Majid

Jurnal Optimasi Teknik Khedmati

Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

DOI: 10,22094 /
JOIE.2018.538229

Tiga Pendekatan Time Series Forecasting Minyak Permintaan di

Negara OECD
Majid KhedmatiSebuah,*, Babak Ghalebsaz-
Jeddib
a, b
Jurusan Teknik Industri, Sharif University of Technology, Tehran, Iran
Menerima Juni 2014 08; Revisi 16 Februari 2016; Diterima 17 Februari 2016

Abstrak
Minyak (minyak mentah) adalah salah satu sumber daya yang paling penting dari energi dan permintaan dan konsumsi tumbuh sementara itu
adalah sumber energi tidak terbarukan. Oleh karena itu peramalan permintaan yang diperlukan untuk merencanakan strategi yang tepat untuk
mengelola kebutuhan masa depan. Dalam makalah ini, tiga jenis metode time series termasuk univariat Seasonal ARIMA, Winters peramalan
dan Fungsi Transfer-noise (TF) model yang digunakan untuk meramalkan permintaan minyak di negara-negara OECD. Untuk melakukan hal
ini, kita menggunakan data permintaan dari Januari 2001 sampai September 2010 dan bertahan data dari Oktober 2009 sampai September
2010 untuk menguji kecukupan perkiraan. Untuk model TF, permintaan minyak OECD dimodelkan sebagai fungsi dari PDB mereka. Kami
membandingkan root mean square error (RMSE) dari model dipasang dan memeriksa apa persentase data pengujian tertutup oleh interval
kepercayaan (CI). Dengan demikian kami menyimpulkan bahwa Fungsi Transfer Model menunjukkan kinerja peramalan yang lebih baik.
Kata kunci:Time series forecasting, negara-negara OECD, permintaan pengamatan masa depan dan perilaku masa depan
Petroleum proses. Ada banyak aplikasi untuk waktu peramalan
seri dalam konteks yang berbeda dan energi adalah
1. Perkenalan salah satu yang paling penting dari mereka.
Dalam sebuah studi komprehensif, Gooijer dan
Peramalan permintaan energi merupakan bagian penting Hyndman (2006) Ulasan terakhir 25 tahun penelitian
dari perencanaan energi di mana, lebih akurasi mengarah ke bekerja dalam waktu peramalan seri yang diterbitkan
rencana yang lebih baik. sumber energi dibagi menjadi dua dalam jurnal yang berbeda dan memberikan
kategori utama: sumber daya terbarukan dan tidak beberapa arah dan rekomendasi untuk penelitian
terbarukan. Mengingat kategorisasi ini, minyak bumi masa depan
(minyak mentah) adalah sumber energi non-terbarukan di * Sesuai Alamat penulis Email: majid.khedmati@yahoo.com
mana ia tidak dapat diganti setelah telah digunakan. Dengan
perkembangan masyarakat dan industri di seluruh dunia,
permintaan dan konsumsi sumber daya energi ini yang
merupakan dasar untuk berbagai macam produk berbasis
minyak dan digunakan dalam berbagai aplikasi,
meningkatkan terhadap pasokan terbatas (dan sebagai
hasilnya, persediaan dapat menurunkan dalam jangka
panjang). Karena itu, perlu untuk merencanakan strategi
yang sesuai untuk permintaan minyak untuk mengatasi
masalah kekurangan sumber energi ini di masa depan dan
menjamin keamanan energi. Namun demikian, dalam
perencanaan strategi masa depan untuk permintaan energi,
kita perlu memiliki prediksi permintaan dan konsumsi di
masa depan.
Time series forecasting adalah salah satu metode peramalan
banyak digunakan, di mana kita menggunakan masa
observasi dari variabel yang sama untuk mengembangkan
model yang mewakili proses yang mendasari mekanisme
pembangkit yang telah menghasilkan pengamatan yang
diberikan, dan menggunakan model ini untuk meramalkan

