DOI: https://doi.org/10.15642/mantik.2017.3.1.13-24
Abstrak
Metode Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik mengandung
trend maupun tidak. Terdapat dua metode peramalan dalam Singular Spectrum Analysis (SSA),
yaitu metode rekuren (R-forecasting) dan metode vektor (V-forecasting). Metode rekuren
melakukan kontinuasi secara langsung (dengan bantuan LRF), sedangkan metode vektor
berhubungan dengan L-continuation. Perbedaan metode tentunya memberikan perbedaan dalam
keakuratan hasil ramalan. Untuk melihat perbedaan antara ketiga metode tersebut dilakukan dengan
melihat perbandingan keakuratan dan keandalan hasil ramalan. Untuk mengukur ketepatan
peramalan digunakan Mean Absolute Percentage Error (MAPE) dan untuk mengukur keandalan
hasil peramalan dilakukan dengan tracking signal. Aplikasi dilakukan pada produksi bawang merah
Indonesia periode Januari 2006-Desember 2015. Peramalan kedua metode di SSA menggunakan
window length L=39 dan grouping r=8. Dengan nilai α = 0.1, β= 0.001 dan γ=0.5, metode Holt-
Winters additive memberikan hasil yang lebih baik dengan MAPE 13,469% dibanding metode SSA.
Abstract
The Holt-Winters method is used to model data with seasonal patterns, whether trends or not.
There are two methods of forecasting in Singular Spectrum Analysis (SSA), namely recurrent
method (R-forecasting) and vector method (V-forecasting). The recurrent method performs
continuous continuation (with the help of LRF), whereas the vector method corresponds to the L-
continuation. Different methods of course make a difference in the accuracy of forecast results.
To see the difference between the three methods is done by looking at the comparison of accuracy
and reliability of forecast results. To measure the accuracy of forecasting used Mean Absolute
Percentage Error (MAPE) and to measure the reliability of forecasting results is done by tracking
signal. Applications are done on Indonesian red onion production from January 2006 to December
2015. Forecasting of both methods in SSA uses window length L = 39 and grouping r = 8. With
α = 0.1, β = 0.001 and γ = 0.5, Holt-Winters additive method gives better result with MAPE
13,469% than SSA method.
13
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
negara eksportir bawang merah di dunia setelah continuation. Hal ini menyebabkan dalam
New Zealand, Perancis dan Belanda. approximate continuation-nya biasanya
Berdasarkan data SUSENAS Badan Pusat memberikan hasil yang berbeda [2][7].
Statistik (BPS), konsumsi bawang merah secara Dengan kelebihan dan kemudahan metode
nasional per kapita per tahun pada maret 2015 Holt-Winters dan SSA, penulis menggunakan
sekitar 2,64 kilogram. Sedangkan sebulan metode peramalan Holt-Winters model additive
sekitar 0,22 kilogram, dan per minggu 52 gram dan metode R-forecasting dan V-forecating
per kapita. Hal tersebut menyebabkan dalam SSA untuk meramalkan produksi bawang
permintaan akan bawang merah terus merah, kemudian hasil ketiga metode tersebut
meningkat seiring dengan perkembangan akan dibandingkan dengan mengukur ketepatan
jumlah penduduk. Data Bappenas menunjukkan peramalannya dengan menggunakan MAPE.
