OTOMATISASI PEMODELAN RUNTUN WAKTU DENGAN OUTLIER

MERI ANDANI R, Prof. Dr. rer.nat. Dedi Rosadi, S.Si., M.Sc.

2018 | Tesis | S2 Matematika

Teknik pemodelan runtun waktu kini semakin berkembang seiring dengan tingginya kebutuhan dari berbagai industri untuk melakukan pemodelan dan peramalan dalam waktu yang singkat namun diharapkan efektif untuk diaplikasikan secara real-time, seperti aplikasi pada perdagangan pasar finansial, sistem kontrol lalu lintas udara, sistem kontrol radar atau satelit dan lain-lain. Otomatisasi pemodelan runtun waktu merupakan salah satu solusi yang mungkin dilakukan untuk melakukan pemodelan secara real-time. Salah satu metode otomatisasi yang terkenal dan sering digunakan baik di dunia praktisi maupun akademisi adalah metode yang dikembangkan oleh Hyndman dan Khandakar (2008). Metode ini menggunakan dua pendekatan, yaitu pendekatan exponential smoothing dengan inovasi state-space (ETS-SS) dan pendekatan ARIMA step-wise. Namun, teknik pemodelan runtun waktu parametrik ini memiliki kelemahan dalam menanggulangi kemunculan outlier pada data. Padahal dalam data runtun waktu, outlier adalah salah satu sifat tipikal data yang sering muncul. Karakteristik data yang terganggu akibat outlier ini perlu diperhatikan dan ditanggulangi sehingga model peramalan yang didapatkan bisa lebih akurat. Chen dan Liu (1993) sebelumnya telah membahas mengenai teknik menanggulangi outlier dalam ARIMA. Selanjutnya Koehler et. al (2012) membahas mengenai teknik menanggulangi outlier dalam ETS-SS. Namun sayangnya kedua teknik ini belum terintegrasi secara otomatis. Oleh karena itu, karya tulis ini berisikan kajian solusi yang mungkin dilakukan untuk menanggulangi kelemahan pada metode Hyndman dan Khandakar (2008) dengan menggunakan pendekatan yang telah dibahas oleh Chen-Liu (1993) dan Koehler et. al.(2012) dan membandingkan kebaikan kedua model yang dihasilkan dari kedua pendekatan tersebut.

Time series modeling technique is now developing along with the high demand from various industries to model and forecast data in a short-time yet expected to be effective in real-time application, such as in financial trading market, air traffic control system, radar control system, etc. Time series modelautomation is one of the solutions that could be done to do real time modeling. One of the well-known automation methods that are often used by practitioners and academics is the method developed by Hyndman and Khandakar (2008). This method uses two approaches that are exponential smoothing with State-Space innovation (ETS-SS) and Step-Wise ARIMA. However, this parametric time series modeling technique has weakness in coping the presence of outliers in data. In fact, in time-series data, outlier is one of the typical character that often appears. Data characteristics that influenced by the outlier(s) has to be monitorized and taken care of so that the generated forecasting model can be more accurate. Chen and Liu (1993) previously has discussed about the technique in handling the presence of outlier(s) in ARIMA. Hereinafter, Koehler et. al. (2012) discussed about the technique in handling the outlier in ETS-SS. Nevertheless, those two techniques can���¢�¯�¿�½�¯�¿�½t be integrated automatically. Hence, this research contains the study about solution that may be done to overcome the weakness in the methods of Hyndman and Khandakar (2008) by using the approach that has been explained by Chen-Liu (1993) and Koehler et. al. (2012) and comparing some statistical measures from both models that are generated from two approaches above.

Kata Kunci : Automation, ARIMA, Exponential Smoothing, Outlier, Statespace, Step-wise.