17
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

di bidang ini (dalam waktu peramalan series). Huntington (2011)

memberikan perbandingan 10 tahun proyeksi backcast konsumsi
minyak AS berdasarkan beberapa bentuk fungsional untuk
periode 2000 sampai 2009. Salah satu pendekatan struktural
diusulkan untuk mempertimbangkan faktor-faktor lain, kecuali
nilai permintaan terakhir, yang mempengaruhi permintaan
minyak di model dan menunjukkan bahwa autoregressive
didistribusikan model lag, model yang memungkinkan
permintaan minyak untuk merespon secara berbeda terhadap
kenaikan harga dan penurunan, lebih baik dari semua model
lainnya termasuk model univariat. Cheong (2009) menggunakan
model yang fleksibel heteroskedastisitas bersyarat autoregressive
(ARCH) untuk menyelidiki volatilitas waktu-bervariasi dari
West Texas pasar minyak mentah Menengah dan Eropa Brent
dan menyimpulkan bahwa volatilitas dalam WTI lebih besar
daripada di Brent. Ye et al. (2005) mengusulkan sebuah model
peramalan jangka pendek harga minyak mentah WTI tempat
bulanan menggunakan tersedia OECD (Organization for
Economic Co-operation and Development) tingkat persediaan
minyak bumi industri dan dengan membandingkannya dengan
model lain, menunjukkan sampel di- baik dan keluar prakiraan -
dari-sampel (di-sampel perkiraan adalah nilai-nilai pas untuk
data yang tersedia sedangkan out-of-perkiraan sampel adalah
nilai-nilai yang diperkirakan dari masa depan). Pedregal et al.
(2009) mengembangkan model ekonometrik untuk
memperkirakan elastisitas permintaan produk minyak mentah
lima yang paling penting di Spanyol. Model yang diusulkan
mengambil keuntungan dari informasi bulanan dan termasuk
model komponen tidak teramati multivariat. Teramati komponen
model terurai time series menjadi beberapa teramati komponen
meskipun ekonomi bermakna (terutama trend, musiman dan
ketidakteraturan). Menurut hasil mereka, utama faktor berasal
permintaan adalah pendapatan riil dengan harga memiliki
dampak yang kecil Teramati komponen model terurai time series
menjadi beberapa teramati komponen meskipun ekonomi
bermakna (terutama trend, musiman dan ketidakteraturan).
Menurut hasil mereka, utama faktor berasal permintaan adalah
pendapatan riil dengan harga memiliki dampak yang kecil
Teramati komponen model terurai time series menjadi beberapa
teramati komponen meskipun ekonomi bermakna (terutama
trend, musiman dan ketidakteraturan). Menurut hasil mereka,
utama faktor berasal permintaan adalah pendapatan riil dengan
harga memiliki dampak yang kecil

18
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

pada konsumsi energi. Akkurt et al. (2010) memperkirakan
konsumsi gas dari Turki menggunakan exponential
smoothing, Winters peramalan dan metode Box-Jenkins
dan menyimpulkan bahwa untuk data tahunan, double
exponential smoothing dan untuk data bulanan, Model
Musiman ARIMA melebihi model lainnya berdasarkan
kinerja peramalan. Jiping dan Ping (2008) disajikan
integrasi dan koreksi kesalahan vektor Model co- untuk
meramalkan permintaan minyak mentah China
berdasarkan empat faktor dari PDB, populasi, pangsa
industrialsector dalam PDB, dan harga minyak, dan
menggunakan model ini untuk meramalkan China
permintaan minyak mentah pada periode 2008-2020.
Namun tidak ada pekerjaan penelitian tentang peramalan
permintaan minyak di negara-negara OECD dan ini adalah
karya pertama di atasnya. Dalam makalah ini kami
mengembangkan model rangkaian waktu peramalan untuk
meramalkan permintaan minyak di negara-negara OECD.
OECD berasal pada tahun 1948 sebagai Organisasi Eropa
Kerjasama Ekonomi
(OEEC) untuk membantu mengelola Marshall Plan untuk
rekonstruksi Eropa setelah Perang Dunia II. Kemudian,
keanggotaannya diperluas ke negara-negara non-Eropa. Di
(MA) operator agar p dan q masing-masing didefinisikan
dengan mengikuti persamaan:
Φ (B) = 1- φ1B- ... - φpBp
θ (B) = 1- θ1B- ... - θqBq
whereφ1, ..., φpadalah koefisien autoregressive andθ1, ..., θq
bergerak rata-rata koefisien, lihat Kotak et al. (1994),
misalnya. Namun, ketika ada pola musiman atau periodik
dalam proses di mana pengamatan di, mengatakan, selang
terpisah mirip, model ARIMA musiman berguna. Salah satu
bentuk umum dari model tersebut dalam bentuk perkalian
Seasonal-nonseasonal ARIMA (p, d, q) (P, D, Q)s, Di mana
P, D, Q dan s adalah parameter musiman, untuk lebih
jelasnya lihat Pankratz (1983) atau Box et al. (1994),
misalnya.
Sebuah model Musiman-nonseasonal perkalian dapat
ditulis sebagai:
ss D d S
Φp(B) ΦP(B) (1-B) (1-B) Zt= θQ(B) θq(B) at

