bab 2 landasan teori 2.1. peramalan -...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1. Peramalan
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan
variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan
bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan
manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka
panjang perusahaan.
Dalam proses pengambilan keputusan tersebut, perusahaan seringkali
dihadapkan pada situasi dimana mereka harus melakukan peramalan untuk dapat
membuat keputusan yang paling tepat saat itu. Oleh karena itu dibutuhkanlah sebuah
program aplikasi yang dapat melakukan peramalan khususnya tentang nilai tukar rupiah
terhadap dollar Amerika.
Metode yang akan digunakan dalam peramalan ini adalah metode
WAW(Wavelet-ARMAX-Winter). Metode ini adalah penggabungan dari metode-
metode peramalan yang sudah beredar pada umumnya seperti metode ARMAX, metode
regresi harmonik, metode Holt Winters dan metode transformasi wavelet. Ketiga metode
ini akan dipakai secara simultan pada skala yang berbeda dalam fungsi waktu. Fungsi
waktu tersebut mula-mula diubah dengan teknik non-decimated wavelet transformation
(NDWT) ke dalam domain wavelet.
Secara umum peramalan yang akan dilakukan membagi tugas peramalan tersebut
menjadi tiga bagian yaitu:
8
a. Pada peramalan data frekuensi tinggi atau data yang dalam domain wavelet tidak
mengandung variabel tren dan variabel musiman akan ditangani oleh metode
ARMAX,
b. Peramalan data yang mengandung variabel tren diserahkan kepada metode Holt
Winters,
c. Sedangkan peramalan data yang mengandung variabel musiman akan dilakukan oleh
metode regresi harmonik.
Sehingga urutan pengerjaan peramalan nilai tukar rupiah terhadap dollar
Amerika adalah sebagai berikut:
a. Transformasi data historis yang akan dipakai ke dalam domain wavelet
menggunakan metode NDWT.
b. Lakukan peramalan nilai komponen tren menggunakan metode Holt Winters.
c. Lakukan peramalan nilai komponen musiman menggunakan metode regresi
harmonik dengan periode musiman yang telah diestimasi.
d. Gunakan metode ARMAX untuk melakukan peramalan komponen data berfrekuensi
tinggi pada domain wavelet.
e. Gabungkan ketiga peramalan yang telah dilakukan untuk mendapatkan peralaman
yang diinginkan. Langkah terakhir ini dapat dilakukan dengan invers transformasi
wavelet.
9
2.2. Metode WAW
2.2.1. Model ARMAX
Menurut Chen et al. (2004, pp4) model Auto-Regressive Moving Average atau
ARMA adalah salah satu proses pemodelan dari data historis yang statis dan tidak
mengandung variabel tren maupun variabel musiman.
Data historis yang statis atau disebut juga data stasioner adalah data yang
memiliki rata-rata dan bergerak dengan kecenderungan menuju ke rata-rata tersebut.
Sedangkan data yang tidak stasioner akan memiliki varians yang terus membesar.
Contoh dari data historis yang statis atau stasioner ditunjukkan pada Gambar 2.1 dan
2.2.
Gambar 2.1 Data historis yang stasioner atau statis
10
Gambar 2.2 Data historis yang tidak stasioner
Model ini sebenarnya merupakan gabungan dari banyak unsur dalam teori dan
banyak dipakai untuk tujuan peramalan. Model yang dikembangkan oleh Wold pada
tahun 1951 ini menggabungkan dua pola serial waktu yaitu model autoregressive atau
AR yang dikembangkan oleh Yule pada tahun 1926 dan model moving average atau
MA yang dikembangkan oleh Slutzky pada tahun 1937. Model ini biasa
direpresentasikan dengan ARMA(p,q) dengan p adalah order dari bagian AR dan q
adalah order dari bagian MA. Masing-masing bagian akan dijelaskan sebagai berikut.
