SKRIPSI
140610130022
UNIVERSITAS PADJADJARAN
2018
LEMBAR PENGESAHAN
SKRIPSI
140610130022
Pembimbing Co-Pembimbing
NPM : 140610130022
Tenaga listrik merupakan sumber energi yang sangat dibutuhkan dalam kehidupan
manusia. Konsumsi listrik yang semakin meningkat membuat PT PLN (Persero)
Area Bandung perlu melakukan peramalan agar perusahaan dapat menyediakan
energi listrik dengan tepat. Kemungkinan akan perubahan struktur data di masa
mendatang serta pola data yang semakin kompleks membuat metode peramalan
tunggal tidak dapat memberikan performa yang memuaskan untuk setiap saat dan
dalam kondisi apapun. Penelitian ini melakukan kombinasi metode ARIMA dan
ANN Backpropagation atau disebut dengan Hybrid ARIMA-Neural Network.
Dengan menggunakan data historis mulai dari Januari 2011 hingga Desember
2016, diperoleh model ARIMA( 2,1,0)(1,1,0)6 dan arsitektur jaringan (6-10-1).
Pemodelan hybrid menghasilkan kriteria pengukuran ramalan (MAPE) sebesar
1.26%. Metode hybrid terbukti dapat meningkatkan akurasi ramalan ARIMA
yang sebelumnya memiliki nilai MAPE sebesar 1.86%. Selanjutnya dengan
menggunakan metode hybrid ARIMA-Neural Network dilakukan peramalan
konsumsi energi listrik hingga enam bulan kedepan.
i
ABSTRACT
NPM : 140610130022
ii
iii
KATA PENGANTAR
Puji dan syukur kepada Allah SWT yang telah memberikan rahmat serta
Penyusunan skripsi ini tidak lepas dari bantuan, dukungan, doa, bimbingan,
dan kerjasama dari berbagai pihak. Oleh karena itu, penulis ingin menyampaikan
1. Bapak Handoyo, Mama Ni Putu Suryani, dan Mas Adhi Wicaksono sebagai
maupun materi dari mulai penulis lahir di dunia ini hingga penulis berhasil
sayang yang diberikan selama ini. Mohon maaf apabila Bagus berbuat
banyak kesalahan. Semoga kelak putra ke-2 ini dapat menjadi seorang yang
2. Dosen pembimbing penulis yakni Bapak Dr. Jadi Suprijadi, DEA dan Ibu
hasil yang memuaskan dari mulai magang penelitian hingga sidang akhir.
iv
3. Dosen penguji penulis yakni Bapak Bertho Tantular, S.Si., M.Si. dan Ibu Sri
Winarni, S.Si., M.Si. Terimakasih atas kritik, saran, dan nasihat sebagai
evaluasi dari skripsi ini. Semoga penulis dapat selalu menerapkan evaluasi
4. Bapak Dr. Toni Toharudin, M.Sc selaku dosen wali penulis. Terimakasih
di PT PLN (Persero) Area Bandung, Pak Bardan, Pak Iqbal, Mas Adi, dan
6. Seluruh civitas akademika Statistika FMIPA Unpad yakni Bapak Ibu Dosen,
Pak Daday, Pak Ihin, Pak Yayan, Pak Tarmudin, Mas Agus, Om Hendris,
Pak Ari, Pak Sutia, Ibu Mul, dan Ibu Yani atas bantuannya selama ini dalam
7. Teh Titi selaku penjaga kosan Pondok Pampila, Bapak Ibu Warung, Ipan
8. Anggota Dpamps yang terdiri dari Capt.Tebe, Togu, Joshua, dan Sasa.
Terimakasih atas suka duka (walaupun lebih banyak duka) selama penulis
kalian semua berikan selama 4,5 tahun ini. Mohon maaf apabila Saya
v
banyak salah dan suka bercanda tanpa pikir panjang. Semoga kita
11. M.Iqbal Firdaus, M.Rizki Maulida, dan Anna Rahmawati. Terimakasih telah
tidak terdapat pengaruh yang signifikan dan penulis tetap saja menunda-
12. Komunitas N-Max JTR yang diketuai oleh Andi Saputra beserta para
pengikutnya Fuadi Hanif, Embar Sanubari, Rohiyat, Dinandi Dwi Faza, Arif
Kamil Anwar, Jesopin Ferdinan, Resha Satia Gumilar, dan Fakhri Zulfikar.
semester terakhir.
13. BE Himasta Kabinet Bersatu 2014 yang terdiri dari Faizal BN (Ketua),
Ghufran Rahmat Putra (Wakil), serta jajaran RT1, RT2, dan RT3.
anggotanya, Teh Nurza, Teh Olvi, Teh Ajeng, Kak Sul, Rizky Pangaribuan,
14. BE Himasta Kabinet Progresif 2015 yang terdiri dari Andi Saputra (Ketua),
M.Rizki Maulida (Wakil), serta jajaran RT1, RT2, dan RT3. Departemen
Minat Bakat yang dikepalai oleh Maria Ulpah beserta anggotanya, Adimas
vi
Bani, I Girl, Muhamad Fathin, Ully Damayanti, dan Cendra Birda.
15. Keluarga Statday 2014, Mosa Arya (Ketua), Ganang Jati (Wakil), para koor-
koor, Teh Rika, Teh Papau, Teh Arum, Teh Nurza, Umi, Teh Dita, Teh
16. Keluarga Statday 2015, Iqbal, Anna, Trysni, Maya, Dira, Nisprima, Mega,
Teni, Wati a.k.a Watel, Oyan, Ery, Arif, Vania, serta anggota-anggota
17. UKM Statis (Statistika Bulutangkis) Unpad. Para ketua, Rifki (2010),
nggak jago.
18. Tim pemenangan Golden Himasta yang terdiri dari Aa lutfi, Aa Rikun, Aa
19. Angkatan 2010 Statistika Unpad, Kang Arna (Koor), Teh Fani (Koortir), dan
20. Angkatan 2011 Statistika Unpad, Kang Wawan (Koor), Teh Ikey (Koortir),
2013.
vii
21. Angkatan 2012 Statistika Unpad, Kang Uji (Koor), Teh Ajeng (Koortir), dan
22. Angkatan 2014 Statistika Unpad, Rahman (Koor), Dewi (Koortir), dan
teman-teman 2014 yang lainnya. Terimakasih telah menjadi adik yang baik
23. Angkatan 2015 Statistika Unpad, Fajar (Koor), Lutha (Koortir), dan teman-
teman 2015 yang lainnya. Terimakasih telah menjadi adik yang baik bagi
angkatan 2013.
24. Angkatan 2016 Statistika Unpad, Refal (Koor), Anis (Koortir), dan teman-
teman 2016 yang lainnya. Terimakasih telah menjadi adik yang baik bagi
angkatan 2013.
25. Angkatan 2017 Statistika Unpad, Hanifan (Koor), Lise (Koortir), dan teman-
teman 2017 yang lainnya. Terimakasih telah menjadi adik yang baik bagi
angkatan 2013.