permintaan bawang merah pada tahun 2012
mencapai 904 ribu ton mengalami peningkatan 2. Kajian Teori
pada tahun 2015 menjadi 963,4 ribu ton. Hal ini 2.1 Metode Holt-Winters
menyatakan bahwa masyarakat Indonesia tidak
terlepas akan kebutuhan bawang merah setiap Metode Holt-Winters ini digunakan untuk
harinya, dikarenakan bawang merah merupakan mengatasi permasalahan adanya trend dan
penyedap pokok bagi pangan di Indonesia. indikasi musiman [15]. Metode ini merupakan
Dari keterangan di atas diketahui bahwa gabungan dari metode Holt dan metode Winters
bawang merah merupakan komoditas yang [3]. Titik berat metode ini adalah pada nilai
penting untuk diteliti perkembangannya. Untuk level (α), kemiringan slope (β), maupun efek
meneliti perkembangan produksi bawang merah musiman (γ). Parameter nilai level (α),
dari waktu ke waktu dapat digunakan metode kemiringan slope (β), maupun efek musiman (γ)
Holt-Winters dan metode Singular Spectrum berada diantara nilai 0 dan 1. Nilai-nilai yang
Analysis (SSA). mendekati 0 berarti bahwa pengaruh pembobot
Metode Holt-Winters dapat digunakan relatif kecil pada nilai pengamatan terbaru
untuk data time series yang mengandung trend ketika membuat perkiraan nilai-nilai masa
dan musiman [15]. Metode ini mempunyai dua depan [4]. Peramalan dengan metode ini pada
metode yakni metode perkalian musiman umumnya tidak selalu harus memenuhi kaidah-
(Multiplicative Seasonal Method) dan metode kaidah deret waktu seperti signifikansi
penambahan musiman (Additive Seasonal autokorelasi dan stasioneritas.
Method). Model multiplicative digunakan
apabila terdapat kecenderungan atau tanda 2.2 Metode Singular Spectrum Analysis
bahwa pola musiman bergantung pada ukuran (SSA)
data. Dengan kata lain, pola musiman membesar
seiring meningkatnya ukuran data. Sedangkan Singular Spectrum Analysis (SSA) dikenal
model additive digunakan jika kecenderungan sebagai metode yang powerful untuk analisis
tersebut tidak terjadi. deret waktu. SSA adalah teknik analisis deret
SSA adalah teknik analisis deret waktu dan waktu dan peramalan yang menggabungkan
peramalan yang menggabungkan unsur analisis unsur analisis klasik time series, multivariate
klasik time series, multivariate statistics, statistics, multivariate geometric, dynamical
multivariate geometric, dynamical systems, dan systems, dan signal processing [8].
signal processing. Terdapat dua metode Tujuan utama dari SSA yaitu menguraikan
peramalan dalam SSA, yaitu metode rekuren serial aslinya menjadi sejumlah kecil komponen
(R-forecasting) dan metode vektor (V- yang dapat diidentifikasi seperti tren, periodik,
forecasting). Metode rekuren adalah metode dan noise, kemudian diikuti oleh rekontruksi
dasar yang sering digunakan karena relatif lebih dari serial aslinya [5]. SSA merupakan sebuah
mudah [2]. Metode vektor merupakan hasil metode yang sangat berguna untuk
modifikasi dari metode rekuren. Perbedaan memecahkan masalah: (i) menemukan tren dari
antara R-forecasting dan V-forecasting adalah resolusi yang berbeda; (ii) smoothing; (iii)
peramalan dengan R-forecasting melakukan ekstraksi komponen musiman; (iv) ekstraksi
kontinuasi secara langsung (dengan bantuan simultan untuk siklus dengan periode kecil dan
LRF), sedangkan peramalan dengan V- besar; (v) ekstraksi perioditas dengan amplitudo
forecasting berhubungan dengan L- yang bervariasi; (vi) ekstraksi simultan untuk
14
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
tren dan perioditas yang kompleks; (vii) data memiliki komponen periodik. Sampai saat
mendeteksi change-point [2]. Memecahkan ini penentuan window length masih dengan cara
ketujuh masalah tersebut adalah kapabilitas trial and error.
dasar dari SSA. Untuk mencapai kapabilitas Konsep dasar pada tahap embedding ini
tersebut, tidak perlu mempertimbangkan model adalah melakukan pemetaan yang mentransfer
parametrik dari time series. data deret waktu F satu dimensi ke dalam multi
dimensi 𝐗 𝟏 , 𝐗 𝟐 , … , 𝐗 𝑲 sehingga didapatkan
3. Metode Penelitian output sebuah matriks yaitu matriks Hankel
3.1 Metode Holt-Winters Additif dimana semua elemen pada anti diagonalnya
bernilai sama.
