TINJAUAN PUSTAKA
Pada Bab 2 akan menjelaskan beberapa kajian pustaka yang mendukung penyelesaian permasalahan dalam penelitian ini. Beberapa hal yang akan dibahas pada Bab 2 adalah sebagai berikut :
2.1 Autoregressive Integrated Moving Average (ARIMA)
Model ARIMA merupakan model kombinasi dari autoregressive (AR) berordo p dan proses moving average (MA) berordo q. Pembeda berordo d dilakukan jika data deret waktu tidak stasioner dalam rata-rata. Pemeriksaan kestasioneran data dapat dilihat dari Time Series Plot, Autocorrelation Function (ACF) Plot dan Partial Autocorrelation Function (PACF) Plot. Model ARIMA ( p,
d, q) dapat ditulis sebagai berikut (Wei, 2006) :
ππ(π΅)(1 β π΅)πππ‘ = ππ(π΅)ππ‘ (2.1)
dengan, ππ(π΅) = 1 β π1π΅ β β― β πππ΅π ππ(π΅) = 1 β π1π΅ β β― β πππ΅π
Model ARIMA yang mengakomodasi efek musiman pada pengamatan
waktu ke-t dinotasikan dengan ARIMA(π, π·, π)π . Secara umum, model ARIMA
musiman dapat ditulis dalam bentuk :
Ξ¦π(π΅π)(1 β π΅π)π·ππ‘= Ξπ(π΅π)ππ‘ (2.2)
dengan, s adalah periode musiman
Ξ¦π(π΅π) = 1 β Ξ¦1π΅πβ β― β Ξ¦ππ΅ππ Ξπ(π΅π) = 1 β Ξ1π΅πβ β― β Ξππ΅ππ
Jika terdapat efek non-musiman dan efek musiman, maka model yang terbentuk adalah model multiplikatif yaitu ARIMA (π, π, π)(π, π·, π)π . Bentuk umum model ARIMA (π, π, π)(π, π·, π)π dapat ditulis sebagai berikut :
ππ(π΅)Ξ¦π(π΅π )(1 β π΅)π(1 β π΅π )π·ππ‘= ππ(π΅)Ξπ(π΅π )ππ‘ (2.3) dengan (1 β π΅)π = differencing non musiman dengan orde d
8
ππ‘ = residual white noisedengan mean 0 dan varians ππ2.
2.2 Pemilihan Model Terbaik
Untuk menentukan model terbaik digunakan kriteria berdasarkan residual dan kesalahan peramalan (Wei, 2006). Adapun kriteria pemilihan model yang berdasarkan residual adalah :
1) AIC (Akaikeβs Information Criterion)
Diasumsikan bahwa model deret waktu mempunyai π parameter. Nilai AIC didefinisikan sebagai berikut :
π΄πΌπΆ(π) = π ln πΜπ2+ 2π dengan :
π = banyaknya residual
π = jumlah parameter di dalam model πΜπ2 = penduga dari ππ2
2) SBC (Schwartzβs Bayesian Criterion)
Schwartz (1978) menggunakan kriteria bayesian untuk pemilihan model terbaik (Schwartzβs Bayesian Criterion) dan didefinisikan sebagai berikut :
ππ΅πΆ = π ln πΜπ2+ π ln π
Jika tujuan utama pembentukan model adalah untuk peramalan, maka alternatif kriteria pemilihan model adalah berdasarkan kesalahan peramalan. Anggap kesalahan peramalan untuk π-langkah ke depan adalah :
ππ = ππ+πβ πΜπ(π)
Terdapat 5 (lima) nilai statistik yang biasanya digunakan untuk menentukan kebaikan model yaitu :
1) MPE (Mean Percentage Error)
πππΈ = (1 πΏβ ππ ππ+π πΏ π=1 ) 100% 2) MSE (Mean Square Error)
πππΈ =1
πΏβ ππ
2 πΏ π=1
9
3) MAE (Mean Absolute Error)
ππ΄πΈ =1
πΏβ |ππ|
πΏ π=1
4) RMSE (Root Mean Square Error)
π πππΈ = β1
πΏβ ππ2
πΏ π=1
2.3 Fungsi Transfer
Metode fungsi transfer merupakan pengembangan dari metode Box-Jenkins yang modelnya terdiri dari dua variabel tetapi masing-masing variabel mempunyai model ARIMA tertentu. Model ini adalah suatu model yang menggambarkan bahwa ramalan masa depan dari suatu deret waktu (output series atau π¦π‘) adalah berdasarkan pada nilai-nilai masa lalu dari deret waktu itu sendiri dan berdasarkan pula pada satu atau lebih deret waktu yang lain (input series atau π₯π‘) yang berhubungan dengan output series tersebut.
