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
(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
dapat
dijelaskan
sebagai
R(t ,t1)
R(t ,t1)
F( t1)
dan
F( t) .
F( t) .
Definisi 2. Misalkan
F(t )
F( t)
diakibatkan oleh
direpresentsikan
oleh
F ( t ) , , F ( t2 ) , F (t1) F(t ) .
F ( t ) , , F ( t2 ) , F (t1)
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:
himpunan
semesta
dengan
A1 , A2, , Ak
di mana k
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
x /u k
Ak .
Ai , A j
Ak
Ak
uk
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
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
^
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
D2
D1
u5= ,
u11 = ,
u12=
secara berurutan
m13=
u6= ,
u8= ,
u2= ,
u3= ,
u10= ,
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
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
A 13
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
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
SFLRG
A1 , A2 A3
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=
m3
A3
A3 , A2 A2
Dapat diketahui bahwa hanya terdapat satu himpunan fuzzy untuk next state
pada group 4 yaitu himpunan fuzzy
A2
u2=
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
m12
m13
A 13
A 12
u12=
u13=
dengan
( 900856)
=922 .
2
Matching Part
Jika fuzzifikasi tahun ke t-2 adalah
tahun ke t-1 adalah A 2
A1
dan
Forecasting
F(t)
460
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
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
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
PDB
400.00
Peramalan
200.00
0.00
Tahun
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
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.