Peramalan Data Runtun Waktu menggunakan Model Hybrid Time Series Regression – Autoregressive Integrated Moving Average

Melisa Arumsari, Andrea Tri Rian Dani

Abstract


Peramalan merupakan metode yang digunakan untuk memperkirakan atau memprediksi suatu nilai di masa yang akan datang dengan menggunakan data dari masa lampau. Semakin berkembangnya metode dalam analisis data runtun waktu, dikembangkan metode yang bersifat hybrid dimana dilakukan kombinasi beberapa model dengan tujuan untuk menghasilkan peramalan yang lebih akurat. Tujuan dari penelitian  ini adalah untuk mengetahui apakah metode hybrid TSR-ARIMA memiliki tingkat akurasi lebih tinggi dibandingkan dengan metode TSR secara individu sehingga diperoleh hasil peramalan yang lebih akurat. Data pada penelitian ini adalah data bulanan jumlah penumpang maskapai penerbangan Amerika Serikat periode Januari Tahun 1949 hingga Desember Tahun 1960. Berdasarkan hasil analisis, metode hybrid TSR-ARIMA menghasilkan MAPE sebesar 3,061% dan metode TSR menghasilkan MAPE sebesar 7,902%.


Keywords


Autoregressive Integrated Moving Average (ARIMA); Hybrid; Time Series Regression (TSR)

Article Metrics

Abstract view : 96 times
PDF (Indonesian) - 83 times

Full Text:

PDF (Indonesian)

References


Muslim, A. 2017. Peramalan Ekspor dengan Hibrida ARIMA-ANFIS. Kajian Ekonomi & Keuangan, 1(2), 128-142.

Gunaryati, A., Fauziah, Andryana, S. 2019. Hybrid Exponential Smoothing Neural Network Untuk Peramalan Data Pengguna Pita Lebar di Indonesia. Jurnal Sistem Komputer dan Kecerdasan Buatan, 2(2), 2-7.

Hejase, H. A. N, dan Assi, A. H. 2012. Time-Series Regression Model for Prediction of Mean Daily Global Solar Radiation in Al-Ain, UAE. ISRN Renewable Energy, 2012, 1-11.

Kashei, M., dan Bijari, M. 2010. An Artificial Neural Network (p,d,q) Model For Timeseries Forecasting. Expert Syst. Appl., 37(1), 479-489.

Marine, M., Ginting, K. B., & Ariyanto. 2019. Peramalan Jumlah Penumpang Pesawat dengan Menggunakan Metode Dekomposisi (Studi Kasus: Unit Penyelenggara Bandar Udara (UPBU) Kelas II Frans Seda Maumere). Jurnal Diferensial, 1(1), 1-11.

Iqbalullah, J., & Winahju, W. S. 2014. Peramalan Jumlah Penumpang Pesawat Terbang di Pintu Kedatangan Bandar Udara Internasional Lombok dengan Metode ARIMA Box-Jenkins, ARIMAX, dan Regresi Time Series. Jurnal Sains dan Seni Pomits, 3(2), 212-217.

Shulfi, Z., & Syahnur, S. 2017. Analisis Kausalitas Transportasi Udara dan Pertumbuhan Ekonomi di Indonesia. Jurnal Ilmiah Mahasiswa, 2(4), 626-636.

Durrah, F. I., Yulia, Parhusip, T. P., & Rusyana, A. 2018. Peramalan Jumlah Penumpang Pesawat di Bandara Sultan Iskandar Muda dengan Metode SARIMA (Seasonal Autoregressive Integrated Moving Average). Journal of Data Analysis, 1(1), 01-11.

Suhartono, Isnawati, S., Salehah, N. A., Prastyo, D. D., Kuswanto, H., & Lee, M. H. 2018. Hybrid SSA-TSR-ARIMA for Water Demand Forecasting. International Journal of Advances in Intelligent Informatics, 4(3), 238-250.

Sulistyowati, R., Suhartono, Kuswanto, H., & Setiawan. 2018. Hybrid Forecasting Model to Predict Air Passenger and Cargo in Indonesia. International Conference on Information and Communications Technology (ICOIACT), 442-447.

Wardah, S., dan Iskandar. 2016. Analisis Peramalan Penjualan Produk Keripik Pisang Kemasan Bungkus (Studi Kasus: Home Industry Arwana Foos Tembilahan). Jurnal Teknik Industri, 11(3), 135-142.

Ahmad, F. 2020. Penentuan Metode Peramalan Pada Produksi Part New Granada Bowl ST di PT.X. Jurnal Integrasi Sistem Industri, 7(1), 31-39.

Dani, A. T. R., Wahyuningsih, S., & Rizki, N. A. 2019. Penerapan Hierarchical Clustering Metode Agglomerative pada Data Runtun Waktu. Jambura Journal of Mathematics, 1(2), 64-78.

Soejoeti, Z. 1987. Analisis Runtun Waktu. Jakarta: Karunika.

Makridakis, S., Wheelwright, S. C., dan McGee, V. E. 1999. Metode dan Aplikasi Peramalan Jilid 1. Jakarta: Binarupa Aksara.

Aswi dan Sukarna. 2006. Analisis Deret Waktu: Teori dan Aplikasi. Makassar: Andira Publisher.

Lubis, D.A., Johra, M.B., & Darmawan, G. 2017. Peramalan Indeks Harga Konsumen dengan Metode Singular Spectrum Analysis (SSA) dan Seasonal Autoregressive Integrated Moving Average (SARIMA). MANTIK, 3(2), 76-82.

Waeto, S., Chuarkham, K., & Intarasit, A. 2017. Forecasting Time Series Movement Direction with Hybrid Methodology. Journal of Probability and Statistics, 2017, 2-8.

Listiowarni, I., Dewi, N. P., & Hapantenda, A. K. W. 2020. Perbandingan Metode Double Exponential Smoothing dan Double Moving Average untuk Peramalan Harga Beras Eceran di Kabupaten Pamekasan. Jurnal Komputer Terapan, 6(2), 158-169




DOI: http://dx.doi.org/10.23960%2Fjsm.v2i1.2736

Refbacks

  • There are currently no refbacks.


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.