PERAMALAN NILAI PDB NEGARA-NEGARA DI ASIA

TENGGARA MENGGUNAKAN METODE SECOND-ORDER

FTS DAN ARIMA
Muh. Hasbiollah1, Kariyam2
1,2
Jurusan Statistika, Fakultas MIPA, Universitas Islam Indonesia
e-mail: 1mhasbiollah@gmail.com, 2kariyam@uii.ac.id
Abstrak
Negara-negara yang tergabung dalam ASEAN mulai menghadapi
pasar bebas regional dalam suatu komunitas yang dinamakan
Masyarakat Ekonomi ASEAN (MEA) atau ASEAN Economics
Community (AEC). Produk Domestik Bruto (PDB) merupakan salah
satu indikator penting untuk mengetahui kondisi ekonomi di suatu
negara dalam satu periode tertentu. Ada beberapa teknik Soft
Computing yang dapat digunakan untuk melakukan peramalan data,
diantaranya adalah Fuzzy Time Series, Neural Network,
dan
Algoritma Genetik. Pada penelitian ini, akan dilakukan peramalan
nilai PDB negara-negara di Asia Tenggara dengan menggunakan
metode Second-Order Fuzzy Time Series (SFTS) dan Autoregressive
Integrated Moving Average (ARIMA). Data yang digunakan adalah
data nilai PDB dari lima negara dengan nilai PDB terbesar di Asia
Tenggara yaitu Indonesia, Malaysia, Philippines, Thailand dan
Singapore. Hasilnya, Metode peramalan terbaik untuk Nilai PDB
Indonesia, Malaysia, Philippines, Thailand, dan Singapore adalah
metode SFTS. Berdasarkan metode peramalan terbaik dari kedua
metode yang digunakan, diperoleh hasil prediksi bahwa kelima negara
tersebut akan mengalami kenaikan nilai PDB pada tahun 2015 dengan
kenaikan nilai PDB terbesar dialami oleh Singapore dengan persentase
kenaikan sebesar 3,44%.
Kata kunci: PDB, SFTS, ARIMA, MEA.
A. PENDAHULUAN

Negara-negara yang tergabung dalam ASEAN akan menghadapi pasar bebas

regional dalam suatu komunitas yang dinamakan masyarakat ekonomi ASEAN
(MEA) atau ASEAN economics community (AEC) yang telah diwacanakan sejak
tahun 1997. Menurut Djani (2007), Pada tahun 1997 tepatnya dalam ASEAN
Summit yang diadakan di Kuala Lumpur, para kepala negara ASEAN
menyepakati ASEAN Vision 2020 yaitu mewujudkan kawasan yang stabil dan
berdaya saing tinggi dengan pertumbuhan ekonomi yang merata. Dari sinilah
Makalah dipresentasikan dalam Seminar Nasional Matematika
dan Pendidikan Matematika dengan tema Peran Matematika
dan Pendidikan Matematika dalam Menghadapi AEC (ASEAN
Economic Community)pada tanggal 14 Maret 2015 di Jurusan
Pendidikan Matematika FMIPA UNY

