BAB 2 LANDASAN TEORI 2.1 Sistem Dinamika Berdasarkan atas pendapat Keith Clayton (1997,p1) Sistem dinamika merupakan sekumpulan fungsi-fungsi (peraturan, perhitungan) yang menggambarkan bagaimana variabel-variabel berubah setiap waktunya. Misalkan : tinggi Alice berkurang setengah cm setiap menitnya. Dalam hal ini terdapat perbedaan-perbedaan yang penting untuk diketahui: · Variabel-variabel (dimensi) dengan parameter · Diskrit dengan variabel kontinu · Stokastik dengan sistem dinamika deterministik Perbedaannya adalah : · Variabel-variabel berubah setiap waktunya, parameter tidak. · Variabel diskrit terbatas untuk nilai bertipe integer, sedangkan variabel kontinu tidak. · Sistem stokastik memiliki karakteristik one-to-many (satu untuk semua) sedangkan sistem deterministik memiliki karakteristik one-to- one (satu untuk satu). Kondisi awal dari suatu sistem dinamika dijelaskan oleh nilai saat ini (current value) dari variabel-variabelnya misalnya : x, y, z, ... Proses mengkalkulasi kondisi baru dari sistem diskrit dinamakan iterasi (iteration).
26
Embed
BAB 2 Landasan Teori - thesis.binus.ac.idthesis.binus.ac.id/doc/Bab2NoPass/2007-3-00399 STIF Bab 2.pdfFungsi linear adalah fungsi dimana titik-titik dari suatu deret waktu mengikuti
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
BAB 2
LANDASAN TEORI
2.1 Sistem Dinamika
Berdasarkan atas pendapat Keith Clayton (1997,p1) Sistem dinamika
merupakan sekumpulan fungsi-fungsi (peraturan, perhitungan) yang menggambarkan
bagaimana variabel-variabel berubah setiap waktunya. Misalkan : tinggi Alice
berkurang setengah cm setiap menitnya.
Dalam hal ini terdapat perbedaan-perbedaan yang penting untuk diketahui:
· Variabel-variabel (dimensi) dengan parameter
· Diskrit dengan variabel kontinu
· Stokastik dengan sistem dinamika deterministik
Perbedaannya adalah :
· Variabel-variabel berubah setiap waktunya, parameter tidak.
· Variabel diskrit terbatas untuk nilai bertipe integer, sedangkan variabel
kontinu tidak.
· Sistem stokastik memiliki karakteristik one-to-many (satu untuk
semua) sedangkan sistem deterministik memiliki karakteristik one-to-
one (satu untuk satu).
Kondisi awal dari suatu sistem dinamika dijelaskan oleh nilai saat ini (current
value) dari variabel-variabelnya misalnya : x, y, z, ...
Proses mengkalkulasi kondisi baru dari sistem diskrit dinamakan iterasi
(iteration).
7
2.2 Proses dinamika Non-linear di Atmosfer
Berdasarkan atas pendapat Keith Clayton (1997,p3-p4), pengertian nonlinear
memiliki sifat :
• Tak terprediksi (unpredictable).
• Memiliki konsep keragaman (variability).
• Perangkat baru (tools) dalam menjelaskan data deret waktu dan
pemodelannya.
Dinamika non-linear merupakan suatu bidang yang mempelajari sistem
dinamika yang memiliki fungsi tidak linear. Fungsi linear adalah fungsi dimana titik-
titik dari suatu deret waktu mengikuti suatu garis lurus. Secara matematis hubungan
linear ini memiliki persamaan garis lurus y=a+bx yang dalam hal ini a menyatakan
intersep atau perpotongan dengan sumbu tegak, dan b adalah kemiringan atau
gradiennya. Sedangkan fungsi non-linear adalah fungsi yang memperlihatkan suatu
pergerakan berubah secara tidak linear (kurva membentuk garis lengkung).
Sistem dinamika non-linear sederhana dapat menunjukkan suatu perilaku yang
tidak dapat diramalkan, dimana sistem akan terlihat acak.
Dinamika atmosfer mempunyai karakter turbulen dan galau yang ditandai
dengan keadaan irregular (tak teratur) dan disorder (tak terurut) dari besaran fisis
seperti kecepatan angin, temperatur, kelembapan, curah hujan dan besaran fisis
lainnya, dimana besaran fisis pada lapisan tersebut berfluktuasi secara acak dalam
ruang dan waktu.
8
2.3 Teori Chaos
Berdasarkan atas pendapat Michael Small (2005, p63). Proses dinamika yang
bersifat chaos memiliki berbagai karakteristik sebagai berikut :
- Deterministik yaitu kemampuan untuk meramalkan masa depan dari masa lampau.
