PERAMALAN PRODUK DOMESTIK REGIONAL BRUTO (PDRB) PROVINSI BALI DENGAN MENGGUNAKAN METODE FUZZY TIME SERIES
on
e-Jurnal Matematika Vol. 1 No. 1 Agustus 2012, 12-19
PERAMALAN PRODUK DOMESTIK REGIONAL BRUTO (PDRB) PROVINSI BALI DENGAN MENGGUNAKAN METODE FUZZY TIME
SERIES
I Gusti Ngurah Arya Wanayasa1, I Putu Eka Nila Kencana2, D.P.E. Nilakusmawati 3
1,2,3 Jurusan Matematika, Fakultas MIPA Universitas Udayana, e-mail: 1[email protected], 2[email protected], 3[email protected]
Abstract
The purpose of this research is forecasting the growth of the GDRP in Bali Province on 2011. The fuzzy time series method and Holt-Winter’s exponential smoothing method used to forecast the GDRP in Bali Province on 2011 by using the data of Bali Province’s GDRP constant prices of year 2000 from first quarter of 1991 until fourth quarter of 2010. Then, the forecasting result of both methods compared by see the AFER and MSE value on each method. The comparison result shows the forecasting method by using Holt-Winter’s exponential smoothing is 7.13% while using the fuzzy time series method is 0.64%, these shows the forecasting using fuzzy time series method have a higher accuracy rate compared to Holt-Winter’s exponential smoothing method with the difference of forecasting error rateis6.49%.
Keywords: GDRP forecasting, fuzzy time series, Holt-Winter’s exponential smoothing
Produk Domestik Regional Bruto (PDRB) didefinisikan sebagai jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu wilayah atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi (BPS Provinsi Bali, 2011). Penghitungan PDRB menggunakan dua macam harga yaitu harga berlaku dan harga konstan. PDRB atas harga berlaku dihitung menggunakan harga yang berlaku pada tahun bersangkutan, sementara PDRB atas dasar harga konstan dihitung dengan menggunakan harga pada tahun tertentu sebagai tahun dasar dan saat ini menggunakan tahun 2000. PDRB merupakan salah satu indikator penting untuk mengetahui kondisi suatu daerah dalam suatu periode tertentu baik atas dasar harga berlaku maupun atas dasar harga konstan. Berdasarkan indicator ini kita akan memperoleh gambaran tingkat pertumbuhan ekonomi maupun tingkat kemakmuran masyarakatdi suatu wilayah.
BPS Provinsi Bali (2011) mencatat selama Triwulan III-2011, pertumbuhan ekonomi Bali yang diukur berdasarkan kenaikan PDRB mencapai 2,46% jika
-
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana
-
2 ,3 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
dibandingkan Triwulan II-2011 yang mencapai 2,17% (quarter to quarter/q-to-q). Pertumbuhan pada Triwulan III-2011 ini hamper sepenuhnya didorong oleh sektor-sektor ekonomi, dengan pertumbuhan tertinggi terjadi pada sector pengangkutan dan komunikasi sebesar 5,23%. Pertumbuhan pada sector ini bahkan lebih tinggi dari triwulan sebelumnya 3,35%. Sebaliknya, pertumbuhan terendah terjadi pada sector pertanian yang mengalami kontraksi (pertumbuhannegatif) sebesar minus 0,89% setelah sempat tumbuh positif 1,55% di Triwulan II-2011.
Pada penelitian ini metode analisis data yang akan digunakan adalah metode fuzzy time series dengan memodifikasi metode fuzzy time series dan metode pemulusan eksponensial Holt-Winter. Setelah mendapatkan hasil peramalan dari kedua metode tersebut, dilakukan komparasi sehingga dapat diketahui metode mana yang memiliki tingkat akurasi yang lebih tinggi.
