PENGANTAR
SIMUTATED
ANNEATING
PENGANTAR
SIMULATED ANNEALING
DAN APLIKASINYA
Dr. Suparman, M.Si., DEA
FST UTY Press
Yogyakarta
PENGANTAR SIMULATED ANNEALING DAN APLIKASINYA
Oleh : Dr. Suparman, M.Si., DEA Hak Cipta @ 2010 pada Penulis
Penerbit : FST UTY Press
Jl. Ringroad Utara, Jombor Sleman
Hak cipta dilindungi undang-undang. Dilarang memperbanyak buku ini sebagian atau seluruhnya, dalam bentuk dan dengan cara apa pun juga, baik secara mekanis maupun elektronis, termasuk fotokopi, rekaman, dan lain-lain tanpa izin tertulis dari penulis.
Edisi pertama
Cetakan pertama, 2010
Editor : Sugiyarto, M.Si., Ph.D
Desain Cover : Magistera Laningratum Setting : Ayudea Az Zahra Zulfa
Dr. Suparman, M.Si., DEA
Pengantar Simulated Annealing dan Aplikasinya, ________ Yogyakarta : FST UTY Press, 2010
vi+52 hlm; 18,5 x 26,5 cm ISBN : 978-979-1334-30-3 Statistika : Buku Referensi
Kutipan Pasal 44 : Sangsi pelanggaran undang-undang hak cipta 1987
1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak suatu ciptaan atau memberi ijin untuk itu, dipidana dengan pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp 100.000.000,- (seratus juta rupiah).
2. Barang siapa dengan sengaja menyiarkan, memamerkan,
mengedarkan, atau menjual kepada umum suatu ciptaan atau barang hasil pelanggaran hak cipta sebagaimana dimaksud ayat 1 (satu), dipidana dengan pidana penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp 50.000.000,- (lima puluh juta rupiah).
Kata Pengantar
KATA PENGANTAR
Buku ini disusun berdasarkan penelitian dan pengajaran yang penulis lakukan selama lima tahun. Di samping itu, penulis juga telah mengkaji berbagai literatur dan hasil penelitian. Buku ini ditulis sebagai buku referensi untuk para peneliti, para pengajar di Perguruan Tinggi dan para mahasiswa dalam memahami Metode Simulated Annealing. Dalam buku ini disertakan beberapa aplikasinya sehingga membuat buku ini cocok juga untuk para praktisi yang ingin memahami Metode Simulated Annealing dan permasalahan yang bisa diselesaikan dengan metode ini.
Dalam buku ini dibahas berbagai hal, yaitu : 1) Simulated Annealing; 2) Estimasi Model Runtun Waktu Autoregresif; 3) Estimasi Model Runtun Waktu Subset Autoregresif; 4) Estimasi Model Runtun Waktu Moving Average; 5) Estimasi Model Runtun Waktu Subset Moving Average; 6) Estimasi Model Subset Autoregresif Moving Average; dan 7) Segmentasi Model Synthetic Aperture Radar.
Karena saya tidak mungkin menyelesaikan buku ini sendirian, daya ingin mengucapkan banyak terima kasih pada berbagai pihak yang telah mendukung kelancaran penulisan buku ini. Akhirnya penulis tetap mengharapkan berbagai masukan, kritik dan saran demi perbaikan karya di masa yang akan datang.
Yogyakarta, Juni 2010 Penulis
Kata Pengantar
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
Daftar Isi
DAFTAR ISI
KATA PENGANTAR iii
DAFTAR ISI v
BAB 1 SIMULATED ANNEALING 1
1.1 Pendahuluan 1
1.2 Pembentukan Ukuran 4
1.3 Perhitungan Fungsi Kepadatan 6
1.4 Simulated Annealing 8
BAB 2 ESTIMASI MODEL RUNTUN WAKTU AUTOGRESIF 11
2.1 Rumusan Masalah 11 2.2 Bayesian Hirarki 12 2.3 Metode MCMC 13 2.4 Algoritma SA 14 2.5 Aplikasi 14 2.6 Kesimpulan 18
BAB 3 ESTIMASI MODEL RUNTUN WAKTU SUBSET AUTOGRESIF 19 3.1 Rumusan Masalah 19 3.2 Bayesian Hirarki 19 3.3 Metode MCMC 21 3.4 Algoritma SA 21 3.5 Kesimpulan 22
BAB 4 ESTIMASI MODEL RUNTUN MOVING AVERAGE 23
4.1 Rumusan Masalah 23 4.2 Bayesian Hirarki 24 4.3 Metode MCMC 25 4.4 Algoritma SA 26 4.5 Aplikasi 26 4.6 Kesimpulan 30
Daftar Isi
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
vi
BAB 5 ESTIMASI MODEL RUNTUN SUBSET MOVING AVERAGE 31 5.1 Rumusan Masalah 31 5.2 Bayesian Hirarki 31 5.3 Metode MCMC 33 5.4 Algoritma SA 33 5.5 Kesimpulan 34
BAB 6 ESTIMASI MODEL RUNTUN WAKTU SUBSET AUTOGRESIF MOVING AVERAGE
35 6.1 Rumusan Masalah 35 6.2 Bayesian Hirarki 36 6.3 Metode MCMC 37 6.4 Algoritma SA 38 6.5 Kesimpulan 38
BAB 7 SEGMENTASI MODEL SYNTHETIC APERTURE RADAR 39 7.1 Rumusan Masalah 39 7.2 Pendekatan Bayesian 40 7.3 Metode SA 41 7.4 Aplikasi 42 7.5 Kesimpulan 45 DAFTAR PUSTAKA 47
Bab 1 Simulated Annealing
BAB
1
SIMULATED ANNEALING
1.1 PENDAHULUANMisalkan E menyatakan himpunan keadaan dan menyatakan probabilitas keadaan pada E. Algoritma Metropolis-Hastings ([1], [2]) menghasilkan rantai Markov pada E yang mempunyai probabilitas stasioner sama dengan . Pembentukan rantai Markov tersebut mendasarkan pada kondisi reversibilite. Probabilitas
disebut stasioner jika untuk kernel K dari rantai Markov pada E berlaku :
E y ) x , y ( K ) y ( ) x (untuk semua xE. Probabilitas disebut reversibel untuk kernel K
jika ) x , y ( K ) y ( ) y , x ( K ) x (
untuk semua x,yE. Jelas bahwa reversibilite dari berimplikasi
pada stasionaritas untuk kernel K. Sifat ini digunakan untuk membentuk kernel K sedemikian sehingga merupakan distribusi stasioner. Misalkan q menyatakan kernel bantu pada E. Dimulai dari xE, penarikan sebuah titik baru y dilakukan dalam 2 tahap :
1. Titik y ditarik menurut q(x,y)
2. Titik y diterima dengan probabilitas
) y , x ( q ) x ( ) x , y ( q ) y ( , 1 min ) y , x (
Kernel K didefinisikan sebagai
x y ) y , x ( 1 ) x , x ( q ) y , x ( K y x jika ) y , x ( ) y , x ( q ) y , x ( KKernel K ini memenuhi persamaan reversibite. Dibawah kondisi bahwa rantai Markov adalah irreduktibel dan aperiodik maka probabilitas juga merupakan probabilitas limit.
Bab 1 Simulated Annealing
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
2
Misalkan E menyatakan ruang yang dibentuk oleh dua ruang yang berbeda dimensinya.
E
1xn1
2 xn2dengan n1 dan n2 adalah bilangan bulat yang berbeda. Untuk selanjutnya
1xn1 ditulis dengan n1dan
2 xn2ditulis dengan n2.Dengan demikian himpunan E dibentuk oleh dua unsur yaitu unsur dari n1 dan unsur dari n2. Demikian pula, ukuran dibentuk
oleh1dibawa oleh n1 dan
2
dibawa oleh n2.