- Dibatasi
- Periodik
Teori chaos pada awalnya dikembangkan oleh Edward Lorenz yang tertarik
dengan teori ini dimana secara tidak sengaja meneliti prediksi cuaca pada tahun 1961.
Edward Lorenz menggunakan seperangkat komputer, Royal McBee LGP-30, untuk
menjalankan simulasinya. Dari hasil simulasi didapatkan suatu data berurutan. Hasil
perhitungannya itu kemudian digambarkan dalam bentuk kurva yang dicetak diatas
sehelai kertas. Pada awalnya dia mencetak kurvanya dalam format enam angka di
belakang koma (…,506127). Kemudian, untuk menghemat waktu dan kertas, dia
memasukkan hanya tiga angka di belakang koma (…,506) dan cetakan berikutnya
diulangi pada kertas sama yang sudah berisi hasil cetakan tadi dan untuk menghemat
waktu dia kembali menjalankan simulasi dimulai dari pertengahan simulasi. Sejam
kemudian, dia dikagetkan dengan hasil yang sangat berbeda dengan yang diharapkan.
Pada awalnya kedua kurva tersebut memang berimpitan, tetapi sedikit demi sedikit
bergeser sampai membentuk corak yang sama sekali berbeda. Maka Lorenz
menemukan bahwa perubahan kecil pada kondisi awal akan menghasilkan perubahan
yang besar dalam jangka panjang kedepannya. Inilah yang kemudian dikenal sebagai
“efek kupu-kupu” (butterfly effect).
9
(Gambar 2.1) Orbit-orbit dari perhitungan Lorenz ditampilkan dalam
bentuk kawat logam utuk menunjukkan arah dan struktur tiga dimensi
Fenomena inilah yang kemudian melahirkan teori chaos. Jika suatu sistem
dimulai dengan kondisi awal 2 maka hasil akhir dari sistem yang sama akan jauh
berbeda jika dimulai dengan 2,000001 di mana 0,000001 sangat kecil sekali dan
wajar untuk diabaikan. Atau dengan kata lain: kesalahan yang sangat kecil akan
menyebabkan bencana dikemudian hari.
Pada dasarnya Teori chaos adalah teori yang berkenaan dengan sistem yang
tidak teratur. Sistem semacam ini bisa kita temui pada objek-objek seperti awan,
pohon, garis pantai, ombak dsb. Sekilas, sistem-sistem tersebut nampak acak, tidak
teratur dan anarkis. Namun bila dilakukan pembagian (fraksi) atas bagian-bagian
10
yang kecil, maka sistem yang besar yang tidak teratur ini didapati sebagai
pengulangan dari bagian-bagian yang teratur. Secara statistik bisa dinyatakan bahwa
chaos adalah kelakuan stokastik dari sistem yang deterministik. Sistem yang
deterministik (sederhana, satu solusi) bila ditumpuk-tumpuk akan menjadi sistem
yang stokastik (rumit, solusi banyak).
2.4 Analisis Deret Waktu Non-Linear ( Non-linear Time Series Analysis )
Menurut Makridakis, WheelWright dan McGee (1999, p21) terdapat dua
jenis model peramalan yang utama, yaitu : model deret waktu dan model regresi
(kausal). Pada jenis pertama, pendugaan masa depan dilakukan berdasarkan nilai
masa lalu dari suatu variabel dan atau kesalahan masa lalu. Tujuan metode peramalan
dengan deret waktu ini adalah menemukan pola dalam deret data histories
mengekstrakpolasikan pola tersebut ke masa depan. Model kausal di pihak lain
mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-
akibat dengan satu atau lebih variabel bebas. Misalnya, penjualan = f(pendapatan,
harga, iklan , persaingan, dan lain-lain). Maksud dari model kausal adalah
menemukan bentuk hubungan tersebut dan menggunakannya untuk meramalkan nilai
mendatang dari suatu variabel tak bebas.
Menurut George E.P.Box (1994, p1,3rd ed) deret waktu adalah data-data
observasi yang dikumpulkan sesuai dengan urutan waktu. Banyak kumpulan data
yang dibilang data deret waktu : angka kejadian kecelakaan lalu lintas yang diambil
secara berurutan setiap minggunya, proses kimia yang diobservasi setiap jamnya.
11
Metode peramalan deret waktu (time series) merupakan suatu metode dimana
sejumlah observasi diambil selama beberapa periode dan digunakan sebagai dasar
dalam penyusunan suatu ramalan untuk beberapa periode di masa depan yang
diinginkan.
Analisis deret waktu ( time series analysis) merupakan metode yang
mepelajari deret waktu, baik dari segi teori yang menaunginya maupun untuk
membuat peramalan.
Analisis deret waktu non-linear adalah bidang yang mempelajari data deret
waktu dengan teknik perhitungan yang peka terhadap ke-nonliner-an data.
