Peramalan Inflasi dengan Metode Weighted Fuzzy Time Series

(1)

Oleh:

Dwi Ayu Lusia (1307 100 013)

Pembimbing:

Dr. Suhartono, M.Sc

Peramalan Inflasi dengan Metode

Weighted Fuzzy Time Series

seminar hasil Tugas Akhir S1 Statistika

24 Juni 2011

(2)

Slide 2

Seminar hasil Tugas Akhir S1 Statistika, 24 Juni 2011

Pemulusan eksponensial

ARIMA

Latar belakang masalah

Permasalahan

Tujuan

Manfaat

Batasan masalah

Sumber data

Variabel penelitian

Langkah-langkah penelitian

Inflasi

ARIMA

Fuzzy time series

Orde tunggal Weighted fuzzy time series

Orde tunggal

Orde tunggal Weighted fuzzy time series

Weighted fuzzy time series

Orde tunggal

Orde tinggi Weighted fuzzy time series

Inflasi umum di Indonesia

Inflasi kelompok bahan makanan

(3)

Slide 3

Kestabilan

Inflasi

Prasyarat

pertumbuhan

ekonomi

Kesejahteraan

masyarakat

(4)

Slide 4

Penelitian

mengenai

Inflasi

Bank

Sentral

Kebijakan

Moneter

Inflasi

Sekarang

Inflasi

Kebijakan Lalu

Kebijakan sekarang dan Mendatang

Peramalan Inflasi

(5)

Slide 5

Metode Peramalan

Pemulusan

ARIMA

Model Intervensi

Variasi Kalender

Fungsi Transfer

VAR

Neural Network

Penelitian di Luar

Indonesia

Stock & Watson (1999)

Chen et al. (2001)

Nakamura (2005)

McAdam & McNeils (2006)

Moser et al. (2007)

Penelitian di Indonesia

Suhartono (2005)

Anggraini (2009) TA

Meitasari (2009) TA

Septiorini (2009) TA

ARIMAX

Setyaningsih (2010) TA

(6)

Slide 6

Himpunan

Fuzzy

Peramalan

Deret Waktu

Weighted Fuzzy

Time Series

(WFTS)

Saham

Temperatur

Inflasi di

Indonesia

Akurat

????

Pemulusan

Eksponensial

ARIMA

(Song & Chissom, 1993a & 1993b) (Chen, 1994)

(Yu, 2005) (Cheng et al., 2008) (Lee & Suhartono, 2010)

(7)

Slide 7

WFTS

1. Mendapatkan Orde Terbaik

dari Metode WFTS

2. Mengetahui akurasi metode

WFTS

Tujuan:

1. Orde Terbaik??

2. Akurasi?? Jika dibandingkan

dengan metode Pemulusan

Eksponensial dan ARIMA

(8)

Slide 8

Penelitian

Ini

Nilai

Ramalan

Inflasi

1. Bahan pertimbangan dalam mengambil kebijakan moneter

dan dapat mengontrol kestabilan inflasi

2. Memperoleh indikator yang menggambarkan

kecenderungan umum tentang perkembangan harga

3. Informasi dasar untuk pengambilan keputusan baik tingkat

ekonomi mikro atau makro, baik fiskal maupun moneter

(9)

Slide 9

Metode

Pemulusan

Eksponensial

ARIMA

WFTS

Data

Inflasi Umum di

Indonesia

Inflasi Kelompok

Bahan Makanan

Periode:

Januari 2000

-Desember 2010

Inflasi Kelompok

Pendidikan &

Olahraga

(10)

Seminar hasil Tugas Akhir S1 Statistika, 24 Juni 2011 _{Slide 10}

Fuzzy Time Series ialah suatu konsep penemuan peramalan dimana hasil

yang diperoleh dapat dibahasakan

Time variant

Time invariant

Fuzzy Time

Series

Orde Pertama

Orde Tinggi

(Chen, 2002)

Fuzzy Time

Series

Orde pertama musiman

(Song,1999)

(11)

Song & Chissom

(1993a, 1993b)