26. Seluruh pihak yang tidak dapat disebutkan satu persatu. Terimakasih atas
skripsi ini. Untuk itu, penulis sangat mengharapkan kritik dan saran yang
Akhir kata, penulis berharap skripsi ini dapat memberikan manfaat bagi berbagai
viii
Bagus Dwi Saputra
140610130022
DAFTAR ISI
ABSTRAK...............................................................................................................i
ABSTRACT............................................................................................................ii
KATA PENGANTAR..........................................................................................iii
DAFTAR ISI.......................................................................................................viii
DAFTAR GAMBAR..............................................................................................x
DAFTAR TABEL.................................................................................................xi
DAFTAR LAMPIRAN........................................................................................xii
BAB 1 PENDAHULUAN......................................................................................1
1.1. Latar Belakang..........................................................................................1
1.2. Identifikasi Masalah..................................................................................4
1.3. Maksud dan Tujuan Penelitian..................................................................5
1.4. Manfaat Penelitian.....................................................................................5
1.5. Batasan Penelitian.....................................................................................5
BAB II TINJAUAN PUSTAKA............................................................................6
2.1. Pendahuluan..............................................................................................6
2.2. Metode ARIMA (Autoregressive Integrated Moving Average)................6
2.3. Metode ANN (Artificial Neural Network)................................................8
2.3.1. Arsitektur Jaringan.............................................................................8
2.3.2. Metode Pelatihan..............................................................................10
2.3.3. Fungsi Aktivasi................................................................................10
2.3.4. Backpropagation..............................................................................11
2.4. Metode Hybrid ARIMA-Neural Network................................................12
2.5. Penerapan Metode Hybrid ARIMA-Neural Network...............................14
BAB III PEMODELAN HYBRID ARIMA-NEURAL NETWORK UNTUK
MERAMALKAN KONSUMSI ENERGI LISTRIK........................................16
3.1. Pendahuluan............................................................................................16
3.2. Data Penelitian........................................................................................16
3.3. Pemodelan ARIMA (Autoregressive Integrated Moving Average)........16
ix
3.3.1. Identifikasi Model............................................................................17
3.3.2. Estimasi Parameter...........................................................................19
3.3.3. Diagnostik Model.............................................................................19
3.3.4. Peramalan Berdasarkan Model Terbaik...........................................20
3.4. Pemodelan ANN (Artificial Neural Network) Backpropagation............21
3.4.1. Pembagian Data...............................................................................21
3.4.2. Pembentukan Jaringan Arsitektur....................................................21
3.4.3. Pemilihan Fungsi Aktivasi...............................................................23
3.4.4. Transformasi Data............................................................................23
3.4.5. Proses Pelatihan (Training) Dan Pengujian (Testing)......................24
3.4.6. Peramalan.........................................................................................26
3.5. Pemodelan Hybrid ARIMA-Neural Network...........................................27
BAB IV HASIL DAN PEMBAHASAN.............................................................28
4.1. Pendahuluan............................................................................................28
4.2. Pemodelan ARIMA (Autoregressive Integrated Moving Average)........28
4.2.1. Identifikasi Model............................................................................28
4.2.2. Estimasi Parameter...........................................................................32
4.2.3. Diagnostik Model.............................................................................32
4.2.4. Peramalan Berdasarkan Model Terbaik...........................................34
4.3. Pemodelan ANN (Artificial Neural Network).........................................36
4.3.1. Pembagian Data...............................................................................36
4.3.2. Pembentukan Arsitektur Jaringan....................................................36
4.3.3. Proses Pelatihan (Training) Dan Pengujian (Testing)......................37
4.3.4. Peramalan.........................................................................................40
4.4. Pemodelan Hybrid ARIMA-Neural Network...........................................40
BAB V KESIMPULAN DAN SARAN...............................................................43
5.1. Kesimpulan..............................................................................................43
5.2. Saran........................................................................................................43
DAFTAR PUSTAKA...........................................................................................44
LAMPIRAN .........................................................................................................45
x
DAFTAR GAMBAR
Gambar 1.1. Grafik Konsumsi Energi Listrik Konsumen PT PLN (Persero) Area
2016……………….....3
Network………………………………………………...9
Gambar 4.1. Plot Data Konsumsi Energi Listrik (Hasil Differencing, d=1)……
30
Gambar 4.2. Plot Data Konsumsi Energi Listrik (Hasil Differencing, D=6)……
30
Stasioner……………………………..31
Stasioner…………………………...31
41
Hybrid………………………..41
xi
DAFTAR TABEL
Transformasi…………………………………...17
PACF………..18
Model…………………………………………..33
Listrik………………………….35
Jaringan…………………………..39
40
Listrik…………………...42
xii
DAFTAR LAMPIRAN
2016…………..45
3.4.1…..46
3.4.1……...48
ARIMA………………………..56
57
Pengujian………………………...65
Residual…………………….66
xiii
Lampiran 11 Hasil Pengujian Jaringan (6-10-1)
………………………………..72
xiv
BAB 1
PENDAHULUAN
Tenaga listrik merupakan sumber energi yang sangat penting bagi kehidupan
elektronik dan alat-alat atau mesin industri. Merupakan suatu kenyataan bahwa
nasional sebesar 11,4% per tahun 2016 [CITATION Yun17 \l 1033 ]. Sejalan dengan
hal tersebut, PT PLN Area Bandung pun mengalami peningkatan konsumsi energi
listrik pada konsumennya yaitu sebesar 1,87% hingga akhir tahun 2016
PLN (Persero) Area Bandung tahun 2016). Hal tersebut menandakan bahwa
(Persero) Area Bandung tahun 2016, perkiraan mengenai konsumsi energi listrik
1
dan realisasi konsumsi energi listrik memiliki selisih yang cukup besar yaitu
0.87%
2
3
hingga 9.83% selama enam tahun terakhir. Perkiraan mengenai konsumsi energi
pemborosan. Hal tersebut tentu akan merugikan perusahaan apabila terus terjadi.
faktor penting bagi perusahaan dalam menentukan jumlah energi listrik yang akan
energi listrik dikatakan belum efektif. Maka dari itu, dibutuhkan sebuah metode
energi listrik di masa mendatang agar jumlah energi listrik yang disediakan
listrik selama kurun waktu enam tahun. Pola tren naik terlihat pada tahun 2011
terdapat kenaikan, jumlah energi yang di konsumsi meningkat dan menurun pada
bulan-bulan tertentu dan fenomena tersebut berulang pada setiap tahun. Hal
Selain pola tren dan musiman, perlu dilakukan eksplorasi terhadap linieritas
data. Dalam permasalahan nyata, sangat jarang terdapat kasus time series yang
murni linier atau nonlinier. Pola data lebih sering mengandung campuran
keduanya yaitu linier dan nonlinier [ CITATION Guo03 \l 1033 ] . Pola campuran pada
data dapat di identifikasi dengan melakukan partisi data sesuai dengan dugaan
awal pola [ CITATION Suf14 \l 1033 ] . Secara keseluruhan konsumsi energi listrik,
terlihat bahwa terdapat pola linier yang disebabkan oleh efek tren pada tahun 2011
4
hingga 2013 (periode 1-36). Selain itu, terdapat pola nonlinier dikarenakan pola
yang cenderung menjadi stasioner pada tiga tahun terakhir. Perubahan fluktuasi
tersebut menyebabkan adanya kurva yang sedikit melengkung dimulai pada akhir
tahun 2012 hingga pertengahan tahun 2015 (periode 21-55). Oleh karena itu dapat
disimpulkan bahwa konsumsi energi listrik mengandung pola campuran linier dan
Gambar 1.1 Grafik Konsumsi energi listrik Konsumen PT PLN (Persero) Area Bandung Periode
Januari 2011 – Desember 2016 (sumber data : PT PLN (Persero) Area Bandung)
sederhana. Pemilihan suatu metode peramalan akan didasarkan pada pola atau
struktur sebuah data karena pada dasarnya setiap metode memiliki asumsi-asumsi
tertentu terkait dengan data agar dapat diterapkan. Pemilihan metode yang tepat
akan menghasilkan nilai ramalan yang akurat dengan kesalahan yang minimum.