ISBN : 978 979 16353 6 3

muncul ide pembentukan Komunitas ASEAN yang memiliki tiga pilar utama,
yaitu: (1). ASEAN Security Community, (2). ASEAN Economic Community, (3).
ASEAN Socio-Cultural Community. Komunitas ini pada awalnya akan diterapkan
secara penuh pada tahun 2020, namun dipercepat menjadi tahun 2015 sesuai
dengan kesepakatan dari pemimpin negara-negara anggota ASEAN. Salah satu
karakteristik AEC adalah ASEAN sebagai pasar tunggal dan berbasis produksi
tunggal yang didukung dengan elemen aliran bebas barang, jasa, investasi, tenaga
kerja terdidik, dan aliran modal yang lebih bebas (Media Keuangan, 2014).
Menurut Lamabelawa (2011), Produk Domestik Bruto merupakan salah satu
indikator penting untuk mengetahui kondisi ekonomi di suatu negara dalam satu
periode tertentu. Baik atas dasar harga berlaku maupun atas dasar harga konstan.
PDB pada dasarnya merupakan jumlah nilai tambah yang dihasilkan oleh seluruh
unit usaha atau merupakan jumlah nilai barang dan jasa yang dihasilkan oleh
seluruh unit usaha dalam suatu negara tertentu. Menurut suliswanto (2010),
Pertumbuhan ekonomi berkaitan dengan kenaikan produksi suatu negara atau
kenaikan pendapatan per kapita suatu negara. Oleh karena itu, pertumbuhan
ekonomi erat kaitannya dengan PDB atau Produk Domestik Regional Bruto
(PDRB) jika dalam lingkup daerah. Untuk itu, dengan meramalkan nilai PDB
pada kurun waktu tertentu akan sangat membantu pemerintah atau pihak terkait
dalam pengambilan kebijakan terkait dengan pertumbuhan ekonomi negara.
Ada beberapa teknik soft computing yang dapat digunakan untuk melakukan
peramalan data yaitu diantaranya adalah Fuzzy Time Series, Neural Network, dan
Algoritma Genetik. Metode-metode tersebut dapat menyelesaikan peramalan data
pada model-model kompleks yang berhubungan dengan model non linier time
series. Salah satu metode peramalan dengan Fuzzy Time Series adalah SecondOrder Fuzzy Time Series yang dikemukakan oleh Hsu et al (2010). Ada beberapa
penelitian terkait dengan Fuzzy Time Series, diantaranya adalah oleh Yolcu dan
Egrioglu (2010), Chen (1996 dan 2000), Chen dan Hsu (2004), Lamabelawa

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

(2011), Olatayo dan Taiwo (2014), Singh (2007), Song dan Chissom (1993 dan
1994), dan Tauriyawati dan Irawan (2014).
Oleh karena itu, peneliti menggunakan metode Second-Order Fuzzy Time
Series tersebut untuk meramalkan nilai PDB lima negara di Asia Tenggara yang
memperoleh nilai PDB terbesar pada tahun 1994 2014 yang kemudian
dibandingkan dengan metode ARIMA. Selanjutnya hasil peramalan akan
digunakan untuk mengetahui kondisi ekonomi lima negara tersebut dalam
menghadapi MEA 2015.
B. METODE

Pada penelitian ini, digunakan metode second-order fuzzy time series untuk
peramalan satu tahun ke depan. Berikut adalah beberapa definisi terkait dengan
second-order fuzzy time series (Hsu dkk, 2010):
Definisi 1. Misalkan F(t) diakibatkan oleh F(t-1) dan ini ditunjukkan oleh relasi
fuzzy

F( t1) F (t) .

Maka

relasi

ini

F ( t )=F (t1) R( t , t1) , di mana

dapat

dijelaskan

sebagai

adalah operator max-min,

R(t ,t1)

adalah perpaduan dari semua relasi fuzzy dan masing-masing

R(t ,t1)

adalah sebuah relasi fuzzy antara

F ( t )=F (t1) R( t , t1)

F( t1)

dan

F( t) .

disebut sebagai model orde satu (first-order) dari

F( t) .
Definisi 2. Misalkan

F(t )

adalah sebuah fuzzy time series. Jika

F( t)

diakibatkan oleh

F ( t1 ) , F ( t2 ) , , F( t) . Maka relasi fuzzy orde ke-

direpresentsikan

oleh

F ( t ) , , F ( t2 ) , F (t1) F(t ) .

F ( t ) , , F ( t2 ) , F (t1)

adalah current state dan

F( t)

Di

mana

adalah next

state.
Metode Fuzzy Time Series menggunakan second-order fuzzy logical
relationship dalam prosesnya sehingga tidak bisa meramalkan data dua tahun
pertama (Hsu dkk., 2010). Untuk peramalan dengan menggunakan metode
Second-Order Fuzzy Time Series, metodologinya adalah sebagai berikut:

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

a. Menentukan Himpunan Semesta dan Interval Fuzzy

Tentukan

himpunan

semesta

dengan

U=[ Dmin D1 , D max + D 2] .

