BAB 4
HASIL DAN PEMBAHASAN
Pembahasan pada bab ini menjelaskan mengenai hasil pengumpulan data, hasil analisis data, pembahasan dan hasil perancangan layar. Setelah hasil perancangan layar juga terdapat hasil perbandingan metode ACFLR dengan metode ARIMA, guna untuk melihat ketepatan peramalan metode ACFLR.
4.1 Hasil Pengumpulan Data
Data penelitian yang dikumpulkan berupa nilai tukar rupiah terhadap dolar Amerika, yang diperoleh dari website Bank Indonesia (www.bi.go.id) dari tanggal 1 Juli 2011 sampai dengan 29 Desember 2011. Tabel 4.1 dibawah ini merupakan nilai tukar sample yang diambil.
Tabel 4.1 Nilai Tukar Rupiah Tanggal Kurs Beli (IDR) Terhadap
Dolar Amerika (USD) 1-Jul-11 8520 2-Jul-11 8520 3-Jul-11 8520 4-Jul-11 8479 5-Jul-11 8497 6-Jul-11 8489 7-Jul-11 8492 8-Jul-11 8481 9-Jul-11 8481 10-Jul-11 8481 11-Jul-11 8479
Nilai tukar penelitian yang lebih lengkap dapat diliat pada Lampiran 1.
4.2 Hasil Analisa Data dan Pembahasan
Sub bab ini berisikan tentang bagaimana meramalan nilai tukar rupiah terhadap dolar Amerika dengan menggunakan automatic clustering and fuzzy logic relationship (ACFLR), serta bagaimana ketepatan peramalannya.
4.2.1 Proses Perhitungan Peramalan
Dari nilai tukar yang terdapat pada Lampiran 1, diambil 11 contoh data seperti pada tabel 4.1. Berikut merupakan langkah-langkah pengolahan nilai tukar untuk mendapatkan hasil peramalan dengan menggunakan metode ACFLR :
a. Menerapkan algoritma Automatic Clustering untuk cluster nilai tukar historis ke interval dan untuk menghitung titik tengah tiap intervalnya
Langkah 1 : Mengurutkan nilai tukar dari kecil ke besar (ascending) tanpa ganda.
8479, 8481, 8489, 8492, 8497, 8520
Berdasarkan barisan diatas, dihitung nilai dari average_diff sebagai berikut:
1 ) (
_
1
1 1
−
−
=
∑
−= +
n d d dif
average
n
i i i
Dengan menggunakan rumus diatas, diperoleh “average_diff” senilai 8.2.
Langkah 2 : Mengambil nilai tukar angka pertama (nilai tukar terkecil dari barisan nilai tukar diatas) ke dalam pengelompokan sekarang. Berdasarkan nilai dari “average_diff”, ditentukan apakah nilai tukar terurut naik tersebut dapat dikelompokan ke dalam cluster sekarang atau diletakkan pada cluster
baru berdasarkan prinsip-prinsip yang terdapat pada langkah 2 pada sub bab 2.2, sehingga diperoleh :
Tabel 4.2 Clustering Data Historis Nilai Tukar No
X Terakhir Cluster
n Cluster
Current
Cluster Datum Cluster_diff Prinsip
1 8479 1 { 8479 } 8481 0 1
2 8481 2 { 8479 8481 } 8489 2 3
3 8489 1 { 8489 } 8492 0 2
4 8492 2 { 8489 8492 } 8497 3 3
5 8497 1 { 8497 } 8520 0 3
6 8520 1 { 8520 } ‐ 0 ‐
Berdasarkan algoritma automatic clustering, nilai tukar yang terurut ter-cluster sebanyak 4 cluster, ditunjukan pada hasil dibawah ini:
Cluster1 = { 8479, 8481 } Cluster2 = { 8489, 8492 } Cluster3 = { 8497 } Cluster4 = { 8520 }
Langkah 3 : Hasil cluster yang diperoleh pada langkah 2, disesuaikan isi dari cluster berdasarkan prinsip langkah 3 pada sub bab 2.2, sehingga akan diperoleh
hasil sebagai berikut:
Cluster1 = { 8479, 8481 } Cluster2 = { 8489, 8492 } Cluster3 = { 8497 } Cluster4 = { 8520 }
Kemudian bentuk cluster, berdasarkan situasi langkah 3 pada sub bab 2.2, sehingga akan diperoleh hasil sebagai berikut:
Tabel 4.3 Hasil Clustering Sementara No
Cluster Sementara 1 { 8479 8481 } 2 { 8489 8492 } 3 { 8488.8 8505.2 } 4 { 8511.8 8528.2 }
Langkah 4 : Dari hasil yang telah diperoleh dari langkah 3, seperti diatas, ubah cluster ke dalam interval yang bersebelahan dengan sub-langkah 4 seperti pada