1961, itu direformasi menjadi Organisasi untuk Kerjasama Φ (B) (1-B)d Zt= Θ (B)
Ekonomi dan Pembangunan oleh Konvensi Organisasi at
untuk Kerjasama Ekonomi dan Pembangunan. Sekarang, di whichât adalah elemen kesalahan acak pada waktu t
OECD adalah sebuah organisasi ekonomi internasional umumnya
dari 34 negara didirikan pada tahun 1961 untuk mendorong dianggap sebagai proses white noise dengan mean nol, B
kemajuan ekonomi dan perdagangan dunia. OECD adalah asBz Operator backshift didefinisikant = zt-1,
mewakili dirinya sebagai forum negara-negara Sehingga (1-B) adalah differencing dan d mewakili berapa
berkomitmen untuk demokrasi dan ekonomi pasar, kali data asli dibedakan, yang disebut urutan differencing.
menyediakan platform untuk membandingkan pengalaman Φ (B) dan θ (B) adalah autoregressive (AR) dan rata-rata
kebijakan, mencari jawaban atas masalah-masalah umum, bergerak
mengidentifikasi praktek-praktek yang baik, dan
koordinasi kebijakan domestik dan internasional dari
anggotanya.
Sisa kertas ini disusun sebagai berikut. Pada bagian 2,
metodologi peramalan yang berbeda termasuk univariat
ARIMA, Winters peramalan dan Fungsi Transfer model
dijelaskan. Set permintaan minyak data dijelaskan dan
perbandingan dan evaluasi perkiraan model yang
dikembangkan disediakan dalam Bagian 3. Akhirnya,
kertas disimpulkan dalam Bagian 4.
2. Time Series Metodologi Peramalan: Briefing a
2.1. model ARIMA univariat
ARIMA adalah model yang paling populer untuk waktu
peramalan seri, terutama untuk peramalan jangka pendek,
dan berguna untuk hal lagi ketika pola periodik yang hadir.
Model ARIMA adalah pernyataan aljabar menunjukkan
bagaimana waktu-series variabel Zt terkait dengan masa lalu
sendiri nilai Zt-1, Zt-2, ..., dan model ini dibangun
berdasarkan asumsi bahwa proses menghasilkan stasioner,
setidaknya lemah stasioner, yaitu sebuah proses yang mean,
varians dan matriks kovariansi tetap sama dengan
pergeseran waktu. Model ARIMA pesanan (p, d, q) dapat
ditulis sebagai

19
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

WhereΦp(B) dan ΦP(Bs) Menunjukkan operator

autoregressive nonseasonal dan istilah musiman, dan θq(B)
dan θQ(BS) Menunjukkan bergerak istilah nonseasonal dan
musiman rata-rata.