Selain itu, hasil eksplorasi serta uji linieritas (Lampiran 2) membuktikan adanya
5
pola campuran linier dan nonlinier pada data konsumsi energi listrik. Menurut
[ CITATION Guo03 \l 1033 ] tidak ada suatu metode tunggal yang dapat menangani
tidak ada sebuah metode tunggal yang dapat menjamin akurasi ramalan yang baik
untuk setiap saat dan dalam kondisi apapun. Untuk itu dibutuhkan sebuah metode
metode yang terdiri dari gabungan dua metode tunggal. Alasan dasar dalam
kelebihan metode agar dapat menangkap berbagai macam pola yang terkandung
dalam data. Selain itu, melakukan kombinasi metode dapat menjadi cara yang
metode peramalan yang tepat berdasarkan fenomena yang terjadi. Pada penelitian
ini, metode tunggal dinilai tidak dapat memberikan performa yang memuaskan
untuk setiap saat dan dalam kondisi apapun. Pola dan struktur data yang akan
terus berubah di masa mendatang serta pola data yang semakin kompleks dimana
terdapat pola linier dan nonlinier yang bercampur membuat metode tunggal
bukanlah sebuah solusi yang tepat untuk menghasilkan nilai ramalan yang akurat.
6
dengan melakukan kombinasi antara metode ARIMA dan ANN atau disebut
konsumen PT PLN (Persero) Area Bandung dengan daya dibawah 220 kVA.
BAB II
TINJAUAN PUSTAKA
2.1. Pendahuluan
Pada penelitian ini akan dilakukan kombinasi dari dua metode tunggal.
Adapun dua metode tunggal yang akan dikombinasikan adalah metode ARIMA
merupakan salah satu metode peramalan klasik yang sangat sering digunakan.
Metode ini cocok untuk data yang mengandung pola trend dan musiman. ARIMA
sangat baik dalam meramalkan kasus time series yang linier namun kurang baik
dalam meramalkan pola nonlinier. Disisi lain, metode ANN mampu menangani
pola nonlinier serta tidak terikat oleh asumsi pola data. Selanjutnya pada bab ini
dipelajari secara mendalam oleh George Box dan Gwilym Jenkins pada tahun
1976. Model ARIMA terdiri dari model Autoregresif (AR) yang diperkenalkan
oleh Yule pada tahun 1926, kemudian model Moving Average (MA) pertama
digunakan oleh Slutzky pada tahun 1937. Pada akhirnya, dihasilkan dasar-dasar
teoritis dari proses kombinasi ARMA dan perluasan tersebut kemudian mencakup
7
proses-proses non-stasioner (ARIMA) dan mencakup deret berkala musiman
(SARIMA).
8
9
Dasar dari pendekatan ARIMA terdiri dari empat tahapan yang kemudian
serta penerapan model untuk peramalan. Model ARIMA hanya dapat digunakan
untuk data yang stasioner baik dari segi rata-rata maupun varians. Oleh karena itu,
dengan,
θo : konstanta
at : residual ke-t.
10
pemrosesan informasi yang memiliki kesamaan cara kerja dengan jaringan syaraf
biologis [ CITATION Lau94 \l 1033 ]. Jaringan syaraf tiruan ditemukan oleh Warren
McCulloch dan Walter Pits pada tahun 1943 dan telah dikembangkan sebagai
untuk menentukan bobot pada koneksi (pelatihan dan algoritma), serta fungsi
aktivasi.
Sebuah jaringan syaraf terdiri dari sejumlah besar elemen pemrosesan yang
disebut dengan neuron atau unit yang saling terhubung satu sama lain melalui
sebuah masalah. Setiap unit memiliki kondisi internal yang disebut aktivasi atau
tingkat aktivitas dimana sebuah fungsi input diterima. Secara sederhana, sebuah
serta pola hubungan antar lapisan. Terdapat tiga jenis lapisan didalam sebuah
jaringan. Lapisan input merupakan lapisan yang menerima sinyal input dari luar,
lapisan tersembunyi merupakan lapisan yang terletak diantara lapisan input dan
11
Single layer atau lapisan tunggal hanya memiliki satu lapisan bobot
penghubung antara unit input dan unit output. Jaringan ini hanya
output.
2. Multilayer Network
Jaringan ini terdiri dari satu atau lebih lapisan tersembunyi (dengan
beberapa unit tersembunyi) antara unit input dan unit output. Multilayer
pola input akan diberikan ke satu neuron pada lapisan input. Pola ini
pola output hasil pelatihan dengan pola target maka akan muncul
error. Pelatihan akan dilakukan lebih lama lagi apabila nilai error
Pada metode ini tidak dapat ditentukan hasil seperti apakah yang
bobot disusun dalam suatu range tertentu tergantung pada nilai input
sebuah jaringan. Fungsi aktivasi akan menentukan output suatu unit (mengubah
sinyal input menjadi sinyal output) yang akan dikirim ke unit lainnya. Seluruh
unit yang berada pada satu lapisan yang sama akan menggunakan fungsi aktivasi
yang sama pula. Tidak ada aturan khusus dalam memilih fungsi aktivasi yang
yang dihadapi serta metode atau algoritma pelatihan yang digunakan dalam
2.3.4. Backpropagation
rule adalah sebuah metode pelatihan terawasi untuk meminimumkan error pada
tahap perhitungan dan backpropagation dari nilai error, dan yang terakhir adalah
tahap penyesuaian bobot. Setelah pelatihan telah selesai dilakukan dan didapat
Secara singkat, pelatihan akan melakukan tahap maju seperti biasa hingga
didapat nilai error. Apabila nilai error belum sesuai dengan target awal, maka
sebelumnya. Setelah itu barulah akan dilakukan penyesuaian nilai bobot dan
dilakukan tahap seperti awal kembali hingga didapat nilai error yang sesuai
dengan target.
Metode ARIMA dinilai sangat cocok untuk menangani pola tren dan
musiman. Selain itu, banyak penelitian menilai ARIMA sangat akurat dalam
meramalkan time series yang linier. Disisi lain, metode ANN merupakan salah
satu metode yang didasarkan pada kecerdasan buatan yang terbukti akurat dalam
meramalkan time series dengan pola nonlinier. Kedua metode tersebut sangat
cocok jika diterapkan secara tunggal untuk meramalkan konsumsi energi listrik,
namun hal tersebut bukan sebuah langkah terbaik untuk mendapatkan ramalan
yang akurat.
dua metode tunggal yang disebut dengan metode hybrid. Pengembangan metode
15
1033 ]:
2. Sangat jarang terdapat kasus time series yang murni linier ataupun
kasus seperti ini yang dihadapi, maka metode tunggal dinilai kurang
3. Tidak ada suatu metode tunggal yang terbaik dalam setiap situasi. Hal
Dalam pemodelan hybrid, deret waktu yang tersusun terdiri dari struktur
y t =Lt + N t (2.3)
dua komponen yang harus diestimasi dari data. Pertama, ARIMA digunakan
untuk memodelkan komponen linier. Selanjutnya, residual dari model linier akan
e t = y t− L^ t (2.4)
16
^Lt merupakan nilai ramalan ARIMA pada waktu t. Sebuah model linier tidak akan
data. Berdasarkan fakta, tidak ada diagnostik statistik untuk kasus hubungan
berikut:
f merupakan fungsi nonlinier yang dijelaskan oleh ANN dan ε t adalah error yang
^y t = ^Lt + ^
Nt (2.6)
Sebagai kesimpulan, baik metode ARIMA maupun ANN telah terbukti baik
Bagaimanapun juga, tidak ada satupun metode tersebut yang baik jika digunakan
tidak cukup memuaskan. Disisi lain, pemodelan ANN juga kurang baik jika
data di masa mendatang serta terdapat berbagai macam pola dalam data membuat
metode hybrid menjadi strategi yang baik karena pada dasarnya tujuan utama dari
masing metode. Melakukan kombinasi metode dapat menjadi cara yang lebih
melebihi pemodelan metode secara tunggal dimana tidak lagi diperlukan untuk
mencari metode manakah yang tepat dan terbaik. Selain itu, model hybrid juga
bersifat lebih robust jika dibandingkan dengan model tunggal [ CITATION Guo03 \l
1033 ].