Kemudian, bagi himpunan semesta tersebut ke dalam beberapa interval

dengan panjang interval yang sama.
b. Proses Fuzzifikasi
Interval fuzzy yang terbentuk akan diberikan keterangan berupa variabel
linguistik pada masing-masing interval yaitu

A1 , A2, , Ak

di mana k

adalah banyaknya interval fuzzy. Definisikan himpunan fuzzy yang terbentuk

berdasarkan model tringular berikut ini (Song dan Chissom, 1993):

1 0,5
+
, jika k=1
u1 u 2
A k = 0,5 + 1 + 0,5 , jika2 k n1
uk1 uk u k+1
0,5 1
+ , jika k =n
u n1 un
di mana k =1, 2, 3, ..., n dan
uk

dalam himpunan fuzzy

x /u k

adalah derajat keanggotaan interval

Ak .

c. Membentuk Second-Order Fuzzy Logical Relationship

Untuk

Ai , A j

berada disebelah kiri disebut sebagai current state dan

Ak

berada disebelah kanan disebut next state. Sehingga, second-order fuzzy

logical relationship (SFLR) dapat ditulis sebaga berikut:
Ai , A j Ak
d. Membentuk Second-Order Fuzzy Logical Relationship Group (SFLRG)
Apabila semua second-order fuzzy logical relationship (SFLR) telah
terbentuk, maka selanjutnya adalah mengelompokkan SFLR tersebut ke dalam
group yang bersesuaian. Sehingga SFLRG dapat ditulis sebagai berikut:
A i , A j A k1 , A k 2 , , A kn
e. Proses Defuzzifikasi

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Hasil dari defuzzifikasi adalah berupa nilai peramalan dengan aturan-aturan

sebagai berikut:
1. Apabila di dalam group diperoleh satu next state, atau dapat ditulis dengan
A i , A j A k . Di mana nilai maksimum derajat keanggotaan
terdapat pada interval

Ak

uk , dan nilai titik tengah (midpoint) dari

uk

adalah mk . Maka nilai peramalannya adalah mk .

2. Apabila di dalam group diperoleh n next state dengan n > 1 atau dapat
A i , A j A k1 , A k 2 , , A kn . Di mana nilai maksimum

ditulis dengan
derajat

keanggotaan

uk 1 ,u k 2 , , ukn .

A k 1 , A k 2 , , A kn

Sedangkan

mk 1 , mk 2 , , mkn .

titik

Maka

terdapat

tengah

nilai

pada

(midpoint)-nya
peramalannya

interval
adalah
adalah

mk 1 +mk 2 ++mkn
.
n
3. Apabila di dalam group tidak terdapat next state atau dapat ditulis sebagai
berikut:
A i , A j
di mana # adalah nilai yang tidak diketahui (unknown value). Sedangkan
nilai maksimum derajat keanggotaan dari
terdapat pada interval ui dan u j
ui

dan

uj

mj+

(m jmi)
.
2

adalah

mi

dan

A i dan

A j masing-masing

dan nilai titik tengah (midpoint) dari

m j . Maka nilai peramalannya adalah

f. Menentukan Aturan Peramalan (Forecast Rules) dan Melakukan Peramalan

Pada tahap ini, terdapat dua bagian yaitu tahap matching part (current state
dari fuzzy logical relationship group) dan penentuan nilai peramalan.
Penentuan nilai peramalan dilakukan dengan menyesuaikan current state fuzzy
logical relationship tahun ke-i dengan matching part. Jika current state
dengan aturan yang telah dibentuk sebelumnya cocok, maka nilai peramalan

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

pada tahun ke-t sama dengan nilai peramalan dari matching part yang
bersangkutan.
Ada beberapa ukuran kebaikan penyesuaian atau peramalan dapat dikenalkan,
seperti ukuran Mean Square Error (MSE), Root of MSE (RMSE), dan lain-lain.
X 1 , X 2 , , X n menyatakan keseluruhan data, maka data in sample dapat

Misal,

dinyatakan sebagai

X 1 , X 2 , , X m , m < n. Jika nilai hasil peramalan disebut

^
X1 , ^
X 2 , , ^
X m , m < n, RMSE dan MAPE untuk data in sample dapat
didefinisikan sebagai berikut:

RMSE=

( X t F (t))2
t=1

(1)

,m<n ,

X
( tF (t))
Xi

.100

(2)

t=1

MAPE=
C. HASIL DAN PEMBAHASAN

1. Menentukan Himpunan Semesta (U)

Jumlah data yang digunakan adalah sebanyak 21 data dari tahun 1994-2014.
Data terkecil adalah data pada tahun 1994 yaitu 379,44. Sedangkan data terbesar
adalah data pada tahun 2014 yaitu 900,99. Nilai
29,44, sedangkan nilai

D2

D1

yang digunakan adalah

yang digunakan adalah 21,01. Sehingga diperoleh

himpunan semesta U adalah sebagai berikut:

U= [ 379,4429,44, 900,99+21,01 ] =[ 350, 922 ]
Bagi himpunan semesta U ke dalam beberapa interval dengan panjang interval
yang sama. Pada penelitian ini, himpunan semesta U dibagi ke dalam 13 interval.