2.2. Model Wintersforecasting

Winters model peramalan menghaluskan pengamatan oleh
Holt-Winters pemulusan eksponensial dan menyediakan
pendek untuk jarak menengah peramalan. Model ini
digunakan ketika kedua trend dan musiman yang hadir,
dengan dua komponen ini menjadi baik aditif atau
multiplikatif. Ketika pola musiman dalam data tergantung
pada ukuran data yang kami menggunakan model
multiplikatif sedangkan, ketika pola musiman dalam data
tidak tergantung pada ukuran data yang kita menggunakan
model aditif. Model Winters menghitung perkiraan
dinamis untuk tiga komponen: tingkat, tren, dan musiman.
Pada awalnya kita mendefinisikan berikut variabel:

Lt = Α (Yt/ Stp) + (1-α) [Lt-1 + Tt-1]

Tt = Γ [Lt - Lt-1] + (1-γ) Tt-1
St = Δ (Yt / Lt) + (1-δ) Stp
di whichLtadalah tingkat pada waktu t, αis berat untuk
tingkat, Ttadalah tren pada waktu t, γis berat untuk tren,
Stadalah komponen musiman pada waktu t, δis berat untuk
komponen musiman, p adalah periode musiman dan Yt
adalah nilai data pada waktu t.
Menggunakan variabel di atas dan persamaan, Winters
model multiplikatif
adalah:

Ŷt = (Lt-1 + Tt-1) Stp

dan Winters model aditif

adalah:

Ŷt = Lt-1 + Tt-1 + Stp

whereŶt adalah nilai dipasang, atau perkiraan satu-periode-

depan, pada waktu t.

20
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

Model Winters menggunakan tingkat, tren, dan komponen
musiman untuk menghasilkan perkiraan. Perkiraan untuk
periode m ke depan dari titik pada waktu t ISL t + mTt.
2.3. Model fungsi transfer
Transfer Function Model berkaitan proses masukan Xt
untuk output processYt, Menggunakan fungsi respon
impuls yang menentukan Fungsi transfer untuk sistem
melalui hubungan linier yang dinamis antara input Xt dan
outputYt. Ketika kondisi di Data whichthe untuk proses
time series dikumpulkan perubahan dari waktu ke waktu,
kita dapat menggambarkan perubahan ini dengan
memperkenalkan input tertentu dan akibatnya kita bisa
menggunakan Fungsi Transfer model. Transfer Function
model memungkinkan kita untuk mempertimbangkan
beberapa parameter yang lebih, selain nilai-nilai masa lalu
dari variabel yang sama, yang mempengaruhi proses yang
mendasari dalam model dan akibatnya kita dapat
menggambarkan dan model proses ini lebih tepat. Bentuk
umum dari Transfer Function model dengan b waktu tunda
antara respon dan masukan adalah:
yt Bxt B B
Nt x
B tb t
B dari proses perubahan selama waktu dan juga, kita dapat
 nilai pengamatan dari Mei kurang dari nilai-nilai
dimanaB B saya . s
saya a ini diulangi dalam years.Hence lain, periode musiman
0 y
a dianggap bes = 12. Sedangkan model ARIMA yang
Selanjutnya Nt merupakan proses kebisingan yang tidak
teramati dan dapat dimodelkan sebagai ARIMA (p, d, q)
dan, ε t merupakan guncangan acak independen. juga xt dan
Nt diasumsikan independen, lihat Montgomery et al. (2008).
3. Model Fitting dan Peramalan
3.1. Data set
Karena pentingnya minyak bumi dan produk-produknya di
berbagai industri dan aplikasi, dalam makalah ini model
rangkaian waktu peramalan akan diusulkan untuk
peramalan permintaan minyak dari negara-negara OECD.
Untuk
melakukan hal ini, kami menggunakan theOECD data
permintaan minyak negara 2001-2010, extractedfrom
Administrasi Informasi Energi AS (EIA). Kumpulan data
ini berisi
117 observasi (dalam ribuan barel per hari) untuk
permintaan minyak bulanan negara-negara OECD dari
Januari 2001 hingga September 2010.
Data dibagi menjadi dua kelompok, data dalam kelompok
pertama untuk membangun model peramalan dan data
pengujian untuk memverifikasi akurasi dan kinerja model
yang diusulkan. Oleh karena itu, pertama 105 pengamatan
dari Januari 2001 hingga September 2009 telah terpilih
sebagai kelompok pertama dan sisanya dari pengamatan
dari Oktober 2009 sampai dengan September 2010
ditugaskan untuk kelompok kedua sebagai data pengujian
untuk menguji dan memverifikasi kinerja model peramalan
yang diusulkan .
Pengamatan data pelatihan ditunjukkan pada Gambar
1. Menurut Gambar 1, proses ini tidak stasioner dan mean
menemukan musiman dalam proses sejak misalnya, nilai-
dari bulan-bulan lainnya dalam tahun yang sama dan pola
ditunjuk untuk time series stasioner, perlu untuk mengubah
proses ini menjadi stasioner satu. Untuk membuat rata-rata
dari stasioner seri, kami perbedaan pengamatan berturut-
turut dari variabel acak Zt, Dan juga kita menggunakan
differencing musiman untuk menghilangkan stasioneritas
non musiman wt = (1-B) (1-Bs) Zt.

