Garuda - Garba Rujukan Digital

Penerapan Algoritma Backpropagation Neural Network dalam Memprediksi Curah Hujan Harian Kota Bandung Shastia Diba Rahmawanti; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.9984

Abstract. Rain is a common natural phenomenon that is very difficult to predict. Many factors can affect the occurrence of rain, ranging from temperature, humidity, sunlight intensity, and rainfall. Rainfall itself is a natural phenomenon that is the most important part for life on earth because when rainfall is categorized as high, it can cause disasters such as floods and other things. Therefore it is very important to do rainfall prediction in an area to anticipate disasters that will occur. In this research, daily rainfall prediction has been carried out using Artificial Neural Network (ANN) with Backpropagation approach method. The data used comes from the Bandung Metrology, Climatology and Geophysics Agency (BMKG) regarding temperature, humidity and daily rainfall from 2021-2023 (January 1 to March 28). This study aims to determine the best Artificial Neural Network architecture and also predict rainfall in Bandung City. From this study, it was found that the best architecture result was 10_32_1 using a learning rate of 0.01 with a MAPE value obtained of 0.537%. Thus it can be concluded that the backpropagation method can be used for daily rainfall prediction in Bandung City, where the results of rainfall prediction for the next 30 days state that there are 8 days of no rain where the highest rainfall intensity is on 04/26/2023 amounting to 0.537%. Abstrak. Hujan merupakan suatu fenomena alam yang umum terjadi namun sangat sulit untuk diprediksi. Banyak faktor yang dapat mempengaruhi terjadinya hujan, mulai dari suhu, kelembaban, intensitas sinar matahari, dan curah hujan. Curah hujan sendiri merupakan gejala alam yang menjadi bagian terpenting bagi kehidupan di bumi karena saat curah hujan dikategorikan tinggi, dapat menyebabkan bencana seperti banjir dan hal lainnya. Karena itu sangatlah penting untuk melalukukan prediksi curah hujan pada suatu daerah untuk pengantisipasian bencana yang akan terjadi. Pada penelitian ini telah dilakukan prediksi curah hujan harian menggunakan Artificial Neural Network (ANN) dengan metode pendekatan Backpropagation. Data yang digunakan berasal dari Badan Metrologi, Klimatalogi dan Geofisika (BMKG) Kota Bandung tentang suhu, kelembapan dan curah hujan harian dari tahun 2021-2023 (1 Januari sampai 28 Maret). Penelitian ini bertujuan untuk menentukan arsitektur Artificial Neural Network terbaik dan juga memprediksi curah hujan di Kota Bandung. Dari penelitian ini ditemukan hasil arsitektur terbaik yaitu 10_32_1 menggunakan learning rate 0.01 dengan niali MAPE yang didapat sebesar 0.537%. Dengan demikian dapat disimpulkan metode backpropagation dapat digunakan untuk prediksi curah hujan harian di Kota Bandung, dimana pada hasil prediksi curah hujan untuk 30 hari kedepan menyatakan terdapat 8 hari tidak terjadi hujan dimana intensitas curah hujan paling tinggi berada pada tanggal 26/04/2023 sebesar 32.9826.

Hubungan antara Inflasi, Jakarta Islamic Index (JII), dan Indeks Harga Saham Gabungan (IHSG) Menggunakan Metode Vector Error Correction Model (VECM) Farhan Dzul Fiqar; Herlina, Marizsa
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10183

