I. PENDAHULUAN
dengan p (B ) = 1 1 B B p , q (B ) = (1 1 B q B q ) dan
0 adalah intercept pada model untuk difference ke-d.
Pembuatan model ARIMA dapat dilakukan dengan
menggunakan tiga prosedur yaitu identifikasi model, estimasi
model dan cek diagnosa. Identifikasi model ARIMA dapat
dilakukan dengan melihat plot time series, ACF dan PACF.
Plot ACF dan PACF digunakan untuk menentukan orde p
dan q dari model ARIMA. Estimasi parameter yang
digunakan dalam penelitian ini menggunakan conditional
least square kemudian dilanjutkan dengan uji statistik untuk
menentukan parameter signifikan atau tidak.
Tahap cek diagnosa meliputi residual harus White Noise
dan berdistribusi normal. Jika model ARIMA tidak
memenuhi asumsi residual berdistribusi normal maka salah
satu cara untuk menanganinya adalah dengan deteksi outlier.
Pada kasus time series, outlier dapat dibedakan menjadi
innovational outlier (IO), temporary change (TC), additive
Outlier (AO) dan level Shift (LS). Model ARIMA dengan
outlier secara umum dituliskan sebagai berikut [7].
p
2
k
(T ) (B )
Z t = j v j (B )I j j +
at
(B )
j =1
(2)
1, =
dengan =
, variabel yang menunjukkan
0,
adanya outlier pada waktu ke-T j, dan v j (B ) =1 untuk AO,
v j (B ) =
1 untuk LS.
(1 B )
C. Peramalan Hirarki
Hirarki time series memiliki banyak level. Berikut
diagram pohon untuk struktur 1 level [8].
Level 0
Juml
ah
Ta
mu
Level 1
Tamu
Mancanegar
P = 0 mK X ( m mK ) I mK
(3)
pj =
1
n
Y j ,t
Y
t =1
, j = 1,..., m K
(4)
pj =
t =1
Y j ,t
n
n , j = 1,..., m
Yt
(5)
t =1
Bentuk umum untuk mendapatkan proporsi variabel peramalan ke-j untuk l langkah ke depan pada pendekatan topdown berdasarkan proporsi peramalan [8].
pj =
K =1
l =0
h
Y j ,n (l )
, dimana j= 1,2,...,m k
h +1
S
(l )
(8)
yt =
q ( B)
s ( B) B b
xt +
at
r ( B)
p ( B)
(9)
dimana :
() = 0 1 2 2
() = 1 1 2 2
() = 1 1 2 2
() = 1 _1 _2 ^2 _ ^
Dalam membentuk model Fungsi Transfer ada 4 tahapan,
diantaranya identifikasi bentuk model, penaksiran parameter
model Fungsi Transfer, uji diagnostik model Fungsi Transfer, penggunaan model Fungsi Transfer untuk peramalan.
E. Adaptive Neuro Fuzzy Inference System (ANFIS)
ANFIS merupakan gabungan Artificial Neural Network
(ANN) dan Fuzzy Inference System (FIS). ANFIS adalah
arsitektur yang secara fungsional sama dengan fuzzy rule
base model Sugeno [9]. Dua aturan pada basis aturan model
Sugeno, misal terdapat 2 input x,y dan satu output f, sebagai
berikut.
Aturan 1 : If x is A 1 and y is B 1 , the f 1 = p 1 x 1 + q 1 x 2 + r 1
Aturan 2 : If x is A 2 and y is B 2 , the f 2 = p 2 x 1 + q 2 x 2 + r 2
Menurut Kusumadewi dan Hartati, perhitungan rata-rata
terboboti untuk aturan w 1 dan w 2 sebagai berikut.
w1 y1 + w2 y 2
= w1 y1 + w2 y 2
w1 + w2
(10)
Arsitektur ANFIS terdiri atas 5 lapisan. Terdapat dua macam node adaptif (bersimbol kotak) dan node tetap (bersimbol lingkaran).