21
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

Gambar. Demand 1. negara OECD bulanan minyak bumi dari Jan-2001 untuk September-2009 (12 pengamatan disisihkan sebagai
data uji).
Menurut Gambar 2, variabel baru wt stasioner dan musiman Proses, namun, kami lewati di sini dan memeriksa lebih
dihapus dari itu. Meskipun, tampaknya musiman bahwa tepatnya dalam mengembangkan model.
dengan periode s = 6 mungkin ada di

21
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

Gambar. 2. negara OECD permintaan minyak bulanan dibedakan musiman sederhana dan.
Sekarang, kita menggunakan variabel baru wt untuk
mengembangkan waktu model seri peramalan.
3.2. ARIMA modelformulation
Sekarang, dengan menggunakan fungsi autokorelasi (ACF)
dan fungsi autokorelasi parsial (PACF) pengamatan
ofdifferenced, kami mengidentifikasi model twoARIMA
dan dengan membandingkan mereka, menentukan yang
terbaik onebased pada kinerja peramalan langkah di depan
satu-.
Menganalisis ACF dan PACF dari pengamatan dan residu,
kami mengidentifikasi dua model ARIMA musiman yang
berbeda termasuk: ARIMA (2,1,0) (0,1,0) 12 andARIMA
(2,1,0) (0,1,0)6(0,1,0)12.
Kemudian kami memperkirakan parameter model ini dan
menghitung RMSE, AIC dan langkah-langkah BIC untuk
membandingkan dan mengevaluasi kinerja model
peramalan yang diusulkan. model ARIMA yang diusulkan
dalam notationare backshift, masing-masing:

(1 + 0.741B + 0.584B2) (1 - B) (1 - B12) zt = at(1)

(1 + 0.704B + 0.475B2) (1 - B) (1 - B6) (1 - B12) zt = at(2)

Di sini, kami membatasi melaporkan koefisien hingga 3 kriteria, kami juga mempertimbangkan jumlah observasi
desimal akurasi. Tabel 1 membandingkan ukuran kinerja (12 terakhir) benar memprediksi dengan selang
dari dua model ARIMA musiman. Sebagai kebaikan lain kepercayaan 80% di masing-masing model.

Tabel 1
Perbandingan dua model ARIMA musiman berdasarkan RMSE, AIC dan BIC
Jumlah Model ARIMA RMSE AIC BIC Jumlah data dalam 80% CI
(1) ARIMA (2,1,0) (0,1,0)12 774,87 1488,13 1495,69 4 dari 12
(2) ARIMA (2,1,0) (0,1,0)6(0,1,0)12 1049,69 1443.48 1450.84 11 dari 12

Gambar 3 menunjukkan nilai-nilai dipasang dan nilai-nilai
diperkirakan dengan interval kepercayaan 80%. Jadi, kami
menggunakan kedua hasil disajikan pada Tabel 1 dan
Gambar 3 untuk menentukan model terbaik. Hasil pada
Tabel 1 menunjukkan bahwa AIC dan langkah-langkah
BIC untuk model (2) kurang dari Model (1) dan buruk, yang
RMSE untuk model (1) kurang dari RMSE
model (2). Mengandalkan hanya untuk hasil ini kita tidak
dapat menentukan model mana yang lebih baik, tapi
mengingat hasil Gambar 3, kita dapat melihat bahwa dalam
model (1), 8 pengamatan asli tidak termasuk dalam selang
kepercayaan 80%.