sub bab 2.2, sehingga akan diperoleh hasil sebagai berikut:
Tabel 4.4 Hasil Akhir Automatic Clustering
u Cluster
1 { 8479 8481 } 2 { 8481 8489 } 3 { 8489 8492 } 4 { 8492 8505.2 } 5 { 8505.2 8511.8 } 6 { 8511.8 8528.2 }
b. Fuzzifikasi setiap historis data menjadi himpunan fuzzy berdasarkan Langkah 3 pada sub bab 2.1, hasilnya dapat dilihat sebagai berikut:
Tabel 4.5 Hasil Fuzzifikasi Nilai Tukar Tanggal Kurs Beli Fuzzifikasi
1‐Jul‐11 8520 A6
2‐Jul‐11 8520 A6
3‐Jul‐11 8520 A6
4‐Jul‐11 8479 A1
5‐Jul‐11 8497 A4
6‐Jul‐11 8489 A3
7‐Jul‐11 8492 A4
8‐Jul‐11 8481 A2
9‐Jul‐11 8481 A2
10‐Jul‐11 8481 A2
11‐Jul‐11 8479 A1
b. Buat Fuzzy Logic Relationship (FLR) dari hasil fuzzifikasi pada poin b, berdasarkan Langkah 4 pada sub bab 2.1, hasilnya dapat dilihat sebagai berikut:
A6→A6 A1→A4 A4→A2 A2→A1
A6→A6 A4→A3 A2→A2 A1→#
A6→A1 A3→A4 A2→A2
Kemudian dari hasil FLR diatas bentuk cluster FLR, hasilnya sebagai berikut:
Cluster FLR1 : A6→A6(2), A1 Cluster FLR2 : A1→A4, # Cluster FLR3 : A4→A3, A2 Cluster FLR4 : A3→A4
Cluster FLR5 : A2→A2(2), A1
Sehingga dapat diperoleh nilai tiap-tiap cluster, nilai fuzzifikasi merupakan rata- rata hasil cluster ACFLR
Cluster FLR1 : A6→8506.6667 Cluster FLR2 : A1→8489.3 Cluster FLR3 : A4→8487.75 Cluster FLR4 : A3→8498.6 Cluster FLR5 : A2→8483.3333
c. Hitung perkiraan / peramalan nilai tukar rupiah terhadap dolar Amerika berdasarkan Langkah 5 pada Sub Bab 2.1, sehingga akan diperoleh hasil sebagai berikut:
Tabel 4.6 Hasil Peramalan
Tanggal Kurs Beli Peramalan
1‐Jul‐11 8520 ‐
2‐Jul‐11 8520 8506.6667
3‐Jul‐11 8520 8506.6667
4‐Jul‐11 8479 8506.6667
5‐Jul‐11 8497 8489.3
6‐Jul‐11 8489 8487.75
7‐Jul‐11 8492 8498.6
8‐Jul‐11 8481 8487.75
9‐Jul‐11 8481 8483.3333
10‐Jul‐11 8481 8483.3333
11‐Jul‐11 8479 8483.3333
Hari Selanjutnya ‐ 8489.3
4.2.2 Ketepatan Peramalan
Keakuratan metode dapat dilihat dengan menggunakan rumus MAPE (Mean Absolute Percentage Error) :
| 1 |
∑
1=
= n
i
PEi
MAPE n
Tabel 4.7 Hasil Peramalan dan Percentage Error (PE) Tanggal Kurs Beli Peramalan | PE |
1‐Jul‐11 8520 ‐ ‐
2‐Jul‐11 8520 8506.6667 0.16
3‐Jul‐11 8520 8506.6667 0.16
4‐Jul‐11 8479 8506.6667 0.33
5‐Jul‐11 8497 8489.3 0.09
6‐Jul‐11 8489 8487.75 0.01
7‐Jul‐11 8492 8498.6 0.08
8‐Jul‐11 8481 8487.75 0.08
9‐Jul‐11 8481 8483.3333 0.03
10‐Jul‐11 8481 8483.3333 0.03
11‐Jul‐11 8479 8483.3333 0.05
Hari Selanjutnya ‐ 8489.3
Dari hasil tabel diatas diperoleh MAPE sebesar 0.1%, yang berarti metode ACFLR cukup akurat, hanya terjadi penyimpangan sebesar 0.1% dari data aktual.
4.3 Hasil Perancangan Layar
4.3.1 Tampilan Menu dan Tab-Menu “Step I & II”
Gambar 4.1 merupakan tampilan layar menu utama sekaligus tampilan untuk tab-menu “Step I & II”. Tombol “browse” merupakan tombol untuk penginputan data excel, dan tombol “about” digunakan untuk melihat profile penulis. Kotak “Original
Data” menunjukkan data excel yang di-input. Kotak sebelah “Step I” adalah kotak dimana diisi dengan data yang sudah terurut tanpa ganda. Kotak “Step II” menunjukkan hasil perhitungan dari average_diff.
Gambar 4.1 Tampilan Menu Dan Tab-Menu “Step I & II”
4.3.2 Tampilan Menu dan Tab-Menu “Step III”
Gambar 4.2 merupakan tampilan layar menu utama dan tab-menu ”Step III”
dimana menunjukkan hasil dari algoritma automatic clustering. Step III ini merupakan
hasil clustering sementara, rule pada kolom merupakan prinsip-prinsip yang telah tertera pada sub bab 2.7.