Metode Fuzzy Time Series
Langkah-langkah peramalannya sebagai berikut :
-
1. Dari 80 data akan dibuat model prediksi dengan menggunakan metode fuzzy time series yang diajukan oleh Meredith Stevenson dan John E. Porter dengan langkah sebagai berikut:
-
a. Dengan menggunakan rumus x 100%, dilakukan perubahan data yang
berbentuk angka ke dalam bentuk perubahan persentase. dengan :
t = data PDRB pada triwulan yang diamati
t = data PDRB pada triwulan sebelumnya
-
b. Mendefinisikan himpunan semesta U = [Dmin, Dmax] dan membaginya menjadi
interval-interval dengan panjang yang sama dengan menggunakan rumus sturges. Rumus Sturges :
interval = 1 + 3,322 xlog (ndoto)
-
c. Menemukan sebaran perubahan persentase pertumbuhan PDRB dari tahun ke tahun berikutnya dengan mensortir data ke dalam interval yang sudah ditentukan.
-
d. Mendefinisikan masing-masing himpunan fuzzy A berdasarkan interval yang sudah dibagi-bagi dan memfuzzykan data historis pertumbuhan PDRB.
-
e. Defuzzifikasi data fuzzy dengan menggunakan formula peramalan fuzzy time series hasil modifikasi Meredith Stevenson dan John E. Porter.
-
f. Mengubah persentase hasil peramalan kedalam bentuk angka kembali dan menentukan nilai Average Forcasting Error Rate (AFER) dan Mean Square Error (MSE) untuk melihat tingkat keakuratan metode peramalan.
-
2. Dilakukan peramalan data triwulanan PDRB Tahun 2011 dengan langkah-langkahnya adalah sebagai berikut:
-
a. Menentukan Left-hand Side (LHS) dan Right-hand Side (RHS) dari fuzzy set yang sudah ditentukan sebelumnya dan membuat daftarFuzzy Logic Relationship Group (FLRG).
-
b. Menghitung frekuensi kemunculan masing-masing Fuzzy Logic Relationship (FLR).
Peramalan untuk Triwulan I sampai denganTriwulan IV Tahun 2011 akan dilakukan dengan cara hanya menggunakan data 12 triwulan terakhir.
Metode Pemulusan Eksponensial Holt-Winter
Langkah-langkah peramalan dengan metode pemulusan eksponensial Holt-Winter yaitu :
-
1. Membuat plot data deret waktu yang bertujuan untuk mengetahui pola data.
-
2. Mencari nilai konstanta pemulusan alpha (α), gamma (γ) dan delta (δ) denganbantuan Program R.
-
3. Pemilihan model terbaik.
Pemilihan model terbaik yang cocok digunakan dalam meramalkan data PDRB Provinsi Bali, dapat dilihat dengan membandingkan nilai MAD, MSD, dan MAPE antara model aditif dan model multiplikatif dari Holt-Winter.
-
4. Dilakukan perbandingan antara data hasil peramalan dengan data aktual untuk mendapatkan nilai AFER dan MSE sehingga dapat dilakukan komparasi antara metode fuzzy time series dan metode pemulusaneksponensialHolt-Winter.
-
3. Hasil dan Pembahasan
-
A. MetodeFuzzy Time Series
Tahap Pembentukan Model
-
1. Persentase Perubahan Data
Dengan menggunakan rumus perubahan persentase dilakukan perubahan data yang berbentuk angka ke dalam bentuk perubahan persentase (Tabel 1).