20
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

(Se
bua
h)

(B)

. Gambar 3. Data dan prakiraan dilengkapi dengan 80% CI untuk: (a) ARIMA (2,1,0) (0,1,0) 12 dan (b) ARIMA (2,1,0) (0,1,0)6(0,1,0)12,
(C) perbandingan pengamatan dan perkiraan model.

21
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

Dengan kata lain, dalam model (1) selang kepercayaan 80% kinerja model (2) jauh lebih baik mengingat data uji.
hanya mencakup 4 pengamatan dari 12 pengujian data Akhirnya, mengingat ukuran kinerja dari RMSE, AIC dan
terakhir. Sebaliknya, interval kepercayaan 80% model (2) BIC, di samping kinerja peramalan,
meliputi 11 pengamatan dari 12. Oleh karena itu, peramalan

22
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

kami menyimpulkan bahwa model (2) lebih unggul (1)
model. Bahkan, model terbaik pas untuk proses ini adalah
model yang (2).
3.3. Wintersforecasting modelformulation
Pada bagian ini kita cocok dengan model peramalan
Winters pengamatan. Langkah pertama dalam prosedur ini
adalah menentukan model yang Winters yang sesuai, baik
perkalian atau aditif, dipasang pada pengamatan. Karena
ukuran pola musiman untuk OECD data permintaan minyak
relatif sebanding dengan pengamatan, kami
choosemultiplicativeWinters model.then, kita harus
memperkirakan nilai parameter untuk model yang dipilih.
Model pas untuk pengamatan dan nilai-nilai peramalan untuk
12 Data pengujian ditunjukkan pada Gambar 4.

Gambar. 4. Data dan prakiraan dilengkapi dengan 95% CI untuk model Winters perkalian.
Nilai-nilai optimal untuk parameter model (α, γ, δ) adalah model ARIMA terbaik. Juga, Gambar 5 membandingkan
(0,274, 0.115,0.104). RMSE itu, AIC dan BIC untuk model nilai-nilai diperkirakan dan asli dengan interval
ini areshown pada Tabel 2. RMSE dari model ini kepercayaan 95%.
isconsiderably kecil dibandingkan dengan RMSE dari

Meja 2
Hasil kinerja model Winters berdasarkan RMSE, AIC dan BIC
Model RMSE AIC BIC Jumlah data dalam 95% CI
Model Winters 680,90 1.375,90 1.383,90 5 dari 12

Hasil peramalan pada Gambar 5 menunjukkan bahwa kinerja dalam hal RMSE, sementara itu memiliki kinerja
interval kepercayaan 95% hanya mencakup 5 pengamatan yang buruk dalam peramalan dan hanya 42% dari
dari 12. Mengingat performa RMSE dan peramalan model pengamatan asli ditutupi oleh 95% interval kepercayaan
ini, kami menyimpulkan bahwa model ini memiliki baik yang lebih luas.

