Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Ida Bagus Oka Ari Adnyana 1309100056
PEMBIMBING
Ir. Dwiatmono A. W., M.IKom CO-PEMBIMBING
Dr. Brodjol Sutijo Suprih Ulama, M.Si.
SEMINAR HASIL
Ruang Kelas T104B Statistika 1 Juli 2013
PENDAHULUAN
TINJAUAN PUSTAKA
PENERAPAN BOOTSTRAP PADA
NEURAL NETWORK UNTUK
PERAMALAN PRODUKSI
MINYAK MENTAH DI INDONESIA
2
METODOLOGI PENELITIAN
ANALISIS DAN PEMBAHASAN
KESIMPULAN DAN SARAN
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
Time Series Forecasting ARIMA
NEURAL NETWORK
Model Nonlinier Future Value diasumsikan sebagai fungsi linier
4
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
NEURAL NETWORK
Y1 Yk Ym
1 Z1 Zj Zp
1 X1 Xi Xn
w01 w11
w0k w0m
v10 v0j
v0p
w1k w1m wjm wpm wj1 wjk wp1
wpk
v11
vj1 vjk
vjp vnp vnj
vn1 v1j v1p
Input
Hiden
Output
Bobot
Bobot
6
Neural Network
Tidak ada pengujian parameter bobot
pada Neural Network
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
7
Pengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang didasari pada teknik resampling yaitu dengan
menggunakan selang kepercayaan pada prosedur bootstrap.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
8
Pengujian Koefisien Bobot
Neural Network
Selang Kepercayaan Persentil Bootstrap
Resampling1000 kali
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
9
Minyak Bumi Semakin Menurun
15 TAHUN AKAN HABIS
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
10
Studi Kasus
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
Yuza (2013) meneliti tentang peramalan produksi minyak mentah di Indonesia dengan membandingkan
model ARIMA dengan Neural Network.
11
Abrahart (2003) meneliti menggunakan teknik bootstrap untuk meresampling unit input Neural
Network dalam pemodelan limpasan hujan.
Bagaimana model neural network dalam peramalan produksi minyak mentah di Indonesia?
Bagaimana pengujian signifikansi bobot neural network dengan menggunakan selang kepercayaan
bootstrap dalam peramalan produksi minyak mentah di Indonesia?
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
12
Bagaimana perbandingan model antara model ARIMA, neural network dan neural network dengan bootstrap dalam peramalan produksi minyak mentah
di Indonesia?
Mengetahui bentuk model neural network dalam peramalan produksi minyak mentah di Indonesia.
Mengetahui hasil pengujian signifikansi bobot neural network dengan menggunakan selang
kepercayaan bootstrap dalam peramalan produksi minyak mentah di Indonesia.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
13
Mendapatkan perbandingan model antara model ARIMA, neural network dan neural network dengan
bootstrap dalam peramalan produksi minyak mentah di Indonesia.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
14
Rekomendasi bagi pemerintah terkait dalam melakukan kebijakan-kebijakan yang dikeluarkan
Bagi masyarakat sebagai konsumen agar dapat mengurangi jumlah konsumsi minyak mentah agar
tetap dapat di manfaatkan sebaik-baiknya
Data yang digunakan merupakan data produksi minyak mentah di Indonesia dari tahun 1965
sampai 2011.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
15
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan
penyajian data sehingga dapat memberikan informasi yang berguna (Walpole, 1995).
Mean Varians
18
Deret waktu adalah serangkaian data pengamatan yang disusun menurut waktu, dimana data pengamatan tersebut bersifat
acak dan saling berhubungan secara statistika (Cryer, 1986).