Di dalam n1atau n2, algoritma Metropolis-Hastings dapat
berfungsi tanpa kesulitan. Sebaliknya perlu mendefinisikan tranformasi dari n1menuju n2atau sebalinya yang memenuhi
persamaan reversibilite. Idea dari Green ([3]), misalkan q menyatakan kernel instrumental dan menyatakan probabilitas penerimaan/penolakan. Maka harus dipenuhi
A (dx)
Bq(x,dx')(x,x')
B(dx')
Aq(x',dx) (x',x)untuk semua A1 dan B2. Atau
A (dx)
Bq12(x,dx') (x,x')
B(dx')
Aq21(x',dx) (x',x)Dimana q12 menyatakan kernel probabilitas dari n1menuju n2 dan
q12 menyatakan kernel probabilitas dari n2menuju n1.
Misalkan bahwa ukuran dan kernel mempunyai fungsi kepadatan terhadap ukuran Lebesque, maka
AxB 1(x)q12(x,x')(x,x')dxdx'
BxA 2(x') q21(x',x)(x',x)dx'dx
AxB 2(x') q21(x',x)(x',x)dxdx' Atau ) x ( 1 q12(x,x')(x,x')=2(x') q21(x',x)(x',x) JadiBab 1 Simulated Annealing ) ' x , x ( q ) x ( ) x , ' x ( q ) ' x ( , 1 min ) x , ' x ( 12 1 21 2
Selanjutnya dibentuk ukuran dalam himpunan ExE simetris dan memenuhi (dx) q(x,dx') mempunyai fungsi kepadatan
) ' x , x (
f dan (dx')q(x',dx) mempunyai fungsi kepadatan f(x',x)
terhadap . Ingatlah bahwa ukuran adalah simetris jika dan hanya jika untuk semua fungsi terukur positif (x,y)diatas ExE
berlaku ) dy , dx ( ) y , x ( ExE
(y,x) (dx,dy) ExE
Karena ukuran ini simetris, maka ) dx ( A
q(x,dx') (x,x') B
f(x.x') (x,x') (dx,dx') AxB
f(x'.x) (x',x) (dx,dx') BxA
) ' dx ( B
q(x',dx) (x',x) A
f(x'.x) (x',x) (dx',dx) BxA
f(x.x') (x,x') (dx,dx') BxA
Persamaan reversibilite menjadi ) ' dx , dx ( ) x , ' x ( ) x '. x ( f BxA
f(x.x') (x,x') (dx,dx') BxA
Agar supaya persamaan ini dipenuhi, cukup dipenuhi ) x , ' x ( f (x',x)f(x,x') (x,x') untuk semua (x,x')ExE. Atau
) ' x , x ( f ) x , ' x ( f , 1 min ) ' x , x ( .
Bab 1 Simulated Annealing
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
4
Permasalahan selanjutnya adalah bagaimana membentuk ukuran
yang simetris diatas ExE dan fungsi kepadatan f yang berkaitan dengan transformasi yang dilakukan.
1.2 PEMBENTUKAN UKURAN
Ide umum adalah melengkapi dua ruang n1dan n2 untuk berada
dalam ruang yang sama dimensinya. Misalkan m1dan m2adalah dua
bilangan positif sedemikian sehingga
2 2 1
1 m n m
n
Selanjutnya mendefinisikan transformasi-transformasi yang bersesuaian. Misalkan ) x , x ( g ) x , x ( : g 1 2 1 n m n 2 2 1 1 dan ) x , ' x ( g ) x , ' x ( : g 2 1 2 n m n 1 1 2 2
Anggap bahwa ada ijektivitas dari transformasi-transformasi terhadap komponen, yaitu untuk i =1, 2 berlaku
) , u ( g ) , u ( gi i
Anggap juga bahwa ada sebuah rumus inversi yang memungkinkan untuk kembali ke belakang. Untuk semua xn1 dan m1
1
x , terdapat dengan tunggal m2
2
x sedemikian sehingga
g (x,x ),x
xg1 2 1 2 . Definisikan juga sebuah fungsi h2 dari
1
1 m
n
x
ke
dalam m2 dengan memisalkan x h (x,x )
1 2
2 yang memenuhi
persamaan sebelumnya.
Secara simetris, untuk semua x'n2dan m2
2
x terdapat
dengan tunggal m1
1
x sedemikian sehingga g2
g1(x',x2),x1
x'. Definisikan fungsi ha dari n2xm2 ke dalam m1 dengan memisalkan) x , ' x ( h
x1 1 2 Akhirnya sifat inversi ini memungkinkan berdasarkan g1 dan g2, untuk membentuk dua aplikasi yang saling invers
Bab 1 Simulated Annealing
g (x,x ),h (x,x )
) x , x ( x : 1 2 1 2 1 m n m n 12 2 2 1 1 dan
g (x',x ),h (x',x )
) x , ' x ( x : 2 1 2 1 2 m n m n 21 1 1 3 2 Untuk ilustrasi, misalkan n1 1dan n2 2. Maka lengkapi ruang
dan ambil m1 1dan m2 0. Definisikan aplikasi g1 dan g2dengan
cara berikut ) x x , x x ( ) x , x ( g ) x , x ( : g 1 1 1 2 1 2 2 2 dan 2 ' x ' x ) " x ( g ) ' x , ' x ( : x : g 2 1 2 2 1 2 1
Ingatlah bahwa E adalah berbentuk
1xn1
2 xn2 dan ukuran simetris diatas ExE berdasarkan aplikasi g1 dan g2. Dimulai dengan mendefinisikan pada n1xn2 kemudian secara simetris pada
2
1 m
m
x
dan akhirnya diperluas pada ExE. Pertimbangkan aplikasi
x,g (x,x )
) x , x ( x x : 1 2 1 m n m n1 1 2 2 Karena adalah bayangan dari ukuran Lebesque dari
2
1 n
n
x
melalui aplikasi maka dapat dimisalkan d.d. Untuk
1 n A dan Bn2 berlaku ) AxB (
(x,x1)n1xm1 xAdang2(x,x1)B
Definisi ini diperluas pada m1xm2 melalui sifat simetris dengan
memisalkan
) BxA (
(AxB) untuk An1dan Bn2.
Akhirnya ) AxB (
An1xBn2
An2xBn1
Perhatikan bahwa 0 ) AxB ( jika An1 dan Bn1 DanBab 1 Simulated Annealing
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
6 0 ) AxB ( jika An2 dan Bn2
Untuk sebuah fungsi dua variabel positif (x,y)pada ExE berlaku
ExE ) ' dx , dx ( ) ' x , x (
1 n 1 nx ) ' dx , dx ( ) ' x , x (
2 n 2 nx ) ' dx , dx ( ) ' x , x (Karena simetris maka juga berlaku
ExE ) ' dx , dx ( ) ' x , x (
1 n 1 nx ) ' dx , dx ( )) x , ' x ( ) ' x , x ( (Akhirnya, untuk An1dan Bn2berlaku
AxB ) ' dx , dx ( ) ' x , x (
ExE B A(x)1 (x') (x,x') (dx,dx') 1
2 n 1 nx 1 1 2 1 2 B A(x)1 (g (x,x )) (x,g (x,x )) (dx,dx ) 11.3 PERHITUNGAN FUNGSI KEPADATAN
Misalkan xn1. Dipilih lompatan menuju n2dengan probabilitas
j(2,x) dan tinggal di n1dengan probabilitas 1-j(2,x). Ambil secara
random titik m1
1
x dengan distribusi bantu q1(x1) dan kemudian
dimisalkan x'g2(x,x1)
Misalkan 1(x) dan 2(x)adalah fungsi-fungsi kepadatan terhadap ukuran Lebesque dari n1dan n2. Maka
) dx ( A
q(x,dx') (x,x') B
2 n 1 nx 1 2 B 1 A(x) (x)1 (g (x,x ))) 1 j(2,x)(x,g2(x,x1)) q1(x1)dxdx1 dengan An1dan Bn2.Bab 1 Simulated Annealing Menurut kondisi inversi, untuk x dan x' yang diberikan terdapat
dengan tunggal x1 sedemikian sehingga x'g2(x,x1). Dengan demikian q1(x1)dinyatakan dengan q1(x,x').