Pembentukan model fungsi transfer didasarkan pada autocorrelation
function (ACF) dan cross correlation function (CCF). Bentuk umum model fungsi
transfer untuk input tunggal, π₯π‘, dan output tunggal, π¦π‘, adalah (Wei, 2006):
π¦π‘ = π£0π₯π‘+ π£1π₯π‘β1+ π£2π₯π‘β2+ β― + ππ‘ (2.4)
π¦π‘ = π£(π΅)π₯π‘+ ππ‘ (2.5)
dengan:
π¦π‘ = deret output yang stasioner π₯π‘ = deret input yang stasioner
ππ‘ = variabel error (deret noise) yang mengikuti suatu model ARMA tertentu. π£(π΅) = π£0+ π£1π΅ + π£2π΅2+ β― merupakan koefisien model fungsi transfer atau bobot respon impuls. Bobot respon impuls dapat dinyatakan sebagai berikut :
π£(π΅) =ππ (π΅)π΅π πΏπ(π΅) (2.6) sehingga π¦π‘= ππ (π΅)π΅π πΏπ(π΅) π₯π‘+π(π΅) π(π΅)ππ‘ (2.7)
10
dengan :
π = banyaknya periode sebelum deret input mulai berpengaruh terhadap deret
output.
ππ (π΅) = (π0β π1π΅ β π2π΅2β β― β ππ π΅π ) merupakan operator dengan orde s,
yang merepresentasikan jumlah pengamatan masa lalu π₯π‘ yang
berpengaruh terhadap π¦π‘.
πΏπ(π΅) = (1 β πΏ1π΅ β πΏ2π΅2β β― β πΏππ΅π) merupakan operator dengan orde r, yang merepresentasikan jumlah pengamatan masa lau dari deret output itu sendiri yang berpengaruh terhadap π¦π‘.
2.3.1 Identifikasi Bentuk Model Fungsi Transfer
1) Pre-whitening deret input
Pre-whitening deret input bertujuan untuk menjadikan deret input menjadi lebih
sederhana dengan menghilangkan seluruh pola yang diketahui supaya tertinggal hanya white noise. Pre-whitening deret input π₯π‘ dengan proses ARIMA (ππ₯, 0, ππ₯) adalah :
ππ₯(π΅)π₯π‘ = ππ₯(π΅)πΌπ‘ (2.8)
Mengubah deret input π₯π‘ menjadi deret πΌπ‘ sebagai berikut:
ππ₯(π΅)
ππ₯(π΅)π₯π‘ = πΌπ‘ (2.9)
2) Pre-whitening deret output
Apabila pre-whitening dilakukan untuk π₯π‘ maka pre-whitening juga diterapkan terhadap π¦π‘ supaya fungsi transfer dapat memetakan π₯π‘ kedalam π¦π‘. Transformasi pada π¦π‘ tidak harus mengubah π¦π‘ menjadi white noise. Berikut merupakan pre-whitening deret π¦π‘ :
ππ₯(π΅)
ππ₯(π΅)π¦π‘ = π½π‘ (2.10)
3) Cross Correlation Function (CCF)
Setelah diperoleh deret input dan deret output yang telah melalui proses
pre-whitening, maka selajutnya adalah menghitung cross correlation antara kedua
11
kekuatan dan arah hubungan antara dua variabel random pada selisih waktu k. Bentuk fungsi kovarian antara π₯π‘ dan π¦π‘+π (Wei, 2006)
πΎπ₯π¦(π) = πΈ{(π₯π‘β ππ₯)(π¦π‘+πβ ππ¦)} (2.11) dengan π = 0, Β±1, Β±2, Β±, β―, dimana ππ₯= πΈ(π₯π‘) dan ππ¦ = πΈ(π¦π‘). Bentuk
cross correlation function antara π₯π‘ dan π¦π‘. ππ₯π¦(π) =πΎπ₯π¦(π)
ππ₯ππ¦ (2.12)
Dengan ππ₯ dan ππ¦ adalah standar deviasi dari π₯π‘ dan π¦π‘.