19
Untuk proses stasioner { }, didapat dan ,
yang konstan, dan kovarian yang merupakan fungsi dari perbedaan
waktu
20
(Wei, 2006)
Koefisien fungsi autokorelasi ρk dapat diduga dengan rumus sebagai berikut :
21
1
2
1
)(
))((
(Cryer, 1986)
Autokorelasi Parsial digunakan untuk mengukur tingkat keeratan hubungan linier
antara data dengan apabila pengaruh dari time 1,2,…,k-1 dianggap
terpisah (Makridakis dkk., 1999)
22
1
1,1
1
1,1
1
Model deret waktu yang nonstasioner dapat dikatakan sebagai proses
ordo (p,d,q) atau disingkat ARIMA (p,d,q). Metode ARIMA dapat juga digunakan
untuk peramalan yang dikembangkan oleh Box Jenkins.
23
Cryer (1986) merumuskan model umum ARIMA (p,d,q) sebagai berikut.
24
...... 1111
Uji normalitas adalah uji yang dilakukan untuk memperkuat dugaan apakah suatu
sampel data yang terkumpul itu berdistribusi normal. Statistik uji yang
digunakan adalah Kolmogorov Smirnov karena data dari hasil pengamatan bersifat
kontinyu (Daniel, 1989).
25
Kriteria pemilihan model terbaik, dapat dibagi menjadi dua yakni kriteria untuk
dan RMSE digunakan untuk mendapatkan informasi dari
keseluruhan standar deviasi yang muncul saat menunjukkan perbedaan hubungan
atau model yang dimilki
26
1
21
Uji deteksi non-linearitas atau uji Terasvirta dari model neural network dan termasuk dalam
kelompok uji tipe Lagrange Multiplier (LM) yang dikembangkan dengan ekspansi Taylor
(Terasvirta, 1993).
Hipotesis dari uji terasvirta adalah sebagai berikut. H0 : Data mengikuti fungsi linier dalam mean. H1 : Data tidak mengikuti fungsi linier dalam mean.
27
Backpropagation merupakan algoritma pembelajaran dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan neuron-neuron pada lapisan
tersembunyinya (Kusumadewi, 2004).
28
Fungsi aktivasi merupakan suatu fungsi yang digunakan untuk membandingkan
antara hasil penjumlahan nilai-nilai semua bobot yang datang dengan suatu nilai
ambang ( tertentu pada setiap neutron (Kusumadewi, 2004).
)exp(11)(Sigmoid
Biner
30
Metode adalah salah satu metode yang tergolong dalam level tinggi. Metode digunakan
untuk melakukan dari suatu set data asli (Chernick, 2007).
31
Sebanyak B kali
Salah satu bentuk aplikasinya adalah mengenstimasi selang
kepercayaan. Pada kasus selang kepercayaan pengambilan sampel
boostrap paling sedikit sebanyak 1000 replikasi . (Chernick, 2008).
Selang kepercayaan disebut juga dengan metode persentil selang
kepercayaan.
32
Misalkan merupakan estimasi nonparametrik untuk merupakan estimasi dari standar deviasi untuk berdasarkan pada sampel
. Sehingga didefinisikan
Estimasi , sehingga dapat hubungan dengan . Dapat dicari percentil dari . Kemudian
untuk aproximasi dua sisi selang kepercayaan untuk , didapat interval
33
Data yang digunakan dalam penelitian ini adalah data tahunan produksi minyak mentah selama periode tahun 1965 hingga tahun
2011, yang diperoleh dari perusahaan minyak internasional
British Petroleum (BP).
35
Variabel yang digunakan dalam penelitian ini adalah banyaknya
produksi minyak mentah di Indonesia per tahun dalam satuan ribuan barel.
36
37
b1 b2 …….. b1000 1 x1
* x1
* …….. x1
*
2 x2* x2
* …….. x2
* …
..
…..
…..
…..
…..
43 x43* x43
* …….. x43
*
1. Melihat time series plot dari data untuk melihat pola dari data.
2. Melihat plot ACF dan PACF untuk mengetahui lag yang signifikan.
3. Melakukan pengujian non-linieritas pada data sampel.
4. Menentukan unit input layer , kemudian banyak unit dalam yang nanti akan disimulasikan.
5. Menentukan bobot pada arsitektur dengan pendekatan .
6. Mendapatkan arsitektur (hiden layer dan iterasi) yang optimum.
38
7. Melihat stasioneritas dari sampel, sehingga dapat dilakukan prosedur pada sampel, yaitu dengan mengambil sampel dari sampel yang ada dengan pengembalian.