) dx ( A
q(x,dx') (x,x') B
AxB 1(x)j(2,x) (x,x')q1(x,x')(dx,dx')Sehingga fungsi kepadatan terhadap ukuran dapat ditulis sebagai ) ' x , x ( q ) x , 2 ( j ) x ( ) ' x , x ( f 1 1
Dengan cara yang sama diperoleh ) ' dx ( B
q(x',dx) (x',x) A
1 m 1 nx 2 1 A 2 B(x') (x')1 (g (x',x )) 1 j(1,x')(x',g1(x',x2)) q2(x2)dxdx2Untuk menyatakan integral ini terhadap ukuran , lakukan perubahan variabel ) x , x ( h x ) x , x ( g ' x 1 2 2 1 2
Jika integral di ruas kanan dinyatakan sebagai fungsi dari x dan x1 maka akan muncul jacobian
) x , x ( ) x , ' x ( 1 2 Sehingga ) ' dx ( B
q(x',dx) (x',x) A
Bab 1 Simulated Annealing
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
8
AxB A 2 B(x') (x')1 (x) 1 j(1,x')(x',x) (dx,dx') ) x , x ( ) x , ' x ( ) x , ' x ( q 1 2 2 Maka diperoleh ) x , ' x ( q ) ' x , 1 ( j ) ' x ( ) x , ' x ( f 2 2 ) x , x ( ) x , ' x ( 1 2 Probabilitas penerimaan menjadi
) x , x ( ) x , ' x ( ) ' x , x ( q ) x , 2 ( j ) x ( ) x , ' x ( q ) ' x , 1 ( j ) ' x ( , 1 min ) ' x , x ( 1 1 1 2 2 . 1.4 SIMULATED ANNEALING
Algoritma reversibel jump Markov chain Monte Carlo yang diuraikan dalam bagian sebelumnya menghasilkan pengamatan
ix dalam ruang keadaan E menurut distribusi .
Dalam bagian ini, diuraikan versi simulated annealing dari algoritma reversible jupm Markov chain Monte Carlo. Algoritma Simulated Annealing (lihat sebagai contoh [4]) menggunakan skema penurunan temperatur
Ti dan menghasilkan
i x menurut distribusi i T T ) x ( h ) x (
dimana h(x)log(x). Dengan menurunkan temperatur Ti menuju
0, nilai yang disimulasikan berada disekitar dekat sekali dengan minimum global dari fungsi h(x).
Bartoli dan Del Moral memberikan kondisi sangat umum dari kekonvergenan algoritma simulated annealing dalam ruang terukur sembarang. Kondisi reversibilitas dari kernel otomatis dipenuhi untuk kernel Metropolis-Hasting. Di sini, skema penurunan
Bab 1 Simulated Annealing temperatur Ti dicari secara empiris. Probabilitas penerimaan/penolakan (x,x*) menjadi ) u , x ( ) u , x ( f ) u ( g ) x ( j ) u ( h ) x ( j , 1 min ) x , x ( 12 12 * * 21 * T (x,x ) T 1 exp * i dengan ) x ( log ) x ( h ) x ( log ) x ( h ) x ( h ) x ( h ) x , x ( * * * *
Bab 1 Simulated Annealing
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
Bab 2 Estimasi Model Runtun Waktu Autoregresif
BAB
2
ESTIMASI MODEL RUNTUN WAKTU
AUTOREGRESIF
2.1 RUMUSAN MASALAHMisalkan (Xt)tZ adalah suatu runtun waktu berharga riil.
Runtun waktu (Xt)tZ dikatakan memiliki model AR dengan orde p,
dinotasikan sebagai AR(p), jika (Xt)tZ memenuhi persamaan
stokhastik berikut :
p 1 i t i t ) p ( i t X E X tZ (2.1)di mana orde pN, vektor koefisien
p
P p p p p ( ) ( ) 2 ) ( 1 ) ( , , , dan (Et)tZ merupakan suatu barisan peubah acak berharga riil
yang saling bebas dan masing-masing berdistribusi normal dengan rata-rata 0 dan variansi 2 ([5]). Data jumlah pembangkit tenaga
listrik oleh industri listrik, jumlah pendaftaran mobil di suatu negara, jumlah penumpang pesawat udara dan data jumlah penjualan industri merupakan beberapa contoh data riil yang dapat dimodelkan oleh model AR.
Selanjutnya model AR (Xt)tZ disebut stasioner jika dan hanya
jika persamaan suku banyak
p 1 i i ) p ( i a 1 ) a (bernilai nol untuk nilai a di luar lingkaran dengan jari-jari sama dengan satu ([6]).
Berdasarkan data xt (t = 1, 2, …, n), selanjutnya kita akan berusaha untuk menaksir harga
p, (p), dan 2.
Untuk melakukan itu, kita akan menggunakan pendekatan Bayesian hierarki, yang akan diuraikan dalam bagian berikut ini.
Bab 2 Estimasi Model Runtun Waktu Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
12
2.2 BAYESIAN HIERARKI
Andaikan s
xp1,xp2,,xn
adalah suatu realisasi dari modelAR(p). Jika nilai s0
x1,x2,,xp
diketahui, maka fungsikemungkinan dari s dapat ditulis kurang lebih sebagai berikut :
n 1 q t ) p ( 2 2 2 / ) p n ( 2 2 ) p ( , p , t g 2 1 exp 2 1 , , p s (2.2) di mana
pi1 ti ) p ( i t ) p ( x x , p , t guntuk t = p+1, p+2, …, n dengan nilai awal xˆ1 xˆ2 xˆp 0 ([7]).
Misalkan Sp adalah daerah stabilitas. Dengan menggunakan transformasi
p ) p ( p ) p ( 2 ) p ( 1 ) p ( S , , , : G
p p 2 1 ) p ( ) 1 , 1 ( r , , r , r r (2.3) maka model AR (Xt)tZ stasioner jika dan hanya jika
pp
p r r
r( ) 1,, (1,1) ([8]). Selanjutnya fungsi kemungkinan dapat
ditulis kembali sebagai :
n 1 p t ) p ( 1 2 2 2 / ) p n ( 2 2 ) r ( ) ( G , p , t g 2 1 exp 2 1 , r , p s (2.4)Penentukan distribusi prior untuk parameter-parameter tersebut di atas adalah sebagai berikut :
a) Orde p berdistribusikan Binomial dengan parameter λ :
p p p p p max max (1 ) C ) p (
b) Untuk orde q ditentukan terlebih dahulu, vektor koefisien r(p)
berdistribusikan seragam pada interval (-1, 1)q.
c) Variansi 2 berdistribusikan invers gamma dengan parameter
α/2 dan β/2 : ) 2 /( exp ) ( ) 2 / ( ) 2 / ( ) , ( 2 (1 /2) 2 2 / 2
Di sini parameter λ diasumsikan berdistribusi seragam pada interval (0,1), nilai α diambil sama dengan 2 dan parameter β diasumsikan berdistribusi Jeffrey. Sehingga distribusi prior untuk parameter
) , ,
( ( ) 2
1 p r p
H dan H2 (,) dapat dinyatakan sebagai : (H ,H ) 2 1
p
r p
,
2 ) p ( ) ( () (2.5)Bab 2 Estimasi Model Runtun Waktu Autoregresif Menurut Teorema Bayes, maka distribusi a posteriori untuk parameter H1 dan H2 dapat dinyatakan sebagai :
(H ,H s)
2
1
s H1
(H1,H2) (2.6)Distribusi a posteriori merupakan gabungan dari fungsi kemungkinan dan distribusi prior yang kita asumsikan sebelum sampel diambil. Fungsi kemungkinan bersifat obyektif sementara distribusi prior ini bersifat subyektif. Dalam kasus ini, distribusi a posteriori
H1,H2s
mempunyai bentuk yang sangat rumit sehinggatidak dapat diselesaikan secara analitis. Untuk mengatasi masalah tersebut, diusulkan metode MCMC.