Fungsi sampel cross correlation function ditulis sebagai berikut : πΜπ₯π¦(π) =πΎΜπ₯π¦(π) ππ₯ππ¦ (2.13) dengan π = 0, Β±1, Β±2, Β±, β―, dimana : πΎΜπ₯π¦(π) = { 1 πβ (π₯π‘β π₯Μ )(π¦π‘+πβ π¦Μ ) π β₯ 0 πβπ π‘=1 1 πβ (π₯π‘β π₯Μ )(π¦π‘+πβ π¦Μ ) π < 0 π π‘=1 ππ₯= βπΎΜπ₯π₯(0) dan ππ¦ = βπΎΜπ¦π¦(0)
4) Penetapan (π, π, π ) untuk model fungsi transfer yang menghubungkan deret
input dan deret output (Makridakis dkk., 1999).
a. Nilai π menyatakan bahwa π¦π‘ mulai dipengaruhi oleh π₯π‘ pada periode π‘ + π.
b. Nilai π menyatakan seberapa lama deret π¦π‘ terus dipengaruhi oleh nilai-nilai baru dari deret input π₯π‘ atau π¦π‘ dipengaruhi oleh π₯π‘βπβ1, π₯π‘βπβ2, β― , π₯π‘βπβπ . c. Nilai π menyatakan bahwa π¦π‘ dipengaruhi oleh nilai masa lalunya
π¦π‘β1, β― , π¦π‘βπ.
Setelah menetapkan (π, π, π ) kemudian dilakukan penaksir parameter fungsi transfer sementara.
π£Μ(π΅) =πΜ (π΅)
πΏ
12
Beberapa bentuk fungsi transfer yang umum digunakan dalam peramalan :
Tabel 2.1 Model Fungsi Transfer dengan π = π
(π, π, π ) Fungsi Transfer
(2,0,0) π£(π΅)π₯π‘ = π0π₯π‘β2 (2,0,1) π£(π΅)π₯π‘ = (π0β π1π΅)π₯π‘β2 (2,0,2) π£(π΅)π₯π‘ = (π0β π1π΅ β π2π΅2)π₯π‘β2
Tabel 2.2 Model Fungsi Transfer dengan π = π
(π, π, π ) Fungsi Transfer (2,1,0) π£(π΅)π₯π‘ = π0 (1 β πΏ1π΅)π₯π‘β2 (2,1,1) π£(π΅)π₯π‘ =(π0β π1π΅) (1 β πΏ1π΅) π₯π‘β2 (2,1,2) π£(π΅)π₯π‘ =(π0β π1π΅ β π2π΅ 2) (1 β πΏ1π΅) π₯π‘β2
Tabel 2.2 Model Fungsi Transfer dengan π = π
(π, π, π ) Fungsi Transfer (2,2,0) π£(π΅)π₯π‘= π0 (1 β πΏ1π΅ β πΏ2π΅2)π₯π‘β2 (2,2,1) π£(π΅)π₯π‘= (π0β π1π΅) (1 β πΏ1π΅ β πΏ2π΅2)π₯π‘β2 (2,2,2) π£(π΅)π₯π‘ =(π0β π1π΅ β π2π΅ 2) (1 β πΏ1π΅ β πΏ2π΅2) π₯π‘β2
5) Penaksir awal deret noise (ππ‘)
Bobot respon implus diukur secara langsung dan ini memungkinkan dilakukannya perhitungan nilai taksiran dari deret noise ππ‘ dengan
πΜπ‘= π¦π‘β π¦Μπ‘ (2.15) πΜπ‘= π¦π‘βπΜ (π΅) πΏ Μ(π΅)π₯π‘ (2.16) πΜπ‘= π¦π‘β π£Μ(π΅)π₯π‘ (2.17) πΜπ‘ = π¦π‘β π£0π₯π‘β π£1π₯π‘β1β π£2π₯π‘β2β β― β π£ππ₯π‘βπ (2.18) 6) Penetapan (ππ, ππ) untuk model ARIMA (ππ, 0, ππ) dari deret noise (ππ‘)
Setelah didapat persamaan (2.18) maka nilai-nilai ππ‘ dimodelkan dengan pendekatan ARIMA sehingga diperoleh orde ππ dan ππ. Model deret noise ππ‘ dapat dinyatakan dengan :