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Misalkan interval tersebut adalah

u1 ,u 2 , u3 ,u 4 ,u 5 , u6 , u7 ,u 8 ,u 9 , u10 ,u11 ,u12 ,

u13 . Sehingga interval yang terbentuk adalah

u4 = ,

u5= ,

u11 = ,

u12=

secara berurutan

m13=

u6= ,

u8= ,

u2= ,

u9= [ 702, 746 ) ,

u3= ,
u10= ,

u13= . Titik tengah (midpoint (mi) ) dari

dan

m 1=

adalah

u7= ,

u1= ,

350+ 394
=372 ,
2

m 2=

dan

ui

394+ 438
=416 , hingga
2

878+ 922
=900 .
2

2. Proses Fuzzifikasi
Pembentukan himpunan fuzzy

A1 , A1, , Ak

dilakukan berdasarkan

Ak

dapat diperoleh dengan

interval yang telah terbentuk. Himpunan fuzzy

fungsi keanggotaan. Sehingga diperoleh hasil sebagai berikut:

A 1=

1 0,5
+
u1 u2

A4=

0,5 1 0,5
+ +
u3 u4 u 5

A 5=

0,5 1 0,5
+ +
u 4 u 5 u6

A 8=

0,5 1 0,5
+ +
u7 u 8 u 9

A 9=

0,5 1 0,5
+ +
u8 u9 u10

A 12=

A 2=

0,5 1 0,5
+ +
u 1 u 2 u3

A 6=

A 10=

0,5 1 0,5
+ +
u11 u12 u13

0,5 1 0,5
+ +
u5 u6 u 7

0,5 1 0,5
+ +
u 9 u10 u11

A 13=

A 3=

0,5 1 0,5
+ +
u2 u 3 u 4

A 7=

A 11 =

0,5 1 0,5
+ +
u6 u 7 u 8

0,5 1 0,5
+ +
u 10 u11 u12

0,5 1
+
u12 u13

Interval yang telah terbentuk, difuzzifikasi sesuai dengan intervalnya masingmasing. Himpunan fuzzy
untuk interval

A 1 untuk interval

u1= , sampai dengan

A 13

u13 = . Sehingga diperoleh data fuzzifikasi untuk nilai PDB

Indonesia sebagai berikut:

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Tabel 1. Fuzzifikasi Data

Tahun

Data Aktual

Fuzzifikasi

Tahun

Data Aktual

1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004

379,44
411,30
442,73
463,54
402,69
405,88
425,85
441,37
461,22
483,27
507,59

A1
A2
A3
A3
A2
A2
A2
A3
A3
A4
A4

2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

536,48
565,99
601,90
638,10
667,64
709,19
755,19
802,49
848,88
900,99

Fuzzifikas
i
A5
A5
A6
A7
A8
A9
A10
A11
A12
A13

3. Membentuk Second-Order Fuzzy Logical Relationship (SFLR)

Berdasarkan hasil fuzzifikasi di atas, dapat dibentuk relasi logika fuzzy orde
kedua atau Second-Order Fuzzy Logical Relationship yang disingkat dengan
SFLR. SFLR dibentuk dengan mengambil data dari 2 tahun sebelumnya (F(t-2))
sebagai current state dan data pada tahun ke-t (F(t)) sebagai next state. Hasil
SFLR-nya adalah sebagai berikut:
Tabel 2. Pembentukan SFLR
A1 , A2 A3
A2 , A2 A3
A 4 , A5 A 5
A 8 , A 9 A10