(6)
j ,n
D. Fungsi Transfer
Fungsi transfer digunakan untuk meramalkan nilai dari
suatu deret waktu yang berdasar pada nilai masa lalu dari deret itu sendiri dan didasarkan pada satu atau lebih deret waktu yang berhubungan dengan deret output. Berikut model
Fungsi Transfer single input (x t ) dan single output (y t ) [7].
y t = v( B ) x t + nt
(7)
dimana :
= deret output yang stationer
= deret input yang stationer
= deret noise
Dengan v( B ) =
s ( B) B b
xt + t
r ( B)
atau
y=
yt =
s ( B) B b
r ( B)
0,8
0,6
0,6
Partial Autocorrelation
Autocorrelation
1,0
0,8
0,4
0,2
0,0
-0,2
-0,4
-0,6
Variabel
Mean
St.Dev
Minimum
Maksimum
Pengunjung
Total
17558
2730
9196
20637
107
135.8
775
Pengunjung
Lokal
17451
2701
9110
20368
10
15
Pengunjung
Dinner
5676
2695
968
10268
Jan
2009
Jan
2010
Jan
2011
20
25
30
35
Jan
2012
10
15
20
25
30
35
Lag
Lag
(a)
(b)
Gambar 4 (a) Plot ACF Pengunjung Mancanegara (b) Plot PACF Pengunjung
Mancanegara
Gambar 4 menunjukkan bahwa series pada variabel pengunjung mancanegara menunjukkan pola dies down turun
lambat pada tiap 12 lag. Hal ini menunjukkan terdapat pola
musiman bulanan pada data pengunjung mancanegara yang
mengakibatkan data tersebut tidak stasioner dalam mean
sehingga dilakukan differencing 12 lag agar data menjadi
stasioner dalam mean.
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,2
0,0
-0,2
-0,4
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
-1,0
10
15
20
25
30
35
10
15
20
25
30
35
Lag
Lag
(b)
(a)
Gambar 5 (a) ACF Plot Pengunjung Mancanegara Differencing (b) PACF Plot
Pengunjung Mancanegara Differencing
12
(0,1,1)
Jan
2007
0,0
-0,6
-1,0
-1,0
Model
Month Jan
Year 2006
0,2
-0,4
-0,8
Pengunjung
Mancanegara
0,4
-0,2
-0,8
-0,8
-0,6
MANCANEGARA
1,0
Partial Autocorrelation
Autocorrelation
B. Langkah Analisis
Sebelum melakukan analisis lebih lanjut data dibagi
menjadi data in sample dan data out sample. Data in sample
digunakan untuk membentuk model dan data out sample
digunakan untuk mengevaluasi ketepatan model. Tahap
pertama melakukan pemodelan terhadap pengunjung hotel
yang menginap dengan metode ARIMA & ANFIS. Lalu
melakukan peramalan dengan metode hirarki dan membandingkan hasil peramalan dari kedua metode tersebut berdasarkan kriteria kebaikan model data out sample, yaitu
RMSE, MAPE, dan SMAPE. Selanjutnya melakukan pemodelan terhadap pengunjung restauran dengan metode Fungsi
Transfer & ANFIS. Setelah dilakukan analisis untuk kedua
metode tersebut dilakukan perbandingan hasil pemodelan
dan peramalan data out sample berdasarkan kriteria kebaikan model data out sample, yaitu RMSE, MAPE, dan
SMAPE. Model yang terbaik yang digunakan untuk peramalan dipilih berdasarkan nilai RMSE, MAPE, dan SMAPE
terkecil dari hasil perbandingan kedua metode.