Peramalan berdasarkan sifatnya dapat dibedakan menjadi dua yaitu peramalan
kualitatif dan peramalan kuantitatif.
Pada umumnya peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi
berikut :
1. Tersedia informasi tentang masa lalu (data historis)
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
Sedangkan prosedur peramalan kualitatif melibatkan penaksiran yang bersifat
subjektif dan diperoleh melalui misalnya pendapat para ahli.
Langkah penting dalam memilih suatu metode deret waktu yang tepat adalah
dengan mempertimbangkan jenis pola datanya. Menurut Djauhari (1986, p1.9) pola
data dapat dibedakan menjadi empat, yaitu :
12
1. Pola stasioner, yakni bila data berfluktuasi sekitar mean yang konstan
(stasioner dalam data).
2. Pola musiman akan terjadi jika data dipengaruhi oleh faktor musim. Musim
di sini dapat berupa waktu setengah tahunan, seperempat tahunan,
mingguan atau bahkan harian.
3. Pola data siklik (periodik), hampir sama dengan pola musiman. Pada pola
musiman panjang interval dari suatu musim sampai musim itu lagi adalah
konstan dan pergantian pola data berjalan secara berulang. Sedangkan
pada pola siklik, pengulangan pola data tidak konstan baik dalam panjang
intervalnya maupun dalam harganya.
4. Pola trend, variasi data dari suatu waktu ke waktu lainnya memiliki
kecenderungan (trend) naik atau turun.
Jika terdapat deret data yang mencakup kombinasi dari pola-pola data
tersebut, maka metode peramalan yang dapat membedakan setiap pola harus
digunakan bila diinginkan adanya pemisahan komponen pola tersebut.
Data temperatur termasuk dalam pola data musiman. Apabila pola tersebut
konsisten, maka koefisien autokorelasi dengan time delay 24 jam akan mempunyai
nilai positif yang tinggi yang memperlihatkan adanya pengaruh musiman. Ciri
periodik musiman dapat dilihat secara nyata dari kenyataan bahwa
kkk 42 ρρρ >> dan ketiganya nyata berbeda dari nol jika k adalah variabel
setelahnya.
13
2.5 Autokorelasi
Berdasarkan atas pendapat Assauri (1984), autokorelasi menyatakan berapa
besar hubungan yang terdapat antara nilai yang satu dengan nilai lainnya yang
berturut-turut dari variabel yang sama tetapi waktu terjadinya berbeda.
Diketahui persamaan autoregressive (AR):
AR(k) => tktkttt eYbYbYbaY +++++= −−− ...2211
Dimana :
Yt = variabel yang diramalkan (dependent variable).
k = delay time.
et = unsur kesalahan yang menunjukkan peristiwa acakan yang tidak dapat
diuraikan oleh model.
kttt YYY −−− ,...,, 21 seluruhnya merupakan nilai-nilai periode sebelumnya dari
variabel yang diramalkan. Untuk masing-masing pasangan dari variabel-variabel
terdapat koefisien korelasi yang bersangkutan, yang menunjukkan kepentingan atau
peranannya, misalkan suatu koefisien yang besarnya 0,80 diantara Y dan Y1
menunjukkan nilai diantara keduanya adalah secara positif berkorelasi dengan yang
lainnya, dan karena itu cenderung untuk bergerak dengan arah yang sama. Demikian
pula halnya dengan koefisien -0,70 diantara Y dan Y2 menggambarkan bahwa nilai di
antara keduanya adalah berkorelasi secara negatif dan cenderung untuk bergerak
dengan arah yang berlawanan. Koefisien autokorelasi yang mendekati nol
menunjukkan suatu deret waktu yang nilainya secara berurutan tidak berhubungan
satu dengan yang lainnya. Bila variabel-variabel Y1,Y2,Y3 dengan yang sebenarnya
diperoleh dari variabel asal yang sama Y, maka hal ini disebut auto (self) correlation.
14
Dengan mengetahui nilai koefisien autokorelasi, dapat diketahui pola, ciri dan jenis
data.
Untuk AR (1) model => ttt eYbaY ++= −11
Pendugaan parameter dapat diduga dari nilai tengah dan autokorelasi.
11 ba
−=µ 1b=ρ
Dimana : ρ = autokorelasi antara Xt dengan Xt-1
µ = rata-rata deret waktu
Untuk AR (2) model tttt eYbYbaY +++= −− 2211
Pendugaan parameter a, b1 dan b2 dapat melalui metode hubungan
autokorelasi menurut Yule-Walker, yaitu :
1211 ρρ bb +=
2112 bb += ρρ
211 bba
−−=µ
Dimana : 1ρ = autokorelasi antara Xt dengan Xt-1
2ρ = autokorelasi antara Xt dengan Xt-2
Menurut George E.P.Box (1994, p26) autokorelasi dapat dirumuskan sebagai
berikut :
15
Dimana :
k = delay time
n = jumlah data
x = rata-rata sampel
Dalam fungsi autokorelasi dari deret waktu yang dibangun oleh dinamika
deterministik galau titik-titiknya tidak saling bebas satu sama lain dan kesamaan diri
(self-similarity) ada dalam proses.