2.3 METODE MCMC
Misalkan M = (H1, H2). Secara umum, metode Markov Chain Monte Carlo (MCMC) merupakan suatu metode sampling, yaitu dengan cara membuat rantai Markov homogen M1,...,Mm yang memenuhi sifat aperiodik dan irreduktibel ([9]) sedemikian hingga M1,...,Mm dapat dipertimbangkan sebagai variabel acak yang mengikuti distribusi
H1,H2s
. Dengan demikian M1,...,Mm dapatdigunakan sebagai sarana untuk menaksir parameter M. Untuk merealisasikan itu diadopsi algoritma Gibbs Hibrida ([9]) yang terdiri dari dua tahap :
1. Simulasi distribusi
H2s
2. Simulasi distribusi
H1,H2s
Algoritma Gibbs digunakan untuk mensimulasikan distribusi
H2s
dan algoritma hibrida, yang mengabungkan algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) ([3]) untuk mensimulasikan parameter (p,r(p)) dengan algoritma Gibbs untuk mensimulasikan parameter σ2, digunakan untuk mensimulasikan distribusi
H1,H2s
. Algoritma RJMCMC merupakan rampatan darialgoritma Metroppolis-Hastings ([1], [9]).
Estimator yang dihasilkan oleh metode MCMC dalam dua tahap. Tahap pertama adalah estimator dari orde q. Tahap kedua adalah estimator dari parameter model AR dan variansi σ2 yang bersesuaian dengan orde q yang diperoleh pada tahap pertama.
Bab 2 Estimasi Model Runtun Waktu Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
14
Untuk mendapatkan kecepatan dan efisiensi diperlukan suatu algoritma untuk menentukan estimator orde q, parameter model AR dan variansi σ2 secara bersamaan. Untuk keperluan itu, diusulkan algoritma Simulated Annealing (SA).
2.4 ALGORTIMA SA
Algoritma SA ([10]) diperoleh dengan menambahkan barisan temperatur T1,...,Tm dalam metode MCMC di atas. Selanjutnya algoritma SA akan memproduksi suatu rantai Markov M(T1),...,M(Tm) yang tidak lagi homogen. Dengan suatu hipotesis tertentu pada T1,...,Tm ([11]) maka M(Tm) akan konvergen menuju suatu nilai yang memaksimumkan distribusi posteriori
H1,H2s
.2.5 APLIKASI
Sebagai ilustrasi, kita akan menerapkan metode ini untuk mengidentifikasi orde dan menaksir parameter data AR sintesis dan data riil. Studi simulasi ditempuh untuk mengkonfirmasi kinerja dari algoritma SA apakah dapat berkerja dengan baik. Sedangkan studi kasus diberikan untuk memberikan contoh penerapan penelitian dalam memecahkan permasalahan dalam kehidupan sehari-hari.
Baik untuk data AR sintesis maupun data AR riil ini, kita akan menggunakan algoritma SA untuk mengidentifikasi orde dan mengestimasi parameter model AR yang bersesuaiaan. Untuk keperluan itu, algoritma SA dimplementasikan sebanyak 70000 iterasi dengan nilai awal temperatur T0 = 10 kemudian temperatur diturunkan dengan faktor 0,995 hingga mencapai temperatur akhir T1400 = 0,01. Nilai orde q dibatasi maksimum 10 sehingga qmaks = 10.
Data AR Sintesis
Gambar 2.1 merupakan data AR sintesis yang dibuat menurut persamaan (2.1) di atas dengan menggunakan bahasa pemograman
Bab 2 Estimasi Model Runtun Waktu Autoregresif MATLAB, dengan jumlah data n = 250, orde p = 2, 1(2) 0,4162,
5377 , 0 ) 2 ( 2 dan σ2 = 4.
Gambar 2.1. Data AR Sintesis
Selanjutnya berdasarkan data dalam Gambar 2.1 orde p, parameter model AR, variansi σ2 akan ditentukan atau lebih tepat akan ditaksir dengan menggunakan algoritma SA. Penaksir orde, parameter model AR dan variansi σ2 yang dihasilkan oleh algoritma SA adalah pˆ 2,
4073 , 0 ˆ(2) 1 , ˆ2(2) 0,5430 dan ˆ2= 3,5239. Data AR Riil
Gambar 2.2 menyajikan data penjualan suatu produk pada CV Jaya Warsa Klaten untuk 50 periode yaitu dari Januari 2002 sampai Pebruari 2006 ([12]). Dari plot data dapat kita lihat bahwa bahwa data tidak stasioner. Untuk mendapatkan menstasionerkan data, dibuat data baru yang terdiri dari pembedaan data asli antara periode yang berturut-turut.
Bab 2 Estimasi Model Runtun Waktu Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
16
Gambar 2.2. Data Penjualan suatu Produk pada CV Jaya Warsa
Dengan melakukan pembedaan pertama terhadap data asli pada Gambar 2.2 akan menghasilkan suatu data stasioner yang plotnya ditunjukkan pada Gambar 2.3.
Gambar 2.3. Pembedaan Pertama Data Penjualan suatu Produk pada CV Jaya Warsa.
Seperti untuk kasus data sintesis, berdasarkan data pada Gambar 2.3 orde p, parameter model AR dan varisnsi 2 diestimasi
dengan menggunakan algoritma SA. Hasilnya adalah pˆ 4, 5105 , 0 ˆ(4) 1 , ˆ2(4) 0,3414, ˆ3(4) 0,2809, ˆ4(4) 0,2250 dan ˆ2= 16,6262.
Data riil kedua disajikan pada Gambar 2.4. Data tersebut merupakan data penjualan Penjualan Jasa Penumpang Pesawat
Bab 2 Estimasi Model Runtun Waktu Autoregresif Udara (PJP2U) dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto Yogyakarta untuk 55 periode yaitu Januari 2001 sampai Juli 2005 ([13]). Terlihat jelas pada Gambar 4 bahwa data inipun tidak stasioner.
Gambar 2.4. Data Penjualan PJP2U dalam negeri pada PT Angakasa Pura I.
Untuk mendapakan data yang stasioner dilakukan pembedaan pertama dan hasilnya ditunjukkan pada Gambar 2.5.
Gambar 2.5. Pembedaan Pertama Data Penjualan PJP2U dalam Negeri pada PT Angakasa Pura I.
Berdasarkan data pada Gambar 2.5 selanjutnya orde p, parameter model AR dan variansi σ2 ditaksir dengan menggunakan
Bab 2 Estimasi Model Runtun Waktu Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
18
algoritma SA. Hasilnya adalah pˆ 1, ˆ1(1) 0,3926 dan ˆ2= 6,8499 x
107.
2.6 KESIMPULAN
Uraian di atas, merupakan kajian teori tentang algoritma SA dan penerapannya pada identifikasi orde p, penaksiran vektor koefisien (p), dan penaksiran variansi σ2 dari model AR. Dari hasil
simulasi menunjukkan bahwa algoritma SA dapat menaksir parameter-parameter itu dengan baik.
Sebagai implementasi algoritma SA, diambil dua data riil pada CV Jaya Warsa dan PT Angkasa Pura I. Hasilnya adalah data penjualan suatu produk pada CV Jaya Warsa Klaten dapat dimodelkan dengan model ARI(4) dan data penjualan PJP2U dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto Yogyakarta dapat dimodelkan dengan model ARI(1). Selanjutnya model-model yang diperoleh dapat digunakan untuk memprediksi jumlah penjualan pada CV Jaya Warsa dan juga jumlah penjualan PJP2U dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto pada periode berikutnya.
Bab 3 Estimasi Model Runtun Waktu Subset Autoregresif
BAB
3
ESTIMASI MODEL RUNTUN WAKTU
SUBSET AUTOREGRESIF
3.1 RUMUSAN MASALAHMisalkan (Xt)tZ adalah suatu runtun waktu berharga riil.
Runtun waktu (Xt)tZ dikatakan memiliki model Subset
AutoRegresif dengan orde p, dinotasikan sebagai SAR(p), jika (Xt)tZ
memenuhi persamaan stokhastik berikut :
Z t E X Xt ip mpi tmi t, ) ( 1 (3.1)
di mana orde pN dan vektor koefisien
p
p m p m p p ( ) ( ) ) ( , , 1 .Di sini, (Et)tZ merupakan suatu barisan peubah acak berharga riil
yang saling bebas dan masing-masing berdistribusi normal dengan mean 0 dan variansi σ2. Data kurs mata uang rupiah terhadap euro, jumlah pendaftaran mobil di suatu negara, jumlah penumpang pesawat udara dan data jumlah penjualan industri merupakan beberapa contoh data riil yang dapat dimodelkan oleh model SAR.
