75% 15.01% 14.99% 15.33%
Tabel 6. Nilai MAPE dari Model Permintaan Avtur untuk Metode Hybrid (lanjutan)
Jumlah Hidden Neuron Traning 6 7 8 9 10
1 16.30% 14.85% 15.86% 14.89% 21.71%
2 18.18% 14.30% 22.67% 18.66% 14.45% 3 15.91% 15.35% 14.45% 17.41% 15.77%
4 16.50% 14.99% 15.71% 14.82% 15.92%
5 18.70% 13.75% 17.07% 25.27% 15.05%
6 16.00% 15.22% 33.60% 15.21% 16.26% 7 14.76% 15.99% 15.48% 46.07% 15.45%
8 16.89% 16.99% 15.35% 15.49% 16.53%
9 15.35% 14.67% 16.16% 15.30% 43.68% 10 15.45% 14.82% 15.46% 16.00% 16.16%
Berdasarkan hasil yang dapat dilihat pada tabel 6, nilai MAPE terkecil yang
dapat dicapai metode hybrid adalah 13.76%, dengan menggunakan hidden neuron
sejumlah 7.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
Hasil Penelitian
Hasil pengolahan data dilakukan analisis pada setiap metode yang digunakan.
Analisa dilakukan terhadap error yang sudah didapat dari masing-masing model
peramalan. Error yang digunakan adalah mean absolute percentage error
(MAPE) dan dibandingkan antar model. Berikut adalah perbandingan error pada
masing masing metode yang digunakan.
Tabel 7. Perbandingan Error Setiap Metode
Metode MAPE ARIMA 15.075%
SARIMA 17.440% ANN 14.62%
Hybrid 13.75% Dapat dilihat bahwa metode hybrid memiliki keunggulan pada nilai MAPE
yang dihasilkan dibandingkan dengan metode lain yang sudah dilakukan, karena
error yang dihasilkan pada metode hybrid lebih kecil dibandingkan dengan
metode lainnya. Hal ini memperlihatkan bahwa data yang dipakai pada penelitian
ini memiliki sifat non linear, karena sejalan dengan keunggulan metode jaringan
saraf tiruan yang sangat baik dalam mengestimasi data yang bersifat non linear.
Dan metode hybrid menggabungkan dua keunggulan metode menjadi satu maka
metode ini menghasilkan data yang lebih baik.
Dari penelitian yang dilakukan, hasil peramalan yang sudah dibandingkan
dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid
memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar
13.75%. Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl,
104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44
kl, 97.86 kl.
Kesimpulan
Pada penelitian ini, dilakukan metode hybrid yaitu metode gabungan dari
ARIMA dan jaringan saraf tiruan. Kombinasi kedua metode ini dipilih karena
kedua metode ini memiliki kemampuan dalam mengestimasi dengan baik.
Keunggulan dari metode ARIMA yang baik dalam mengestimasi data yang
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
bersifat linear, digabungkan dengan keunggulan metode jaringan saraf tiruan yang
baik dalam mengestimasi data yang bersifat non linear.
Hasil dari penelitian ini menunjukkan bahwa metode hybrid menghasilkan
estimasi yang lebih baik dibandingkan dengan penggunaan satu metode saja,
dimana pada penelitian ini metode hybrid dapat menghasilkan nilai error MAPE
yang lebih kecil. Ada beberapa kemungkinan yang menjadi penyebab metode
hybrid dapat memberikan hasil yang lebih baik, salah satunya adalah
kemungkinannya jika residual dari komponen linear yang dihasilkan bisa saja
bersifat non linear. Sehingga metode hybrid mampu mengestimasinya dengan
baik.
Metode ARIMA dan seasonal ARIMA (SARIMA) menghasilkan nilai error
yang dianggap kurang memadai dalam meramalkan sebuah permintaan. Hal ini
dikarenakan bahwa metode ARIMA dan SARIMA adalah metode yang baik
dalam mengestimasi data yang bersifat linear, sedangkan data yang dipakai dalam
penelitian ini merupakan data yang bersifat non linear. Sehingga untuk penelitian
ini, performa dari peramalan metode ARIMA dan SARIMA yang dihasilkan
menurun karena hal tersebut.