Chen

(1996)

Algoritma Chen

Chen (1996) Yu (2005) - Tidak memperdulikan pengulangan

- Tidak adanya pembobotan menurut waktu

Cheng et al. (2008)

Lee & Suhartono (2010)

Algoritma Yu

Algoritma Cheng

(12)

1. Algoritma Chen

2. Algoritma Yu, Cheng, dan Lee

U = [awal,akhir])

dan interval

Fuzzy

FLR

FLRG

Meramalkan

F(t)

Defuzzy

;

1. Algoritma Chen :

2. Algoritma Yu :

3. Algoritma Cheng :

4. Algoritma Lee :

(13)

(14)

(15)

(16)

Website

Buku (BPS)

Data inflasi di

Indonesia

• http://www.bps.go.id/tab_sub/excel.php?id_sub

yek=03%20&notab=1

• http://www.bps.go. id/tab_sub/excel.php?id_

subyek=03%20&notab=5

• Indeks Harga Konsumen di 43 Kota di Indonesia

• Indeks Harga Konsumen di 45 Kota di Indonesia

• Indikator Ekonomi

(17)

1. Inflasi umum di Indonesia

2. Inflasi kelompok bahan makanan

3. Inflasi Kelompok pendidikan dan olah raga

Variabel Penelitian:

Data bulanan

mengenai Inflasi

Data training

Data testing

Periode 2000-2010

Periode 2000-2009

Periode 2010

(18)

Aplikasi metode: 1. Pemulusan eksponensial

2. ARIMA

3. WFTS sesuai dengan Algoritma Chen, Yu, Cheng, dan Lee

Penentuan model peramalan inflasi terbaik dengan membandingkan nilai RMSE dan MAPE data testing

Peramalan 12 data yang akan datang menggunakan metode WFTS, pemulusan eksponensial, dan ARIMA

Peramalan inflasi 2011

Membagi data dibagi menjadi 2, yaitu: 1. Data training (2000-2009) 2. Data testing (2010) 1 2 3 4 5

(19)

Inflasi umum di Indonesia

Inflasi kelompok bahan

makanan

Inflasi kelompok

(20)

1. Pemulusan Eksponensial Tunggal

2. ARIMA

Model:

dimana dan

Model:

(21)

3. WFTS



_{Himpunan sampel dibagi menjadi:}

• 12 bagian dengan panjang interval 0,6

• 19 bagian dengan panjang interval 0,5

• 22 bagian dengan panjang interval 0,43



Orde yang digunakan:

• orde tunggal, yaitu orde (1)

•Orde ganda, yaitu orde (1,2)

•Orde tiga, yaitu orde (1,2,3)

Himpunan sampel (U=[awal,akhir]) Dan interval

1. Himpunan fuzzy dan menghitung fuzzy dari data

2. Mengamati fuzzy

(22)

3. WFTS

3.1 Algoritma Chen

Meramalkan (F (t)).

5. Defuzzy.

6. Menentukan FLR dan FLRG

4. Misal pada t = 13, maka F(13 – 1 ) = A

₅

Maka F(13) = A

₁

, A

₂

, A

₄

Orde (1)

Orde (1,2)

(23)

3. WFTS

3.2 Algoritma Yu

Menentukan FLR dan FLRG

4. Meramalkan (F (t)).

5. Defuzzy.

6. Misal pada t = 13, maka F(13 – 1 ) = A

₅

Maka F(13) = A

₂

, A

₁

, A

₄

,A

₂

, A

₄

3.2 Algoritma Cheng

(24)

k=7 k=6 k=5 1,2 1,0 0,8 0,6 0,4 k=7 k=6 k=5 1,2 1,0 0,8 0,6 0,4 Chen RM SE Cheng Lee Yu Ordde (1,2,3) orde (1) Orde (1,2)

(25)

4. Peramalan Inflasi umum di Indonesia tahun 2011

(26)

4. Peramalan Inflasi umum di Indonesia tahun 2011

Sehingga model yang digunakan ialah WFTS dengan

algoritma LEE pada:

• orde (1,2,3)

• k = 7

• c = 2

• skema 4

(27)

4. Peramalan Inflasi umum di Indonesia tahun 2011

Sehingga model yang digunakan ialah WFTS dengan

algoritma LEE pada:

• orde (12)

• k = 20

• c = 1,6

(28)

Kesimpulan

Inflasi umum

_{di Indonesia}

Inflasi kelompok

_{bahan makanan}

Inflasi kelompok Pendidikan

_{dan olahraga}

1. Orde terbaik

pada WFTS

Orde (1,2,3)

Orde (12)

2. Metode

terbaik untuk

peramalan

tahun 2011

MA(1)

dengan

outlier

WFTS pada

algoritma Lee

dengan skema 3,

orde (1,2,3), k =

7, dan c = 1.

WFTS pada algoritma Lee

dengan orde (12), k = 20,

dan c = 1,6

Saran yang dapat disampaikan untuk pengembangan dari Tugas Akhir ini

adalah mengembangkan cara untuk mendapatkan orde maupun banyak

bagian himpunan sampel yang tepat untuk peramalan menggunakan WFTS

(29)

Bank Indonesia. 2008a. Pentingnya Kestabilan Harga, <http://www.bi.go.id/web/id/

Moneter/Inflasi/Pengenalan+Inflasi/pentingnya.htm> Diunduh pada 07 Februari 2011

pukul 13.30.

Bank Indonesia. 2008b. Inflasi, <http://www.bi.go.id/web/id/Moneter/Inflasi/Pengenalan+

Inflasi/> Diunduh pada 07 Februari 2011 pukul 13:33.

Chen, S.M. 1996. “Forecasting Enrollments Based on Fuzzy Time Series”. Fuzzy Sets

and System 81, 3:311-319.

Chen, S.M. 2002. “Forecasting Enrollments Based on High-order Fuzzy Time Series”.

Cybernetics and Systems 33, 1:1-16.

Chen, S.M. and Hwang, J.R. 2000. “Temperature Prediction Using Fuzzy Time Series”.

IEEE Transaction on Systems, Man, and Cybernetics 30, 2:263-275.

Cheng, C.H., Chen, T.L., Teoh, H.J., and Chiang, C.H. 2008. “Fuzzy Time Series Based on Adaptive Expectation Model for TAIEX Forecasting”. Expert Systems with

Application 34, 2:1126-1132.

Huarng, K.H. 2001. “Heuristic Models of Fuzzy Time Series for Forecasting”. Fuzzy Sets

and Systems 123, 3:369-386.

Hwang, J.R., Chen, S.M., and Lee, C.H. 1998. “Handling Forecasting Problems Using Fuzzy Time Series”. Fuzzy Sets and Systems 100, 2:217–228.

(30)

Lee, M.M., and Suhartono. 2010. “An Novel Weighted Fuzzy Time Series Models for Forecasting Seasonal Data”. Proceeding 2nd _{International Conference on} Mathematical Sciences. Kuala Lumpur, 30 November-30 Desember: 332-340.

Sigh, S.R. 2007. “A Simple Time-Variant Method for Fuzzy Time Series Forecasting”.

Cybernetics and Systems 38, 3:305-321.

Song, Q., and Chissom, B.S. 1993a. “Forecasting Enrollments with Fuzzy Time Series-part I”. Fuzzy Sets and System 54, 1-9.

Song, Q., and Chissom, B.S. 1993b. “Fuzzy Time Series and Its Model”. Fuzzy Sets

and System 54, 269-277.

Song, Q. 1999. “Seasonal Forecasting in Fuzzy Time Series”. Fuzzy Sets and

Systems 107, 235-236.

Yu, H.K. 2005. “Weighted Fuzzy Time Series Models for TAIEX Forecasting”.

Physica A. Statistical Mechanics and Its Application 349, 609-642.

Zhang, G.P. 2003. “Time Series Forecasting using A Hybrid ARIMA and Neural Network Model”. Neurocomputing 50, 159-175.

(31)