Estimasi
SE
1 = 0,43762
0,12707
P-value
3,44
0,001
12
White Noise
Lag
df
P-value
3,74
0,5867
12
6,36
11
0,8486
18
20,01
17
0,2739
24
27,75
23
0,2456
Model
(0,1,1)12
Kenormalan
Residual
>0,1500
Tabel 4 Rangkuman Kriteria Model Terbaik Variabel Tamu Hotel Berdasarkan RMSE,
MAPE, dan SMAPE
Variabel
Pengunjung
Total
Pengunjung
Mancanegara
Pengunjung
Lokal
Pengunjung
Dinner
Model
ARIMAX
(1,0,0)
ARIMA
(0,1,1)12
ARIMAX
(1,0,0)
ARIMA
([1,3],1,0)
RMSE
MAPE
SMAPE
3078,36
15,32
16,96
16,10
11,48
11,01
2985,63
15,04
16,60
1428,12
91,51
59,33
2. Z t( 2) = 0,791Z t 12 206,8
Sehingga model ramalan yang diperoleh menggunakan
metode ANFIS secara matematis ditulis sebagai berikut.
(1)
(2)
=
1, +
2,
1, (0,66912 + 41,47) +
2, (0,79112 206,8)
=
0,15
Data
0,10
0,05
Variable
A RIMA
A NFIS
Jul
Agust
Sep
Okt
Nop
Des
Month
untuk : x1 a
untuk : a x1 b
untuk : b x1 c
untuk : c x1 d
untuk : x1 d
0
untuk : x1 a
x1 238,1
untuk : a x1 b
544,8 238,1
A2 ( x1 ) =
1
untuk : b x1 c
1313 x1
untuk : c x1 d
1313 1005
0
untuk : x1 d
Pada layer 1, data input diubah menjadi derajat keanggotaan dimana derajat keanggotaan yang terbentuk merupakan output pada layer 1 dan menjadi input pada layer 2. Pada
layer 2 biasanya digunakan operator AND yaitu menggunakan operasi perkalian pada semua input di layer 2. Tahapan
lapisan kedua pada ANFIS adalah sebagai berikut.
1. If ( Z t 12 is A 1 ) then (output is
2. If ( Z t 12 is A 2 ) then (output is
w1t )
w2t )
Pengunjung
Proporsi pendekatan
Top-down (1)
Proporsi pendekatan
Top-down (2)
Mancanegara
Lokal
0,009
0,991
0,005
0,995
90
60
80
Variable
Top-down Proporsi (1)
Top-down Proporsi (2)
Proporsi Data 2011
Proporsi Rata-rata 2006-2011
Proporsi (1) data 2006-2011
Proporsi (2) data 2006-2011
70
50
60
40
Data
x1 + 530,6
223,4 + 530,6
A1 ( x1 ) =
1
544,9 x1
544,9 237,6
0
Pendekatan kedua pada metode peramalan data time series hirarki adalah pendekatan top-down dengan proporsi
histori. Berikut adalah proporsi peramalan data histori.
Data
30
20
10
0
Jul
Agust
Sep
Okt
Month
Nop
50
40
30
Variable
Top-down Proporsi (1)
Top-down Proporsi (2)
Proporsi Data 2011
Proporsi Rata-rata 2006-2011
Proporsi (1) data 2006-2011
Proporsi (2) data 2006-2011
20
10
Des
0
Jul
Agust
Sep
Month
Okt
Nop
Des
(a)
(b)
Gambar 8 (a) Plot Nilai SMAPE Per Tahap Pendekatan Top-Down Proporsi
Peramalan Pengunjung Mancanegara dengan ARIMA (b) Plot Nilai SMAPE Per Tahap
Pendekatan Top-Down Proporsi Peramalan Pengunjung Mancanegara dengan ANFIS
35
Variable
A RIMA
A NFIS
30
Data
25
20
15
10
Jul
Agust
Sep
Okt
Nop
Des
Month
Gambar 9 Plot Nilai SMAPE Per Tahap Pendekatan Top-Down Proporsi Peramalan
Pengunjung Mancanegara
50
Variable
Top-down Proporsi (1)
Top-down Proporsi (2)
Proporsi Data 2011
Proporsi Rata-rata 2006-2011
Proporsi (1) data 2006-2011
Proporsi (2) data 2006-2011
Proporsi Peramalan
Bottom-Up
80
70
60
Data
40
Data
90
Variable
Top-down Proporsi (1)
Top-down Proporsi (2)
Proporsi Data 2011
Proporsi Rata-rata 2006-2011