Berdasarkan data xt (t = 1, 2, …, n), selanjutnya kita akan berusaha untuk menaksir harga
p, (p) dan σ2.
Untuk melakukan itu, kita akan menggunakan pendekatan Bayesian hierarki, yang akan diuraikan dalam bagian berikut ini.
3.2 BAYESIAN HIERARKI
Andaikan s
xp1,xp2,,xn
adalah suatu realisasi dari modelSAR(p). Jika nilai s0
x1,x2,,xp
diketahui, maka fungsiBab 3 Estimasi Model Runtun Waktu Subset Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
20 ) , , ( 2 1 exp 2 1 ) , , ( 2 ( ) 1 2 2 / ) ( 2 2 ) ( n p p t p n p g t p p s (3.2) di mana ) , , , , (t p q (p) (q) g i t mi p m p i t x x ( ) 1
untuk t = p+1, p+2, …, n dengan nilai awal xˆ1 xˆ2 xˆp 0.
Penentukan distribusi prior untuk parameter-parameter tersebut di atas adalah sebagai berikut :
a) Orde p berdistribusikan Binomial dengan parameter λ :
p p p p p max max (1 ) C ) p (
b) Untuk orde p ditentukan terlebih dahulu, vektor koefisien (p)
berdistribusikan normal dengan mean 0 dan variansi 1.
c) Variansi σ2 berdistribusikan invers gamma dengan parameter α/2 dan β/2 : ) 2 /( exp ) ( ) 2 / ( ) 2 / ( ) , ( 2 (1 /2) 2 2 / 2
Di sini parameter λ diasumsikan berdistribusi seragam pada interval (0,1), nilai α diambil sama dengan 2 dan parameter β diasumsikan berdistribusi Jeffrey. Sehingga distribusi prior untuk parameter
) , ,
( ( ) 2
1 p p
H dan H2 (,) dapat dinyatakan sebagai : ) , (H1 H2 (H1 H2)(H2) (p )((p) p)(2 ,)()()() (3.3)
Menurut Teorema Bayes, maka distribusi a posteriori untuk parameter H1 dan H2 dapat dinyatakan sebagai :
(H ,H s)
2
1
s H1
(H1,H2) (3.4)Distribusi a posteriori merupakan gabungan dari fungsi kemungkinan dan distribusi prior yang kita asumsikan sebelum sampel diambil. Fungsi kemungkinan bersifat obyektif sementara distribusi prior ini bersifat subyektif. Dalam kasus ini, distribusi a posteriori
H1,H2s
mempunyai bentuk yang sangat rumit sehinggatidak dapat diselesaikan secara analitis. Untuk mengatasi masalah tersebut, diusulkan metode Markov Chain Monte Carlo (MCMC).
Bab 3 Estimasi Model Runtun Waktu Subset Autoregresif 3.3 METODE MCMC
Misalkan M = (H1, H2). Secara umum, metode Markov Chain Monte Carlo (MCMC) merupakan suatu metode sampling, yaitu dengan cara membuat rantai Markov homogen M1,...,Mm yang memenuhi sifat aperiodik dan irreduktibel ([9]) sedemikian hingga M1,...,Mm dapat dipertimbangkan sebagai variabel acak yang mengikuti distribusi
H1,H2s
. Dengan demikian M1,...,Mm dapatdigunakan sebagai sarana untuk menaksir parameter M. Untuk merealisasikan itu diadopsi algoritma Gibbs Hibrida ([9]) yang terdiri dari dua tahap :
1. Simulasi distribusi
H2 H1,s
2. Simulasi distribusi
H1H2,s
Untuk mensimulasikan distribusi
H2 H1,s
dipergunakanalgoritma hibrida. Algoritma hibrida merupakan penggabungan algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) ([3]) dan algoritma Gibbs. Algoritma RJMCMC dipergunakan untuk mensimulasikan distribusi
H1H2,s
. Sedangkan algoritma Gibbsdipergunakan untuk mensimulasikan distribusi
H1H2,s
.Algoritma RJMCMC merupakan rampatan dari algoritma Metropolis-Hastings ([1], [2]).
Estimator yang dihasilkan oleh algoritma RJMCMC dalam dua tahap. Tahap pertama algoritma RJMCMC menghasilkan estimator untuk orde p. Tahap kedua algoritma RJMCMC menghasilkan estimator untuk parameter model SAR dan variansi σ2 yang bersesuaian dengan orde p yang diperoleh pada tahap pertama. Untuk mendapatkan kecepatan dan efisiensi diperlukan suatu algoritma yang dapat menentukan estimator orde p, parameter model SAR dan variansi σ2 secara bersamaan. Untuk keperluan itu, diusulkan algoritma Simulated Annealing (SA).
3.4 ALGORTIMA SA
Algoritma SA ([10]) diperoleh dengan menambahkan barisan temperatur T1,...,Tm dalam metode MCMC di atas. Selanjutnya
Bab 3 Estimasi Model Runtun Waktu Subset Autoregresif
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
22
M(T1),...,M(Tm) yang tidak lagi homogen. Dengan suatu hipotesis tertentu pada T1,...,Tm ([11]) maka M(Tm) akan konvergen menuju suatu nilai yang memaksimumkan distribusi posteriori
H1,H2s
.3.5 KESIMPULAN
Uraian di atas, merupakan kajian teori tentang algoritma SA untuk pengidentifikasi orde p, penaksiran vektor koefisien (p) dan
Bab 4 Estimasi Model Runtun Waktu Moving Average
BAB
4
ESTIMASI MODEL RUNTUN WAKTU
MOVING AVERAGE
4.1 RUMUSAN MASALAHMisalkan (Xt)tZ adalah suatu runtun waktu berharga riil.
Runtun waktu (Xt)tZ dikatakan memiliki model MA dengan orde q,
dinotasikan sebagai MA(q), jika (Xt)tZ memenuhi persamaan
stokhastik berikut :
Xt qj1 (jq)Etj Et, tZ (4.1)
di mana orde pN, vektor koefisien
q
q q q q ( ) ( ) 1 ) ( , , dan (Et)tZ merupakan suatu barisan peubah acak berharga riil
yang saling bebas dan masing-masing berdistribusi normal dengan rata-rata 0 dan variansi 2 ([5]). Data jumlah pembangkit tenaga
listrik oleh industri listrik, jumlah pendaftaran mobil di suatu negara, jumlah penumpang pesawat udara dan data jumlah penjualan industri merupakan beberapa contoh data riil yang dapat dimodelkan oleh model MA.
Selanjutnya model MA (Xt)tZ disebut inversibel jika dan
hanya jika persamaan suku banyak
q 1 j j ) q ( j a 1 ) a (bernilai nol untuk nilai a di luar lingkaran dengan jari-jari sama dengan satu ([6]).
Berdasarkan data xt (t = 1, 2, …, n), selanjutnya kita akan berusaha untuk menaksir harga
q, (q), dan 2.
Untuk melakukan itu, kita akan menggunakan pendekatan Bayesian hierarki, yang akan diuraikan dalam bagian berikut ini.
Bab 4 Estimasi Model Runtun Waktu Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
24
4.2 BAYESIAN HIERARKI
Andaikan s
xq1,xq2,,xn
adalah suatu realisasi dari modelMA(q). Jika nilai s0
x1,x2,,xq
diketahui, maka fungsikemungkinan dari s dapat ditulis kurang lebih sebagai berikut :
n 1 q t ) q ( 2 2 2 / ) q n ( 2 2 ) q ( , q , t g 2 1 exp 2 1 , , q s (4.2) di mana
q 1 j t j ) q ( j t ) q ( eˆ x , q , t g dan
q 1 j t j ) q ( j t t x eˆ eˆuntuk t = q+1, q+2, …, n dengan nilai awal eˆ1eˆ2 eˆq 0 ([7]).