Zhang pada tahun 2003 melakukan kombinasi model ARIMA dan ANN
dollar US. Ketiga variabel tersebut memiliki pola campuran linier dan nonlinier
menghasilkan tingkat akurasi yang paling tinggi dilihat dari nilai MSE jika
metode yang dikembangkan oleh Zhang, Wang dan Meng juga menggunakan
proses peramalan dan tingkat akurasi jika dibandingkan dengan model tunggal
metode yang unggul dengan MAPE sebesar 0.311% dibandingkan dengan model
tunggal ARIMA (MAPE sebesar 3.536%) dan model tunggal ANN (MAPE
sebesar 3.980%).
atas dasar pola data yang mengandung pola linier dan nonlinier. Dalam penelitian
ini, kesimpulan terhadap pola campuran didapatkan dari uji linieritas data yang
dilakukan secara parsial dimana data di partisi menjadi beberapa bagian sesuai
dengan dugaan pola yang terkandung. Ketika hasil pengujian mendeteksi adanya
pola linier dan nonlinier, maka disimpulkan bahwa data tersebut mengandung
pola campuran.
BAB III
3.1. Pendahuluan
Data yang digunakan pada penelitian ini adalah data sekunder yang didapat
dari Divisi Transaksi Energi PT PLN (Persero) Area Bandung. Variabel yang
PLN (Persero) Area Bandung per bulan mulai dari Januari 2011 sampai Desember
yang terdiri atas empat tahapan yaitu identifikasi model, estimasi parameter,
diagnostik model, dan peramalan. Residual dari model ARIMA yang terpilih akan
digunakan untuk input pemodelan ANN sebagai tahapan dari pemodelan hybrid.
19
20
Dalam peramalan deret waktu, salah satu langkah yang dianggap krusial
adalah melakukan identifikasi model dan membangun model dari data yang
transformasi, dan yang terakhir adalah menentukan orde model ARIMA setelah
Dalam analisis deret waktu, langkah pertama yang harus dilakukan adalah
plot data agar dapat diketahui apakah suatu deret waktu mengandung tren,
musiman, serta melihat stasioneritas data. Setelah dilakukan plot data, akan
diselidiki apakah data yang digunakan sudah stasioner baik dalam varians maupun
diperoleh round value ≠ 1 maka data dinyatakan tidak stasioner dalam varians dan
Values of λ
Transformation
(lambda)
1
-1
Zt
1
-0.5
√ Zt
0 ln Z t
0.5 √ Zt
Zt (no
1
transformation)
Sumber : Wei, 2006
21
Hal ini dilakukan dengan melihat plot ACF dan PACF dimana data dikatakan
tidak stasioner dalam rata-rata apabila plot ACF memiliki pola yang turun secara
lambat dan plot PACF terputus setelah lag pertama [ CITATION Wil06 \l 1033 ].
Selain itu, terdapat pengujian statistik untuk melihat stasioneritas dalam rata-rata
δ^
Statistik uji: t δ= (3.1)
^
se ( δ)
Kriteria uji: Tolak H 0 apabila¿ t δ ∨≥∨t (α , n)∨¿, terima dalam hal lainnya.
Jika ternyata data tidak stasioner dalam rata-rata maka perlu dilakukan
langkah selanjutnya adalah membuat plot ACF dan PACF dari data yang telah
stasioner untuk menentukan orde model ARIMA yang akan digunakan sebagai
H 1 :θ ≠ 0 (parameter signifikan).
θ^
Statistik uji: t= (3.2)
^
se ( θ)
Kriteria uji: Tolak H 0 apabila t α : df =n− p ≤|t|≤−t α :df =n− p, terima dalam hal lain.
2 2
bahwa model yang terpilih telah memenuhi asumsi. Asumsi yang harus terpenuhi
adalah residual bersifat white noise dimana residual tidak berautokorelasi dan
1. Uji Non-Autokorelasi
ρ^ 2kK
Statistik uji: Q=n(n+2) ∑ (3.3)
k−1 n−k
23
Kriteria uji: Tolak H 0 jika Q> χ 21−α : df =K , terima dalam hal lainnya.
2. Uji Normalitas
lebih dari satu model yang memenuhi uji signifikansi parameter dan memenuhi
asumsi diagnostik. Jika terdapat beberapa model yang memenuhi asumsi, maka
pemilihan model akan didasarkan pada forecast error. Model yang terbaik
kriteria yang akan digunakan adalah MSE (Mean Square Error) dan MAPE
(Mean Absolute Percentage Error). Rumus dari kriteria tersebut adalah sebagai
berikut:
n
1
MSE= ∑ (Z i− Z^ i)2 (3.5)
n i=1
n
Z − Z^ i
1
MAPE= ∑ i
n i=1 Z i | |Χ 100 % (3.6)
dengan,
Zi : Nilai aktual
24
n : Jumlah pengamatan
Mao02 \l 1033 ]. Pemodelan ANN dalam penelitian ini akan menggunakan residual
perlu dilakukan pembagian data menjadi dua bagian yaitu pelatihan (training) dan
pengujian (testing). Hal ini bertujuan untuk mendapatkan data yang cukup untuk
lapisan input, satu atau lebih lapisan tersembunyi, dan satu lapisan output.
menentukan jumlah lapisan tersembunyi serta jumlah neuron pada setiap lapisan.
dengan melihat plot PACF dari data yang akan digunakan sebagai input. Pada
umumnya, tidak ada aturan yang sistematis dalam menentukan jumlah unit input.
Namun, jumlah unit input yang terlalu sedikit atau terlalu banyak dapat
lapisan tersembunyi sudah cukup untuk menangani kasus yang kompleks dengan
tingkat akurasi yang baik (Hornik et al., 1989) dalam [ CITATION Mao02 \l 1033 ].
Selain itu, penggunaan lebih dari satu lapisan tersembunyi akan memperlambat
proses pelatihan.
jaringan yang optimum. Menurut [ CITATION For14 \l 1033 ], terdapat dua jenis
neuron tersembunyi dimulai dari jumlah yang kecil hingga jumlah yang besar.
Sebaliknya, backward approach dimulai dari jumlah neuron yang besar dan terus
overfitting yaitu kondisi dimana data akan menghasilkan output yang baik pada
26
proses pelatihan saja namun tidak pada pengujian. Selain itu, jumlah neuron yang
fungsi sigmoid bipolar dan fungsi linier atau identitas. Berikut merupakan
perumusannya:
perumusannya:
2
f ( x )= −1 (3.7)
1+exp (−x)
Dengan,
1
f ' ( x )= [ 1+f ( x ) ] [1−f ( x ) ] (3.8)
2
2. Fungsi linier
Fungsi linier atau identitas memiliki nilai output yang sama dengan
f ( x )=x (3.9)
( X i−X min)
[
X 'i =
X max −X min ] ( a−b )+ b (3.10)
dengan,
Xi : pengamatan ke-i
error minimal. Selain jumlah neuron, besarnya bobot pada proses perhitungan
dilakukan terhadap data pelatihan dengan beberapa model jaringan yang memiliki
unit tersembunyi yang berbeda. Tujuan dari proses pelatihan adalah mencari nilai
bobot yang optimum untuk memperoleh error yang minimum. Kemudian, dari
berbagai model yang dilatih, model terbaik merupakan model dengan nilai MSE
terkecil.
Langkah 1. Selama kondisi stop belum dilalui maka lakukan langkah 2-9.