Model ini memiliki beberapa keunggulan jika dibandingkan dengan model lain,
seperti:
11
a. Model ARMA disusun secara logis dan secara statistik memiliki tingkat keakuratan
yang tinggi,
b. Model ini memasukan banyak informasi dari data historis yang digunakan,
c. Model ini menaikan tingkat akurasi peramalan dan pada waktu yang sama menjaga
jumlah parameter seminimal mungkin.
Metode ini menggunakan pendekatan iteratif yang mengidentifikasi
kemungkinan model yang bermanfaat. Model terpilih, kemudian, dicek kembali dengan
data historis apakah telah mendeskripsikan data tersebut dengan tepat. Model “terbaik”
akan diperoleh apabila residual antara model peramalan dan data historis memiliki nilai
yang kecil, distribusinya random, dan independen.
2.2.2. Autoregressive (AR)
Model AR dapat ditulis:
Dimana c adalah konstanta, adalah parameter model AR, dan adalah
white noise(error). Dengan menganggap error atau adalah termasuk konstanta, maka
persamaan diatas dapat disederhanakan menjadi:
Model ini menggunakan data historis sebagai pembentuk pemodelan yang akan
dibuat. Oleh karena itulah model ini dinamakan model autoregressive.
12
2.2.3. Moving Average (MA)
Model MA dapat ditulis:
Dimana merupakan parameter model MA, dan , merupakan
error yang dihasilkan.
2.2.4. Autoregressive-Moving Average (ARMA)
Dan kombinasi dari AR(p) dan MA(q) dari model di atas akan menjadi ARMA(p,q)
sebagai berikut:
Dengan mengambil nilai awal =1, maka persamaan di atas dapat ditulis:
Lalu pindahkan kesisi kiri persamaan dan mengambil nilai =1,
maka persamaan di atas akan menjadi:
13
2.2.5. Autoregressive-Moving Average dengan input X (ARMAX)
Model ARMAX adalah generalisasi dari model ARMA. Model ARMAX
merupakan model ARMA yang dapat menerima variabel input eksternal X kedalam
persamaan. Sehingga metode ini tidak sepenuhnya bergantung pada data historis.
Metode ini lebih cocok dipakai pada fungsi waktu yang bersifat homogen dan tidak
memiliki persamaan tren dan musim. Oleh karena itu, dibutuhkan metode lain yang
dapat menangani variabel musiman dan variabel tren yang muncul yang akan dibahas
lebih lanjut pada bagian lain tulisan ini.
Dari persamaan yang sudah dihasilkan di atas, akan ditambahkan sebuah variabel
lagi untuk menangani input eksternal yaitu variabel . Maka persamaannya menjadi:
Persamaan diatas dapat disingkat menjadi:
Dimana adalah variabel input, adalah variabel output, dan adalah
white noise. Dengan mengambil nilai parameter =1, maka parameter A, B, dan C
masing-masing adalah:
14
Dan , , dan masing-masing adalah parameter yang sesuai dengan pemodelan
yang akan dibuat. Pada umumnya nilai p, q, dan r akan selalu sama, sehingga matriks
parameter akan mempunyai besar 3xn(dengan n banyaknya data historis yang
digunakan. Yaitu:
2.2.6. Regresi Harmonik
Regresi harmonik (regresi trigonometri, regresi cosinor) adalah sebuah model
regresi linier yang menggunakan variabel trigonometri, yang biasanya merupakan
variabel deret waktu, dalam persamaan yang digunakan. Regresi harmonik digunakan
untuk menangani kejadian berulang yang biasanya terjadi pada data historis yang
digunakan.