Misalkan Iq adalah daerah inversilibite. Dengan menggunakan transformasi
q ) q ( q ) q ( 2 ) q ( 1 ) q ( I , , , : F
q q 2 1 ) q ( ) 1 , 1 ( , , , (4.3) maka model MA (Xt)tZ inversibel jika dan hanya jika
q
qq) 1, , ( 1,1)
(
([14]). Selanjutnya fungsi kemungkinan
dapat ditulis kembali sebagai :
n 1 q t ) q ( 1 2 2 2 / ) q n ( 2 2 ) q ( ) ( F , q , t g 2 1 exp 2 1 , , q s (4.4) Penentukan distribusi prior untuk parameter-parameter tersebut di atas adalah sebagai berikut :a) Orde q berdistribusikan Binomial dengan parameter λ :
q q q q q max max (1 ) C ) q (
b) Untuk orde q ditentukan terlebih dahulu, vektor koefisien (q)
berdistribusikan seragam pada interval (-1, 1)q.
c) Variansi 2 berdistribusikan invers gamma dengan parameter
α/2 dan β/2 : ) 2 /( exp ) ( ) 2 / ( ) 2 / ( ) , ( 2 (1 /2) 2 2 / 2
Di sini parameter λ diasumsikan berdistribusi seragam pada interval (0,1), nilai α diambil sama dengan 2 dan parameter β diasumsikan
Bab 4 Estimasi Model Runtun Waktu Moving Average berdistribusi Jeffrey. Sehingga distribusi prior untuk parameter
) , ,
( ( ) 2
1 q q
H dan H2 (,) dapat dinyatakan sebagai : (H ,H ) 2 1
q
q
,
2 ) q ( ()() (4.5)Menurut Teorema Bayes, maka distribusi a posteriori untuk parameter H1 dan H2 dapat dinyatakan sebagai :
(H ,H s)
2
1
s H1
(H1,H2) (4.6)Distribusi a posteriori merupakan gabungan dari fungsi kemungkinan dan distribusi prior yang kita asumsikan sebelum sampel diambil. Fungsi kemungkinan bersifat obyektif sementara distribusi prior ini bersifat subyektif. Dalam kasus ini, distribusi a posteriori
H1,H2s
mempunyai bentuk yang sangat rumit sehinggatidak dapat diselesaikan secara analitis. Untuk mengatasi masalah tersebut, diusulkan metode MCMC.
4.3 METODE MCMC
Misalkan M = (H1, H2). Secara umum, metode Markov Chain Monte Carlo (MCMC) merupakan suatu metode sampling, yaitu dengan cara membuat rantai Markov homogen M1,...,Mm yang memenuhi sifat aperiodik dan irreduktibel ([9]) sedemikian hingga M1,...,Mm dapat dipertimbangkan sebagai variabel acak yang mengikuti distribusi
H1,H2s
. Dengan demikian M1,...,Mm dapatdigunakan sebagai sarana untuk menaksir parameter M. Untuk merealisasikan itu diadopsi algoritma Gibbs Hibrida ([9]) yang terdiri dari dua tahap :
1. Simulasi distribusi
H2s
2. Simulasi distribusi
H1,H2s
Algoritma Gibbs digunakan untuk mensimulasikan distribusi
H2s
dan algoritma hibrida, yang mengabungkan algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) ([3]) untuk mensimulasikan parameter (p,r(p)) dengan algoritma Gibbs untuk mensimulasikan parameter σ2, digunakan untuk mensimulasikan distribusi
H1,H2s
. Algoritma RJMCMC merupakan rampatan dariBab 4 Estimasi Model Runtun Waktu Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
26
Estimator yang dihasilkan oleh metode MCMC dalam dua tahap. Tahap pertama adalah estimator dari orde q. Tahap kedua adalah estimator dari parameter model MA dan variansi σ2 yang bersesuaian dengan orde q yang diperoleh pada tahap pertama. Oleh karena itu diusulkan suatu algoritma untuk menentukan estimator orde q, parameter model MA dan variansi σ2 secara simultan. Untuk keperluan itu, diadopsi algoritma Simulated Annealing (SA).
4.4 ALGORTIMA SA
Algoritma SA ([10]) diperoleh dengan menambahkan barisan temperatur T1,...,Tm dalam metode MCMC di atas. Selanjutnya algoritma SA akan memproduksi suatu rantai Markov M(T1),...,M(Tm) yang tidak lagi homogen. Dengan suatu hipotesis tertentu pada T1,...,Tm ([11]) maka M(Tm) akan konvergen menuju suatu nilai yang memaksimumkan distribusi posteriori
H1,H2s
.4.5 APLIKASI
Sebagai ilustrasi, kita akan menerapkan metode ini untuk mengidentifikasi orde dan menaksir parameter data MA sintesis dan data riil. Studi simulasi ditempuh untuk mengkonfirmasi kinerja dari algoritma SA apakah dapat berkerja dengan baik. Sedangkan studi kasus diberikan untuk memberikan contoh penerapan penelitian dalam memecahkan permasalahan dalam kehidupan sehari-hari.
Baik untuk data MA sintesis maupun data MA riil ini, kita akan menggunakan algoritma SA untuk mengidentifikasi orde dan mengestimasi parameter model MA yang bersesuaiaan. Untuk keperluan itu, algoritma SA dimplementasikan sebanyak 70000 iterasi dengan nilai awal temperatur T0 = 10 kemudian temperatur diturunkan dengan faktor 0,995 hingga mencapai temperatur akhir T1400 = 0,01. Nilai orde q dibatasi maksimum 10 sehingga qmaks = 10.
Bab 4 Estimasi Model Runtun Waktu Moving Average Data MA Sintesis
Gambar 4.1 merupakan data MA sintesis yang dibuat menurut persamaan (4.1) di atas dengan menggunakan bahasa pemograman MATLAB, dengan jumlah data n = 250, orde q = 3, 1(3) 0,5900,
3616 , 0 ) 3 ( 2 , 3(3) 0,8936 dan σ2 = 0,49.
Gambar 4.1. Data MA Sintesis
Selanjutnya berdasarkan data dalam Gambar 4.1 orde q, parameter model MA, variansi σ2 akan ditentukan atau lebih tepat akan ditaksir dengan menggunakan algoritma SA. Penaksir orde, parameter model MA dan variansi σ2 yang dihasilkan oleh algoritma SA adalah qˆ3, ˆ1(3) 0,5700, ˆ2(3) 0,3623, ˆ3(3) 0,8811 dan ˆ2=
0,5655.
Data MA Riil
Gambar 4.2 menyajikan data penjualan suatu produk pada CV Jaya Warsa Klaten untuk 50 periode yaitu dari Januari 2002 sampai Pebruari 2006. Dari plot data dapat kita lihat bahwa bahwa data tidak stasioner. Untuk mendapatkan menstasionerkan data, dibuat data baru yang terdiri dari pembedaan data asli antara periode yang berturut-turut.
Bab 4 Estimasi Model Runtun Waktu Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
28
Gambar 4.2. Data Penjualan suatu Produk pada CV Jaya Warsa
Dengan melakukan pembedaan pertama terhadap data asli pada Gambar 4.2 akan menghasilkan suatu data stasioner yang plotnya ditunjukkan pada Gambar 4.3.
Gambar 4.3. Pembedaan Pertama Data Penjualan suatu Produk pada CV Jaya Warsa.
Seperti untuk kasus data sintesis, berdasarkan data pada Gambar 4.3 orde q, parameter model MA dan varisnsi 2 diestimasi
dengan menggunakan algoritma SA. Hasilnya adalah qˆ2, 6285 , 0 ˆ(2) 1 , ˆ2(2) 0,2025, dan σ2 = 15,4388.