-
2. HimpunanSemesta
Dalam menentukan banyaknya selang yang akan digunakan penulis menggunakan rumus Sturges didapat banyaknya selang berjumlah 7 selang interval. Dari seluruh data yang ada dapat dinyatakan himpunan Semesta U = [-4,03; 34,59] ,dengan lebar masing-masing interval setelah dibagi 7 interval didapat sebagai berikut : u1= [-4,03%; 1,49%)u2= [ 1,49%; 7,00%) u3 = [ 7,00% ; 12,52%) u4
= [12,52%; 18,04%)
u5 = [18,04% ; 23,55⅝)u6 = [23,55% ; 29,07%) u7 = [29,07% ; 34,59%]
Tabel 1. PersentasePerubahan PDRB Provinsi Bali Triwulan I 1991 – Triwulan IV 2010
Periode |
Indeks |
PDRB |
%Change |
Periode |
Indeks |
PDRB |
%Change |
Triwulan I 1991 |
1 |
848,722 |
NA |
Triwulan I 2001 |
41 |
4,332,393 |
-2.62% |
Triwulan II 1991 |
2 |
862,649 |
1.64% |
Triwulan II 2001 |
42 |
4,403,485 |
1.64% |
Triwulan III 1991 |
3 |
888,923 |
3.05% |
Triwulan III 2001 |
43 |
4,537,603 |
3.05% |
Triwulan IV 1991 |
4 |
902,399 |
1.52% |
Triwulan IV 2001 |
44 |
4,606,394 |
1.52% |
Triwulan I 1992 |
5 |
963,504 |
6.77% |
Triwulan I 2002 |
45 |
4,464,203 |
-3.09% |
Triwulan II 1992 |
6 |
979,315 |
1.64% |
Triwulan II 2002 |
46 |
4,537,459 |
1.64% |
Triwulan III 1992 |
7 |
1,009,142 |
3.05% |
Triwulan III 2002 |
47 |
4,675,658 |
3.05% |
Triwulan IV 1992 |
8 |
1,024,441 |
1.52% |
Triwulan IV 2002 |
48 |
4,746,541 |
1.52% |
Triwulan I 1993 |
9 |
1,378,770 |
34.59% |
Triwulan I 2003 |
49 |
4,623,407 |
-2.59% |
Triwulan II 1993 |
10 |
1,401,395 |
1.64% |
Triwulan II 2003 |
50 |
4,699,274 |
1.64% |
Triwulan III 1993 |
11 |
1,444,078 |
3.05% |
Triwulan III 2003 |
51 |
4,842,402 |
3.05% |
Triwulan IV 1993 |
12 |
1,465,970 |
1.52% |
Triwulan IV 2003 |
52 |
4,915,813 |
1.52% |
Triwulan I 1994 |
13 |
1,572,696 |
7.28% |
Triwulan I 2004 |
53 |
4,837,204 |
-1.60% |
Triwulan II 1994 |
14 |
1,598,504 |
1.64% |
Triwulan II 2004 |
54 |
4,916,580 |
1.64% |
Triwulan III 1994 |
15 |
1,647,190 |
3.05% |
Triwulan III 2004 |
55 |
5,066,326 |
3.05% |
Triwulan IV 1994 |
16 |
1,672,161 |
1.52% |
Triwulan IV 2004 |
56 |
5,143,133 |
1.52% |
Triwulan I 1995 |
17 |
1,795,382 |
7.37% |
Triwulan I 2005 |
57 |
5,301,871 |
3.09% |
Triwulan II 1995 |
18 |
1,824,843 |
1.64% |
Triwulan II 2005 |
58 |
5,289,872 |
-0.23% |
Triwulan III 1995 |
19 |
1,880,423 |
3.05% |
Triwulan III 2005 |
59 |
5,325,780 |
0.68% |
Triwulan IV 1995 |
20 |
1,908,931 |
1.52% |
Triwulan IV 2005 |
60 |
5,134,990 |
-3.58% |
Triwulan I 1996 |
21 |
2,089,027 |
9.43% |
Triwulan I 2006 |
61 |
4,928,053 |
-4.03% |
Triwulan II 1996 |
22 |
2,123,307 |
1.64% |
Triwulan II 2006 |
62 |
5,249,667 |
6.53% |
Triwulan III 1996 |
23 |
2,187,977 |
3.05% |
Triwulan III 2006 |
63 |
5,791,603 |
10.32% |
Triwulan IV 1996 |
24 |
2,221,147 |
1.52% |
Triwulan IV 2006 |
64 |
6,189,001 |
6.86% |
Triwulan I 1997 |
25 |
2,398,197 |
7.97% |
Triwulan I 2007 |
65 |