Menurut Young et al. (1999, pp1-3) regresi harmonik merupakan model
komponen yang belum terobservasi(unobserved components model). Dalam makalah
tersebut regresi harmonik berbentuk:
yt = Tt + Ct + St + f(ut)+ Nt + et
Dimana yt adalah data historis yang diobservasi; Tt adalah tren atau komponen
berfrekuensi rendah; Ct adalah komponen periode atau semiperiode yang periodenya
berbeda dengan yang terdapat pada unsur musiman pada data historis yang diobservasi;
15
St adalah komponen musiman; f(ut) menangkap pengaruh dari vektor variabel luar, jika
diperlukan ditambahkan hubungan stokastik, linear statis atau linear dinamis; Nt adalah
model gangguan stokastik (noise dengan model ARMA); et adalah komponen
‘irregular’, dimana untuk keperluan perhitungan biasanya didefinisikan berdistribusi
gaussian dengan nilai rata-rata nol dan varians σ = 2.
Dalam proyek peramalan ini regresi harmonik digunakan untuk memprediksi
nilai kelanjutan dari komponen musiman saja. Oleh karena itu dalam persamaan diatas,
yang dipakai dalah unsur St nya saja.
Model St yang lebih sederhana berbentuk:
Dimana p adalah periode musiman data historis yang digunakan, adalah
frekuensinya, dan = 3,1415…..
Sedangkan model yang lebih umum berupa:
Sedangkan jika nilai dari masing-masing parameter tergantung pada
variabel t, maka persamaan diatas akan menjadi:
Karena yt ≈ St, maka:
16
Model regresi harmonik sebenarnya mirip dengan model polinomial, tetapi
menggunakan fungsi trigonometri dari t untuk menggantikan fungsi pangkat dari t.
Model ini bersifat orthogonal antara satu bagian dengan bagian lainnya.
2.2.7. Metode Holt Winters
Menurut Prajakta (2004, pp3-8) metode Holt Winter adalah sebuah metode
peramalan yang dapat menerima inputan dari data historis yang mengandung variasi
unsur tren dan unsur musiman. Tetapi pada proyek peramalan ini metode Holt Winters
akan digunakan untuk meramalkan unsur tren dari data historis yang digunakan.
Metode ini tidak mengasumsi adanya struktur stokastik pada data historis dan
hanya meramalkan berdasarkan pada persamaan dasar.
Metode Holt Winters ini sebenarnya merupakan pengembangan dari metode
exponential smoothing yang sudah lama digunakan untuk keperluan peramalan.
2.2.8. Exponential Smoothing
Exponential smoothing adalah suatu prosedur yang secara kontinu merevisi
peramalan sesuai dengan pengalaman atau experimen yang telah dilakukan. Exponential
smoothing menghasilkan bobot yang menurun secara eksponensial seiring dengan
observasi yang semakin lama telah dilakukan. Dengan kata lain exponential smoothing
akan memberikan bobot yang lebih tinggi kepada observasi yang baru dari pada
observasi yang lama.
17
2.2.9. Single Exponential Smoothing
Menurut Kalekar (2004, pp3), single exponential smoothing juga bisa disebut
sebagai exponential smoothing sederhana. Metode ini digunakan untuk peramalan
jangka pendek, biasanya hanya berjangka waktu satu bulan ke depan. Model ini
mengasumsi bahwa data yang digunakan tidak mengandung tren ataupun pola
berkembang (biasa disebut data stasioner). Rumusan umumnya dapat dilihat sebagai
berikut:
2.2.10. Double Exponential Smoothing
Metode ini digunakan apabila data yang digunakan memperlihatkan unsur tren.
Exponential smoothing dengan tren bekerja seperti single exponential smoothing, hanya
saja akan ada dua komponen yang harus di revisi setiap periode yaitu komponen utama
dan komponen tren. Rumusan umumnya berbentuk sebagai berikut:
Ada beberapa metode dalam menentukan nilai awal untuk dan . secara
umum di set sama dengan . Sedangkan untuk , ada tiga metode yang dapat
digunakan:
=
18
=
=
2.2.11. Triple Exponential Smoothing
Pada tahap inilah exponential smoothing disebut sebagai metode Holt Winter.
