Detail buku

No Buku-
UniversitasIPB
PenulisWidyayanto Adinugroho.
Judul BukuPENGEMBANGAN MODEL PERAMALAN HARGA MINYAK GORENG DENGAN PENDEKATAN CLUSTERING TIME SERIES
PembimbingI Made Sumertajaya
AbstrakABSTRAK INDONESIA : Kajian terhadap minyak goreng dipandang perlu karena kenaikan harga minyak goreng akan berdampak terhadap inflasi. Kajian minyak goreng yang pernah dilakukan oleh Sumaryanto (2009) dan Ati (2015) menggunakan harga minyak goreng dengan pemodelan Autoregresive Integrated Moving Average (ARIMA). Sumaryanto (2009) memodelkan menggunakan data harga minyak goreng agregasi nasional dan menyarankan pemodelan dengan menggunakan data pada level wilayah yang lebih spesifik, yaitu provinsi. Harga minyak goreng berdasarkan waktu bervariasi antar provinsi. Beberapa mempunyai pola yang berbeda dan beberapa mempunyai pola yang mirip. Kemiripan tersebut bisa dikelompokkan menggunakan analisis gerombol. Analisis gerombol data deret waktu juga dilakukan oleh Ardiansyah (2014) dan Veti (2015) dengan data yang berbeda, yaitu data dana pihak ketiga 30 provinsi dan nilai ekspor Indonesia ke 20 negara tujuan ekspor. Berdasarkan uraian tersebut, penelitian ini tertarik untuk melakukan pemodelan ARIMA harga minyak goreng pada 32 provinsi di Indonesia, serta memanfaatkan analisis gerombol data deret waktu dalam pengembangan pemodelan ARIMA. Data harga minyak goreng perdesaan pada 32 provinsi tidak memperlihatkan adanya pola musiman. Kemudian, berdasarkan pemodelan ARIMA pada level individu diperoleh beberapa model umum yang sama pada beberapa provinsi. Lima provinsi (Sumatera Utara, Kep. Bangka Belitung, Jawa Tengah, Jawa Timur dan Sulawesi Tenggara) mempunyai model ARIMA (1,1,0) , sebaliknya tiga provinsi ( Jambi, Jawa Barat dan Kalimantan Barat) mempunyai model ARIMA (0,1,1). Model ARIMA untuk Kepulauan Riau dan Nusa Tenggara Barat adalah ARIMA (0,1,4). Lima belas provinsi lainnya (Nanggroe Aceh Darussalam, Sumatera Barat, Riau, Sumatera Selatan, Bengkulu, Lampung, Bali, Nusa Tenggara Timur, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat dan Papua) mempunyai model ARIMA (0,1,0) dan 7 provinsi lainnya mempunyai model ARIMA yang berbeda-beda. Analisis gerombol yang merupakan bagian dalam pengembangan pemodelan ARIMA ini menggunakan metode berhirarki dengan pautan rataan, menghasilkan gerombol yang kuat saat banyaknya gerombol adalah 2 untuk kedua jenis penggunaan ukuran ketidakmiripan, Dynamic Time Warping (DTW) dan Complexity Invariant Dissimilarity (CID). CID merupakan ukuran ketidakmiripan yang lebih sesuai digunakan dibandingkan dengan DTW karena memiliki koefisien korelasi cophenetic yang lebih besar (0.837). Model ARIMA terbaik hasil penggunaan jarak CID adalah ARIMA(1,1,0) untuk gerombol pertama (29 provinsi), dan ARIMA(0,1,0) untuk gerombol kedua. Model terbaik pada gerombol kedua adalah model yang digunakan untuk peramalan harga minyak goreng provinsi Maluku Utara, Papua Barat dan Papua. Ukuran akurasi ramalan yang digunakan dalam penelitian ini adalah Mean Absolute Percentage Error (MAPE) yang diterapkan pada periode data uji (Januari-Desember 2016). Pemodelan ARIMA pada level individu menghasilkan rata-rata MAPE sebesar 2.56% sedangkan rata-rata MAPE hasil pemodelan ARIMA pada level gerombol dengan menggunakan ukuran CID 2 gerombol sebesar 7%. Sehingga, dapat disimpulkan bahwa dengan nilai MAPE yang sangat kecil, pemodelan ARIMA pada level individu tetap merupakan teknik yang terbaik dibandingkan dengan pemodelan ARIMA pada level gerombol. Akan tetapi, pemodelan ARIMA level gerombol yang dilakukan dalam penelitian ini menghasilkan efisiensi yang tinggi karena dengan 2 kali pemodelan mampu melakukan peramalan untuk 32 provinsi dan dengan rata-rata MAPE yang tergolong bagus. ABSTRAK INGGRIS : Study of cooking oil is considered important due to the rose of cooking oil price will affect inflation. The study of cooking oil were done by Sumaryanto (2009) and Ati (2015), both used cooking oil price and Autoregresive Integrated Moving Average (ARIMA) modeling. Sumaryanto (2009) used national aggregation of cooking oil price for modeling, suggested the use of a more specific area level data, i.e. province. The cooking oil price varies between provinces. Some have different patterns and some had a similar pattern. Similarity can be grouped using a time series clustering analysis. Time series clustering analysis was done by Ardiansyah (2014) and Veti (2015) on different set of data, the third-party funds of 30 provinces and Indonesia?s export value to 20 countries of exports destination respectively. Based on the previous description, this research was interested to modeling ARIMA of cooking oil price on 32 provinces in Indonesia, and conducting time series clustering analysis as a development in ARIMA modeling. Rural cooking oil price in 32 provinces didn?t show seasonal pattern. The ARIMA modeling in individual level resulting a few simillar model for some provinces. Five provinces (North Sumatra, Bangka Belitung Islands, Central Java, East Java and Southeast Sulawesi) had model of ARIMA (1,1,0), whereas three provinces (Jambi, West Java and West Kalimantan) had the model of ARIMA (0,1,1). ARIMA model of Riau Islands and West Nusa Tenggara was ARIMA (0,1,4). Fifteen other provinces (Aceh, West Sumatra, Riau, South Sumatra, Bengkulu, Lampung, Bali, East Nusa Tenggara, Central Sulawesi, South Sulawesi, West Sulawesi, Maluku, North Maluku, Papua and West Papua) had model of ARIMA (0, 1, 0) and seven others had a variety ARIMA models. Time series clustering analysis as part of the development of ARIMA modelling in the study used a hierarchical algorithm with average linkage, produced a strong clasification when the number of cluster was 2 on both types of dissimilarity measurement, Dynamic Time Warping (DTW) and Complexity Invariant Dissimilarity (CID) measurement. CID was more appropriate measurement to be use rather than DTW as the cophenetic correlation coefficient of CID was higher (0.837). The best model resulted from the use of CID was ARIMA (1,1,0) for first cluster (29 provinces), and ARIMA (0,1,0) for second cluster. The best model in second cluster was the model used for forecasting the price of cooking oil province in North Maluku, West Papua and Papua. The accuracy measurement used in this research was Mean Absolute Percentage Error (MAPE), measured in test data set (January-December 2016). ARIMA modeling on the individual level resulted average MAPE 2.56% whereas the average MAPE on modelling of ARIMA on the cluster level using CID with 2 clusters was 7%. As a conclusion, with such low MAPE, the ARIMA modelling in individual level stay as the best technic compared with ARIMA modeling in cluster level. However, the ARIMA modeling in cluster level resulting high efficiency since with two modeling able to forecast for 32 provinces and also with the average MAPE considered as good.
JenisThesis