Gambar 4.2 Tampilan Menu dan Tab-Menu “Step III”
4.3.3 Tampilan Menu dan Tab-Menu “Step IV & V”
Gambar 4.3 menunjukkan layar menu utama dan tab-menu “Step IV & V”, dimana kotak “Step IV” menunjukkan hasil clustering sementara, dan kotak “Step V”
menampilkan hasil terakhir dari automatic clustering.
Gambar 4.3 Tampilan Menu dan Tab-Menu “Step IV & V”
4.3.4 Tampilan Menu dan Tab-Menu “VI - Peramalan”
Gambar 4.4 Tampilan Menu dan Tab-Menu “Step IV - Peramalan”
Gambar 4.4 merupakan tampilan menu utama dan tab-menu “Step IV – Peramalan”, dimana kotak “Step IV” memberikan hasil dari fuzzifikasi data historis, dan kotak “Peramalan” memberikan hasil peramalan dan perhitungan persentase error.
4.3.5 Tampilan Menu dan Tab-Menu “Chart”
Gambar 4.5 Tampilan Menu dan Tab-Menu “Chart”
Gambar 4.5 menampilkan tampilan menu utama dan tab-menu “Chart”, dimana ditampilkan plot hasil peramalan dan data aktual. Garis berwarna merah adalah kurs beli aktual dan garis berwarna biru merupakan kurs beli peramalan.
4.3.6 Tampilan Layar About
Gambar 4.6 menampilkan profile penulis. Tombol “Kembali” merupakan tombol untuk kembali ke layar utama program.
Gambar 4.6 Tampilan Layar “About”
Hasil analisis dan pembahasan pada 4.2 merupakan hasil percobaan dengan 11 contoh kurs beli dari tanggal 1 Juli 2011 sampai dengan 11 Juli 2011. Langkah selanjutnya adalah menganalisis data pada Lampiran 1 dengan bantuan program aplikasi yang telah dibuat. Dengan menggunakan aplikasi yang telah dibuat, hasil peramalan hari selanjutnya (30 Desember 2011) menghasilkan kurs beli sebesar 9119, dengan MAPE sebesar 0.19%, hasil tersebut menunjukan rata-rata penyimpangan antara kurs beli aktual dengan prediksi sebesar 0.19%.
4.4 Evaluasi
Pengujian selanjutnya adalah membandingan hasil dari metode ACFLR dengan model terbaik ARIMA, dimana peramalan menggunakan program aplikasi yang telah dibuat dan dengan bantuan R. Dengan bantuan program aplikasi dan menggunakan data seperti pada Lampiran 1, hasil keakuratan peramalan 5 hari ke depan dapat dilihat pada Tabel 4.8 sebagai berikut :
Tabel 4.8 Hasil Peramalan ARIMA (3,1,1) dan ACFLR
Tanggal KURS BELI
Peramalan |PE | Arima ACFLR Arima ACFLR
30-Des-11 9023 9111.884 9119 0.985083 1.063948 31-Des-11 9079 9086.457 9030.75 0.082135 0.531446 1-Jan-12 9114 9051.921 9081.433 0.681139 0.357329 2-Jan-12 9134 9049.410 9086.8333 0.9261 0.516386 3-Jan-12 9117 9061.121 9132.75 0.61291 0.172754
MAPE 0.657473 % 0.528373 %
Berdasarkan uraian diatas dapat disimpulkan bahwa peramalan nilai tukar rupiah terhadap dolar Amerika dengan menggunakan metode ACLFR menghasilkan keakuratan peramalan yang lebih baik dibandingkan dengan metode ARIMA pada data seperti Lampiran 1 dikarenakan algoritma automatic clustering dapat membentuk banyak cluster dengan selisih interval tiap cluster yang berbeda, sehingga dapat memberikan nilai peramalan yang mendekati pula.
Beberapa keunggulan metode ARIMA:
a. ARIMA dapat meramalkan 10 hari ke depan.
b. Dapat mengatasi masalah data dengan sifat keacakan, tren, musiman.
Kelemahan metode ARIMA:
a. Identifikasi ARIMA sulit, dan menghabiskan waktu lebih banyak, walaupun pada skripsi ini menggunakan bantuan R untuk menentukan model terbaik.
b. ARIMA cukup sulit dijelaskan.
c. Idenfikasi dan estimasi dapat menjadi buruk oleh efek outlier.
d. Model terbaik ARIMA sangat bergantung pada data, apabila menganalisis data historis yang lain, pengidentifikasian model harus dilakukan kembali.
e. ARIMA memerlukan paling sedikit 50 data untuk melakukan peramalan.
f. Pengidenfikasian model sangat tergantung pada orang yang meramal/menganalisis.
Keunggulan metode ACFLR:
a. ACFLR tidak sulit untuk dijelaskan.
b. ACFLR membagi cluster dengan panjang interval yang berbeda-beda, mengakibatkan penyimpangan data relatif kecil.
c. Dapat mengatasi tipe data, seperti keacakan, tren, dan musiman.
d. Tidak memerlukan data historis yang banyak untuk melakukan peramalan.
Kelemahan metode ACLFR adalah ACFLR hanya dapat meramalkan 1 hari ke depan.