Metode ini tidak hanya dapat memasukan unsur tren, tetapi juga dapat memasukan unsur
musiman pada data historis. Sehingga akan memperluas jangkauan data dapat
digunakan. Oleh karena itu metode ini memasukan parameter ketiga atau parameter
musiman.
Sebenarnya ada dua tipe persamaan Holt Winters yang akan digunakan yang
terletak pada persamaan musiman. Yang pertama adalah model musiman perkalian dan
yang kedua adalah model musiman pertambahan. Sedangkan dalam pembuatan program
peramalan nilai tukar rupiah terhadap dollar Amerika, lebih tepat digunakan model
musiman pertambahan. Hal ini dikarenakan nilai musiman yang terjadi bersifat
penambahan.
Fungsi peramalan yang menyertakan kedua variabel tren dan musiman dalam
perhitungan berbentuk:
Dimana an adalah komponen level permanen, bn adalah komponen tren linear,
Sn+t faktor musiman penambahan, dan adalah komponen error.
Nilai sebagai komponen level permanen didefinisikan sebagai berikut:
19
Dimana α = konstanta pertama
yt = persamaan awal dari data historis
St-d = persamaan musiman 1 musim sebelumnya
Sedangkan sebagai persamaan tren, didefinisikan sebagai berikut:
Dimana β = konstanta kedua
Dan sebagai persamaan musiman, didefinisikan sebagai berikut:
Dimana γ = konstanta kedua
Untuk keadaan mula-mula nilai , , dan didefinisikan sebagai berikut:
2.2.12. Transformasi Wavelet
Wavelet adalah sebuah pemodelan data dengan bentuk waktu dan frekuensi. Hal
ini sebenarnya memiliki ide yang sama dengan bentuk pemodelan fourier atau yang kita
kenal dengan fourier transform. Namun, pada analisis wavelet, ide pokoknya adalah
untuk menganalisa berdasarkan skala yang memainkan peran yang cukup penting dalam
sebuah analisis data. Analisis wavelet memproses data skala atau resolusi yang berbeda.
Maka hasil dari sebuah analisis wavelet adalah untuk melihat baik dalam skala besar
maupun skala kecil.
20
Transformasi wavelet menyelesaikan persoalan yang sering muncul tentang
perbedaan resolusi pada beberapa kasus. Gambar 2.3 biasanya digunakan untuk
menjelaskan bagaimana resolusi waktu dan frekuensi diinterpretasikan. Setiap kotak
pada Gambar 2.3 adalah nilai dari transformasi wavelet pada domain wavelet. Luas dari
semua kotak pada gambar tersebut adalah sama sesuai dengan teorema Heisenberg,
tetapi panjang dan lebarnya dapat berbeda merepresentasikan proporsi waktu dan
frekuensi. Semakin rendah frekuensinya, semakin panjang kotak yang dihasilkan; dan
memiliki resolusi frekuensi yang lebih baik, tetapi resolusi waktu yang kurang baik, dan
sebaliknya.
Gambar 2.3 Domain frekuensi-waktu dari transformasi wavelet
Perbedaan yang mendasar antara transformasi wavelet dan transformasi fourier
adalah dalam hal fungsi basis yang digunakan dalam transformasi. Fungsi wavelet
terlokalisasi dalam ruang yang artinya mampu untuk menggambarkan setiap detail dari
pergerakan data yang ada. Sementara fungsi fourier yang berbentuk fungsi sinus dan
21
cosinus tidak dapat melakukan hal ini. Lokalisasi ini membuat wavelet sangat cocok
untuk menangani bagian data yang diskontinu. Transformasi wavelet tidak memiliki
himpunan fungsi basis tertentu, tidak seperti transformasi fourier yang memiliki fungsi
basis berbentuk sinus dan kosinus. Oleh karena itu, transformasi wavelet, yang memiliki
kemungkinan tak terhingga untuk fungsi basis yang dapat digunakan, dapat memberikan
informasi yang tidak jelas kepada metode waktu-frekuensi lainnya seperti analisis
fourier.