A2 , A3 A3
A2 , A3 A3
A5 , A5 A6
A 9 , A 10 A 11

A3 , A3 A2
A3 , A3 A4
A 5 , A 6 A7
A 10 , A 11 A12

A3 , A2 A2
A3 , A4 A4
A 6 , A 7 A8
A 11 , A 12 A 13

A2 , A2 A2
A 4 , A4 A 5
A 7 , A 8 A9
A 12 , A13

4. Membentuk Second-Order Fuzzy Logical Relationship Group (SFLRG)

Setelah SFLR dari hasil fuzzifikasinya terbentuk, maka SFLR tersebut dapat
dikelompokkan berdasarkan himpunan fuzzy yang sama pada current state.
Kelompok SFLR tersebut disebut dengan SFLR Group (SFLRG). Sehingga,
berdasarkan hasil dari SFLR dapat diperoleh SFLRG sebagai berikut:
Tabel 3. Pembentukan SLFRG
Group Label
1

SFLRG
A1 , A2 A3

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

A2 , A3 A3 , A3
A3 , A3 A2 , A4
A3 , A2 A2
A 2 , A 2 A 2 , A3
A3 , A4 A4
A 4 , A4 A 5
A 4 , A5 A 5
A5 , A5 A6
A 5 , A 6 A7
A 6 , A 7 A8
A 7 , A 8 A9
A 8 , A 9 A10
A 9 , A 10 A 11
A 10 , A 11 A12
A 11 , A 12 A 13
A 12 , A13

5. Proses Defuzzifikasi
Proses defuzzifikasi dilakukan berdasarkan SFLRG yang terbentuk. Hasil dari
proses defuzzifikasi adalah berupa nilai peramalan pada pada next state dari
masing-masing group. Secara detail, proses defuzzifikasi dapat dijelaskan sebagai
berikut:
a. Group 2
Pada group 2, diperoleh SFLRG sebagai berikut:
A2 , A3 A3 , A3
Nilai keanggotaan maksimum pada himpunan fuzzy
u3=

dengan nilai titik tengah (midpoint)

next state, diperoleh dua himpunan fuzzy

m3

A3

jatuh pada interval

adalah sebesar 460. Pada

A 3 . Sehingga, nilai forecasting

untuk group 2 adalah sebagai berikut:

460+460
=460 .
5
b. Group 4
Pada group 4, diperoleh SFLRG sebagai berikut:

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

A3 , A2 A2

Dapat diketahui bahwa hanya terdapat satu himpunan fuzzy untuk next state
pada group 4 yaitu himpunan fuzzy
A2

untuk himpunan fuzzy

A 2 . Nilai keanggotaan maksimum

jatuh pada interval

u2=

dengan nilai titik

tengah m3 adalah 416. Maka nilai forecasting untuk group 4 adalah sebesar
416.
c. Group 17
Pada group 17, diperoleh SFLRG sebagai berikut:
A 12 , A13
Untuk group 17, terdapat next state yang tidak diketahui (unknown) yang
ditandai dengan tanda #. Nilai # adalah nilai forecasting untuk tahun ke t+1.
Untuk memperoleh nilai forecasting ke t+1, rumusnya adalah sebagai berikut:
m 13+

( m13m12 )
2

Nilai keanggotaan maksimum untuk

dengan nilai titik tengah

m12

keanggotaan maksimum untuk

nilai titik tengah

m13

A 13

A 12

jatuh pada interval

u12=

adalah sebesar 856. Sedangkan nilai

jatuh pada interval

u13=

dengan

adalah sebesar 900. Sehingga diperoleh nilai

forecasting untuk group 17 adalah sebagai berikut:

900+

( 900856)
=922 .
2

6. Menentukan Aturan Peramalan dan Melakukan Peramalan

Berdasarkan hasil defuzzifikasi di atas, dapat ditentukan beberapa aturan
peramalan sebagai berikut:
Tabel 4. Aturan Peramalan
Aturan
1