5,960,000 |
-3.70% |
Triwulan II 1997 |
26 |
2,437,550 |
1.64% |
Triwulan II 2007 |
66 |
5,850,000 |
-1.85% |
Triwulan III 1997 |
27 |
2,511,791 |
3.05% |
Triwulan III 2007 |
67 |
5,850,000 |
0.00% |
Triwulan IV 1997 |
28 |
2,549,870 |
1.52% |
Triwulan IV 2007 |
68 |
5,820,000 |
-0.51% |
Triwulan I 1998 |
29 |
3,277,421 |
28.53% |
Triwulan I 2008 |
69 |
5,980,000 |
2.75% |
Triwulan II 1998 |
30 |
3,331,202 |
1.64% |
Triwulan II 2008 |
70 |
6,140,000 |
2.68% |
Triwulan III 1998 |
31 |
3,432,661 |
3.05% |
Triwulan III 2008 |
71 |
6,350,000 |
3.42% |
Triwulan IV 1998 |
32 |
3,484,701 |
1.52% |
Triwulan IV 2008 |
72 |
6,430,000 |
1.26% |
Triwulan I 1999 |
33 |
3,520,936 |
1.04% |
Triwulan I 2009 |
73 |
6,440,000 |
0.16% |
Triwulan II 1999 |
34 |
3,578,713 |
1.64% |
Triwulan II 2009 |
74 |
6,510,000 |
1.09% |
Triwulan III 1999 |
35 |
3,687,711 |
3.05% |
Triwulan III 2009 |
75 |
6,630,000 |
1.84% |
Triwulan IV 1999 |
36 |
3,743,617 |
1.52% |
Triwulan IV 2009 |
76 |
6,660,000 |
0.45% |
Triwulan I 2000 |
37 |
4,184,187 |
11.77% |
Triwulan I 2010 |
77 |
6,740,000 |
1.20% |
Triwulan II 2000 |
38 |
4,252,848 |
1.64% |
Triwulan II 2010 |
78 |
6,860,000 |
1.78% |
Triwulan III 2000 |
39 |
4,382,378 |
3.05% |
Triwulan III 2010 |
79 |
7,070,000 |
3.06% |
Triwulan IV 2000 |
40 |
4,448,816 |
1.52% |
Triwulan IV 2010 |
80 |
7,390,000 |
4.53% |
-
3. Frekuensi Kepadatan Data
Tabel 2. Frekuensi Kepadatan Data Berdasarkan Distribusi Perubahan Persentase
Selangke |
Interval |
Jumlah Data |
Jumlah Sub Interval |
Lebar interval |
1 |
[-4,03%; 1,49%) |
18 |
3 |
1.84% |
2 |
[ 1,49%; 7,00%) |
53 |
4 |
1.38% |
3 |
[ 7,00%; 12,52%) |
6 |
2 |
2.76% |
4 |
[12,52% ; 18,04%) |
- |
- |
- |
5 |
[18,04%; 23,55%) |
- |
- |
- |
6 |
[23,55%; 29,07%) |
1 |
1 |
5.52% |
7 |
[29,07%; 34,59⅝] |
1 |
1 |
5.52% |
-
4. Fuzzifikasi
Tabel 3. Interval Fuzzy Menggunakan Kepadatan Frekuensi Berdasarkan
Pembagian
Variabel |
Interval |
Nilai Tengah |
Lebar Interval |
Linguistik |
A01 |
[ -4,03% ; -2,19% ) |
-3.11% |
1.84% |
a 01 |
A02 |
[ -2,19% ; -0,35% ) |
-1.27% |
1.84% |
a 02 |
A03 |
[ -0,35% ; 1,49% ) |
0.57% |
1.84% |
a 03 |
A04 |
[ 1,49.% ; 2,87% ) |
2.18% |
1.38% |
a 04 |
A05 |
[ 2,87% ; 4,25% ) |
3.56% |
1.38% |
a 05 |
A06 |
[ 4,25% ; 5,62% ) |
4.93% |
1.38% |
a 06 |
A07 |
[ 5,62% ; 7,00% ) |
6.31% |
1.38% |
a 07 |
A08 |
[ 7,00% ; 9,76% ) |
8.38% |
2.76% |
a 08 |
A09 |
[ 9,76% ; 12,52% ) |
11.14% |
2.76% |
a 09 |
A10 |
[12,52% ; 29,07%) |
20.80% |
16.55% |
a10 |
A11 |
[29,07% ; 34,59%] |
31.83% |
5.52% |
a11 |
-
5. Defuzzifikasi
Tahap defuzzifikasi data fuzzy dengan menggunakan formula peramalan fuzzy time series hasil modifikasi Meredith Stevenson dan John E. Porter diperoleh nilai AFER 1,24% dan MSE 37.004.009.785, ini menunjukkan bahwa dari rentang nilai AFER 0% - 100% diperoleh nilai AFER sebesar 1,24%.