Perbedaan resolusi waktu-frekuensi antara transformasi wavelet dan transformasi
fourier dapat diilustrasikan oleh Gambar 2.4 yang menunjukan fungsi basis dalam
domain waktu-frekuensi dari transformasi wavelet dan transformasi fourier.
Gambar 2.4 Perbedaan fungsi basis transformasi wavelet dan transformasi fourier
Grafik di sebelah kiri menunjukan contoh transformasi fourier yang memiliki
ukuran kotak yang sama untuk setiap tempat pada domain waktu-frekuensi. Sedangkan
grafik disebelah kanan adalah contoh transformasi wavelet. Kotak dengan waktu yang
22
lebih pendek cocok untuk menggambarkan keadaan diskontinu, sementara kotak dengan
waktu lebih panjang cocok untuk menggambarkan analisis frekuensi secara lebih detail.
Diantara berbagai metode transformasi wavelet yang ada, metode non-decimated
wavelet transform (NDWT) adalah metode yang cocok untuk memodelkan data historis
yang akan digunakan dalam peramalan. Metode NDWT termasuk ke dalam keluarga
transformasi wavelet diskrit yang menggunakan data diskrit sebagai data masukan.
2.2.13. Non-decimated wavelet transform
Ada dua jenis transformasi wavelet yaitu transformasi wavelet kontinu dan
diskrit. Menurut chen et al (2004, pp81-93), transformasi wavelet diskrit (TWD) adalah
transformasi wavelet yang sangat efisien dalam aspek penghitungan. Salah satu properti
intrinsik dari TWD adalah pengurangan koefisien wavelet, yang menghilangkan semua
koefisien lain pada level frekuensi yang sama. Transformasi bisa dilakukan dengan
koefisien yang tersisa, dan invers transformasi bisa didapatkan dengan sempurna. Tetapi
hal tersebut berakibat pada pergeseran nilai varians dari transformasi tersebut.
Pergeseran varians artinya bahwa TWD dari data histori tidak sama dengan hasil
pergeserannya. Hal ini ditunjukkan oleh Gambar 2.5. Data histori terdapat pada grafik
kiri atas dan hasil pergeserannya terdapat pada grafik kanan atas. Sedangkan TWD dari
masing-masing grafik terdapat dibawahnya. Sudah jelas bahwa koefisien TWD terlalu
berbeda bila didapatkan dengan menggeser data historis.
Non-decimated wavelet transform (NDWT), sesuai dengan namanya tidak
mengurangi jumlah koefisien wavelet yang digunakan. Metode ini dapat memberikan
informasi yang cukup banyak untuk dianalisis secara lebih akurat dan komprehensif
23
dengan jumlah koefisien wavelet yang tidak berkurang seiring dengan proses
transformasi. Oleh karena adanya jumlah koefisien yang cukup banyak, NDWT
membutuhkan tempat penyimpanan yang cukup besar dan jumlah perhitungan yang
cukup banyak.
Gambar 2.5 Perbedaan hasil TWD dari data asli dengan data yang sudah digeser
Domain wavelet membagi data historis menjadi dua bagian yaitu bagian
frekuensi tinggi (yang merupakan hasil dari filter tinggi (g)) dan bagian frekuensi rendah
(yang merupakan hasil dari filter rendah (h)). Bagian berfrekuensi tinggi merupakan
koefisien detail dari data historis. Sedangkan bagian berfrekuensi rendah merupakan
bagian smooth dari data historis.
Filter h dan g masing-masing didefinisikan sebagai fungsi rekursif h[r] dan g[r]
sebagai berikut:
24
Dimana merupakan faktor dilatasi. Operator gabungan dari dan
masing-masing adalah dan . Metode NDWT adalah pengaplikasian secara
sekuensial dari operator gabungan tersebut kepada data historis yang akan digunakan.