Matching Part
Jika fuzzifikasi tahun ke t-2 adalah
tahun ke t-1 adalah A 2

A1

dan

Forecasting
F(t)
460

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Jika fuzzifikasi tahun ke

tahun ke t-1 adalah A 3
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 3
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 2
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 2
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 4
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 4
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 5
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 5
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 6
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 7
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 8
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 9
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 10
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 11
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 12
Jika fuzzifikasi tahun ke
tahun ke t-1 adalah A 13

t-2 adalah

A2

dan

460

t-2 adalah

A3

dan

460

t-2 adalah

A3

dan

416

t-2 adalah

A2

dan

438

t-2 adalah

A3

dan

504

t-2 adalah

A4

dan

548

t-2 adalah

A4

dan

548

t-2 adalah

A5

dan

592

t-2 adalah

A5

dan

636

t-2 adalah

A6

dan

680

t-2 adalah

A7

dan

724

t-2 adalah

A8

dan

768

t-2 adalah

A9

dan

812

t-2 adalah

A 10

dan

856

t-2 adalah

A 11

dan

900

t-2 adalah

A 12

dan

922

Aturan-aturan yang telah diperoleh akan digunakan untuk meramalkan

data nilai PDB Indonesia tersebut. Secara lengkap, hasil analisisnya dapat dilihat
pada tabel 5. Hasil peramalan nilai PDB Indonesia dengan plot dapat dilihat pada
gambar 1. di bawah ini.
Tabel 5. Hasil Peramalan Nilai PDB Indonesia

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Tahun
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015

Data
379,44
411,30
442,73
463,54
402,69
405,88
425,85
441,37
461,22
483,27
507,59
536,48
565,99
601,90
638,10
667,64
709,19
755,19
802,49
848,88
900,99
-

SFLR
A1 , A2 A3
A2 , A3 A3
A3 , A3 A2
A3 , A2 A2
A2 , A2 A2
A2 , A2 A3
A2 , A3 A3
A3 , A3 A4
A3 , A4 A4
A 4 , A4 A 5
A 4 , A5 A 5
A5 , A5 A6
A 5 , A 6 A7
A 6 , A 7 A8
A 7 , A 8 A9
A 8 , A 9 A10
A 9 , A 10 A 11
A 10 , A 11 A12
A 11 , A 12 A 13
A 12 , A13

Aturan
1
2
3
4
5
5
2
3
6
7
8
9
10
11
12
13
14
15
16
17

Forecasting F(t)
460
460
460
416
438
438
460
460
504
548
548
592
636
680
724
768
812
856
900
922

Peramalan dengan Metode SFTS

1000.00
800.00
600.00
Nilai PDB

PDB

400.00

Peramalan

200.00
0.00

Tahun

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Gambar 1. Plot Data Aktual dan Peramalannya

7. Perbandingan Peramalan dengan Metode ARIMA
Tabel 6. Perbandingan Peramalan dengan Metode ARIMA
Negara
Indonesia
Malaysia
Philippines
Thailand
Singapore

SFTS
RMSE
MAPE
17,24
2,41
4,73
2,10
2,22
1,25
8,94
2,86
6,26
2,59

ARIMA
RMSE
MAPE
20,98
2,46
6,37
2,35
3,33
1,40
10,76
3,33
7,64
2,98

Metode
Terbaik
SFTS
SFTS
SFTS
SFTS
SFTS

Hasil
Peramalan
922
310
253
380
285

Pada tabel 6. di atas, dapat dilihat bahwa nilai MSE dan MAPE terkecil
untuk Indonesia, Malaysia, Philippines, Thailand, dan Singapore dihasilkan
dengan metode SFTS. Hal ini menunjukkan bahwa metode yang terbaik untuk
peramalan nilai PDB Indonesia dan empat negara lainnya adalah dengan
menggunakan metode SFTS. Secara umum, diprediksi bahwa kelima negara
tersebut akan mengalami kenaikan nilai PDB pada tahun 2015. Kenaikan nilai
PDB terbesar pada tahun 2015 diprediksi dialami oleh Singapore dengan
persentase kenaikan sebesar 3,44%.
D. SIMPULAN DAN SARAN
1. Simpulan
Berdasarkan hasil analisis yang telah dilakukan, diperoleh beberapa
kesimpulan sebagai berikut:
a. Metode peramalan terbaik dari dua metode yang digunakan yaitu metode
Second-Order Fuzzy Time Series (SFTS) dan Autoregressive Integrated
Moving Average

(ARIMA) untuk Nilai PDB Indonesia, Malaysia,

Philippines, Thailand, dan Singapore adalah metode SFTS.