Tahap feedforward
z j =f (z ¿ ¿ ¿ j)¿ (3.12)
Sinyal akan dikirimkan ke semua unit pada lapisan selanjutnya (lapisan output).
y k =f ( y ¿ ¿¿ k )¿ (3.14)
Δw jk=αδ k z j (3.16)
Δw 0 k =αδ k (3.17)
29
Kalikan nilai ini dengan turunan fungsi aktivasi untuk menghitung informasi
error,
Δv ij=αδ j xi (3.20)
Dan hitung koreksi bias (selanjutnya akan digunakan untuk memperbarui v 0 j),
Δv 0 j=αδ j (3.21)
(i=0 , … , n):
menghasilkan suatu model yang terbaik dengan nilai error yang minimum. Model
yang terbaik secara keseluruhan adalah model dengan nilai MSE yang terkecil
30
baik untuk data pelatihan maupun data pengujian. Proses pengujian menggunakan
algoritma yang sama dengan proses pelatihan, namun hanya melalui tahapan
feedforward saja. Selain itu besarnya nilai bobot yang digunakan adalah hasil dari
3.4.6. Peramalan
pada tahapan pelatihan (training) dan pengujian (testing). Kemudian nilai hasil
Setelah melalui dua tahapan, maka hasil peramalan akhir merupakan penjumlahan
dari nilai ramalan ARIMA dengan nilai ramalan residual ARIMA yang
4.1. Pendahuluan
menggunakan metode ARIMA, metode ANN, serta kombinasi dari kedua metode
penjelasannya.
tahapan. Kemudian, data penelitian akan dibagi menjadi data in-sample yaitu
konsumsi energi listrik periode Januari 2011 sd. Desember 2015, dan data out-
sample yaitu konsumsi energi listrik periode Januari 2016 sd. Desember 2016.
untuk memperoleh stasioneritas varians dan rata-rata), dan penentuan orde model
[ CITATION Wil06 \l 1033 ]. Tahap plot data dilakukan untuk melihat indikasi pola
1.1, konsumsi energi listrik mengandung pola tren dilihat dari kenaikan konsumsi
selama kurun waktu enam tahun. Selain itu, terdapat indikasi pola musiman
31
32
perlu dilakukan identifikasi awal apakah data yang digunakan sudah stasioner
terhadap varians dan rata-rata. Dengan melihat plot data, varians dapat dikatakan
rata dapat dilihat dari fluktuasi data. Berdasarkan Gambar 1.1, terlihat bahwa
sebaran data konsumsi listrik bersifat konstan sehingga data diduga sudah
stasioner dalam varians. Kemudian, efek tren naik mengakibatkan data diduga
round value = 1, maka dari itu data sudah stasioner dalam varians dan tidak
yang tidak stasioner. Berdasarkan Gambar 4.1, terlihat bahwa data sudah stasioner
dalam rata-rata setelah dilakukan differencing satu kali (d=1). Namun, terlihat
33
Gambar 4.1 Plot Data Konsumsi Energi Listrik (Hasil Differencing, d=1)
Gambar 4.2 Plot Data Konsumsi Energi Listrik (Hasil Differencing, D=6)
dengan orde D=6. Terlihat bahwa data konsumsi sudah stasioner dalam rata-rata
dan sudah tidak terlihat lagi pola musiman. Stasioneritas rata-rata juga dibuktikan
melalui uji ADF pada Lampiran 3. Diperoleh p-value = 0.01 < α = 0.05, sehingga
ARIMA melalui plot ACF dan PACF dari data yang sudah stasioner.
Berdasarkan identifikasi plot ACF pada Gambar 4.3 dan plot PACF pada
Gambar 4.4, terlihat bahwa pola ACF terputus (cut off) pada lag ke-1, sementara
pola PACF terputus (cut off) pada lag ke-2. Dengan diperoleh sebelumnya bahwa
orde differencing non-musiman adalah d=1 dan orde differencing musiman adalah
untuk menguji asumsi residual pada model. Pengujian diagnostik model meliputi
dua tahap yaitu uji non-autokorelasi dan uji distribusi normal. Model yang baik
atau layak adalah model yang memenuhi asumsi white noise dimana residual
dapat dilihat bahwa terdapat dua model yang memiliki autokorelasi residual yaitu
dikarenakan kedua model memiliki p-value yang lebih kecil dari nilai α = 0.05.
Kolmogorov Smirnov test. Berdasarkan hasil pengujian yang telah dilakukan pada
memiliki residual yang berdistribusi normal. Hal tersebut terbukti melalui p-value
Kesimpulan dari diagnostik model dapat dilihat pada Tabel 4.2. Melalui
hasil tersebut, dapat disimpulkan bahwa terdapat empat model yang memenuhi
asumsi white noise dan layak digunakan untuk meramalkan konsumsi energi
listrik.
Residual Residual
No. Model ARIMA ( p , d , q)( P , D , Q) S Non- Berdistribusi
Autokorelasi Normal
1 ARIMA( 0,1,1)(0,1,1)6 Terpenuhi Terpenuhi
2 ARIMA(0,1,1)(1,1,0)6 Terpenuhi Terpenuhi
3 ARIMA(1,1,0)(0,1,1)6 Tidak Terpenuhi
4 ARIMA(1,1,0)(1,1,0)6 Tidak Terpenuhi
5 ARIMA( 2,1,0)(0,1,1)6 Terpenuhi Terpenuhi
6 ARIMA( 2,1,0)(1,1,0)6 Terpenuhi Terpenuhi
37
Berdasarkan Tabel 4.2 diatas, terdapat empat model ARIMA yang layak
pengukuran. Terdapat dua kriteria yang akan digunakan yaitu MSE (Mean Square
bahwa model ARIMA terpilih dengan kriteria pengukuran terkecil adalah model
Zt =Z t−6 + Zt −1−Zt −7 +ϕ1 ( Z t −1−Z t −7−Zt −2+ Z t −8 ) + ϕ2 ( Z t −2 −Z t −8−Z t −3+ Z t−9 ) + ɸ1 ( Z t−6−Z t−12−Z t−7 +
(4.4)
38
estimasi yaitu:
Zt =Z t−6 + Zt −1−Zt −7−0.7792 ( Zt −1−Zt −7−Z t−2 +Z t −8 )−0.4123 ( Z t−2−Z t−8−Z t−3 + Zt −9 )−0.5385 ( Z t−6
(4.5)
konsumsi energi listrik untuk periode Januari 2017 hingga Juni 2017 sebagai
berikut.
Tahun
Januari-2017 333358835
Februari-2017 347483461
Maret-2017 357944276
April-2017 360361418
Mei-2017 364614458
Juni-2017 364808404
ARIMA pada Tabel 4.4 akan dijumlahkan dengan hasil ramalan residual ARIMA.
data. Residual dari model yang linier yaitu ARIMA diduga masih menyimpan
39
informasi nonlinier. Maka dari itu, metode ANN pada penelitian ini akan
adalah dengan membagi data menjadi data pelatihan (training) dan pengujian
(testing). Terdapat berbagai macam proporsi dari pembagian data menjadi dua
bagian. Pada penelitian ini, proporsi yang akan digunakan adalah data pelatihan
sebanyak 80% dan data pengujian sebanyak 20%. Berdasarkan residual model
jaringan terdiri dari satu lapisan input, satu atau lebih lapisan tersembunyi, dan
satu lapisan output. Selain itu terdapat sejumlah unit atau neuron didalam masing-
Dalam lapisan input, jumlah unit input dapat ditentukan dengan melihat
lag yang signifikan dari plot PACF. Namun pada dasarnya aturan tersebut
bukanlah aturan yang khusus. Jumlah unit input yang terlalu sedikit atau terlalu
menggunakan unit input sebanyak 6 unit. Hal ini didasarkan pada periode
jaringan. Hal ini dikarenakan penggunaan satu lapisan tersembunyi sudah cukup
dalam menyelesaikan masalah yang kompleks. Selain itu penggunaan lebih dari
satu lapisan tersembunyi hanya akan memperlambat proses pelatihan serta dapat
baik pada data pelatihan saja namun tidak pada saat pengujian.
mekanisme trial-and-error. Jumlah unit yang akan dicoba akan dimulai dari 3 unit
dan terus bertambah hingga didapat jaringan yang optimum. Penambahan jumlah
Kemudian yang terakhir, jaringan hanya akan menggunakan satu unit output saja.
pelatihan dan pengujian jaringan, terlebih dahulu ditentukan fungsi aktivasi yang
digunakan. Penelitian ini akan menggunakan fungsi sigmoid bipolar pada lapisan
tersembunyi dan fungsi linier pada lapisan output. Selain itu data pelatihan dan
fungsi sigmoid bipolar yaitu [-1,1]. Kemudian terdapat beberapa parameter yang
perlu ditentukan diantaranya adalah learning rate (α), lama iterasi (epochs), dan
target MSE.