8. Melakukan prosedur terhadap unit input kemudian dilakukan pemodelan dengan . hal ini dilakukan sebanyak 1000 kali sehingga didapat bobot sebanyak 1000 ditiap jalur.
9. Mencari selang kepercayaan dari masing-masing bobot dari input ke hiden layer dan dari hiden layer ke output.
39
10.Menentukan bobot yang signifikan dan yang tidak signifikan dengan melihat selang kepercayaan , jika selang kepercayaan mengandung nilai 0, maka dapat diartikan tidak signifikan.
11.Melakukan pemodelan kembali dengan menggunakan dengan menghilangkan bobot yang tidak signifikan.
40
1265,5 342,4 474 1685
42
Statistika deskriptif dari data produksi minyak mentah di Indonesia digunakan untuk melihat karakteristik dari data pada penelitian kali ini.
Model yang akan dibangun terdiri dari : 1. Unit input 2. Unit hiden 3. Unit output
43
Identifikasi juga dilakukan terhadap plot dari data
Unit input ditentukan dari lag yang signifikan dari data
44
1970 1980 1990 2000 2010
600
800
1000
1200
1400
1600
year
produ
ksi
Produksi minyak mentah di Indonesia dari tahun 1965 sampai tahun 2011 menunjukkan fungsi nonlinier.
45
3,505 2 0,1733
Data produksi minyak mentah di Indonesia dengan α = 0,05 tidak mengikuti fungsi nonlinier.
46
0 5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
Lag
Par
tial A
CF
0 5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
5 10 15-0
.3-0
.2-0
.10.
00.
10.
20.
30.
4
Lag
Par
tial A
CF
Plot ACF dan PACF sebelum di diferencing
Plot ACF dan PACF setelah di diferencing
47
ARIMA ([3],1,0)
Unit input model berdasarkan model ARIMA adalah , , dan .
Input Model Jumlah
Unit input 4 neuron
Unit hiden 9 neuron
Maksimum iterasi 10000 iterasi
Jalur bobot 55 jalur
Bobot awal 0,5
48
Input model yang telah ditentukan diawal untuk selanjutnya di lakukan simulasi dengan .
50
bias z1 0.54 yt-4 z4 -0.80 yt-2 z8 -0.06yt-1 z1 1.47 bias z5 0.54 yt-3 z8 0.71yt-2 z1 -0.06 yt-1 z5 1.47 yt-4 z8 -0.80yt-3 z1 0.71 yt-2 z5 -0.06 bias z9 0.54yt-4 z1 -0.80 yt-3 z5 0.71 yt-1 z9 1.47bias z2 0.54 yt-4 z5 -0.80 yt-2 z9 -0.06yt-1 z2 1.47 bias z6 0.54 yt-3 z9 0.71yt-2 z2 -0.06 yt-1 z6 1.47 yt-4 z9 -0.80yt-3 z2 0.71 yt-2 z6 -0.06 bias yt -1.95yt-4 z2 -0.80 yt-3 z6 0.71 z1 yt 0.36bias z3 0.54 yt-4 z6 -0.80 z2 yt 0.36yt-1 z3 1.47 bias z7 0.54 z3 yt 0.36yt-2 z3 -0.06 yt-1 z7 1.47 z4 yt 0.36yt-3 z3 0.71 yt-2 z7 -0.06 z5 yt 0.36yt-4 z3 -0.80 yt-3 z7 0.71 z6 yt 0.36bias z4 0.54 yt-4 z7 -0.80 z7 yt 0.36yt-1 z4 1.47 bias z8 0.54 z8 yt 0.36yt-2 z4 -0.06 yt-1 z8 1.47 z9 yt 0.36yt-3 z4 0.71
51
0.2316978
0.0001365
Residual tidak berdistribusi normal dan tidak sesuai dengan teori yang ada.