Model musiman aditif cocok untuk
prediksi data time series yang dimana amplitudo b. Singular Value Decomposition (SVD)
atau ketinggian pola musimannya tidak Langkah kedua dalam dekomposisi adalah
tergantung pada rata-rata level atau ukuran data membuat Singular Value Decomposition (SVD)
[6]. dari matriks lintasan. Misalkan 𝜆1 , … , 𝜆𝐿 adalah
Level: eigenvalue dari matriks S dimana 𝐒 = XXT
𝑆𝑡 = 𝛼(𝑌𝑡 − 𝐼𝑡−𝐿 ) + (1 − 𝛼)(𝑆𝑡−1 + 𝑏𝑡−1 ) dengan urutan menurut 𝜆1 ≥ ⋯ ≥ 𝜆𝐿 ≥ 0 dan
Trend: 𝑈1 , … , 𝑈𝐿 adalah eigenvector dari masing-
𝑏𝑡 = 𝛽(𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽)𝑏𝑡−1 masing eigenvalue. Rank dari matriks X dapat
ditunjukkan dengan d = max{𝑖, 𝜆𝑖 > 0}. Jika
Seasonal: 𝑿𝑻 𝑼𝒊
𝐼𝑡 = 𝛾(𝑌𝑡 − 𝑆𝑡 ) + (1 − 𝛾)𝐼𝑡−𝐿 dinotasikan 𝑽𝒊 = untuk i = 1,..., d, maka
√𝝀𝒊
Forecast: SVD dari matriks lintasan adalah sebagai
𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑏𝑡 𝑚 + 𝐼𝑡−𝐿+𝑚 berikut:
𝐗 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒅
= 𝑈1 √𝜆1 𝑉1𝑇 + 𝑈2 √𝜆2 𝑉2𝑇 + ⋯ + 𝑈𝑑 √𝜆𝑑 𝑉𝑑𝑇
3.2 Algoritma SSA
3.2.1 Dekomposisi = ∑𝒅𝒊=𝟏 𝑈𝑖 √𝜆𝑖 𝑉𝑖𝑇 (2)
Pada dekomposisi terdapat dua tahap yaitu Matriks X terbentuk dari eigenvector Ui,
Embedding dan Singular Value Decomposition singular value √𝜆𝑖 dan komponen utama 𝑉𝑖𝑇 .
(SVD). Parameter yang memiliki peran penting Ketiga elemen pembentuk SVD ini disebut
dalam dekomposisi adalah Window Length (L) dengan eigentriple.
[11]. Konsep dasar pada tahap ini adalah
mendapatkan barisan matriks dari matriks S,
a. Embedding dimana pada masing-masing matriks dalam
Langkah pertama dalam SSA adalah barisan tersebut mengandung eigenvector Ui,
embedding, dimana data deret waktu 𝐹 = singular value √𝜆𝑖 dan komponen utama 𝑉𝑖𝑇
(𝑓0 , 𝑓1 , … , 𝑓𝑁−1 ) dengan panjang N dan tidak yang menggambarkan karakteristik pada
terdapat data missing ditransformasi ke dalam masing-masing matriks dalam barisan tersebut.
matriks lintasan berukuran L x K. Matriks
Lintasan ini merupakan matriks dimana semua 3.2.2 Rekontruksi
elemen pada anti diagonalnya bernilai sama. Dalam tahap rekontruksi terdapat dua
… 𝑓𝐾−1 langkah yang harus dilakukan, yaitu langkah
𝑓0 𝑓1
… 𝑓𝐾 Grouping kemudian dilanjutkan dengan
𝑓 𝑓
𝑋𝑖𝑗 = [ 1 2 ⋱ ] (1) pembentukan deret rekontruksi berdasarkan
⋮ ⋮ ⋮ hasil yang diperoleh pada langkah diagonal
𝑓𝐿−1 𝑓𝐿 … 𝑓𝑁−1
averaging.
dalam beberapa sub kelompok, yaitu tren, masing-masing eigenvector apakah memiliki
musiman, periodik dan noise. pola musiman atau tidak. Jika masing-masing
Setelah itu menjumlahkan matriks dalam setiap eigenvector memiliki pola musiman kemudian
kelompok. Hasil yang diperoleh berupa ditentukan perioditas musimannya. Kelompok
representasi dari matriks lintasan sebagai eigenvector yang memiliki periode yang sama
jumlah dari beberapa matriks resultan. akan dikelompokkan menjadi satu kelompok.