41
kecepatan dari proses pelatihan. Semakin kecil nilainya maka pelatihan akan
semakin lambat, sebaliknya pelatihan akan semakin cepat apabila learning rate
semakin besar. Namun learning rate yang terlalu besar dapat menyebabkan
pelatihan menjadi tidak stabil sehingga akan meningkatkan nilai error. Untuk itu
pada penelitian ini nilai learning rate yang ditentukan adalah sebesar 0.1.
Jumlah lama iterasi (epochs) akan ditentukan sebesar 1000 epochs. Jumlah
metode ANN. Jumlah tersebut juga dianggap sudah dapat mewakili banyak iterasi
untuk memperoleh jaringan yang baik dengan MSE minimum. Jaringan bias saja
dilatih terus menerus hingga semua pola pelatihan dikenali dengan benar. Akan
tetapi hal tersebut tidak menjamin jaringan akan mampu mengenali pola
pengujian dengan tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga
semua kesalahan pola pelatihan sama dengan nol [ CITATION Drs05 \l 1033 ].
Kemudian nilai target MSE yang akan digunakan adalah sebesar 0.001.
Terdapat dua jenis MSE didalam jaringan, yaitu MSE pelatihan dan MSE
pengujian. Jaringan yang optimum merupakan jaringan yang memiliki nilai MSE
terkecil baik dalam proses pelatihan maupun pengujian. Namun apabila nilai MSE
pelatihan dan pengujian berbeda, maka jaringan akan dipilih berdasarkan MSE
pelatihan akan berhenti apabila jaringan telah memenuhi kondisi. Kondisi tersebut
42
adalah apabila nilai MSE < 0.001 (sesuai yang ditargetkan diawal) atau apabila
Unit MSE
Tersembunyi Training Testing
3 0.0306 -
4 0.0188 -
5 0.0058 -
6 0.00244 -
7 0.000992 0.131307
8 0.00096 0.111824
9 0.000938 0.031996
10 0.000926 0.027515
11 0.000986 0.045016
12 0.000998 0.029505
Hal tersebut dikarenakan jaringan tidak mampu mengenali pola data dengan baik
dan tidak mampu mencapai target MSE setelah melalui sebanyak 1000 iterasi.
tersembunyi karena nilai MSE mulai meningkat pada jumlah unit tersebut
Sehingga dapat disimpulkan bahwa jaringan yang paling optimum adalah jaringan
4.3.4. Peramalan
43
dengan satu lapisan input beserta 6 unit didalamnya, satu lapisan tersembunyi
beserta 10 unit didalamnya, serta satu lapisan output beserta satu unit didalamnya.
residual model ARIMA untuk beberapa periode kedepan. Setelah didapat nilai
Bulan- Residual
Tahun
Januari-2017 22089672.99
Februari-2017 5358217.414
Maret-2017 -2492870.379
April-2017 -781003.1065
Mei-2017 3831680.958
Juni-2017 2279347.21
model ARIMA secara tunggal. Berikut disajikan perbandingan dari hasil ramalan
Aktual Ramalan
Aktual Ramalan
pada Gambar 4.1 dan 4.2, dapat dilihat bahwa peramalan dengan menggunakan
Sesuai dengan kriteria pengukuran yang digunakan pada penelitian ini yaitu
45
MAPE, terjadi peningkatan nilai MAPE dari 1.86% (ARIMA) menjadi 1.26%
(hybrid).
menggunakan metode ANN. Selanjutnya sebagai tahapan akhir dari penelitian ini,
network yang merupakan penjumlahan dari ramalan ARIMA (Tabel 4.4) dan
ramalan residual ARIMA (Tabel 4.6) untuk enam periode kedepan sebagai
berikut.
Tahun
Januari-2017 355448508
Februari-2017 352841678
Maret-2017 355451406
April-2017 359580415
Mei-2017 368446139
Juni-2017 367087751
BAB V
5.1. Kesimpulan
dilakukan kombinasi dari kedua hasil peramalan tersebut dan diperoleh MAPE
listrik.
5.2. Saran
sebuah solusi lokal dimana hasil yang optimum hanya didapat dari ruang lingkup
46
dilakukan penerapan metode hybrid dengan menggunakan salah satu metode
kecerdasan buatan dengan solusi global seperti metode support vector machine.
47
DAFTAR PUSTAKA
Janah, S. N., Sulandari, W., & Wiyono, S. B. (2014). Penerapan Model Hybrid
ARIMA Backpropagation Untuk Peramalan Harga Gabah Indonesia.
Media Statistika, Vol.7, No.2, 63-69.
Putri, A. C. (2016). Konsumsi Listrik Nasional 2016 Naik 11,4 Persen. Diakses
melalui Liputan6: http://m.liputan6.com/photo/read/2454730/konsumsi-
listrik-nasional-2016-naik-114-persen, pada tanggal 10 Februari 2017.
Wang, X., & Meng, M. (2012). A Hybrid Neural Network and ARIMA Model for
Energy Consumption Forecasting. Journal of Computers, Vol.7, No.5,
1184-1190.
Zhang, G. P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural
Network Model. Neurocomputing 50, 159-175.
48
LAMPIRAN 1
Data Konsumsi Energi Listrik (kWh) Konsumen PT PLN (Persero) Area Bandung
49
35889667 34576449 35840661
Mei 7 8 3
35238774 34642137 34732389
Juni 9 0 7
32444414 30727773 30952470
Juli 9 4 8
33643444 34693295 35517686
Agustus 9 0 8
Septemb 35346784 34280058 34909787
er 0 9 7
36389380 35679010 35992398
Oktober 4 4 3
Novembe 35202940 35679010 35378154
r 6 4 6
Desembe 35901297 35679010 35762593
r 6 4 2
41631458 41024464 41806750
TOTAL 71 90 79
LAMPIRAN 2
Hipotesis:
Statistik uji:
Dengan,
50
m : Banyaknya prediktor tambahan
n : Banyaknya pengamatan
Kriteria uji: Tolak H 0 apabila nilai RESET > Fα : m ,n− p−1−m atau p-value ≤ α, terima
#Package
library(lmtest)
#Uji Linieritas
> resettest(lm(KONSUMSI~PERIODE))
RESET test
51
Kesimpulan : p-value = 0.9063 > α = 0.05 (H0 diterima) yang berarti konsumsi
energi listrik mengandung pola linier.
#Uji Linieritas
> resettest(lm(KONSUMSI~PERIODE))
RESET test
Kesimpulan : p-value = 0.02117 < α = 0.05 (H0 ditolak) yang berarti konsumsi
energi listrik mengandung pola nonlinier.
