D-73
I. PENDAHULUAN
A. Fungsi Transfer
Fungsi transfer merupakan metode peramalan nilai deret
waktu Ztyang didasarkan nilai-nilai masa lalu deret itu
sendiri serta pada satu atau lebih deret waktu lain yang
berhubungan dengan deret waktu Zttersebut (deret inputXt).
Bentuk umum model fungsi transfer singleinput (Xt) dan
single output (Zt) adalah sebagai berikut [4].
Zt =
s ( B) Bb
( B)
Xt +
at
r ( B)
( B)
(1)
dengan,
Zt : deret output yang stasioner
Xt : deret input yang stasioner
t : deret noise
s ( B) = 0 1B 2 B2 ... s Bs
(2)
r ( B) = 1 1B 2 B ... r B
(3)
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Print)
p (B)
(T j )
p ( B) = (1 1B 2 B ... p B )
2
q (B)
(5)
(6)
Model ARIMAX adalah model ARIMA dengan tambahan variabel. Terdapat beberapa jenis tambahan variabel,
misalnya variabel dummy untuk efek variasi kalender dan
tren deterministik. Variasi kalender merupakan pola
musiman dengan panjang periode yang bervariasi. Variasi
kalender bisa dise-babkan oleh adanya variasi hari kerja dan
variasi hari besar suatu agama/kebudayaan tertentu dari
bulan ke bulan hingga tahun ke tahun [2].Berikut Model
ARIMAX dengan tren deterministik.
Z t = lt + 1V1,t + 2 V2,t + ... + k Vk ,t + m1S1,t
+ m2S2,t + ... + mzSz ,t +
q ( B)
p ( B)
at
(7)
dengan,
Vk,t: variabel dummy untuk variasi kalender ke- k
: koefisien parameter variabel tren
l
deterministik
m
: variabel dummy bulan
m1
wi (|| x ci ||)
(8)
i =1
dengan:
: 1, , m1
:output RBFN
:bobot (weight)
:center
:Euclidean Norm
: fungsi aktivasi
F (x)
wi
ci
||.||
(r )
D. Identifikasi Outlier
Data time series kadang kala dipengaruhi kejadiankejadian tertentu misalnya krisis ekonomi dan pilitik yang
tiba-tiba atau kesalahan tulis atau pencatatan yang tidak
disadari. Konsekuensi dari kejadian-kejadian ini membuat
observasi palsu yang tidak konsisten dengan pola data.
Observasi ini dinamakan outlier. Dalam pemodelan time
series, outlier diklasifikasikan menjadi additive outlier
(AO), innovative outlier (IO), level shift (LS), dan transitory
change (TC). Model outlier dituliskan sebagai berikut [5].
k
( B)
(T )
Z t = w j v j ( B) I j j +
at
(9)
( B)
j =1
dimana:
(T j )
Ij
1 , t = Ti
=
0 , t Ti
v j (B)
1 untuk AO
v j (B)
( B ) untuk IO
(B)
v j (B)
v j (B) :
(10)
1
untuk LS
(1 B)
1
; 0 << 1 untuk TC
(1 B)
Ij
D-74
t =1
Z t Z t
Zt
(11)
dengan
Zt = nilai sesungguhnya
Zt
n
= nilai peramalan
= jumlah ramalan
III. METODOLOGI PENELITIAN
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Print)
75000
8
7
12
50000
12
9
12
12
12
10
12
1,
Vi ,t 1 =
0,
12
12
25000
68
6
10
6
5
11
6 9
7
4 67
5
6 9
5
10 3 6 11
6 11
34
5 10
5
5
357
4 8
4 7
10
4 8
34 78
3 7
11
10
11 3 5 7
4 8
11
2
9
2
11 2
2
3
4
910 23
2
1
2
2
11
1
1
1
1
9
10
1
1
11
12
6 9
45 78
23
1
-25000
Jan
2005
Jan
2006
Jan
2007
Jan
2008
Jan
2009
Jan
2010
Jan
2011
Jan
2012
bulan lainnya
dengan i = 1,2,3,4 .
Month
Year
10
-50000
D-75
Jan
2013
7690,4S10,t + 25844,4S12,t +
Tabel 1.
1
at (13)
(1 + 0,546B)
Tahun
NetflowTerendah
Netflow Tertinggi
2005
Januari, Nopember
Oktober, Desember
2006
Januari, Nopember
Oktober, Desember
2007
Januari, Nopember
September, Desember
2008
Januari, Oktober
September, Desember
2009
Januari, Oktober
September, Desember
2010
Januari, September
Agustus, Desember
2011
Januari, September
Agustus, Desember
2012
Januari, September
Agustus, Desember
2013
Januari, Agustus
Juli, Desember
1.0
0.8
0.8
0.6
0.6
140
0.4
0.2
0.0
-0.2
-0.4
-0.6
120
0.4
IHK
Partial Autocorrelation
Autocorrelation
130
0.2
0.0
110
100
-0.2
90
-0.4
-0.6
80
-0.8
-0.8
-1.0
-1.0
10
20
30
40
50
Lag
60
70
80
90
Month Jan
Year 2005
10
20
30
40
50
Lag
60
70
80
Jan
2006
Jan
2007
Jan
2008
Jan
2009
Jan
2010
Jan
2011
Jan
2012
90
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Print)
diduga sesuai untuk IHK adalah ARIMA (1,1,1). Berdasar
hasil pengujian signifikansi seluruh parameter telah
signifikan. Melalui uji Ljung-Box didapatkan residual juga
telah white noise. Maka model dugaan deret input IHK telah
memenuhi asumsi pada tahap prewhitening.