23
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

Gambar. 5. Perbandingan pengamatan dan prakiraan model Winters

24
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

3.4. Transfer formulasi model fungsi
Menggunakan Fungsi Transfer model, kita dapat
memperkenalkan variabel yang berpengaruh baru untuk
model yang mempengaruhi mendasari
process.Consequently, kita bisa menjelaskan perilaku
proses secara lebih rinci dan mengembangkan model yang
lebih akurat dengan kinerja peramalan yang lebih baik.
Sebuah variabel identifiedas variabel yang berpengaruh
pada perilaku permintaan negara-negara minyak OECD
adalah PDB. PDB adalah ukuran output ekonomi yang
dihasilkan dari produksi barang dan jasa yang dipasarkan
dalam batas nasional. Barang dan jasa (untuk tujuan ini)
senilai harga pasar mereka dan output bruto depresiasi
modal. Oleh karena itu, kami mengumpulkan perubahan
PDB persen dari Januari 2001 sampai
September 2010 dan menggunakan metode Fungsi Transfer
untuk menambahkan variabel ini untuk model.
Pada langkah pertama, kita dipasang sebuah ARIMA
(2,1,0) Model data GDP dan kemudian, kita menghitung
nilai korelasi silang antara permintaan minyak bumi dan
GDP.With
menganalisis nilai-nilai korelasi silang, waktu tunda
dianggap 4and sesuai dengan fungsi respon impuls yang
berbeda, lihat Montgomery et al. (2008), fungsi respon
impuls yang dipilih adalah υt = ω0B4.
memperkirakan ω0, Model awal untuk permintaan minyak
bumi
akan Beyt = -131.16xt-4 + Nt. Menganalisis residual (yaitu
kebisingan Nt) Dari hubungan ini dan pas model ARIMA
pada
mereka, kita memperoleh formulasi TF berikut:

1 0.40B 1 0.76B12 0.36B 24 

yt 131.16xt 4  t
(3)
1 0.87B1 0.29B3 0.22B19

Hasil pada Tabel 3 menunjukkan RMSE, AIC dan BIC untuk

model ini. Dipasang dan diperkirakan nilai dengan 80% confidence interval juga ditunjukkan pada Gambar 6.

tabel 3
Hasil kinerja Fungsi Transfer model yang didasarkan pada RMSE, AIC dan BIC
Model RMSE AIC BIC Jumlah data dalam 80% CI
Model TF (3) 798,97 1.628,12 1648,96 12 dari 12

Berdasarkan Gambar 6, kita melihat bahwa tingkat yang RMSE dari Transfer Function model secara signifikan
kepercayaan 80% untuk model ini meliputi semua kurang dari RMSE dari model ARIMA terbaik.
pengamatan 12 pengujian yang merupakan kinerja akurasi
yang dapat diterima. Bahkan,

Gambar. 6. data dan prakiraan dilengkapi dengan 80% CI untuk model (3).
mengakui bahwa RMSE dari Transfer Function model
Membandingkan hasil model ini dengan hasil ARIMA dan
considerablyless dibanding model (2) -yang terbaik
Winters model peramalan pada bagian sebelumnya, kita
ARIMA model- Namun, sedikit lebih besar dari RMSE dari

25
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
dan Autumn 2018,... 17-24

model peramalan Winters. Juga semua nilai-nilai yang

Model dalam hal RMSE, model ini memiliki hasil buruk
diperkirakan dari model ini adalah dalam selang
dalam meliput pengamatan pengujian untuk tingkat
kepercayaan 80% dan secara signifikan dekat dengan nilai
kepercayaan tertentu. Sebaliknya, Fungsi Transfer Model
yang sebenarnya. Terlepas dari kinerja yang baik dari
memberikan pertunjukan yang memuaskan berdasarkan pada
Winters
kedua RMSE dan keyakinan level.Therefore,
memperkenalkan dan menambahkan PDB variabel baru ke
modelhas dipimpin untuk mendapatkan model yang
menggambarkan proses menghasilkan mendasari
mechanismmore akurat daripada models.As lainnya
konsekuensinya, kami memperoleh peramalan yang lebih
baik