13
dimana:
π(π΅) = Polinomial autoregressive orde ke-p dari ππ‘
π(π΅) = Polinomial moving average orde ke-q dari ππ‘
ππ‘ = Residual dari deret ππ‘
Setelah deret ππ‘ diperoleh dari prosedur di atas, langkah selanjutnya adalah memperoleh nilai dari deret ππ‘ dengan menggunakan persamaan (2.16) sehingga diperoleh nilai deret ππ‘ sebagai berikut :
π¦π‘ = π£(π΅)π₯π‘βπ+ ππ‘ (2.20)
π¦π‘= π(π΅)
πΏ(π΅)π₯π‘βππ(π΅)
π(π΅)ππ‘ (2.21)
2.3.2 Penaksiran Parameter-parameter Model Fungsi Transfer
Penaksiran parameter model fungsi transfer menggunakan metode
conditional least square (CLS), dengan melibatkan parameter π, πΏ, π dan π. Metode CLS merupakan suatu metode yang dilakukan untuk mencari nilai parameter dengan meminimumkan jumlah kuadrat kesalahan. Setelah mengidentifikasi model fungsi transfer pada persamaan (2.21), selanjutnya parameter πΏ = (πΏ1, β― , πΏπ)β², π = (π0, π1, β― , ππ )β², π = (π1, β― , ππ)β², π = (π1, β― , ππ)β², dan ππ2 akan diestimasi. Maka persamaan (2.21) dapat ditulis dalam bentuk berikut :
πΏπ(π΅)π(π΅)π¦π‘ = π(π΅)ππ (π΅)π₯π‘βπ+ πΏπ(π΅)π(π΅)ππ‘ (2.22)
atau dapat ditulis dalam bentuk :
π(π΅)π¦π‘= π(π΅)π₯π‘βπ+ π(π΅)ππ‘ (2.23) dengan π(π΅) = πΏ(π΅)π(π΅) = (1 β πΏ1π΅ β β― βπΏππ΅π)(1 β π1π΅ β β― βπππ΅π) = (1 β π1π΅ β π2π΅2β β― βππ+ππ΅π+π), π(π΅) = π(π΅)π(π΅) = (1 β π1π΅ β β― βπππ΅π)(π0β π1π΅ β β― βππ π΅π ) = (π0β π1π΅ β π2π΅2β β― βππ+π π΅π+π ), dan π(π΅) = πΏ(π΅)π(π΅) = (1 β πΏ1π΅ β β― βπΏππ΅π)(1 β π1π΅ β β― βπππ΅π) = (1 β π1π΅ β π2π΅2β β― βππ+ππ΅π+π),
14
maka,
ππ‘= π¦π‘β π1π¦π‘β1β β― β ππ+ππ¦π‘βπβπβ π0π₯π‘βπ+ π1π₯π‘βπβ1+ β― +
ππ+π π₯π‘βπβπβπ + ππ+πππ‘βπβπ (2.24)
dengan ππ, ππ, dan ππ adalah fungsi dari πΏπ, ππ, ππ, dan ππ. Dengan asumsi bahwa ππ‘ adalah white noise π(0, ππ2), sehingga fungsi conditional likelihood :
πΏ(πΏ, π, π, π, ππ2|π, π₯, π¦, π₯0, π¦0, π0) = (2πππ2)βπ/2exp [β 1
2ππ2β1π‘=1ππ‘2], (2.25) dengan π₯0, π¦0, π0 adalah beberapa nilai awal yang sesuai untuk menghitung ππ‘ dari persamaan (2.24) sama dengan nilai awal yang diperlukan dalam pendugaan model ARIMA univariat.