LAMPIRAN 3
#Package
library(tseries)
library(forecast)
#Input Data
> data<-read.csv("kel.csv",header=TRUE)
> z<-ts(data)
#Pembagian Data
> x<-z[1:60]
> y<-z[61:72]
#Stasioneritas varians
> BoxCox.lambda(data)
52
[1] 1
#Stasioneritas Rata-rata
> adf.test(z)
data: z
Dickey-Fuller = -2.6069, Lag order = 4, p-value = 0.3282
alternative hypothesis: stationary
#Differencing
> zt<-diff(z)
> adf.test(zt)
data: zt
Dickey-Fuller = -8.1246, Lag order = 4, p-value = 0.01
alternative hypothesis: stationary
Warning message:
In adf.test(zt) : p-value smaller than printed p-value
#Differencing Musiman
> ztt<-diff(diff(z),6)
> adf.test(ztt)
data: ztt
Dickey-Fuller = -6.0139, Lag order = 3, p-value = 0.01
alternative hypothesis: stationary
Warning message:
In adf.test(ztt) : p-value smaller than printed p-value
#Identifikasi model
> acf(ztt,50)
> pacf(ztt,50)
#Estimasi Parameter
> fit1<-arima(x,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=6))
53
> fit1
Call:
arima(x = x, order = c(0, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))
Coefficients:
ma1 sma1
-0.8580 -0.5566
s.e. 0.0764 0.1319
> fit2<-arima(x,order=c(0,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit2
Call:
arima(x = x, order = c(0, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))
Coefficients:
ma1 sar1
-0.8791 -0.5301
s.e. 0.0672 0.1217
sigma^2 estimated as 2.45e+14: log likelihood = -955.16, aic = 1916.32
> fit3<-arima(x,order=c(1,1,0),seasonal=list(order=c(0,1,1),period=6))
> fit3
Call:
arima(x = x, order = c(1, 1, 0), seasonal = list(order = c(0, 1, 1), period = 6))
Coefficients:
ar1 sma1
-0.5458 -0.5521
s.e. 0.1140 0.1275
> fit4<-arima(x,order=c(1,1,0),seasonal=list(order=c(1,1,0),period=6))
> fit4
Call:
arima(x = x, order = c(1, 1, 0), seasonal = list(order = c(1, 1, 0), period = 6))
54
Coefficients:
ar1 sar1
-0.5509 -0.4957
s.e. 0.1132 0.1185
> fit5<-arima(x,order=c(1,1,1),seasonal=list(order=c(0,1,1),period=6))
> fit5
Call:
arima(x = x, order = c(1, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))
Coefficients:
ar1 ma1 sma1
-0.1160 -0.8209 -0.5728
s.e. 0.1606 0.1084 0.1299
> fit6<-arima(x,order=c(1,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit6
Call:
arima(x = x, order = c(1, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))
Coefficients:
ar1 ma1 sar1
-0.1310 -0.8458 -0.5514
s.e. 0.1551 0.0919 0.1209
> fit7<-arima(x,order=c(2,1,0),seasonal=list(order=c(0,1,1),period=6))
> fit7
Call:
arima(x = x, order = c(2, 1, 0), seasonal = list(order = c(0, 1, 1), period = 6))
55
Coefficients:
ar1 ar2 sma1
-0.7677 -0.4107 -0.5892
s.e. 0.1230 0.1272 0.1251
> fit8<-arima(x,order=c(2,1,0),seasonal=list(order=c(1,1,0),period=6))
> fit8
Call:
arima(x = x, order = c(2, 1, 0), seasonal = list(order = c(1, 1, 0), period = 6))
Coefficients:
ar1 ar2 sar1
-0.7792 -0.4123 -0.5385
s.e. 0.1231 0.1257 0.1173
> fit9<-arima(x,order=c(2,1,1),seasonal=list(order=c(0,1,1),period=6))
> fit9
Call:
arima(x = x, order = c(2, 1, 1), seasonal = list(order = c(0, 1, 1), period = 6))
Coefficients:
ar1 ar2 ma1 sma1
-0.1224 -0.0117 -0.8152 -0.5754
s.e. 0.1884 0.1755 0.1425 0.1354
> fit10<-arima(x,order=c(2,1,1),seasonal=list(order=c(1,1,0),period=6))
> fit10
Call:
arima(x = x, order = c(2, 1, 1), seasonal = list(order = c(1, 1, 0), period = 6))
56
Coefficients:
ar1 ar2 ma1 sar1
-0.1421 -0.0224 -0.8371 -0.5565
s.e. 0.1779 0.1689 0.1176 0.1264
#Diagnostik
##Residual
> res1<-residuals(fit1)
> res2<-residuals(fit2)
> res3<-residuals(fit3)
> res4<-residuals(fit4)
> res7<-residuals(fit7)
> res8<-residuals(fit8)
##Pengujian Autokorelasi
> tsdiag(fit1,gof.lag=50)
> tsdiag(fit2,gof.lag=50)
> tsdiag(fit3,gof.lag=50)
> tsdiag(fit4,gof.lag=50)
> tsdiag(fit7,gof.lag=50)
> tsdiag(fit8,gof.lag=50)
##Pengujian Normalitas
> n1<-length(res1)
> mean1<-mean(res1)
> sd1<-sd(res1)
> resn1<-rnorm(n1,mean1,sd1)
> ks.test(res1,resn1)
> n2<-length(res2)
> mean2<-mean(res2)
> sd2<-sd(res2)
> resn2<-rnorm(n2,mean2,sd2)
> ks.test(res2,resn2)
57
Two-sample Kolmogorov-Smirnov test
> n3<-length(res3)
> mean3<-mean(res3)
> sd3<-sd(res3)
> resn3<-rnorm(n3,mean3,sd3)
> ks.test(res3,resn3)
> n4<-length(res4)
> mean4<-mean(res4)
> sd4<-sd(res4)
> resn4<-rnorm(n4,mean4,sd4)
> ks.test(res4,resn4)
> n7<-length(res7)
> mean7<-mean(res7)
> sd7<-sd(res7)
> resn7<-rnorm(n7,mean7,sd7)
> ks.test(res7,resn7)
58
Two-sample Kolmogorov-Smirnov test
> n8<-length(res8)
> mean8<-mean(res8)
> sd8<-sd(res8)
> resn8<-rnorm(n8,mean8,sd8)
> ks.test(res8,resn8)
#Peramalan
> x1<-predict(fit1,n.ahead=12)$pred
> x2<-predict(fit2,n.ahead=12)$pred
> x7<-predict(fit7,n.ahead=12)$pred
> x8<-predict(fit8,n.ahead=12)$pred
#Evaluasi Peramalan
##Nilai Error
> e1<-y-x1
> e2<-y-x2
> e7<-y-x7
> e8<-y-x8
##MSE
> MSE1<-sum(e1^2)/12
> MSE1
[1] 1.165954e+14
> MSE2<-sum(e2^2)/12
> MSE2
59
[1] 9.198516e+13
> MSE7<-sum(e7^2)/12
> MSE7
[1] 1.398673e+14
> MSE8<-sum(e8^2)/12
> MSE8
[1] 6.869808e+13
##MAPE
> MAPE1<-sum(abs(e1/y))/12*100
> MAPE1
[1] 2.374337
> MAPE2<-sum(abs(e2/y))/12*100
> MAPE2
[1] 2.085484
> MAPE7<-sum(abs(e7/y))/12*100
> MAPE7
[1] 2.835899
> MAPE8<-sum(abs(e8/y))/12*100
> MAPE8
[1] 1.857909
LAMPIRAN 4
60
ma1 -0.8458 0.0919 -9.20348 Signifikan
sar1 -0.5514 0.1209 -4.56079 Signifikan
ar1 -0.7677 0.123 -6.24146 Signifikan
7 ARIMA(2,1,0)(0,1,1)^6 ar2 -0.4107 0.1272 -3.22877 Signifikan
sma1 -0.5892 0.1251 -4.70983 Signifikan
ar1 -0.7792 0.1231 -6.32981 Signifikan
8 ARIMA(2,1,0)(1,1,0)^6 ar2 -0.4123 0.1257 -3.28003 Signifikan
sar1 -0.5385 0.1173 -4.59079 Signifikan
ar1 -0.1224 0.1884 -0.64968 Tidak signifikan