Abstract. Stock indices are very important as a benchmark for capital market performance and investment products. The index that describes the performance of the capital market is the Jakarta Composite Index (IHSG). Apart from the IHSG, there is also a sharia-based stock price index. One of the sharia stock indexes is the Jakarta Islamic Index (JII). The stock price index is fluctuating, where the fluctuation can be influenced by internal factors, one of which is inflation. The Vector Autoregressive (VAR) method was introduced as an alternative model in macroeconomic analysis. The VAR method is a multivariate time series analysis for time series data that will be modeled stationary. If the data is not stationary, then the method used is the Vector Error Correction Model (VECM). With VECM (1) it can be seen that in inflation there is a long-term relationship that is positive. However, there is no short-term relationship. For the IHSG and JII variables, these two variables do not have a long-term or short-term relationship. Then the Impulse Response Function (IRF) results show that the response to the IHSG and JII variables for 12 months has a tendency to move steadily. The inflation variable response to the three variables tends to experience a positive trend. However, the inflation response to the IHSG and JII variables increased while the inflation variable decreased. Abstrak. Indeks saham adalah hal yang sangat penting sebagai tolak ukur kinerja pasar modal dan produk investasi. Indeks yang menggambarkan kinerja pasar modal adalah Indeks Harga Saham Gabungan (IHSG). Selain IHSG, ada pula indeks harga saham berbasis syariah. Salah satu indeks saham syariah adalah Jakarta Islamic Index (JII). Indeks harga saham bersifat fluktuatif, dimana fluktuasi tersebut dapat dipengaruhi oleh faktor internal, salah satunya inflasi. Metode Vector Autoregressive (VAR) dikenalkan sebagai model alternatif dalam analisis ekonomi makro. Metode VAR adalah analisis deret waktu multivariat untuk data deret waktu yang akan dimodelkan stasioner. Bila data tersebut tidak stasioner, maka metode yang digunakan adalah Vector Error Correction Model (VECM). Dengan VECM (1) dapat diketahui bahwa pada Inflasi terdapat hubungan jangka panjang yang bernilai positif. Akan tetapi, tidak terdapat hubungan jangka pendek. Untuk variabel IHSG dan JII, kedua variabel tersebut tidak memiliki hubungan jangka panjang serta jangka pendek. Kemudian hasil Impulse Response Function (IRF), menunjukkan bahwa untuk respon variabel IHSG dan JII selama 12 bulan memiliki kecenderungan bergerak stabil. Untuk respon variabel inflasi terhadap ketiga variabel cenderung mengalami trend positif. Akan tetapi respon inflasi terhadap variabel IHSG dan JII bergerak meningkat sedangkan terhadap variabel Inflasi menurun.

Penerapan Spatial Autoregressive Model (SAR) untuk Menentukan Faktor-Faktor Penyebab Kemiskinan di Jawa Barat 10060118104, Muhammad Reinaldy Tifasi; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10356

Abstract. Spatial Autoregressive Model (SAR) is an approach model for spatial regression analysis. Spatial regression analysis is used to determine a relationship based on attribute information and location or geographic location information. The estimator of the SAR model uses the Maximum Likeli hood Estimation (MLE) method. The aim of this research is to model SAR spatial regression to determine the factors that influence the occurrence of poverty in West Java. To explain the spatial relationship between observation locations, a spatial weighting matrix based on neighborhood (contiguity) is used, namely the Queen Contiguity matrix. A total of 27 districts/cities were used as observation units with the dependent variable (Y) being the number of poverty cases from each district/city in West Java. The independent variables used are suspected factors related to poverty cases. The independent variables (X) are the average wage of formal workers, the percentage of the population without a diploma, the percentage of population health, the population, total expenditure per capita, the percentage of open unemployment rate, and the West Java UMR. The independent variables that have a significant effect on the number of poverty cases in West Java based on the SAR model are the percentage of the population without a diploma, the amount of expenditure per capita, and the percentage of open unemployment. Abstrak. Spatial Autoregressive Model (SAR) merupakan model pendekatan dari analisis regresi spasial. Analisis regresi spasial digunakan untuk mengetahui suatu hubungan berdasarkan informasi atribut dan informasi lokasi atau letak geografis. Penduga dari model SAR menggunakan metode penduga kemungkinan maksimum atau Maximum Likelihood Estimation (MLE). Tujuan dari penelitian ini adalah memodelkan regresi spasial SAR untuk mengetahui faktor-faktor yang mempengaruhi terjadinya kemiskinan di Jawa Barat. Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkam ketetanggaan (contiguity) yaitu matriks Queen Contiguity. Sebanyak 27 kabupaten/kota digunakan sebagai unit pengamatan dengan variabel dependennya (Y) adalah jumlah kasus kemiskinan dari setiap kabupaten/kota di Jawa Barat. Variabel independen yang digunakan merupakan faktor dugaan yang berhubungan dengan kasus kemiskinan. Variabel independennya (X) yaitu rata-rata upah pekerja formal, persentase penduduk tidak memiliki ijazah, persentase kesehatan penduduk, jumlah penduduk, jumlah pengeluaran per kapita, persentase tingkat pengangguran terbuka, dan UMR Jawa Barat. Variabel independen yang berpengaruh signifikan terhadap jumlah kasus kemiskinan di Jawa Barat berdasarkan model SAR, yaitu variabel persentase penduduk tidak memiliki ijazah, jumlah pengeluaran per kapita, dan persentase tingkat pengangguran terbuka.