Secara umum, metode penaksiran maximum likelihood juga dapat digunakan untuk menduga parameter π, πΏ, π, π dan ππ2. Sebagai contoh, dengan mengatur nilai π sama dengan 0 sebagai nilai ekspetasi kondisional, pendugaan kuadrat terkecil nonlinier parameter tersebut diperoleh dengan nilai SSE, yaitu :
π(πΏ, π, π, π|π) = βππ‘=π‘0ππ‘2, (2.26)
dengan π‘0 = max{π + π + 1, π + π + π + 1} (Wei, 2006:333).
Sejauh ini diasumsikan bahwa π diketahui. Nilai-nilai yang diberikan untuk π, π , π, dan π, jika penduga dari π juga dibutuhkan, maka persamaan (2.26) dapat dioptimisasi untuk nilai-nilai dari π. Maka dipilih π untuk nilai yang memberikan nilai jumlah kuadrat error minimum.
2.3.3 Uji Diagnosis Model Fungsi Transfer
Setelah model fungsi transfer telah diidentifikasi dan parameter diestimasi, harus dilakukan pengecekan kelayakan model sebelum model digunakan untuk peramalan, kontrol, maupun untuk tujuan lainnya. Asumsi yang harus dipenuhi dalam model fungsi transfer adalah residual ππ‘ white noise dan independen pada deret input π₯π‘ juga independen pada deret input yang telah melalui proses
pre-whitening πΌπ‘. Dalam pemeriksaan diagnosa model fungsi transfer, residual πΜπ‘ diuji melalui :
1) Cross correlation
Cross correlation digunakan untuk memeriksa apakah deret noise ππ‘ dan deret
15
πΌ dan πΜ harus menunjukan tidak ada pola. Pendeteksiannya dapat dilakukan dengan menggunakan statistik portmanteau test, yaitu :
π0 = π(π + 2) βπ (π β π)
π=0 πΜπΌπΜ2 (π) (2.27)
π0~π2 dengan derajat bebas (πΎ + 1) β π dimana π = π β π‘0+ 1 dan π adalah jumlah parameter πΏπ dan ππ yang diestimasi dalam fungsi transfer
π£(π΅) =π(π΅)
πΏ(π΅). Jumlah derajat bebas untuk π0 independent pada jumlah parameter yang diestimasi dalam model noise.
2) Cek autocorrelation
Untuk model yang baik, sampel ACF dan PACF dari πΜπ‘ harus menunjukan tidak ada pola, statistik uji untuk autocorrelation adalah :
π1 = π(π + 2) βππ=1(π β π)πΜπΌπΜ2 (π) (2.28) Aproksimasi statistik π1~π2 dengan derajat bebas (πΎ β π β π) hanya dependen pada jumlah parameter model noise.
2.3.4 Peramalan dengan Fungsi transfer
Setelah lolos pada tahap diagnosa, maka model fungsi transfer siap digunakan untuk peramalan. Peramalan dilakukan dengan menggunakan model yang telah dihasilkan melalui prosedur sebelumnya. Peramalan dengan model fungsi transfer juga mirip dengan peramalan pada model ARIMA.
2.3.5 Model Fungsi Transfer Multi Input
Secara umum, deret output mungkin dipengaruhi oleh beberapa deret input, sehingga model kausal untuk fungsi transfer multi input adalah :
π¦π‘= π£1(π΅)π₯1π‘+ β― + π£π(π΅)π₯ππ‘+ ππ‘ (2.29) atau π¦π‘= βππ=1π£π(π΅)π₯ππ‘+ ππ‘ (2.30) atau π¦π‘= β ππ(π΅) πΏπ(π΅)π΅πππ₯ππ‘ π π=1 +π(π΅) π(π΅)ππ‘ (2.31)
dimana π£π(π΅) adalah fungsi transfer untuk deret input π₯ππ‘ ke-j dan ππ‘ diasumsikan independen untuk setiap deret input π₯ππ‘ dan π₯ππ‘ tidak berkorelasi untuk π β π. Bobot
16
respon fungsi transfer ππ(π΅)
πΏπ(π΅)π΅ππ untuk masing-masing variabel input didefinisikan pada model fungsi transfer untuk single input (Otok dan Suhartono, 2009).
17