b. Berdasarkan metode peramalan terbaik dari kedua metode yang digunakan,
diperoleh hasil peramalan nilai PDB tahun 2015 yaitu Indonesia sebesar 922
Milliar US Dollar, Malaysia sebesar 310 Miliar US Dollar, Philippines sebesar
253 Milliar US Dollar, Thailand sebesar 380 Milliar US Dollar dan Singapore
sebesar 285 Miliar US Dollar. Secara umum diprediksi bahwa kelima negara

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

tersebut akan mengalami kenaikan nilai PDB pada tahun 2015. Kenaikan nilai
PDB terbesar pada tahun 2015 diprediksi dialami oleh Singapore dengan
persentase kenaikan sebesar 3,44%.
2. Saran
Berdasarkan kesimpulan di atas, dapat diberikan beberapa saran sebagai
berikut:
a. Bagi pemerintah, agar dapat menjadi bahan dalam pengambilan kebijakan
seperti meningkatkan produksi barang dan jasa dalam kegiatan ekonomi di
masyarakat, sehingga dapat meningkatkan laju pertumbuhan Nilai PDB
Indonesia sebagai usaha dan persiapan dalam menghadapi MEA 2015.
b. Bagi peneliti selanjutnya, agar dapat mengembangkan dan meningkatkan
analisis peramalan dengan menggunakan metode Fuzzy Time Series sehingga
diperoleh hasil peramalan yang lebih optimal.
E. DAFTAR PUSTAKA
Chen, S. M.. 1996. Forecasting enrollments based on fuzzy time series. Fuzzy Sets and
Systems. 81: 311-319.
Chen, S. M. dan C. C. Hsu. 2004. A New Method to Forecast Enrollments Using Fuzzy
Time Series. International Journal of Applied Science and Engineering. 3: 234244.
Heerman, Kari. 2014. World Bank World Development Indicators, International
Financial Statistics of the IMF, IHS Global Insight, and Oxford Economic
Forecasting, as well as estimated and projected values developed by the
Economic Research Service all converted to a 2010 base year. Website:
www.ers.usda.gov (Diakses pada 20 Desember 2014).
Hsu, L.Y., S.J. Horng, T.W. Kao, Y.H. Chen, R.S. Run, R.J. Chen, J.L. Lai, I.H. Kuo.
2010. Temperature prediction and TAIFEX forecasting based on fuzzy
relationships and MTPSO techniques. Expert Systems with Applications. 37:
27562770.
Lamabelawa, M. I. J.. 2011. Metode Fuzzy Time Series untuk Peramalan Data Runtun
Waktu (Studi kasus: Produk Domestik Bruto Indonesia). [Tesis]. Yogyakarta.
Universitas Gadjah Mada.
Makridakis S, Steven C, Wheelwright, Victor E and Mc Gee, 1999. Metode dan Aplikasi
Peramalan Jilid I. Edisi Kedua. Binarupa Aksara: Jakarta.
Olatayo, T.O. dan A.I. Taiwo. 2014. Statistical Modelling and Prediction of Rainfall Time
Series Data. Global Journal of Comuter Science and Technology:G
Interdisciplinary. 14:1-10.
Rosadi, Dedi. 2011. Analisis Ekonometrika dan Runtun Waktu Terapan dengan R Aplikasi
untuk bidang ekonomi, bisnis, dan keuangan. Penerbit Andi: Yogyakarta.

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY

ISBN : 978 979 16353 6 3

Song, Q. dan B. S. Chissom. 1993. Fuzzy time series and its models. Fuzzy Sets and
systems. 54: 269-277.
Song, Q. dan B. S. Chissom. 1993. Forecasting enrollments with fuzzy time series: Part I.
Fuzzy Sets and systems. 54: 1-9.
Song, Q. dan B. S. Chissom. 1994. Forecasting enrollments with fuzzy time series: Part
II. Fuzzy Sets and systems. 62: 1-8.
Steven. 2013. Perbandingan Metode Fuzzy Time Series dan Holt Double Exponential
Smoothing Pada Peramalan Jumlah Mahasiswa Baru Institut Pertanian Bogor.
[Skripsi]. Bogor. Institut Pertanian Bogor.

Lomba dan Seminar Nasional Pendidikan Matematika (LSM

XXIII) HIMATIKA FMIPA UNY