Peramalan Jumlah Penumpang Kereta Api di Pulau Jawa Menggunakan Model BATS dan Model TBATS 10060119113, Fitria Nurjanah; Herlina, Marizsa
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10395

Abstract. Time series forecasting aims to find patterns in historical data series and extrapolate these patterns into the future. The success of a forecast depends on the use of forecasting methods, which must be adapted to the available data. Time series data that contains several seasonalities or has a dual-calendar effect is called data with complex seasonality, but not all forecasting methods can handle seasonal complexity. The methods that are able to handle seasonal complexity are the BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) and TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components) models. Based on the results of the analysis carried out, it was found that the BATS model was better at predicting the number of train passengers on the island of Java compared to the TBATS model, as evidenced by the AIC value of 4318,364 and the RMSE of 1875,887 which were smaller than the AIC and RMSE values of the TBATS model. The results of forecasting using the BATS model showed that the highest number of train passengers was in December, namely 31,107,740 people and the lowest was in February 27,959,460 people. Abstrak. Peramalan deret waktu bertujuan untuk menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Keberhasilan suatu peramalan bergantung pada penggunaan metode peramalan yang harus disesuaikan dengan data yang tersedia. Data deret waktu yang mengandung beberapa musiman atau terdapat efek dual-calendar disebut data dengan musiman yang kompleks, namun tidak semua metode peramalan dapat menangani kompleksitas musiman. Adapun metode yang mampu menangani kompleksitas musiman adalah model BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) dan TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components). Berdasarkan hasil analisis yang dilakukan didapati hasil bahwa model BATS lebih baik dalam meramalkan jumlah penumpang kereta api di pulau jawa dibandingkan dengan model TBATS dibuktikan dengan nilai AIC sebesar 4318.364 dan RMSE sebesar 1875.887 yang lebih kecil dibandingkan dengan nilai AIC dan RMSE dari model TBATS. Adapun hasil peramalan menggunakan model BATS didapat bahwa jumlah penumpang kereta api tertinggi adalah pada bulan Desember yaitu sebanyak 31.107.740 orang dan terendah pada bulan Februari 27.959.460 orang.

Pengaruh Pembiayaan Bagi Hasil (Mudharabah dan Musyarakah) pada Total Aset Bank Central Asia Syariah dengan Metode Error Correction Model (ECM) 10060119044, Aldy Virgiawan; Herlina, Marizsa
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10418

