| dc.description.abstract | Peramalan digunakan untuk mengukur ketidakpastian berdasarkan informasi masa lalu dari suatu peubah yang dinamakan deret waktu. Salah satu metode untuk melakukan peramalan dengan pemodelan yaitu autoregressive integrated moving average (ARIMA). Model ARIMA akan menghasilkan satu buah model yang digunakan untuk peramalan. Pada suatu kasus, ketika pemodelan dilakukan untuk banyak peubah dependen, maka pemodelan dengan ARIMA secara langsung akan menghasilkan banyak model. Masalah tersebut membuat model yang dihasilkan menjadi tidak efektif dan efisien. Pendekatan TSClust sebagai pra-processing dapat dilakukan untuk mereduksi banyaknya model. Metode penggerombolan sederhana yang dapat diterapkan yaitu metode K-Means. Penggerombolan dilakukan menggunakan data parameter ARIMA sehingga memasukkan unsur kesalahan (measurement error) terkait pendugaan parameter menjadi relevan, salah satu metode yang dapat diterapkan yaitu K-Error. Perbedaan mendasar dari kedua metode adalah metode K-Error memasukkan unsur kesalahan data kedalam perhitungan pusat dan jarak dalam algoritme penggerombolan. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi kedua metode dan menerapkan pada data inflasi komoditas pangan nabati DKI Jakarta.
Pada penelitian ini, metode K-Error dan K-Means akan dievaluasi melalui simulasi pada dua skema yaitu skema homogen dan heterogen. Skema homogen merupakan kondisi pembangkitan satu set data yang terdiri atasobjek-objek dengan model yang sama. Pada skema homogen, parameter memiliki dua kondisi yaitu kondisi dekat dan jauh. Sedangkan, pada skema heterogen, pembangkitan satu set data yang terdiri atas objek-objek yang memiliki model yang berbeda-beda. Konsep dasarnya pada satu set data akan dibangkitkan empat gerombol dengan masing-masing gerombol terdiri atas 10 objek dengan panjang 100 periode. Metode terbaik ditentukan berdasarkan salah klasifikasi terendah. Selanjutnya, metode terbaik akan diterapkan pada data inflasi bulanan komoditas pangan nabati DKI Jakarta, dilanjutkan dengan melakukan pemodelan ARIMA level gerombol.
Evaluasi metode K-Error dan K-Means berdasarkan simulasi memiliki tingkat ketepatan yang berbeda. Pada model homogen, metode K-Error lebih mampu mengklasifikasikan objek dengan tepat dibandingkan metode K-Means berdasarkan nilai salah klasifikasi yang dihasilkan. Salah klasifikasi yang dihasilkan K-Error lebih rendah dibandingkan K-Means pada kondisi parameter antar gerombol jauh maupun dekat. Pada kondisi parameter dekat kedua metode menghasilkan range (jangkauan) salah klasifikasi yang lebih tinggi dibandingkan kondisi parameter jauh. Hal tersebut menandakan bahwa kedua metode lebih mampu mengklasifikasikan objek dengan kondisi parameter jauh dibandingkan kondisi parameter dekat. Pada model heterogen dilakukan dua pendekatan dalam penyusunan model individu untuk seluruh objek. Pendekatan I yaitu dengan model asli, sedangkan pendekatan II dengan model AR(p). Berdasarkan hasil simulasi dengan pendekatan I, metode K-Means memiliki ketepatan yang lebih baik dibandingkan metode K-Error. Pada pendekatan II, metode K-Error lebih unggul
dibandingkan metode K-Means. Kedua metode tersebut tergolong cukup baik dalam mengklasifikasikan objek dengan tepat.
Penerapan kedua metode pada data inflasi komoditas pangan nabati DKI Jakarta menghasilkan gerombol optimum sebanyak 5 gerombol. Gerombol optimum yang dihasilkan berasal dari metode K-Error berdasarkan nilai RMSE terendah. Masing-masing gerombol memiliki model yang berbeda dengan seluruh model merupakan model yang stasioner tanpa proses differencing. Nilai k (jumlah gerombol) stabil yang dipilih yaitu k=4 sampai k=8. Metode K-Error menghasilkan nilai RMSE yang lebih rendah dibandingkan K-Means untuk beberapa nilai k yang terpilih. Selanjutnya, pemodelan level gerombol menghasilkan RMSE yang tidak berbeda jauh dengan level individu secara eksplotif dan secara formal menggunakan uji-z. Oleh karena itu, pemodelan level gerombol masih tergolong baik dan lebih efisien. | id |