ar2 -0.0117 0.1755 -0.06667 Tidak signifikan
9 ARIMA(2,1,1)(0,1,1)^6
ma1 -0.8152 0.1425 -5.7207 Signifikan
sma1 -0.5754 0.1354 -4.24963 Signifikan
ar1 -0.1421 0.1779 -0.79876 Tidak signifikan
ar2 -0.0224 0.1689 -0.13262 Tidak signifikan
10 ARIMA(2,1,1)(1,1,0)^6
ma1 -0.8371 0.1176 -7.1182 Signifikan
sar1 -0.5565 0.1264 -4.40269 Signifikan
*t-alpha = 2.001
LAMPIRAN 5
61
Hasil Diagnostik Model ARIMA(0,1,1)(1,1,0)6
62
Hasil Diagnostik Model ARIMA(1,1,0)(0,1,1)6
63
Hasil Diagnostik Model ARIMA(1,1,0)(1,1,0)6
64
Hasil Diagnostik Model ARIMA( 2,1,0)(0,1,1)6
65
Hasil Diagnostik Model ARIMA( 2,1,0)(1,1,0)6
66
LAMPIRAN 6
67
Periode Residual Periode Residual Periode Residual
1 171277.34 31 8321455.42 61 18529543
2 84218.3 32 -45699586.1 62 -1623264
3 26547.59 33 21473027.81 63 4124560
4 54366.24 34 13986831.8 64 -2091050
5 37856.67 35 2295239.8 65 2002464
6 -103494.47 36 2788635.83 66 -9330519
7 -770846.65 37 -1490644.44 67 -14397484
8 -2546983.02 38 12753244.16 68 7350258
9 4464029.71 39 -14123261.6 69 -3558704
10 -12929427.04 40 -18591902.48 70 355109
11 13995934.43 41 2253135.57 71 -8375957
12 2687242.4 42 -4957678.56 72 -4656614
13 20963042.8 43 -25652186.58
14 1920754.02 44 29347562.57
15 19622397.13 45 8690042.43
16 -1088259.6 46 10504919.26
17 -9766020.45 47 -18153568.23
18 1275942.69 48 -7635506.12
19 8467931.27 49 -957150.44
20 5765429.38 50 -14524724.07
21 -25803878.99 51 -502051.32
22 -6319432.21 52 -17303590.59
23 5531919.12 53 -268303.76
24 9089495.41 54 630681.17
25 -24367518.7 55 -10597629.96
26 -29082787.39 56 32071802.75
27 48485690.4 57 -1035866.89
28 24303819.37 58 11411543.65
29 -977613.93 59 1757739.45
30 -21945716.56 60 3449157.01
LAMPIRAN 7
68
No. Transformasi No. Transformasi No. Transformasi
1 -0.025944072 31 0.147122852 61 0.363888953
2 -0.027792748 32 -1 62 -0.064050694
3 -0.029017371 33 0.426393093 63 0.058002863
4 -0.028426649 34 0.267425655 64 -0.073984009
5 -0.028777226 35 0.019157722 65 0.012940703
6 -0.031778781 36 0.029634859 66 -0.227712261
7 -0.045949832 37 -0.061234552 67 -0.335307953
8 -0.083665628 38 0.241230741 68 0.126499726
9 0.065211415 39 -0.329484912 69 -0.105149262
10 -0.304134143 40 -0.424375346 70 -0.022040454
11 0.267618947 41 0.018263649 71 -0.207442384
12 0.027481795 42 -0.134856125 72 -0.128463097
13 0.415563693 43 -0.574298653
14 0.011205613 44 0.593606803
15 0.387095428 45 0.154949702
16 -0.052690014 46 0.193488143
17 -0.236960022 47 -0.415067431
18 -0.002486789 48 -0.191719101
19 0.150233229 49 -0.049905944
20 0.0928463 50 -0.338009863
21 -0.577519802 51 -0.040242032
22 -0.163772612 52 -0.397018376
23 0.08788777 53 -0.035278463
24 0.163431983 54 -0.016188751
25 -0.547019063 55 -0.254619035
26 -0.647146575 56 0.651455339
27 1 57 -0.051577468
28 0.48650422 58 0.212740077
29 -0.050340481 59 0.007744041
30 -0.495592721 60 0.043660855
LAMPIRAN 8
69
Data Pelatihan
Data Pengujian
LAMPIRAN 9
70
Pelatihan
%Input data
p=xlsread('residual','B2:BI7');
t=xlsread('residual','B8:BI8');
%Inisialisasi jaringan
%[jumlah hidden neuron,jumlah output neuron]
net=newff(minmax(p),[10,1],{'tansig','purelin'},'trainlm');
%Inisialisasi bobot
BobotAwal_Input=net.IW{1,1}
BobotAwal_Bias_Input=net.b{1}
BobotAwal_Tersembunyi=net.LW{2,1}
BobotAwal_Bias_Tersembunyi=net.b{2}
%Beberapa parameter
net.trainParam.goal=0.001;
net.trainParam.lr=0.1;
%Pelatihan
net=train(net,p,t);
Pengujian
%Input data
p=xlsread('residual','B11:M16');
t=xlsread('residual','B17:M17');
%Output
y_testing=sim(net,p)
%MSE
MSE_testing=(sum((t-y_testing).^2))/length(t)
Peramalan 6 Periode
%Input data
%Menggunakan 6 data terakhir
p=xlsread('residual','M12:M17');
71
%Output
%Predict ke-1
y1=sim(net,p)
%Predict ke-2
p=[xlsread('residual','M13:M17');y1];
y2=sim(net,p)
%Predict ke-3
p=[xlsread('residual','M14:M17');y1;y2];
y3=sim(net,p)
%Predict ke-4
p=[xlsread('residual','M15:M17');y1;y2;y3];
y4=sim(net,p)
%Predict ke-5
p=[xlsread('residual','M16:M17');y1;y2;y3;y4];
y5=sim(net,p)
%Predict ke-6
p=[xlsread('residual',1,'M17');y1;y2;y3;y4;y5];
y6=sim(net,p)
LAMPIRAN 10
72
>> BobotAwal_Input
BobotAwal_Input =
>> BobotAwal_Bias_Input
BobotAwal_Bias_Input =
-2.0549
1.5983
-1.1416
0.6850
-0.2283
-0.2283
-0.6850
-1.1416
1.5983
2.0549
>> BobotAwal_Tersembunyi
BobotAwal_Tersembunyi =
>> BobotAwal_Bias_Tersembunyi
BobotAwal_Bias_Tersembunyi =
0.3429
>> BobotAkhir_Input
BobotAkhir_Input =
73
1.2937 1.3678 -0.5254 0.2791 2.2630 -2.8474
-0.7716 1.5862 1.8414 0.3804 0.6964 0.9324
0.8210 -0.7775 0.9980 0.9690 -1.6477 0.2137
-1.0947 0.1099 2.0239 1.1025 0.8884 -0.4743
-0.8461 2.4753 -0.1246 -0.1575 1.6852 2.7620
-1.1427 -1.1280 -0.3946 -0.7788 0.8882 0.8009
-0.0248 1.2997 0.0305 -1.9204 0.8940 0.4381
1.0529 -1.4939 0.8651 1.6241 0.1807 3.6724
>> BobotAkhir_Bias_Input
BobotAkhir_Bias_Input =
-2.1907
1.2275
-1.8103
0.2985
-0.2478
1.2181
-0.1392
-1.5090
0.8269
2.1774
>> BobotAkhir_Tersembunyi
BobotAkhir_Tersembunyi =
>> BobotAkhir_Bias_Tersembunyi
BobotAkhir_Bias_Tersembunyi =
1.5338
%Output Pelatihan
>> y_training
y_training =
Columns 1 through 12
74
-0.0378 -0.0207 0.0055 -0.2041 0.2247 0.0184 0.3358 0.0101
0.3943 -0.0473 -0.2395 -0.0182
Columns 13 through 24
Columns 25 through 36
Columns 37 through 48
Columns 49 through 60
75
LAMPIRAN 11
76
%Output Pengujian
>> y_testing
y_testing =
>> MSE_testing
MSE_testing =
0.0275
LAMPIRAN 12
77
>> predict
y1 =
0.4395
y2 =
0.0842
y3 =
-0.0825
y4 =
-0.0462
y5 =
0.0518
y6 =
0.0188
Data Pribadi :
78
Nama : Bagus Dwi Saputra
Agama : Islam
Nomor HP : 081313525272
Riwayat Pendidikan :
TK Al-Muhajirin : 2000-2001
79