52
bias z1 0.40 yt-4 z4 -1.10 yt-2 z8 -0.11
yt-1 z1 2.05 bias z5 0.45 yt-3 z8 0.99
yt-2 z1 -0.11 yt-1 z5 2.04 yt-4 z8 -1.08
yt-3 z1 1.10 yt-2 z5 -0.09 bias z9 0.46
yt-4 z1 -1.08 yt-3 z5 1.06 yt-1 z9 2.21
bias z2 0.37 yt-4 z5 -1.13 yt-2 z9 -0.17
yt-1 z2 2.01 bias z6 0.44 yt-3 z9 1.06
yt-2 z2 -0.09 yt-1 z6 2.15 yt-4 z9 -1.19
yt-3 z2 1.00 yt-2 z6 -0.01 bias yt -2.33
yt-4 z2 -1.13 yt-3 z6 1.03 z1 yt 0.49
bias z3 0.39 yt-4 z6 -1.27 z2 yt 0.38
yt-1 z3 1.98 bias z7 0.62 z3 yt 0.47
yt-2 z3 -0.18 yt-1 z7 1.86 z4 yt 0.49
yt-3 z3 1.04 yt-2 z7 -0.06 z5 yt 0.41
yt-4 z3 -1.05 yt-3 z7 0.95 z6 yt 0.43
bias z4 0.40 yt-4 z7 -1.13 z7 yt 0.49
yt-1 z4 1.94 bias z8 0.49 z8 yt 0.46
yt-2 z4 -0.08 yt-1 z8 2.10 z9 yt 0.43
yt-3 z4 1.12
53
Bias z1 -1.09 1.10 yt-3 z6 -0.03 3.09yt-1 z1 0.81 6.23 yt-4 z6 -4.11 -0.25yt-2 z1 -1.56 1.37 bias z7 -1.04 1.12yt-3 z1 -0.03 3.28 yt-1 z7 0.77 6.06yt-4 z1 -3.68 -0.20 yt-2 z7 -2.18 1.30Bias z2 -0.90 1.06 yt-3 z7 -0.07 2.93yt-1 z2 0.82 5.97 yt-4 z7 -3.63 -0.19yt-2 z2 -1.68 1.42 bias z8 -0.90 1.18yt-3 z2 -0.04 3.12 yt-1 z8 0.77 6.25yt-4 z2 -3.68 -0.22 yt-2 z8 -1.82 1.29Bias z3 -1.13 1.10 yt-3 z8 -0.03 3.28yt-1 z3 0.79 5.95 yt-4 z8 -3.63 -0.17yt-2 z3 -2.33 1.27 bias z9 -0.88 1.12yt-3 z3 -0.09 3.01 yt-1 z9 0.87 6.36yt-4 z3 -3.21 -0.14 yt-2 z9 -2.01 1.63Bias z4 -0.99 1.10 yt-3 z9 -0.09 3.48yt-1 z4 0.74 5.97 yt-4 z9 -3.98 -0.25yt-2 z4 -1.69 1.31 bias yt -5.03 -0.86yt-3 z4 -0.03 3.41 z1 yt 0.20 1.15yt-4 z4 -3.35 -0.23 z2 yt 0.19 0.74Bias z5 -0.83 1.18 z3 yt 0.19 0.79yt-1 z5 0.81 6.06 z4 yt 0.20 1.25yt-2 z5 -1.75 1.49 z5 yt 0.19 0.71yt-3 z5 -0.03 3.09 z6 yt 0.19 0.95yt-4 z5 -3.43 -0.22 z7 yt 0.19 1.39Bias z6 -0.77 1.10 z8 yt 0.19 0.83yt-1 z6 0.81 6.19 z9 yt 0.20 1.21yt-2 z6 -1.76 1.50
55
0.277834 0.0003893
0.231698 0.0001365
0.579399 0.001157
Residual tidak berdistribusi normal pada ketiga model.