TahapPeramalan
1. HasilPeramalan
Tabel 4. HasilPeramalan PDRB Provinsi Bali dariTriwulan I – Triwulan IV Tahun 2011
Time Index |
Actual |
% Forecast |
Forecast |
Error |
% Error |
MSE |
Trw I 2011 |
7,450,000 |
1.71% |
7,516,061 |
66,061 |
0.89% |
4,363,995,120 |
Trw II 2011 |
7,610,000 |
1.86% |
7,656,082 |
46,082 |
0.61% |
2,123,587,449 |
Trw III 2011 |
7,790,000 |
1.97% |
7,806,665 |
16,665 |
0.21% |
277,706,450 |
Trw IV 2011 |
7,900,000 |
2.07% |
7,968,297 |
68,297 |
0.86% |
4,664,512,345 |
AFER 0.64%
MSE 2,857,450,341
Dari tabel 4 diperoleh nilai AFER (Average Forecasting Error Rate) sebesar 0,64% dan MSE 2.857.450.341, dengan melihat nilai AFER menunjukan tingkat keakuratan metode peramalan cukup baik dengan rentang akurasi keakuratan peramalan berada pada rentang 0% - 100%.
-
1. Identifikasi Data
Sebelum melakukan peramalan, dilakukan eksplorasi data terlebih dahulu.dengan menggunakan bantuan program R, PDRB Provinsi Bali Triwulan I 1991- Triwulan IV 2010 diketahui bahwa data tersebut merupakan data yang dipengaruhi oleh komponen tren dan musiman, sehingga dapat digunakan Metode Holt-Winters untuk meramalkan pertumbuhan PDRB Provinsi Bali pada tahun berikutnya.
-
2. Pemilihan Model Holt-WinterTerbaik
Adanya komponen tren dan musiman sehingga data dapat diolah dengan menggunakan metodeHolt-Winter yaitu dengan Metode Multiplikatif atau Metode Aditif dan diolah dengan menggunakan bantuan program R. Pada pengolahan data diperoleh nilai konstanta pemulusan alpha (level) sebesar1, gamma (trend) sebesar delta (seasonal) sebesar0.03482. Model terbaik dipilih dengan membandingkan hasil ramalan dan nilai actual serta berdasarkan nilai MAPE, MAD dan MSD yang minimum. Pemilihan model terbaik ini diperoleh menggunakan bantuan program Minitab 14.
Tabel 5. PerbandinganNilaiKesalahanPeramalan Model AditifdanMultiplikatif
MetodeHolt-Winter |
MSD |
MAD |
MAPE |
Aditif |
3.37088E+10 |
1.08833E+05 |
3.38869E+00 |
Multiplikatif |
6.31587E+10 |
1.55515E+05 |
4.77146E+00 |
Dari tabel5 terlihat nilai-nilai kesalahan (MSD,MAD dan MAPE) metode HoltWinter Aditif memiliki ukuran kesalahan yang lebih kecil dibandingkan dengan metode Holt-Winter Multiplikatif. Sehingga metode Holt-Winter Aditif lebih baik digunakan untuk data PDRB Provinsi Bali.
-
3. HasilPeramalan
Hasil peramalan PDRB Provinsi Bali Triwulan I – Triwulan IV 2011 menggunakan metode Holt-Winter Aditif dengan nilai konstanta pemulusan alpha (level) sebesar 1, gamma (trend) sebesar 1 dan delta (seasonal) sebesar 0.03482 dapat dilihat pada table 6
Tabel 6. Hasil Peramalan Metode Holt-Winter Aditif
Indeks |
Forecast |
Lower |
Upper |
81 |
7,733,439 |
7,466,803 |
8,000,075 |
81 |
8,051,659 |
7,674,579 |
8,428,739 |
83 |
8,427,594 |
7,917,025 |
8,938,163 |
84 |
8,747,594 |
8,094,472 |
9,400,717 |
MAPE |
3.39E+00 | ||
MAD |
1.09E+05 | ||
MSD |
3.37E+10 |
Setelah mendapatkan hasil peramalan dari Metode Holt-Winter Aditif danMetode Fuzzy Time Series, kemudian akan dilakukan komparasi antara nilai AFER dari kedua metode tersebut. Perbandingan hasil peramalan PDRB Provinsi Bali Tahun 2011 disajikan pada tabel 7.