Data riil kedua disajikan pada Gambar 4.4. Data tersebut merupakan data penjualan Penjualan Jasa Penumpang Pesawat
Bab 4 Estimasi Model Runtun Waktu Moving Average Udara (PJP2U) dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto Yogyakarta untuk 55 periode yaitu Januari 2001 sampai Juli 2005. Terlihat jelas pada Gambar 4 bahwa data inipun tidak stasioner.
Gambar 4.4. Data Penjualan PJP2U dalam negeri pada PT Angakasa Pura I.
Untuk mendapakan data yang stasioner dilakukan pembedaan pertama dan hasilnya ditunjukkan pada Gambar 4.5.
Gambar 4.5. Pembedaan Pertama Data Penjualan PJP2U dalam Negeri pada PT Angakasa Pura I.
Berdasarkan data pada Gambar 4.5 selanjutnya orde q, parameter model MA dan variansi 2 ditaksir dengan menggunakan
Bab 4 Estimasi Model Runtun Waktu Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
30
algoritma SA. Hasilnya adalah qˆ1, ˆ1(1) 0,3301 dan σ2 = 7,0977 x
107.
4.6 KESIMPULAN
Uraian di atas, merupakan kajian teori tentang algoritma SA dan penerapannya pada identifikasi orde q, penaksiran vektor koefisien (q), dan penaksiran variansi σ2 dari model MA. Dari hasil
simulasi menunjukkan bahwa algoritma SA dapat menaksir parameter-parameter itu dengan baik.
Sebagai implementasi algoritma SA pada dua data riil yang diambil dari CV Jaya Warsa dan PT Angkasa Pura I. Hasilnya adalah data penjualan suatu produk pada CV Jaya Warsa Klaten dapat dimodelkan dengan model IMA(2) dan data penjualan PJP2U dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto Yogyakarta dapat dimodelkan dengan model IMA(1). Selanjutnya model-model yang diperoleh dapat digunakan untuk memprediksi jumlah penjualan pada CV Jaya Warsa dan juga jumlah penjualan PJP2U dalam negeri pada PT Angakasa Pura I Bandar Udara Internasional Adisutjipto pada periode berikutnya.
Bab 5 Estimasi Model Runtun Waktu Subset Moving Average
BAB
5
ESTIMASI MODEL RUNTUN WAKTU
SUBSET MOVING AVERAGE
5.1 RUMUSAN MASALAHMisalkan (Xt)tZ adalah suatu runtun waktu berharga riil.
Runtun waktu (Xt)tZ dikatakan memiliki model Subset Moving
Average dengan orde q, dinotasikan sebagai SMA(p,q), jika (Xt)tZ
memenuhi persamaan stokhastik berikut :
Z t E E X j t kj q k q j t t 1 ( ) , (5.1)
di mana orde qN, vektor koefisien dan
q
q k q k q q ( ) ( ) ) ( , , 1 .Di sini, (Et)tZ merupakan suatu barisan peubah acak berharga riil
yang saling bebas dan masing-masing berdistribusi normal dengan mean 0 dan variansi σ2 ([5]). Data kurs mata uang rupiah terhadap euro, jumlah pendaftaran mobil di suatu negara, jumlah penumpang pesawat udara dan data jumlah penjualan industri merupakan beberapa contoh data riil yang dapat dimodelkan oleh model SMA.
Berdasarkan data xt (t = 1, 2, …, n), selanjutnya kita akan berusaha untuk menaksir harga
q,(q) dan σ2.
Untuk melakukan itu, kita akan menggunakan pendekatan Bayesian hierarki, yang akan diuraikan dalam bagian berikut ini.
5.2 BAYESIAN HIERARKI
Andaikan s
xq1,xq2,,xn
adalah suatu realisasi dari modelSARMA(p,q). Jika nilai s0
x1,x2,,xq
diketahui, maka fungsiBab 5 Estimasi Model Runtun Waktu Subset Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
32 ) , , ( 2 1 exp 2 1 ) , , ( 2 ( ) 1 2 2 / ) ( 2 2 ) ( n q p t q n q g t q q s (5.2) di mana ) , , , , (t p q (p) (q) g j t kj q k q j t z x ( ) 1
untuk t = q+1, q+2, …, n dengan nilai awal eˆ1eˆ2 eˆq 0.
Penentukan distribusi prior untuk parameter-parameter tersebut di atas adalah sebagai berikut :
a) Orde q berdistribusikan Binomial dengan parameter μ :
q q q q Q max max (1 ) C ) q (
b) Untuk orde q ditentukan terlebih dahulu, vektor koefisien (q)
berdistribusikan normal dengan mean 0 dan variansi 1.
c) Variansi σ2 berdistribusikan invers gamma dengan parameter α/2 dan β/2 : ) 2 /( exp ) ( ) 2 / ( ) 2 / ( ) , ( 2 (1 /2) 2 2 / 2
Di sini parameter μ diasumsikan berdistribusi seragam pada interval (0,1), nilai α diambil sama dengan 2 dan parameter β diasumsikan berdistribusi Jeffrey. Sehingga distribusi prior untuk parameter
) , ,
( ( ) 2
1 q q
H dan H2 (,) dapat dinyatakan sebagai : ) , (H1 H2 (H1 H2)(H2) (q )((q) q)(2 ,)()() (5.3)
Menurut Teorema Bayes, maka distribusi a posteriori untuk parameter H1 dan H2 dapat dinyatakan sebagai :
(H ,H s)
2
1
s H1
(H1,H2) (5.4)Distribusi a posteriori merupakan gabungan dari fungsi kemungkinan dan distribusi prior yang kita asumsikan sebelum sampel diambil. Fungsi kemungkinan bersifat obyektif sementara distribusi prior ini bersifat subyektif. Dalam kasus ini, distribusi a posteriori
H1,H2s
mempunyai bentuk yang sangat rumit sehinggatidak dapat diselesaikan secara analitis. Untuk mengatasi masalah tersebut, diusulkan metode Markov Chain Monte Carlo (MCMC).
Bab 5 Estimasi Model Runtun Waktu Subset Moving Average 5.3 METODE MCMC
Misalkan M = (H1, H2). Secara umum, metode Markov Chain Monte Carlo (MCMC) merupakan suatu metode sampling, yaitu dengan cara membuat rantai Markov homogen M1,...,Mm yang memenuhi sifat aperiodik dan irreduktibel ([9]) sedemikian hingga M1,...,Mm dapat dipertimbangkan sebagai variabel acak yang mengikuti distribusi
H1,H2s
. Dengan demikian M1,...,Mm dapatdigunakan sebagai sarana untuk menaksir parameter M. Untuk merealisasikan itu diadopsi algoritma Gibbs Hibrida ([9]) yang terdiri dari dua tahap :
1. Simulasi distribusi
H2 H1,s
2. Simulasi distribusi
H1H2,s
Untuk mensimulasikan distribusi
H2 H1,s
dipergunakanalgoritma hibrida. Algoritma hibrida merupakan penggabungan algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) ([3]) dan algoritma Gibbs. Algoritma RJMCMC dipergunakan untuk mensimulasikan distribusi
H1H2,s
. Sedangkan algoritma Gibbsdipergunakan untuk mensimulasikan distribusi
H1H2,s
.Algoritma RJMCMC merupakan rampatan dari algoritma Metropolis-Hastings ([1], [2]).
Estimator yang dihasilkan oleh algoritma RJMCMC dalam dua tahap. Tahap pertama algoritma RJMCMC menghasilkan estimator untuk orde q. Tahap kedua algoritma RJMCMC menghasilkan estimator untuk parameter model SMA dan variansi σ2 yang bersesuaian dengan orde q yang diperoleh pada tahap pertama. Untuk mendapatkan kecepatan dan efisiensi diperlukan suatu algoritma yang dapat menentukan estimator orde q, parameter model SMA dan variansi σ2 secara bersamaan. Untuk keperluan itu, diusulkan algoritma Simulated Annealing (SA).