Abstract. Econometrics is a modeling approach that explains the relationship between economic measurements to understand the impact of price values on the demand for goods. This model is a combination of several applied sciences such as economic theory, mathematics, and inferential statistics. In econometrics, one of the methods used is the Error Correction Model (ECM), which aims to depict the relationship between analyzed variables, revealing phenomena in both the long and short term and seeking solutions in the presence of non-stationary data to achieve equilibrium. In its application, this method is employed in various economic aspects, including the calculation of the total assets of banks, both conventional and Sharia. Sharia banks emerged in Indonesia in 1983 with the goal of implementing the profit-sharing concept in their lending activities. With the rapid growth of the Sharia banking industry, PT. Bank Central Asia Tbk (BCA) acquired PT Bank Utama Internasional Bank (UIB), transforming it into PT. Bank BCA Syariah in 2009, which began operating the following year under Sharia principles. The purpose of this research is to examine the influence of profit-sharing (mudharabah and musyarakah) on the total assets of Bank BCA Syariah using the Error Correction Model (ECM). The study, based on monthly data from January 2015 to March 2019 from the Bank BCA Syariah website, reveals that in the long-term model, both mudharabah and musyarakah variables have a significant impact on total assets. However, in the short-term ECM model, the mudharabah variable shows no significant effect, while musyarakah significantly influences total assets. Abstrak. Ekonometrika adalah model yang menjelaskan hubungan dari pengukuran ekonomi untuk melihat pengaruh nilai harga pada sejumlah permintaan barang untuk mengetahui pengaruh nilai harga pada permintaan barang tersebut. Model ini gabungan dari beberapa ilmu terapan seperti ilmu teori ekonomi, matematika, dan statistik inferensial. Dalam pengerjaan ekonometrika salah satunya menggunakan metode Error Correction Model (ECM), bertujuan untuk menggambarkan adanya hubungan dari beberapa variabel yang dianalisis untuk diketahuinya fenomena pada jangka panjang dan jangka pendek serta mencari solusi bila adanya data yang tidak stasioner untuk mencapai keseimbangan. Dalam penggunaannya, metode ini digunakan berbagai aspek perekonomian, seperti perhitungan nilai total aset bank konvesional hingga syariah. Bank syariah hadir di Indonesia pada tahun 1983 yang bertujuan terbentuknya konsep “bagi hasil” bank pada pengkreditannya. Seiring pesatnya industri bank syariah, PT. Bank Central Asia Tbk (BCA) melakukan akuisisi pada salah satu bank yaitu PT Bank Utama Internasional Bank (UIB) yang diubah menjadi PT. Bank BCA Syariah pada tahun 2009 serta beroperasional ditahun berikutnya dengan sistem syariah. Tujuan dari penelitian ini untuk melihat pengaruh bagi hasil (mudharabah dan musyarakah) terhadap total aset Bank BCA Syariah dengan metode Error Correction Model (ECM), pada penelitian ini menggunakan data bulanan dari Januari 2015 hingga Maret 2019 bersumber pada situs Bank BCA Syariah. Maka, penelitian ini untuk model jangka panjang pada variabel mudharabah dan musyarakah memiliki pengaruh signifikan terhadap total aset, berbeda model ECM atau model jangka pendek bahwa variabel mudharabah tidak pengaruh signifikan sedangkan musyarakah berpengaruh signifikan terhadap total aset.

Analisis Volatilitas Return Ethereum Menggunakan Model Threshold GARCH 10060119001, Vizky Andharista Suhendar; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10735

Abstract. Volatility is a fluctuation or random change in return prices, in time series data volatility can cause heteroscedasticity or variance that is not constant where in general time series data must have a constant variance (homogeneous). Analysis that can be used in handling data with non-constant (heterogeneous) variance is using the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. Return data is also identical to asymmetric changes in terms of negative and positive changes, it can also be analyzed with a special model, namely the Threshold GARCH model, where the TGARCH model considers positive and negative changes in return data to have different effects. The return data used in this study is Ethereum return data taken from the investment website and will be modeled using the TGARCH model. The first model estimated is the ARIMA (2,1,1) model. After testing the residual data, it was found that the ARIMA(2,1,1) model had an ARCH effect (heteroscedasticity), the second model estimated was the GARCH(1,1) model. After testing the residual data, it is found that the GARCH(1,1) model has an asymmetric effect, so the TGARCH model can be estimated. The best TGARCH model is the TGARCH(1,1) model. From the results of the research conducted, it can be concluded that the influence of positive allowances (good news) has a greater influence on the return value of ethereum than negative allowances (bad news). When there is a positive allowance, it will have an impact on the volatility of the Ethereum return value of 0.0006212. Meanwhile, when there is a negative allowance, it will have an impact on the volatility of the Ethereum return value of -0.32753. Abstrak. Volatilitas adalah fluktuasi atau perubahan harga return secara acak, dalam data time series volatilitas dapat menyebabkan terjadinya heteroskedastisitas atau varians yang tidak konstan dimana pada umumnya data time series harus memiliki varians yang konstans (homogen). Analisis yang dapat digunakan dalam menangani data dengan varians yang tidak konstans (heterogen) yaitu menggunakan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Data return pun identik dengan perubahan asimetris dalam hal perubahan negatif dan positif, hal tersebut juga dapat dianalisis dengan model khusus yaitu model Threshold GARCH, dimana model TGARCH menganggap perubahan positif dan negatif pada data return memiliki efek yang berbeda. Data return yang digunakan dalam penelitian ini adalah data return Ethereum yang diambil dari website investasi dan akan dimodelkan menggunakan model TGARCH. Model pertama yang diestimasi adalah model ARIMA(2,1,1). Setelah dilakukan pengujian pada residual data, didapatkan hasil bahwa model ARIMA(2,1,1) memiliki efek ARCH (heteroskedastisitas), model kedua yang diestimasi adalah model GARCH(1,1). Setelah dilakukan pengujian pada residual data, didapatkan bahwa model GARCH(1,1) memiliki efek asimetris, maka model TGARCH dapat diestimasikan. Model TGARCH yang terbaik adalah model TGARCH(1,1). Dari hasil penelitian yang dilakukan dapat disimpulkan bahwa pengaruh gunjangan positif (good news) memiliki pengaruh yang lebih besar pada nilai return ethereum dibandingkan gunjangan negatif (bad news). Ketika terdapat gunjangan positif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar 0.0006212. Sedangkan ketika terdapat gunjangan negatif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar -0.32753.