Tabel 7. Komparasi Hasil Peramalan
Periode |
Nilai Aktual |
Fuzzy Time Series |
Holt-Winter Aditif | ||||
Forecast |
Error |
%Error |
Forecast |
Error |
%Error | ||
Trw I 2011 |
7,450,000 |
7,516,061 |
66,061 |
0.89% |
7,733,439 |
283,439 |
3.80% |
Trw II 2011 |
7,610,000 |
7,656,082 |
46,082 |
0.61% |
8,051,659 |
441,659 |
5.80% |
Trw III 2011 |
7,790,000 |
7,806,665 |
16,665 |
0.21% |
8,427,594 |
637,594 |
8.18% |
Trw IV 2011 |
7,900,000 |
7,968,297 |
68,297 |
0.86% |
8,747,594 |
847,594 |
10.73% |
AFER |
0.64% |
7.13% |
Dari tabel 7 dapat dilihat bahwa dengan menggunakan metode Holt-Winter Aditif diperoleh AFER sebesar 7,13% sedangkan dengan menggunakan metode Fuzzy Time Series diperoleh AFER sebesar 0,64%, ini menunjukkan peramalan dengan menggunakan metodeFuzzy Time Series memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode Holt-Winter Aditif dengan selisih persentase kesalahan ramalan sebesar 6,49%.
Berdasarkan hasil peramalanmaka dapat diambil kesimpulan bahwa :
-
1. Dalam peramalan data PDRBP rovinsi Bali Tahun 2011 dengan menggunakan metode Fuzzy Time Series diperoleh hasil ramalan sebesar 30.947.105 dengan persentase kesalahan ramalan sebesar 0,64%. Sedangkan peramalan dengan menggunakan metode Holt-Winter Aditif diperoleh hasil ramalan sebesar 32.960.286 dengan persentase kesalahan ramalan sebesar 7,13%.
-
2. Hasil Peramalan dengan menggunakan metode Fuzzy Time Series memiliki nilaiAverage Forecasting Error Rate (AFER) lebih kecil dibandingkan metodeHolt-Winter Aditif sehingga metode Fuzzy Time Series memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode Holt-Winter Aditif dengan selisih persentase kesalahan ramalan sebesar 6,49%.
Untuk penelitian lebih lanjut, beberapa saran yang perlu dipertimbangkan, sebagai berikut:
-
1. Penggunaan persentase perubahan data pada metode Fuzzy Time Series.
-
2. Pemberian bobot dengan Bilangan Fibonacci pada metode Fuzzy Time Series.
Daftar Pustaka
Makridakis S, Wheelwright S.C dan McGee V.E. 1999. Metode dan Aplikasi Peramalan. Jakarta: Erlangga.
Subagyo, Pangestu. 1986. Forecasting, Konsepdan Aplikasi. Yogyakarta: BPFE Yogyakarta.
Meredith, S and J. Porter. 2009. “Fuzzy Time Series Forecasting Using Percentage Change as the Universe of Discourse”.World Academy of Science, Engineering and Technology, 55, 154-157.
Wang, Li-Xin. 1997. A Course in Fuzzy Systems and Control. London: Prentice Hall Inc.
Aryarthana, I Wayan Gede. 2011. “Peramalan Konsumsi Listrik RumahTangga dengan Metode Fuzzy Times Series”. Skripsi. Jurusan Matematika, FMIPA Universitas Udayana. Tidak diterbitkan.
Arka, Made. 2011. “Peramalan Tingkat PertumbuhanKendaraan Roda Dua di Kota Denpasar”.Skripsi. JurusanMatematika, FMIPA Universitas Udayana. Tidak diterbitkan.
Badan Pusat Statistik Provinsi Bali. 2011.“PertumbuhanEkonomi Bali Triwulan III Tahun 2011”.Berita Resmi Statistik BPS Provinsi Bali Tahun V No. 5, Nopember 2011.
Badan Pusat Statistik Provinsi Bali.2011.Produk Domestik Regional Bruto (PDRB) Tahun2010. Denpasar.
19
Discussion and feedback