PENCARIAN METODE ELIMINASI PENCILAN TERBAIK UNTUK MEMPERBAIKI KINERJA FUZZY TIME SERIES PADA PERAMALAN HARGA SAHAM BURSA EFEK INDONESIA

Akhmad Tajuddin Tholaby MS, Arif Djunaidy, Arif Djunaidy

Abstract


Metode peramalan Fuzzy Time Series (FTS) merupakan salah satu metode peramalan yang paling banyak
digunakan terutama untuk mengolah data dengan tingkat variasi tinggi dan tidak linier terhadap waktu.
Namun, peluang untuk mengembangkan dan memperbaiki kinerja peramalan dengan menggunakan metode
FTS masih terbuka lebar. Kinerja suatu metode peramalan dapat dilihat dari distribusi error-nya. FTS tidak
melihat dan tidak memilah jenis data input seperti apa yang akan diprosesnya menjadi suatu nilai
peramalan, apakah data input-nya memiliki variasi kecil atau besar, atau memiliki data pencilan ( outlier),
semuanya di proses untuk menjadi nilai peramalan. Tentu saja jika data input memiliki pencilan, maka
pencilan itu dapat merusak distribusi error sehingga menjadikan kinerja peramalannya menjadi tidak
bagus.
Salah satu upaya untuk meningkatkan kinerja peramalan FTS adalah dengan melakukan filterisasi data-data
pencilan. Dalam penelitian ini akan dilakukan identifikasi pencilan dengan metode Cook’s Distance,
leverage value, DfFITS dan Boxplot untuk meningkatkan kinerja peramalan FTS yang diaplikasikan pada
peramalan. Hasil penelitian akan dilakukan observasi perhitungan untuk menentukan metode identifikasi
pencilan yang paling optimal meningkatkan kinerja peramalan FTS, yaitu yang paling kecil distribusi
error-nya. Hasil penelitian menunjukkan bahwa metode yang terbaik untuk memperbaiki kinerja FTS
adalah Metode Cook’s Distance dengan nilai MSE dan MAPE yang paling kecil.


Keywords


perbaikan kinerja peramalan, identifikasi pencilan, FTS

References


Arumugam, P., & Anithakumari, V.

(2013). “Fuzzy Time Series Method for

Forecasting Taiwan Export Data”.

International Journal of Engineering

Trends and Technology (IJETT) -Volume4 Issue8- August 2013. India:

Manonmaniam Sundaranar University.

Talal Jasim, H.; Ghafoor Jasim Salim,

Abd.;& Ismail Ibraheem, K (1989). “A

Novel Algorithm to Forecast

Enrollment Based on Fuzzy Time

Series”. Applications and Applied

Mathematics: An International Journal

(AAM). ISSN: 1932-9466. Vol. 7, Issue

(June 2012), pp. 385 – 397. Iraq:

Mosul University

Yolcu, Ufuk (2012). The Forecasting of

Istanbul Stock Market with a High

Order Multivariate Fuzzy Time Series

Forecasting Model. TJFS: Turkish

Journal of Fuzzy Systems (eISSN:

–1190). An Official Journal of

Turkish Fuzzy Systems Association.

Vol.3, No.2, pp. 118-135, 2012.Turkey:

University of Giresun, Faculty of Arts

and Science, Department of Statistics

H Amjad, Usman.;A. Jilani, Tahseen.,

& Yasmeen, Farah. (2012). A Two

Phase Algorithm for Fuzzy Time Series

Forecasting using Genetic Algorithm

and Particle Swarm Optimization

Techniques. International Journal of

Computer Applications (0975 – 8887)

Volume 55– No.16, October 2012.

University of Karachi

Alpaslan, Faruk.; Cagcag, Ozge.;

Aladag, C.H.;Yolcu, U.;and Egrioglu,

E.. (2012). ” A Novel Seasonal Fuzzy

Time Series Method”Hacettepe Journal of Mathematics and Statistics Volume

(3) (2012), 375 – 385. Turkey:

Statistics Department, Ondokuz Mayis

University, Samsun.

Suresh, S., & Senthamarai Kannan, K.

(2011). ” Identifying Outliers in Fuzzy

Time Series”. Journal of Modern

Applied Statistical Methods. India:.

ManonmaniamSundaranar University,

Tirunelveli

Pratama, Jaka.; Awallun, NK.; &

Delyana, S (2012). ” Analisis Residual

dengan Leverage Values, DfFITS, dan

Cook’s Distance”. Jakarta: Sekolah

Tinggi Ilmu Statistik Jakarta hal: 3-10.

Şah, M. and Degtiarev, Y.K. (January,

. Forecasting Enrollment Model

Based on First-Order Fuzzy Time

Series, World Academy of Science,

Engineering and Technology. Vol. 1,

pp. 375-378, The Board of Trustees The

University ofAlabama.

Chen, S. M. and Hsu, C. C. (2004). A

New Method to Forecast Enrollments

Using Fuzzy Time Series, International

Journal of Applied Science and

Engineering, No. 2, Vol. 3, pp. 234-244.

Allahviranloo, T., Lotfi, F. M. and

Firozja, A. (December 2007). Fuzzy

Efficiency Measure with Fuzzy

Production Possibility Set, AAM, Vol.

, No. 2, pp. 152 – 166.

Chen, S. M. and Chung, N. Yi (2006).

Forecasting Enrollments of Students by

Using Fuzzy Time Series and Genetic

Algorithms, Information and

Management Sciences, No.3, Vol.17,

pp. 1-17.

Rousseeuw, P.J. (1991), “Diagnostic

Plot for Regression Outlier and

Leverage Point,” Statistical Software

Newsletter, 127-129

Imon, Rahmatullah. 2007, “Robust

Regression,” Postgraduate Lecture

Series 3. Institute of Mathematical

Sciences University of Malaya.

Atkinson A.C (1981). Two Graphical

Display for Outlying and Influential

Observation in Regression.

Technometricss

Kr.Das, Mintu & Gogoi, Bipin (2015),

“Usage of Graphical Displays to

Detect Outlying Observations in Linear

Regression”. Indian Journal of Applied

Research. Volume: 5, Issue: 5, May

, ISSN - 2249-555X

Dawson, R. (2011), “How Significant Is

A Boxplot Outlier?”. Journal of

Statistics Education, Volume 19,

Number 2(2011)

Dan Liao, Dan & Valliant, Richard

(2012). “Variance inflation factors in

the analysis of complex survey data”.

Component of Statistics Canada

Catalogue no. 12-001-X Business

Survey Methods Division

Soemartini (2007), “Pencilan (outlier)”

Universitas Padjajaran, Jatinangor


Refbacks

  • There are currently no refbacks.