Peramalan Jumlah Penumpang Kereta Api Jabodetabek Menggunakan Feed Forward Neural Network dengan Algoritma Backpropagation 10060119082, Rhanie Cynthia Ekaputri; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10836

Abstract. Train is one of the land transportation who has quite a lot of interest for public because train’s tickets has a relatively cheap price. From year to year, train passengers has increases and may also decrease. The number of passengers is arranged in order time and that number of passengers who arranged in order time named time series. One method for analyzing time series is a feed-forward neural network. This method does not require assumptions in carrying out the analysis and the backpropagation algorithm is a simple algorithm that is most often used with weight adjustments so the models of feed-forward neural network have a small error. Therefore, the time series data on the number of train passengers in the Jabodetabek area in January 2006-October 2023 sourced from BPS has low complexity and is therefore applied for forecasting for the next 6 months using a feed-forward neural network with the backpropagation algorithm. Based on the results, the best neural network model was produced with a learning rate of 0.1 and the optimal model is model 5-10-1. Model 5-10-1 had an MSE value at the training stage is 0.00178 and a MAPE value at the training stage is 19%, which means the model is good for performing forecasting using training data. The optimal model was continued at the testing stage and have a MAPE value 36%, which means the model has a moderate ability to forecast when using testing data. The results of forecasting using the optimal model, each month in the next 6 months will have an increase and 2 times decrease but the decrease is not drastic. Abstrak. Salah satu sarana transportasi darat yaitu kereta api memiliki peminat yang cukup banyak di kalangan masyarakat dikarenakan kereta api merupakan transportasi darat yang memiliki harga relatif murah. Tahun ke tahun penumpang kereta api mengalami kenaikan dan bisa juga mengalami penurunan, jumlah penumpang tersebut disusun sesuai urutan kejadiannya dan menjadikan jumlah penumpang tersebut termasuk kedalam data time series. Metode dalam menganalisis time series salah satunya adalah feed forward neural network. Metode ini tidak membutuhkan asumsi dalam melakukan analisisnya serta algoritma backpropagation merupakan algoritma sederhana yang paling sering digunakan dengan penyesuaian bobot sehingga mampu menghasilkan tingkat error yang kecil. Maka dari itu, data time series jumlah penumpang kereta api wilayah Jabodetabek pada Januari 2006-Oktober 2023 yang bersumber dari BPS memiliki kompleksitas yang kecil maka diterapkan untuk peramalan 6 bulan kedepan menggunakan feed forward neural network dengan algortima backpropagation. Berdasarkan hasil yang diperoleh, model terbaik neural network dihasilkan dengan learning rate sebesar 0,1 yaitu diperoleh model 5-10-1 yang memiliki nilai MSE tahap training sebesar 0,00178 serta nilai MAPE pada tahap training sebesar 19% yang mengartikan model baik untuk melakukan peramalan menggunakan data training. Model optimal yang diperoleh dilanjutkan pada tahap testing dan menghasilkan nilai MAPE sebesar 36% yang mengartikan model memiliki kemampuan yang sedang untuk melakukan peramalan jika menggunakan data testing. Hasil peramalan menggunakan model optimal, tiap bulan dalam 6 bulan kedepan memiliki kenaikan dan mengalami penurunan sebanyak 2 kali namun penurunan tidak drasits.