Proporsi (1) data 2006-2011
Proporsi (2) data 2006-2011
Proporsi Peramalan
Bottom-Up
60
30
50
40
30
20
20
10
10
Jul
Agust
Sep
Okt
Nop
Des
Jul
Agust
Month
Sep
Okt
Nop
Covariance
462747
-434807
-600312
238572
683467
-33367.647
694058
-57877.109
-563311
967280
-247693
-82763.296
-85228.796
187549
334279
-56700.597
-14327.227
320478
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
18220
250
18180
Pengunjung
Pengunjung
18200
18160
200
150
18140
100
18120
50
18100
Month Jan
Year 2013
t = (1 0,53132 B) xt
|**
*|
**|
|*
|**
|
|**
|
**|
|***
*|
|
|
|*
|*
|
|
|*
18240
18120
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
Month Jan
Year 2013
(a)
2160
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
Agust
Sep
Okt
Nop
Des
(b)
Pengunjung Restauran Dinner
2140
2120
Pengunjung
18100
Pengunjung
t = (1 0,53132 B) y t
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Des
-1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F.
Month
0.07932
-.07453
-.10290
0.04089
0.11715
-.00572
0.11897
-.00992
-.09656
0.16580
-.04246
-.01419
-.01461
0.03215
0.05730
-.00972
-.00246
0.05493
Gambar 11 Plot CCF antara Pengunjung Hotel Total dan Pengunjung Dinner
(a)
(b)
Gambar 10 (a) Plot Nilai SMAPE Per Tahap Peramalan Data Time Series Hirarki
Pengunjung Mancanegara Model ARIMA (b) Plot Nilai SMAPE Per Tahap Peramalan
Data Time Series Hirarki Pengunjung Mancanegara Model ANFIS
Correlation
18080
18060
2100
2080
2060
2040
18040
2020
2000
18020
Month Jan
Year 2013
Feb
Mar
Apr
Mei
Jun
Jul
(c)
Agust
Sep
Okt
Nop
Des
Month Jan
Year 2013
Feb
Mar
Apr
Mei
Jun
Jul
(d)
Gambar 12 Plot Ramalan Januari sampai Desember 2013 (a) Pengunjung Hotel Total
(b) Pengunjung Hotel Mancanegara (c) Pengunjung Hotel Lokal (d)
Pengunjung Restauran Dinner
Gambar 12 (a) merupakan visualisasi ramalan pengunjung hotel total pada tahun 2013. Terlihat bahwa pengunjung
pada tahun 2013 akan mengalami penurunan terutama di
bulan Oktober 2013. Sehingga pihak manajemen hotel harus
KESIMPULAN
Pada peramalan data time series hirarki berdasarkan
model ARIMA dapat diketahui pendekatan yang terbaik
untuk setiap variabel di level 0 dan 1 dengan membandingkan SMAPE out sample terkecil. Pendekatan terbaik di
level 0 untuk pengunjung hotel total adalah pendekatan
bottom-up. Sedangkan pendekatan terbaik di level 1 untuk
pengunjung hotel mancanegara dan pengunjung hotel lokal
adalah pendekatan top-down proporsi peramalan dan
pendekatan bottom-up. Berdasarkan model ANFIS, pendekatan terbaik di level 0 untuk pengunjung hotel total adalah
pendekatan bottom-up. Sedangkan pendekatan terbaik di
level 1 untuk pengunjung hotel mancanegara dan pengunjung
hotel lokal adalah pendekatan top-down proporsi data tahun
2006-2011 (1) dan pendekatan top-down proporsi (2).
Pada analisis Fungsi Transfer untuk data pengunjung
restauran dinner, nilai b,r,s pada crosscorrelation plot tidak
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]