Model produksi minyak mentah di Indonesia dari tahun 1965 sampai tahun 2011 dengan unit input yaitu yt-1, yt-2, yt-3, dan yt-4, hiden layer
sebanyak 9 neuron. Menghasilkan nilai MSE sebesar 0.231698 lebih kecil dibandingan dengan model ARIMA
([3],1,0) dengan MSE sebesar 0.277834. Residual tidak mengikuti distribusi normal.
57
Pengujian bobot produksi minyak mentah di Indonesia didapat bahwa terdapat bobot yang tidak signifikan yaitu pada unit input bias, yt-2
dan yt-3 menuju seluruh neuron pada unit hiden. Sedangkan dari unit hiden menuju unit output signifikan secara statistik. Sehingga didapat
model baru dengan input layer yaitu yt-1 dan yt-4, serta menggunakan estimasi parameter
untuk bobot di tiap jalurnya
58
Perbandingan model antara model ARIMA, dan
dengan menghasilkan model yang paling baik berdasarkan nilai MSE adalah model
sederhana. Tetapi secara efisiensi dari perhitungan adalah
model dengan , karena hanya memasukkan
dua unit input yaitu yt-1 dan yt-4.
59
Pada bagian analisis, diperlukan sumber pendukung dari penelitian sebelumnya untuk mendukung hasil dalam penelitian, serta para
peneliti tidak selalu berpikir bahwa model yang rumit selalu menghasilkan hasil
peramalan yang lebih baik dibandingkan dengan model yang sederhana.
60
61
Abrahart, R.J., 2003. . Journal of Hydroinformatics
5 (1), 51–61. Bates, B.C., Townley, L.R., 1988. Nonlinear, discrete flood event
models: 3. Analysis of prediction uncertainty. Journal of Hydrology 99, 91–101.
Box, G.E.P., Jenkins, G.M. 1976. . Oakland: Holden-Day, Inc
Daniel, Wahyu. 2012. Detik Finance (http://finance.detik.com/read/ 2012/04/05/ 124625/1885898/1034/gawat-cadangan-minyak-ri-habis-12-tahun-lagi) di akses pada tanggal 14 Januari 2013
Dybowski, R., Roberts, S.J., 2000. . In: Dybowski, R.,
Gant, V. (Eds.), Clinical Applications of Artificial Neural Networks. Cambridge University Press.
62
Efron, B. 1979. Bootstrap methods: another look at the jackknife. . 7, 1-26.*
Efron, B. 1982. . SIAM, Philadelphia.*
Efron, B., Tibshirani, R.J., 1993. . Chapman and Hall, London, UK.
Fausett, Lauren. 1994. , Prantice Halt
Kusumadewi, S. (2004). Yogyakarta: Graha
ilmu. Suhartono. 2007.
. Disertasi, Jurusan Matematika, Universitas Gadjah Mada
63
Chernick, Michael R., 2007. Bootstrap Methods A Guide for Practitioners and Researchers (Second Edition), Wiley: Newtown, Pennsylvania.
Ter svitra, T., Tjostheim, D. and Granger, C.W.J., 1994. “Aspect Modelling Nonlinear Time Series, in RF. Engle and D.L. McFadden’, eds. Handbook of Econometrics, 4 Chapter 48, 2919-2957. Elsevier Science B.V.
Wei, W.W., 2006. (2nd ed.), Addison Wesley.
Yuza, Mirna. 2010.
Tugas Akhir, Jurusan Matematika Prodi Statistika, Universitas Negeri Padang
64
Yuza, Mirna. 2013. Tugas
Akhir, Jurusan Statistika Prodi S1 Statistika, ITS Zhang, G.P., 2003. A Combined ARIMA and Neural Network
Approach for Time Series Forecasting, dalam (pp. 213-225). New
York City: IGI Global
SEMINAR HASIL
65
Ruang Kelas T104B Statistika 1 Juli 2013