Peramalan Inflasi Provinsi Jawa Barat Selama Tahun 2024 Menggunakan Standard Theta Method (STM) 10060119033, Salma Nur Fauziah; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.11693

Abstract. Forecasting is a method used to predict the future as accurately as possible using past information. Standard Theta Method (STM) is one of the forecasting methods, where time series data is decomposed resulting in short-term and long-term components. These components are identified using the Theta model and extrapolated separately, and then combined in the final forecasting stage. Inflation forecasting is important in order to formulate an early monetary policy. Inflation needs to be monitored to keep it stable. This is done to prevent economic instability in Indonesia. In this study, forecasting will be carried out using the STM method for the inflation value of West Java Province. The STM method is applied to data that does not contain seasonality. In this research data, seasonal detection is carried out with the Autocorrelation Function (ACF), the results show that the data contains seasonal elements in every six periods. Therefore, multiplicative deseasonalization is performed to remove the seasonality. After this process, an STM analysis was performed which resulted in a constant b of -0.0086 and a parameter a of 0.4098. These parameters were used to calculate the two Theta lines. Then, data is extrapolated to the two lines, which are finally combined to obtain forecasting results. The forecasting results show the same seasonal pattern. Keywords: Forecasting, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflation. Abstrak. Peramalan adalah metode yang digunakan untuk memprediksi masa depan seakurat mungkin menggunakan informasi masa lalu. Standard Theta Method (STM) adalah salah satu metode peramalan, dimana data deret waktu akan diuraikan yang menghasilkan komponen jangka pendek dan jangka panjang. Komponen-komponen ini diidentifikasi dengan menggunakan model Theta dan diekstrapolasi secara terpisah, lalu akan dikombinasikan pada tahap peramalan akhir. Peramalan inlflasi merupakan hal yang penting untuk dilakukan agar dapat merumuskan kebijakan moneter yang lebih dini. Inflasi perlu diawasi perkembangannya agar tetap stabil. Hal tersebut dilakukan agar mencegah ketidakstabilan perekonomian di Indonesia. Pada penelitian ini akan dilakukan peramalan menggunakan metode STM untuk nilai inflasi Provinsi Jawa Barat. Metode STM diaplikasikan pada data yang tidak mengandung musiman. Pada data penelitian ini dilakukan pendeteksian musiman dengan Autocorrelation Function (ACF), diperoleh hasil bahwa data mengandung unsur musiman di setiap enam periode. Oleh karena itu, dilakukan multiplicative deseasonalization untuk menghilangkan musimannya. Setelah proses tersebut, dilakukan analisis STM yang menghasilkan konstanta b sebesar -0.0086 dan parameter a sebesar 0.4098. Parameter tersebut digunakan untuk mengitung kedua garis Theta. Lalu, dilakukan ekstrapolasi data terhadap kedua garis yang pada akhirnya dikombinasikan untuk mendapat hasil peramalan. Hasil peramalan menunjukkan pola musiman yang sama. Kata Kunci: Peramalan, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflasi.

Perbandingan Metode Fuzzy Time Series Chen dan Singh untuk Kunjungan Wisatawan yang Masuk ke Indonesia pada Tahun 2018-2023 10060119068, Nur Inayah Aldhelia; Herlina, Marizsa
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.12226

Abstract. Time series data is a collection of observations whose variables are measured according to the order of their periods. For example monthly, quarterly, yearly, etc. The goal is to find patterns in the data and apply these patterns to forecasting. Time series forecasting is based on historical data (past data). There are several methods for time series, one of which is fuzzy time series and has several models including the Chen and Singh model. Fuzzy time series is a concept proposed by Song (1997) and Chissom (1997), to solve forecasting problems if the historical data is in the form of linguistic values. Forecasting will use the Fuzzy Time Series method as one of the forecasting methods with better forecasting results compared to several other methods. Chen's model uses simple operation and Singh's model uses Simple Computation. In December 2023 Chen's model produces 23,926 tourists and forecasters using the Singh model produce 13,914 tourists. With the Chen model MAPE value is 7.578%. Meanwhile, the MAPE value for the Singh model is 2.06249%. Singh's model is a better model in predicting tourist visits to Indonesia. Abstrak. Data deret waktu merupakan kumpulan pengamatan yang variabelnya diukur menurut urutan periodenya. Misalnya bulanan, triwulanan, tahunan, dll. Tujuannya adalah untuk menemukan pola dalam data dan menerapkan pola tersebut pada prakiraan (peramalan). Peramalan deret waktu didasarkan pada data historis (data masa lalu). Terdapat beberapa metode dari deret waktu salah satunya fuzzy time series dan memiliki beberapa model diantaranya model Chen dan Singh. Fuzzy time series merupakan sebuah konsep yang diusulkan oleh Song (1997) dan Chissom (1997), untuk menyelesaikan masalah peramalan apabila data historisnya berupa nilai-nilai linguistic. Peramalan akan menggunakan metode Fuzzy Time Series sebagai salah satu metode peramalan dengan hasil peramalan lebih baik dibandingkan dengan beberapa metode lainnya. Model Chen menggunakan operasi sederhana dan model Singh menggunakan Komputasi Sederhana. Pada bulan Desember 2023 model Chen menghasilkan wisatawan sebesar 23.926 orang dan hasil peramal menggunakan model Singh menghasilkan wisatawan sebesar 13.914 orang. Dengan nilai MAPE model Chen adalah sebesar 7.578%. Sedangkan nilai MAPE model Singh adalah sebesar 2.06249%. Model Singh merupakan model yang lebih baik dalam meramalkan kunjungan wisatawan yang masuk ke Indonesia.

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee Sugiono, Kabung; Herlina, Marizsa
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.12244

Abstract. Forecasting is a process of estimating future events based on past events. In determining forecasting, of course there are many methods that can be used, such as ARIMA, Exponential Smoothing and others. However, not all methods can be used in certain conditions and must fulfill assumptions that must be met, so a method was developed to overcome this problem, namely Fuzzy Time Series (FTS). This research aims to predict the number of train passengers in the Sumatra region for the next period using two methods, namely the fuzzy time series Marcov chain and the fuzzy time series Lee using Sturgess' rules. The difference between the two methods is during the forecast defuzzification process. The results of this research are comparing the level of model accuracy by looking at the error value through the Mean Absolute Percentage Error (MAPE). The research results from these two methods obtained a MAPE of 0.29% for the fuzzy Marcov chain time series while the fuzzy time series Lee was 0.38%. This shows that the fuzzy Marcov chain time series is better for forecasting the number of train passengers in the Sumatra region because it produces smaller error values. Abstrak. Peramalan adalah suatu proses memperkirakan kejadian dimasa yang akan datang berdasarkan kejadian dimasa lampau. Dalam menentukan peramalan tentunya banyak sekali metode yang dapat digunakan seperti ARIMA, Exponential Smoothing dan lain-lain. Namun, tidak semua metode bisa digunakan pada kondisi tertentu dan harus memenuhi asumsi-asumsi yang harus terpenuhi, sehingga dikembangkan suatu metode untuk mengatasi masalah tersebut yaitu Fuzzy Time Series (FTS). Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api di wilayah Sumatera untuk periode berikutnya dengan menggunakan dua metode yaitu fuzzy time series marcov chain dan fuzzy time series lee dengan menggunakan aturan sturgess. Perbedaan dari kedua metode tersebut yaitu pada saat proses defuzifikasi peramalan. Hasil dari penelitian ini yaitu membandingkan tingkat ketepatan model dengan melihat nilai error melalui Mean Absolute Percentage Error (MAPE). Hasil Penelitian dari kedua metode tersebut diperoleh MAPE sebesar 0,29% untuk fuzzy time series marcov chain sedangkan fuzzy time series lee yaitu sebesar 0,38%. Hal ini menunjukkan bahwa fuzzy time series marcov chain lebih baik untuk peramalan jumlah penumpang kereta api di wilayah Sumatera karena menghasilkan nilai error yang lebih kecil.

Title

Found 32 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 32 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 32 Documents
Search