26
 Majid
Jurnal Optimasi Teknik Khedmati
Industri, vol.11,etIssue 2, Summer
al./Three Pendekatan Time Series
hasil kinerja dari ARIMA dan Winters model peramalan.
Hal ini penting untuk dicatat, berdasarkan hasil, bahwa
model univariat umumnya meremehkan pengamatan masa
depan dan hampir semua pengamatan diperkirakan kurang
dari
yang asli. Ini kinerja yang buruk dari univariat yang
Model mungkin karena penurunan mendadak dalam minyak
bumi
permintaan mulai Januari 2008 untilMay 2009. Namun,
Transfer Functionmodel memadai menggambarkan
Model dan perkiraan model ini sangat dekat dengan
pengamatan asli.
4. Kesimpulan
Menggunakan metodologi time series, kami mengusulkan
lima model peramalan permintaan minyak dari negara-
negara OECD termasuk dua model ARIMA musiman,
Model aWinters peramalan dan aTransfer model Fungsi.
Kami membandingkan dua model ARIMA musiman dan
dipilih yang terbaik dari mereka. Kemudian, kita
dibandingkan dengan Winters peramalan dan Fungsi
Transfer model yang diusulkan dan menyimpulkan bahwa
yang terbaik di antara semua dari mereka adalah model
yang TF yang diusulkan. Meskipun RMSE dari model
Winters itu jauh kecil, namun kinerja peramalan yang
miskin sehingga hanya 42% dari pengamatan asli (12 data
uji) berada dalam interval forecastedconfidence. Dalam
mengembangkan model TF, kami menggunakan perubahan
PDB persen sebagai variabel yang berpengaruh yang dapat
menggambarkan proses yang mendasari secara lebih rinci.
Model TF meningkatkan pas / peramalan kinerja baik dari
segi RMSE dan kemampuan CI dalam meliput masa depan
(pengujian) data. Untuk membandingkan model, kami juga
menggunakan AIC dan BIC sebagai kriteria kinerja.
Artikel ini dapat dikutip: Khedmati, M., & Ghalebsaz-Jeddi, B. (2018). Tiga Pendekatan Time
Series Forecasting Minyak Permintaan di Negara OECD. jurnal Optimization Teknik Industri. 11
(2), 2018,17-24.
URL: http: // QJsayae.ir/article_538229Html
DOI: 10,22094 / joie.2018.538229
27
dan Autumn 2018,... 17-24
Referensi
Akkurt, M., Demirel, OF & Zaim, S. (2010). Peramalan
konsumsi gas alam Turki dengan menggunakan
metode time series. European Journal of Studi
Ekonomi dan Politik, 3, 1-21.
Kotak, GEP, Jenkins, GM & Reinsel, GC (1994). Waktu
rd
seri peramalan analisis dan kontrol. 3 edisi,
Prentice-Hall International, New Jersey.
Cheong, CW (2009). Pemodelan dan peramalan minyak
mentah
pasar menggunakan model ARCH-jenis. Kebijakan
Energi,
37, 2346-2355.
Gooijer, JGD & Hyndman, RJ (2006). 25 tahun waktuseri
peramalan. International Journal of
Peramalan, 22, 443-473.
Huntington, HG (2011). Permintaan minyak backcasting
AS lebih dari satu dekade yang penuh gejolak.
Kebijakan Energi, 39, 5674-
5680.
Jiping, X. & Ping, W. (2008). Sebuah analisis dari model
peramalan permintaan minyak mentah berdasarkan
kointegrasidan vektor error correction model
(VEC). Seminar Internasional Bisnis dan Manajemen
Informasi, 485-488.
Montgomery, DC, Jennings, CL & Kulahci, M. (2008).
Pengantar analisis time series dan peramalan. John
Wiley & Sons, New Jersey.
Pankratz, A. (1983). Peramalan dengan univariat Box-
Jenkins konsep model-dan kasus. John Wiley & Sons,
New York.
Pedregal, DJ, DeJuan, O., Gomez, N. & Tobarra, MA
(2009). Pemodelan permintaan produk minyak mentah
di
Spanyol. Kebijakan Energi, 37, 4417-4427.
Administrasi Informasi Energi AS (EIA),
2011.http: //www.eia.gov/emeu/ipsr/demand.html.
Ye, M., Zyren, J. & Shore, J. (2005). Sebuah minyak
mentah bulanantitik Harga model peramalan
menggunakan persediaan relatif. International Journal
of Forecasting, 21,
491-501.