Pemodelan dan Peramalan Volume Penjualan Vaksin Campak 10 Ds dengan Menggunakan Autoregressive Fractionally Integrated Moving Average (Arfima)

Annisa Rahmah Fidiyah, Yani Ramdani, Didi Suhaedi

Abstract


Abstract. Time series modeling requires the assumption that the data is in a stationary state. Time Series is a sequential observation of time or line that depends on the time of observation of an observable variable. To model long-term time series, ARFIMA (Autoregressive Fractionally Integrated Moving Average) models have been introduced that can overcome the weakness of ARIMA, which can only describe the short-term time series, while ARFIMA Can explain both short-term and long-term. The purpose of this research is to determine the ARFIMA model and forecasting in the next several periods. The data used for modeling ARFIMA is vaccine sales data of measles 10 ds January 2016 until February 2019. Based on the test results of the Hurst data measles vaccine sales have long term dependence. Based on the Geweke-Porter Hudak (GPH) method obtained ARFIMA with the parameter value d = 0.25. The best ARFIMA models can be selected based on the RMSE (Root Mean Squared Error) and AIC (Akaike Info Criterion) values of the smallest (1; 0.25; 0). The forecast of using ARFIMA model of the sales data vaccine measles 10 DS for the month of March 2019 is 1943, April 2019 is 1904, May 2019 is 1867, and June 2019 is 1835 with an RMSE value of 0.05705.

Keywords: Time Series, Long Memory, ARFIMA.

Abstrak. Pemodelan time series memerlukan asumsi bahwa data dalam keadaan stasioner. Time Series merupakan pengamatan terurut waktu atau barisan yang tergantung pada waktu dari observasi suatu variabel yang diamati. Untuk memodelkan time series jangka panjang, telah diperkenalkan model ARFIMA (Autoregressive Fractionally Integrated Moving Average) yang dapat mengatasi kelemahan ARIMA, dimana ARIMA hanya dapat menjelaskan time series jangka pendek, sedangkan ARFIMA dapat menjelaskan baik jangka pendek maupun jangka panjang. Tujuan penelitian ini adalah menentukan model ARFIMA dan peramalan pada beberapa periode ke depan. Data yang digunakan untuk pemodelan ARFIMA adalah data penjualan vaksin campak 10 ds Januari 2016 sampai Februari 2019. Berdasarkan hasil uji Hurst data penjualan vaksin campak memiliki ketergantungan jangka panjang. Berdasarkan metode Geweke-Porter Hudak (GPH) diperoleh ARFIMA dengan nilai parameter . Model ARFIMA yang terbaik dapat dipilih berdasarkan nilai RMSE (Root Mean Squared Error) dan AIC (Akaike Info Criterion) terkecil yaitu (1; ;0). Prakiraan menggunakan model ARFIMA data penjualan vaksin campak 10 ds untuk bulan Maret 2019 sebanyak adalah 1943, April 2019 adalah 1904, Mei 2019 adalah 1867, dan Juni 2019 adalah 1835 dengan nilai RMSE sebesar 0,05705.

Kata Kunci: Deret Waktu, Jangka Panjang, ARFIMA.


Keywords


Deret Waktu, Jangka Panjang, ARFIMA

Full Text:

PDF

References


Barry, Render dan Jay Heizer. 2001. Prinsip-prinsip Manajemen Operasi : Operations Management. Jakarta: Salemba Empat.

Box, G., Jenkins, G. M., and Reinsel, G. 1994. Time Series Analysis: Forecasting and Control, 3rd Edition. Prentice Hall.

C. W. J. Granger & R. Joyeux. 1980. An Iintorduction to Long-Memory Time Series Model and Fractional Differencing. Journal of Time Series Analysis. Vol. 1.

Departemen Kesehatan Republik Indonesia, 1995, Farmakope Indonesia, Edisi IV, 606, Departemen Kesehatan Republik Indonesia, Jakarta.

Hosking, J. R. M. 1981. Fractional Differencing. Biometrika 68: 165-176.

Hurst, H. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 770–799, 800–808.

Kusuma, Liana N. Dan Winita Sulandari. 2009. Penerapan Model ARFIMA (Autoregressive Fractionally Integrated Moving Average) dalam Peramalan Suku Bunga Sertifikat Bank Indonesia (SBI). Seminar Nasional Matematika dan Pendidikan Matematika. Universitas Sebelas Maret. Surakarta.

Makridakis S., dan Wheelwright, Mc Gee. 1995. Metode dan Aplikasi Peramalan. Bina Rupa Aksara, Jakarta.

Octari, G. R., Suhaedi, D., dan Somadi, N. (2016). Model Curah Hujan Berdasarkan Suhu Puncak Awan Menggunakan Inversi Nonlinear. Bandung: Universitas Islam Bandung.

Suhaedi, D., Wardoyo, R. (2002). Model Keputusan Linguistik untuk Seleksi Pemasok pada Permasalahan Manajemen Personalia. Yogyakarta: Universitas Gajah Mada.

Suhaedi, D. (2005). Model Keputusan Linguistik untuk Seleksi Pemasok pada Permasalahan Manajemen Pembelian. Bandung: Universitas Padjajaran.

Suhaedi, D. (2007). Model Pengambilan Keputusan Fuzzy untuk Seleksi Lokasi Pusat Distribusi Barang pada Permasalahan Manajemen Logistik. Bandung: Universitas Islam Bandung.

Tamin, O.Z. (1997). “Perencanaan dan Pemodelan Transportasi”, Teknik Sipil Institut Teknologi Bandung.

Wei, William S. (2006) . Time Series Analysis, Univariate and Multivariate Method Second Edition. New York : Pearson Education.




Flag Counter