Matriks lintasan 𝑿𝒊 akan dipartisi ke dalam
m subset disjoin 𝐼1 , 𝐼2 , … , 𝐼𝑚 . Misalkan 𝐼 = b. Diagonal Averaging
{𝑖1 , 𝑖2 , … , 𝑖𝑝 } adalah matriks resultan 𝑿𝑰 dengan Setelah melakukan grouping, tahap
indeks 𝑖1 , 𝑖2 , … , 𝑖𝑝 sesuai dengan kelompok 𝐼 selanjutnya akan dilakukan transformasi dari
yang dapat didefiniskan sebagai 𝑿𝑰 = 𝑿𝒊𝟏 + hasil pengelompokan 𝑿𝑰𝒊 ke dalam deret baru
𝑿𝒊𝟐 + ⋯ + 𝑿𝒊𝒑 . Kemudian 𝑿𝑰 disesuaikan dengan panjang N. Tujuan dari tahap ini adalah
dengan kelompok 𝑰 = {𝐼1 , 𝐼2 , … , 𝐼𝑚 }. Maka, mendapatkan singular value dari komponen-
𝐗 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒅 dapat diekspansi komponen yang telah dipisahkan, kemudian
menjadi X = 𝑿𝑰𝟏 + 𝑿𝑰𝟐 + ⋯ + 𝑿𝑰𝒎 . akan digunakan dalam peramalan. Hasil pada
Pada tahap singular value decomposition tahap ini merupakan matriks F.
telah didapatkan eigenvalue yang 𝑓11 𝑓21 … 𝑓𝐾
menggambarkan karakteristik untuk setiap 𝑓 𝑓 … 𝑓
𝐅 = [ 21 22 ⋱ 𝐾+1 ] (3)
kolom pada matriks 𝑺 = 𝑋𝑋𝑇 . Eigenvalue ini ⋮ ⋮ ⋮
direpresentasikan oleh eigenvector. Oleh karena 𝑓𝐿 𝑓𝐿+1 … 𝑓𝑁
itu bahan dasar pengelompokan pada tahap Diagonal average dirumuskan sebagai berikut:
grouping adalah eigenvector. Eigenvector pada 1 𝑘
∑ 𝑓∗ untuk 1 ≤ 𝑘 ≤ 𝐿∗
masing-masing kolom pada matriks lintasan 𝑘 𝑚=1 𝑚,𝑘−𝑚+1
akan dilakukan ekstraksi terhadap pola 1 ∗
𝑔𝑘 = ∑𝐿 −1 𝑓 ∗ untuk 𝐿∗ < 𝑘 ≤ 𝐾 ∗ +1
komponen seriesnya. Ekstrasi pertama 𝐿∗ −1 𝑚=1 𝑚,𝑘−𝑚+1
1 𝑁−𝐾 ∗ +1
dilakukan terhadap pola tren, kemudian ∑ 𝑓∗
𝑁−𝑘+1 𝑚=𝑘−𝐾+1 𝑚,𝑘−𝑚+1
dilakukan ekstraksi dilakukan terhadap pola
musiman dengan menggunakan analisis untuk𝐾 ∗ + 1 < 𝑘 ≤ 𝑁
spektral. Eigenvector yang mengikuti pola
musiman dengan periode kurang dari 12 maka Dimana 𝐿∗ = min(𝐿, 𝐾) dan 𝐾∗ =
digolongkan pada kelompok musiman, max(𝐿, 𝐾). Persamaan diatas jika diaplikasikan
sedangkan eigenvecktor yang megikuti pola ke dalam matriks resultan 𝑿𝒊𝒎 akan membentuk
(𝑘) (𝑘)
musiman dengan periode lebih dari 12 akan deret 𝑌̃ (𝑘) = (𝑦̃1 , … , 𝑦̃𝑁 ). Oleh karena itu,
digolongkan pada kelompok siklik. Kemudian deret asli akan didekomposisi menjadi jumlah
eigevector yang tidak mengikuti musiman atau dari m deret.
siklik atau tren akan digolongkan sebagai noise 𝑦𝑛 = ∑𝑚 𝑘=1 𝑦 ̃𝑛 (𝑘) (4)
[9].