Saran
Penelitian yang dilakukan masih jauh sempurna, karenanya dibutuhkan
banyak perbaikan yang bertujuan untuk menyempurnakan penelitian ini. Berikut
ada beberapa saran yang dapat dilakukan agar dapat meningkatkan efektifitas
penelitian kedepannya:
1. Metode hybrid yang dipakai dapat melihat keunggulan-keunggulan metode
lainnya, sehingga memunculkan metode hasil dari gabungan dua metode
lainnya yang baru, melihat masih banyak metode peramalan permintaan
lainnya yang memiliki keunggulannya masing-masing. Sehingga saran pada
penelitian selanjutnya adalah memakai metode hybrid hasil penggabungan
metode lainnya
2. Penambahan data permintaan di berbagai tempat sehingga dapat melihat pola
permintaan avtur di berbagai daerah dan menambahkan variabel yang dapat
mempengaruhi permintaan.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
3. Dapat mencoba berbagai macam bentuk arsitektur jaringan saraf tiruan,
seperti penentuan jumlah layer, jumlah hidden neuron, metode pelatihan,
jumlah pelatihan dan berbagai kemungkinan lainnya.
4. Pada penelitian ini masih didapatkan MAPE yang lebih besar daripada 10%
sehingga pada penelitian berikutnya dapat memakai metode lain selain time
series untuk mendapatkan nilai MAPE yang lebih baik.
Kepustakaan Armstrong, J. S., Green, K. C., & Graefe, A. (2015). Golden rule of forecasting : Be
conservative. Journal of Business Research, 68(8), 1717–1731.
Arnold, J. R., & Chapman, N. S. (2004). Introduction to Material Management. New
Jersey: Prentice-Hall Inc
Bala P.K.,(2012) Improving inventory performance with clustering based demand
forecast. Journal of Modelling in Management Vol. 7 No. 1, 2012 pp. 23- 37.
Badan Pusat Statistik. (2016). Tanjungpinang Dalam Angka 2016.
Bennell, Julia A., et al . (2006). Modelling Sovereign Credit Ratings: Neural networks
Versus Ordered Profit. Expert Systems with Applications, 30, (3), 415-425.
Chambers, John C., Mullick, Satinder K., & Smith, Donald D. (1971). How to Choose the
Right Forecasting Technique, Harvard Business Review July 1971 Issue
DeLurgio, S.A. (1998). Forecasting Principles and Applications. New York : Tom
Casson.
Faruk. O. (2010). A hybrid neural network and ARIMA model for water quality time
series prediction. Engineering Applications of Artificial Intelligence 23 (2010) 586–
594.
Gastineau, P., & Chevallier, J. (2011). Forecasting world and regional aviation jet fuel
demands to the mid-term (2025). Energy Policy, 39,5147–5158.
Gitosudarmo, Indriyo . (1998). Sistem Perencanaan dan Pengendalian Produksi (2nd
ed.). Yogyakarta : BPEE.
Haykin, S. ((1999)). Neural networks: a comprehensive fundation. New Jersey: Prentice
Hall
Hill, T ., O’Connor, M., & Remus, W. (1996). Neural network models for time series
forecast. Management Sciences, 42(7): 1082-1092.
Ho, S. L., & Xie, M. (1998). The use of ARIMA models for reliability forecasting &
analysis. Computers and Industrial Engineering - An International Journal, Vol. 35,
No. 1-2, pp. 213-216.
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016
Khasei, M., & Bijari, M. (2010). An artificial neural network (p,d,q) model for time series
forecasting. Expert Systems with Applications, 37, 479-489.
Kementrian ESDM. (2014) Statistik Migas 2013.
Kementrian Perhubungan Republik Indonesia. (2016). Buku 1 Statistik Perhubungan
2015,
Li, T., & Trani, A. A. (2014). Journal of Air Transport Management A model to forecast
airport-level General Aviation demand. Journal of Air Transport Management, 40,
192–206. http://doi.org/10.1016/j.jairtraman.2014.07.003
Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1997). Forecasting: Method
and Applications. Wiley-Interscience.
Makridakis, S., & Wheelwright, S. C. (1999). Forecasting Methods for Management.
New York: John Wiley & Sons.
Ross, S. M. (2004). Introduction to Probability and Statistics for Engineers and
Scientists, Third Edition. Burlington: Elsevier Academic Press.
Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Yogyakarta: Graha Ilmu.
Seber, G. A., & Lee, A. J. (2003). Linear Regression Analysis, Second Edition. New
Jersey: Wiley-Interscience.
Valipour et all. (2013). Comparison of the ARMA, ARIMA, and the autoregressive
artificial neural network models in forecasting the monthly inflow of Dez dam
reservoir. Journal of Hydrology 476 (2013) 433–441
Wirawan, R.S. (2011). Perbandingan Peramalan Permintaan Antara Artificial Neural
Network dan Support Vector Regression dengan Metode Tradisional. Depok:
Teknik Industri, Universitas Indonesia
Yan, X., & Su, X. G. (2009). Linear Regression Analysis: Theory and Computing.
Singapore: World Scientific Publishing.
Zhang, G., Peter. (2003). Time series forecasting using a hybrid ARIMA and neural
network model. Neurocomputing 50 (2003) p.159 – p.175
Peramalan Permintaan ..., Dwiky Nugraha, FT UI, 2016