5.4 ALGORTIMA SA
Algoritma SA ([10]) diperoleh dengan menambahkan barisan temperatur T1,...,Tm dalam metode MCMC di atas. Selanjutnya
Bab 5 Estimasi Model Runtun Waktu Subset Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
34
M(T1),...,M(Tm) yang tidak lagi homogen. Dengan suatu hipotesis tertentu pada T1,...,Tm ([11]) maka M(Tm) akan konvergen menuju suatu nilai yang memaksimumkan distribusi posteriori
H1,H2s
.5.5 KESIMPULAN
Uraian di atas, merupakan kajian teori tentang algoritma SA untuk pengidentifikasi orde q, penaksiran vektor koefisien (q), dan
Bab 6 Estimasi Model Runtun Waktu Subset Autoregresif Moving Average
BAB
6
ESTIMASI MODEL RUNTUN WAKTU
SUBSET AUTOREGRESIF MOVING
AVERAGE
6.1 RUMUSAN MASALAHMisalkan (Xt)tZ adalah suatu runtun waktu berharga riil.
Runtun waktu (Xt)tZ dikatakan memiliki model Subset
AutoRegresif Moving Average dengan orde p dan q, dinotasikan sebagai SARMA(p,q), jika (Xt)tZ memenuhi persamaan stokhastik
berikut : Z t E E X X j j i i t k q k q j t m t p m p i t 1 ( ) 1 ( ) , (6.1)
di mana orde p,qN, vektor koefisien
p
p m p m p p ( ) ( ) ) ( , , 1 , dan
q
q k q k q q ( ) ( ) ) ( , , 1 .Di sini, (Et)tZ merupakan suatu barisan peubah acak berharga riil
yang saling bebas dan masing-masing berdistribusi normal dengan mean 0 dan variansi σ2 ([5]). Data kurs mata uang rupiah terhadap euro, jumlah pendaftaran mobil di suatu negara, jumlah penumpang pesawat udara dan data jumlah penjualan industri merupakan beberapa contoh data riil yang dapat dimodelkan oleh model SARMA. Berdasarkan data xt (t = 1, 2, …, n), selanjutnya kita akan berusaha untuk menaksir harga
p, q, (p),(q) dan σ2.
Untuk melakukan itu, kita akan menggunakan pendekatan Bayesian hierarki, yang akan diuraikan dalam bagian berikut ini.
Bab 6 Estimasi Model Runtun Waktu Subset Autoregresif Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
36
6.2 BAYESIAN HIERARKI
Andaikan s
xpq1,xpq2,,xn
adalah suatu realisasi darimodel SARMA(p,q). Jika nilai s0
x1,x2,,xpq
diketahui, makafungsi kemungkinan dari s dapat ditulis kurang lebih sebagai berikut :
n 1 q p t ) q ( ) p ( 2 2 2 / ) p n ( 2 2 ) Q ( ) p ( g t,p,q, , 2 1 exp 2 1 , , , q , p s (6.2) di mana ) , , , , (t p q (p) (q) g i i j t kj q k q j m t p m p i t x z x ( ) 1 ) ( 1 untuk t = p+q+1, p+q+2, …, n dengan nilai awal xˆ1 xˆ2 xˆpq 0
(Shaarawy et al. [16]).
Penentukan distribusi prior untuk parameter-parameter tersebut di atas adalah sebagai berikut :
a) Orde p berdistribusikan Binomial dengan parameter λ :
p p p p p max max (1 ) C ) p (
b) Orde q berdistribusikan Binomial dengan parameter μ :
q q q q Q max max (1 ) C ) q (
c) Untuk orde p ditentukan terlebih dahulu, vektor koefisien (p)
berdistribusikan normal dengan mean 0 dan variansi 1.
d) Untuk orde q ditentukan terlebih dahulu, vektor koefisien (q)
berdistribusikan normal dengan mean 0 dan variansi 1.
e) Variansi σ2 berdistribusikan invers gamma dengan parameter α/2 dan β/2 : ) 2 /( exp ) ( ) 2 / ( ) 2 / ( ) , ( 2 (1 /2) 2 2 / 2
Di sini parameter λ dan μ diasumsikan berdistribusi seragam pada interval (0,1), nilai α diambil sama dengan 2 dan parameter β diasumsikan berdistribusi Jeffrey. Sehingga distribusi prior untuk parameter ( , , ( ), ( ), 2)
1 p q p q
H dan H2 (,,) dapat dinyatakan sebagai : ) , (H1 H2 (H1 H2)(H2)
Bab 6 Estimasi Model Runtun Waktu Subset Autoregresif Moving Average (p )(q )((p) p)((q) q)(2 ,)()()() (6.3)
Menurut Teorema Bayes, maka distribusi a posteriori untuk parameter H1 dan H2 dapat dinyatakan sebagai :
(H ,H s)
2
1
s H1
(H1,H2) (6.4)Distribusi a posteriori merupakan gabungan dari fungsi kemungkinan dan distribusi prior yang kita asumsikan sebelum sampel diambil. Fungsi kemungkinan bersifat obyektif sementara distribusi prior ini bersifat subyektif. Dalam kasus ini, distribusi a posteriori
H1,H2s
mempunyai bentuk yang sangat rumit sehinggatidak dapat diselesaikan secara analitis. Untuk mengatasi masalah tersebut, diusulkan metode Markov Chain Monte Carlo (MCMC). 6.3 METODE MCMC
Misalkan M = (H1, H2). Secara umum, metode Markov Chain Monte Carlo (MCMC) merupakan suatu metode sampling, yaitu dengan cara membuat rantai Markov homogen M1,...,Mm yang memenuhi sifat aperiodik dan irreduktibel ([9]) sedemikian hingga M1,...,Mm dapat dipertimbangkan sebagai variabel acak yang mengikuti distribusi
H1,H2s
. Dengan demikian M1,...,Mm dapatdigunakan sebagai sarana untuk menaksir parameter M. Untuk merealisasikan itu diadopsi algoritma Gibbs Hibrida ([9]) yang terdiri dari dua tahap :
1. Simulasi distribusi
H2 H1,s
2. Simulasi distribusi
H1H2,s
Untuk mensimulasikan distribusi
H2 H1,s
dipergunakanalgoritma hibrida. Algoritma hibrida merupakan penggabungan algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) ([3]) dan algoritma Gibbs. Algoritma RJMCMC dipergunakan untuk mensimulasikan distribusi
H1H2,s
. Sedangkan algoritma Gibbsdipergunakan untuk mensimulasikan distribusi
H1H2,s
.Algoritma RJMCMC merupakan rampatan dari algoritma Metropolis-Hastings ([1], [2]).
Estimator yang dihasilkan oleh algoritma RJMCMC dalam dua tahap. Tahap pertama algoritma RJMCMC menghasilkan estimator untuk orde p dan q. Tahap kedua algoritma RJMCMC menghasilkan
Bab 6 Estimasi Model Runtun Waktu Subset Autoregresif Moving Average
Pengantar Simulated Annealing dan Aplikasinya | Dr. Suparman, M.Si., DEA
38
estimator untuk parameter model SARMA dan variansi σ2 yang bersesuaian dengan orde p dan q yang diperoleh pada tahap pertama. Untuk mendapatkan kecepatan dan efisiensi diperlukan suatu algoritma yang dapat menentukan estimator orde p dan q, parameter model SARMA dan variansi σ2 secara bersamaan. Untuk keperluan itu, diusulkan algoritma Simulated Annealing (SA).
6.4 ALGORTIMA SA
Algoritma SA ([10]) diperoleh dengan menambahkan barisan temperatur T1,...,Tm dalam metode MCMC di atas. Selanjutnya algoritma SA akan memproduksi suatu rantai Markov M(T1),...,M(Tm) yang tidak lagi homogen. Dengan suatu hipotesis tertentu pada T1,...,Tm ([11]) maka M(Tm) akan konvergen menuju suatu nilai yang memaksimumkan distribusi posteriori
H1,H2s
.6.5 KESIMPULAN
Uraian di atas, merupakan kajian teori tentang algoritma SA untuk pengidentifikasi orde p dan q, penaksiran vektor koefisien
) (p