Metode untuk mengekstra tren pada SSA
diantaranya dengan menggunakan pendekatan 3.3 Peramalan SSA
naïve [8][9]. Tujuan dari pendekatan naive ini Terdapat dua metode peramalan dalam
untuk mengkonstruksi tren dari beberapa SSA, yaitu metode rekuren (R-forecasting) dan
komponen awal Singular Value Decomposition. metode vektor (V-forecasting). Metode rekuren
Hal ini dikarenakan eigenvalue merupakan adalah metode dasar yang sering digunakan
kontribusi dari komponen Singular Value karena relatif lebih mudah [2]. Metode vektor
Decomposition yang bersesuaian ke dalam merupakan hasil modifikasi dari metode
bentuk time series. Tren biasanya mencirikan rekuren. Dalam peramalan SSA, model
bentuk time series, dimana eigenvalue dari tren dibangun dengan bantuan Linear Rekuren
lebih besar dibandingkan dengan yang lainnya, Formula (LRF). Bentuk polynomial sebagai
yang berarti bahwa tren adalah komponen berikut:
dengan nomor urutan yang terkecil. 𝑑
Dalam mengekstraksi pola musiman 𝑥𝑖+𝑑 = ∑ 𝑟𝑘 𝑥𝑖+𝑑−𝑘
digunakan metode analisis spektral. Metode 𝑘=1
spektral ini dapat digunakan untuk mendeteksi untuk, 1 ≤ 𝑖 ≤ 𝑁 − 𝑑
16
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
17
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
Data
Identifikasi
Pembentukan
matriks
Decompositio Haenkel
n
Singluar Value
Decompositio
n (SVD)
Evaluasi
Peramalan
18
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
Component norms
10^6.5
10^6.0
norms
10^5.5
10^5.0
0 10 20 30 40
4.3 Peramalan Produksi Bawang Merah Tahap selanjutnya, yaitu SVD yang akan
Indonesia dengan Singular Spectrum menghasilkan 39 eigentriple dari matriks 𝐒 =
Analysis 𝐗𝑿𝑻 . Eigentriple ini terdiri dari singular value,
Dalam proses Singular Spectrum Analysis eigenvector, dan principal component. Nilai
terdapat dua langkah, yaitu Dekomposisi dan eigentriple ini digunakan untuk memisahkan
Rekontruksi. Dekomposisi terdiri Embedding komponen, sehingga komponen ini dapat
dan Singular Value Decomposition (SVD). dikelompokan. Hal ini dapat dilihat pada
Sedangkan tahap Rekontruksi terdiri dari gambar 4.
Grouping dan Diagonal Averaging. Berdasarkan gambar 4, dapat diketahui
Pada proses embedding menentukan nilai banyaknya grouping, langkah selanjutnya
𝑁 adalah melakukan identifikasi komponen-
window length (L), dengan 2 < 𝐿 < . Melalui
2 komponen. Berdasarkan gambar 5, eigenvector
Trial dan Error dilakukan pemilihan nilai L
pertama memiliki pola tren, eigenvector 2 dan 3
dengan sofware R dengan nilai MAPE
diidentifikasi sebagai pola siklik. Eigenvector
minimum. Nilai L=39 memiliki nilai MAPE
4-21 menunjukkan pola musiman, sedangkan
minimum sehingga diperoleh matriks lintasan
sisanya dianggap noise. Untuk melakukan
yaitu matriks Hankel C berdimensi 39 x 39,
identifikasi visual komponen periodik, tidak
seperti berikut :
dapat ditentukan hanya dengan melalui plot
𝐶0 𝐶1 … 𝐶38 saja, namun akan dilakukan melalui pengujian
𝐶 𝐶 … ⋮
𝐶39𝑥39 = [ 1 2 ⋱ ] musiman dengan analisis spektral.