2.6 Time Delay
Time Delay adalah waktu senjang antara kesadaran akan peristiwa atau
kebutuhan mendatang dengan peristiwa itu sendiri, menurut Makridakis,
WheelWright, McGee (1999, p421).
Sering terdapat waktu senjang antara kesadaran akan peristiwa atau kebutuhan
mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau
sangat kecil, maka perencanaan tidak diperlukan. Jika waktu tenggang ini panjang
dan hasil peristiwa akhir bergantung pada faktor-faktor yang dapat diketahui, maka
perencanaan dapat memegang peranan penting. Dalam situasi seperti ini, peramalan
diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan
yang tepat dapat dilakukan.
Time delay atau kadang juga disebut time lag merupakan selang waktu dari
suatu state space pada time series (deret waktu), dengan state space yang lain. Vektor
16
pada ruang yang baru, ruang embedding, dibentuk dari kumpulan data yang diambil
berdasarkan time delay :
Xn = (Xn, Xn+k, Xn +2k, ..., Xn + (d-1)k)
Dimana d merupakan dimensi dimensi embedding ( embedding dimension)
dan k adalah time delay. Untuk hubungan antara jumlah data, embedding dimension
dan time delay :
(d-1) * k < N
Dimana N adalah jumlah data.
Nilai dari time delay yang disarankan mencakup point – point sebagai berikut:
1. Autokorelasi antara data pada suatu state space dan data selang
time delay, mendekati satu.
2. Nilai time delay tidak terlalu besar, disarankan dibawah 1/10 dari
jumlah data.
3. Nilai time delay juga tidak terlalu kecil, karena dapat
mengakibatkan masuknya noise (data yang tidak relevan untuk
peramalan ) dalam peramalan.
Jika time delay bernilai k, maka data yang dimaksud memiliki waktu senjang
seharga k. Xn+k memiliki arti bahwa k data setelahnya dan data tersebut masih dalam
satu populasi yang sama. Jika time delay bernilai dua, maka Xn+2, yang berarti bahwa
dua data setelahnya. Dalam hal peramalan cuaca, perencanaan merupakan kebutuhan
yang besar, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari
17
beberapa tahun (dalam kasus peramalan temperatur dan curah hujan), sampai
beberapa hari, bahkan jam.
2.7 Peramalan (Forecasting)
Metode peramalan merupakan bagian dari ilmu statistika. Menurut Djauhari
(1986, p1.2) Peramalan sesungguhnya adalah menduga atau memprediksi peristiwa di
masa depan dan bertujuan memperkecil resiko yang mungkin terjadi akibat suatu
pengambilan keputusan. Hubungan antara keputusan yang diambil, ramalan, dan galat
(error), ramalan dapat dirumuskan sebagai berikut :
Salah satu metode peramalan adalah deret waktu. Metode ini disebut sebagai
metode peramalan deret waktu karena memiliki karakteristik bahwa data yang
dianalisis bersifat deret waktu. Periode waktu dari data deret waktu dapat berupa
tahunan, mingguan, bulanan, semester, kuartal dan lain-lain.
Peramalan dengan deret waktu berarti memprediksikan apa yang akan terjadi
di masa datang berdasarkan pola deret data masa lalu serta kemudian
mengekstrapolasikan pola tersebut ke masa depan. Oleh karena itu peramalan deret
waktu bertujuan memprediksikan apa yang akan terjadi, tanpa mengetahui mengapa
hal itu terjadi. Pada dasarnya tidak ada metode statistika yang secara otomatis dapat
menentukan pola metode yang tepat untuk suatu peramalan, semuanya tergantung
Keputusan =
Keputusan hasil ramalan dengan anggapan cara
peramalan tepat +
Galat ramalan yang
diperbolehkan
18
dari pertimbangan kita. Namun metode statistika dapat digunakan untuk mencocokan
pola metode tersebut.
2.7.1 Metode False Nearest Neighbours (FNN).
FNN memiliki pengertian tetangga terdekat yang salah. FNN terjadi
pada suatu kondisi dimana jarak antara titik-titik (data) pada saat dimensi
tertentu, jauh melampaui tresshold pada saat titik-titik tersebut berada di
dimensi lainnya.
Untuk menghitung jarak antara sebuah titik dengan tetangga
terdekatnya dengan jarak Euclidean menggunakan rumus: