Kajian Perbandingan Metode Fuzzy Time Series dan X-13 ARIMA-SEATS untuk Peramalan Data Deret Waktu Musiman yang Mengandung Data Pencilan
Abstract
Data deret waktu adalah rangkaian data yang merupakan nilai pengamatan yang diukur selama kurun waktu tertentu berdasarkan interval waktu yang tetap serta terbagi menjadi data deret waktu musiman dan non musiman. Kejadian anomali seperti banjir, gempa bumi, gunung meletus, dan kejadian sejenis lainnya dapat mempengaruhi kekonsistenan data deret waktu dan mengakibatkan ketidaktepatan hasil analisis. Pengamatan dari kejadian anomali ini sering dikenal dengan istilah pencilan. Metode peramalan yang kekar terhadap pencilan dibutuhkan dalam kasus ini. Metode komputasi untuk peramalan yang dikembangkan saat ini adalah metode Fuzzy Time Series (FTS) serta dengan algoritma penggerombolan Fuzzy K-Medoids (FKM) dapat menangani data yang memuat pencilan. Namun, belum ada penelitian mengenai penggunaan metode FTS—FKM pada data deret waktu musiman sehingga penelitian ini mengusulkan peramalan data deret waktu musiman yang mengandung data pencilan. Metode peramalan data deret waktu musiman lainnya adalah metode X-13 ARIMA-SEATS yang merupakan metode penyesuaian musiman, pendeteksian pencilan secara otomatis, dan mengatasi permasalahan pencilan serta mengatasi faktor musiman bergerak. Penelitian ini bertujuan untuk mengkaji performa kedua metode tersebut dalam meramalkan data deret waktu musiman yang mengandung data pencilan menggunakan data simulasi dan data komoditas pertanian Kabupaten Garut yaitu data produksi bawang merah, produksi cabai besar dan produksi cabai rawit sebagai data aktual. Hasil ramalan kedua motode tersebut akan divalidasi dengan metode peramalan klasik, yaitu metode ARIMA Musiman Multiplikatif. Pada kajian simulasi diperoleh hasil bahwa metode FTS—FKM lebih baik dan stabil dalam meramalkan data deret waktu musiman yang mengandung data pencilan dibandingkan dua metode lainnya. Peramalan data produksi bawang merah menghasilkan akurasi paling baik dengan metode X-13 ARIMA-SEATS dengan nilai RMSE dan MAPE sebesar 10.763,84 dan 303,16%, sedangkan peramalan produksi cabai besar dan cabai rawit menghasilkan akurasi paling baik dengan metode FTS—FKM dengan nilai RMSE dan MAPE berturut-turut yaitu 3.789,31; 8,58%; 3.732,36; dan 16,58%. Time series data is a data series which is the value of observations measured over a certain period of time based on fixed time intervals divided into seasonal and non-seasonal data. Abnormal observations such as floods, earthquakes, volcanic eruptions, and other similar observations can affect the consistency of time series data and result in inaccurate analysis results. Those are often known as outliers. A robust forecasting method is needed in handling cases of data containing outliers. The computational method for forecasting currently being developed is the Fuzzy Time Series (FTS) method with the Fuzzy K-Medoids (FKM) clustering algorithm that can handle data containing outliers. However, there has been no research on the use of the FTS—FKM method on seasonal time series data, so this study proposes forecasting seasonal time series data containing outliers. Another method of forecasting seasonal time series data is X-13 ARIMA-SEATS method which is a seasonal adjustment method that automatically detects and solves outliers data and overcomes moving seasonal factors. This study aims to compare the study of these two methods in predicting seasonal time series data containing outliers data using simulation data and some agricultural commodity data in Garut Regency such as onion production, chili production, and pepper production as actual data and the results will be validated by a classical forecasting method, namely Multiplicative Seasonal ARIMA method. The results of the forecasting show that FTS—FKM method is more powerful in forecasting seasonal time series data containing outliers data with smallest RMSE and MAPE value than the other two methods. Forecasting the onion production data produce the best accuracy with X-13 ARIMA-SEATS method with RMSE and MAPE values of 10763,84 and 303,16%, meanwhile forecasting the chili production data and pepper production data give the best accuracy with FTS—FKM method with RMSE and MAPE values respectively 3789,31, 8,58%, 3732,36, and 16,58%.