⋮ ⋮ 𝐶75 Dari informasi eigentriple yang terbentuk,
𝐶38 … 𝐶75 𝐶76 dapat disimpulkan bahwa terdapat 8 group yaitu
… trend, siklis, season1, season2, season3, season
48884 40983 39997 4, dan season 5, serta noise. Untuk melihat
40983 34691 … ⋮
𝐶39𝑥39 =[ ⋱ ] keterpisahan komponen-komponen, dapat
⋮ ⋮ 104847 dilihat pada gambar 5. Dari gambar 6, besarnya
39997 … 104847 92480 korelasi ditunjukkan oleh gradasi warna dari
warna muda hingga tua. Semakin tua warnanya
Selanjutnya mendapat nilai K=N-L+1, sehingga semakin tinggi korelasinya. Dari matriks diatas
pada proses Singular Value Decomposition terlihat bahwa tren, siklik dan season 2 tidak
(SVD) akan membuat matriks dengan ordo berkorelasi dengan komponen lainnya, season 4
LxK. Salah satu unsur pada tahap ini adalah dan season 5 menunjukkan adanya korelasi
adanya nilai singular value yang merupakan antar komponen, namun korelasi tersebut tidak
akar kuadrat eigenvalue. terlalu dalam. Sehingga, group yang terbentuk
dianggap sudah baik.
19
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
[6] Montgomery, D. C, Introduction to Time [11] Darmawan, G.Identifikasi Pola Data Curah
Series Analysis and Forecasting, 2nd Edition, Hujan Pada Proses Grouping dalam Metode
2008 Singular Spectrum Analysis. Prosiding
Seminar Nasional Matematika dan
[7] Sakinah, A.M.. Perbandingan Stabilitas Hasil
Pendidikan Matematika UNY 2016.
Peramalan Suhu dengan R-Forecasting dan
November (2016) 127-132, Yogyakarta
V-Forecasting SSA untuk Long-Horizon.
Tesis. Universitas Padjadjaran, Bandung. [12] Kementerian Pertanian. Outlook Bawang
2012. Merah 2013. Diambil dari
http://epublikasi.setjen.pertanian.go.id/arsip-
[8] Golyandina N., Zhigljavsky A.. Singular
outlook/260-outlook-komoditas-bawang-
Spectrum Analysis for Time Series. New
merah-2013 pada tanggal 5 Maret 2017
York: Springer (2013)
[13] Kementerian Pertanian. Outlook Bawang
[9] Darmawan, G., Hendrawati T., Arisanti R.,
Merah 2015. Diambil dari
Model Auto Singular Spectrum Untuk
http://epublikasi.setjen.pertanian.go.id/arsip-
Meramalkan Kejadian Banjir di Bandung dan
outlook/76-outlook-hortikultura/356-
Sekitarnya. Prosiding Seminar Nasional
outlook-bawang-merah-2015 pada tanggal 5
Matematika dan Pendidikan Matematika
Maret 2017
UNY 2015. November (2015) 457-462,
Yogyakarta [14] Kementerian Pertanian. Outlook Bawang
Merah 2016. Diambil dari
[10] Amalia, S.N. Peramalan Singular Spectrum
http://epublikasi.setjen.pertanian.go.id/arsip-
Analysis dengan Missing Data. Tesis.
outlook/76-outlook-hortikultura/426-
Universitas Padjadjaran, Bandung. 2016.
outlook-bawang-merah-2016 pada tanggal 5
Maret 2017
[15] Suwandi, Adi, dkk.. Peramalan Data Time
Series Dengan Metode Penghalusan
Eksponensial Holt-Winter. Jurnal Universitas
Hassanudin, Makasar. 2014.
22
JURNAL MATEMATIKA “MANTIK”
Vol. 03 No. 01. Mei 2017.
ISSN: 2527-3159 E-ISSN: 2527-3167
Lampiran 1: Data Produksi Bawang Merah Indonesia Periode Januari 2006 – Desember 2015
23