1.0
0.8
0.8
0.6
0.6
Partial Autocorrelation
Autocorrelation
1.0
0.4
0.2
0.0
-0.2
-0.4
-0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-0.8
-1.0
-1.0
10
20
30
40
50
Lag
60
70
80
90
10
20
30
40
50
Lag
60
70
80
90
at
(1 + 1, 22 B + 0,95 B 2 + 0,43B 3 )(1 0,77 B12 )
(14)
Kurs
10500
10000
9500
9000
8500
Month
Year
D-76
Jan
2005
Jan
2006
Jan
2007
Jan
2008
Jan
2009
Jan
2010
Jan
2011
Jan
2012
at
(15)
(1 + 0,64B)
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Print)
pemeriksaan diagnostik dengan memeriksa apakah residual
memenuhi asumsi white noise. Berdasarkan uji Ljung-Box
diketahui residual telah white noisedan berdasarkan uji KS
diketahui residual telah berdistribusi normal.
Z t = 37464,4V1, t + 45752V1, t 1 + 21145,5V2, t -1
20664,5V3, t 1 + 43736,4V4, t 21202,8V4, t +1
23507,1S1, t 12018,4S2, t + 6369,1S6, t 7215S9, t
8237,4S10, t + 23765,4S12, t + 18113It( 79)
17059 ,7 I (t 22 ) + 15032 ,5 I (t 96 ) 18472 ,9 It(81)
at
(16)
(1 + 0,7 B )
Bulan
Ramalan
Ramalan
-22510,62
3249,88
-3471,28
10677,57
10
-4238,11
-7371,69
2550,86
24723,86
11
3829,48
5088,90
4097,21
12
27721,98
Bulan
Ramalan
D-77
MAPE
V
A
A
R
5 0 0 0 0
1 2
a r ia b le
c tu a l
R IM A X
B F N A R IM A X
1 2
RBFN
ARIMAX
RBFN
Fs. Transfer
(variabel
prediktor
IHK)
RBFN
ARIMAX
Gabungan
27-1-1
27-2-1
27-3-1
27-4-1
27-5-1
19-1-1
19-2-1
19-3-1
19-4-1
19-5-1
1,382838
1,001365
1,310946
1,348178
1,213556
0,878536
0,980279
0,998905
1,056502
1,021315
32-1-1
32-2-1
1,345269
32-3-1
1,185833
32-4-1
1,352855
32-5-1
2 5 0 0 0
3
3
3
2
2
6
6
6
5
5
5
4
4
1 2
1 0
7
1 0
1 0
9
9
9
1
1 1
1
-2 5 0 0 0
8
1
-5 0 0 0 0
1
1 0
1 1
1 2
5 0 0 0 0
a r ia b l e
c tu a l
s. T r a n sfe r
B F N F s .T r a n sfe r
12
12
1,341687
2 5 0 0 0
7
5
5
6
6
3
1
2
2
2
10
4
4
9
9
9
1
10
0
1 0
1 1
1 1
1 1
12
1,159361
-2 5 0 0 0
8
1
-5 0 0 0 0
1
1 1
1 2
5 0 0 0 0
a r ia b le
c tu a l
R IM A X G a b
B F N A R IM A X
12
G ab
12
7
Tabel 3.
Hasil MAPE Model Peramalan Netflow Uang Kartal
Metode
MAPE
0,8422
1,3818
0,7577
1,0014
0,8785
1,1594
2 5 0 0 0
4
3
3
5
5
5
6
6
2
2
1 0
1 0
1 0
1 0
1 1
1
1
1 1
12
1
1
-2 5 0 0 0
8
1
-5 0 0 0 0
1
6
7
In d e x
1 1
1 2
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) 2337-3520 (2301-928X Print)
Z Jun = 6369,1 1341,4 X1,t 2 + 2464,4 X 1,t 3 1097,3 X 1,t 5
LAMPIRAN
Tabel 5.
D-78
Minggu Terjadinya
Idul Fitri
2005
03 04 Nopember
Minggu ke-1
Nopember
2006
23 24 Oktober
Minggu ke-4
Oktober
2007
12 13 Oktober
Minggu ke-2
Oktober
2008
01 02 Oktober
Minggu ke-1
Oktober
2009
21 22 September
Minggu ke-4
September
2010
10 11 September
Minggu ke-2
September
2011
30 31 Agustus
Minggu ke-4
Agustus
2012
19 20 Agustus
Minggu ke-3
Agustus
2013
08 09 Agustus
Minggu ke-2
Agustus
Variabel Dummy
DAFTAR PUSTAKA
[1] Bank Indonesia. (2014). Fungsi Bank Indonesia.
Tersediahttp://www.bi.go.id/id/tentang-bi/fungsibi/tujuan/Contents/Default.aspx
[2] Suhartono, Lee, M. H, Hamzah, N.A. (2010). Calendar Variation
Model Based on Time Series Regression for Sales Forecast: The
Ramadhan Effects. Proceedings of the Regional Conference on
Statistical Sciences, 30-41.
[3] Moshiri, S & Cameron, N. (2000). Neural Network Versus
Econometric Models in Forecasting Inflation. Journal of Forecasting,J.
Forecast. 19, 201-217.
[4] Wei, W.W.S. (2006). Time Series Analysis, Univariate, and
Multivariate Methods. Canada: Addison Wesley Publishing Company.
[5] Swammy, M.N.S. (2006). Neural Networks in a Softcomputing
Framework. Germany: Springer Science and Business Media.