Jika c(J) merupakan data historis, dan maka:
Transformasi dari adalah sebuah vektor
untuk . Subvektor merupakan detail level dari
data berfrekuensi tinggi, sedangkan merupakan bagian smooth dari data historis
(data berfrekuensi rendah).
Jika banyaknya vektor input adalah , maka untuk setiap nilai ,
dan memiliki banyak yang sama. Jika data historis diasosiasikan dengan
fungsi maka koordinat ke-k dari adalah:
Maka koefisien dapat memberikan informasi pada skala dan lokasi k.
Algoritma dekomposisi ini dapat dilihat pada Gambar 2.6. Sedangkan algoritma
rekonstruksinya dapat dilihat pada Gambar 2.7.
25
Gambar 2.6 Algoritma dekomposisi data ke dalam domain wavelet
Gambar 2.7 Algoritma rekonstruksi domain wavelet kembali seperti semula
2.2.14. Metode WAW
Transformasi wavelet, sesuai dengan karakteristiknya yaitu penyaringan yang
sensitif terhadap skala, dapat mengubah data historis menjadi beberapa skala tertentu.
Hal ini dapat dimanfaatkan untuk memisahkan beberapa level skala dan untuk
mendeskripsikan level skala tersebut pada beberapa resolusi dalam domain wavelet. Ini
berarti wavelet dapat melihat dengan lebih detail pada skala waktu tertentu, yaitu dengan
26
memisahkan komponen tren dan komponen musiman dari data historis yang digunakan
tersebut.
Komponen tren “terletak” pada koefisien skala dan level detail yang
kasar(dengan frekuensi yang lebih rendah) seperti yang berlawanan yaitu komponen
berfrekuensi tinggi yang memerlukan detai waktu yang halus untuk dapat
mendeskripsikannya. Sedangkan komponen musiman terletak pada level menengah.
Dengan memisahkan level detail yang kasar, menengah dan halus ini, barisan data dapat
dipisahkan dari unsur tren dan unsur musiman yang mungkin ada pada data tersebut.
Data berfrekuensi tinggi ini tentu saja sudah bersifat tetap. Oleh karena itu bagian
ARMA dari model ARMAX dapat mendeskripsikan komponen berfrekuensi tinggi ini
dan pada saat yang sama, input dari ARMAX dapat menerima inputan dari luar yang
berguna bagi peramalan yang akan dilakukan.
Komponen utama dari data historis berada pada bagian data berfrekuensi tinggi,
komponen tren akan berada di bagian smooth (data berfrekuensi rendah), sedangkan
komponen musiman akan berada dibagian tengah di antara komponen utama dan
komponen tren.
Semua peramalan yang dilakukan, didasarkan pada domain wavelet yang sudah
dibentuk. Peramalan dari tren, musiman dan data berfrekuensi tinggi, akan digabungkan
menggunakan invers transformasi wavelet untuk mendapatkan peramalan akhir. Semua
proses peramalan ini dapat diringkas sebagai berikut:
1. Transformasi data historis yang akan dipakai sebagai input pada program
menggunakan metode NDWT untuk memisahkan komponen tren dan komponen
27
musiman yang mungkin ada pada data historis tersebut. Pemisahan ini dapat dilihat
pada domain wavelet.
2. Lakukan peramalan nilai komponen tren menggunakan metode Holt Winters.
Prediksi ini dilakukan pada bagian smooth dari dekomposisi wavelet yang
didapatkan.
3. Lakukan peramalan nilai komponen musiman menggunakan metode regresi
harmonik dengan periode musiman yang telah diestimasi.
4. Gunakan metode ARMAX untuk melakukan peramalan komponen data berfrekuensi
tinggi pada domain wavelet.
5. Gabungkan ketiga peramalan yang telah dilakukan untuk mendapatkan peralaman
yang diinginkan. Langkah terakhir ini dapat dilakukan dengan invers transformasi
wavelet.