Transformasi Wavelet Diskrit Daubechies Fungsi Soft Thresholding untuk Prediksi Data Inflasi di Indonesia

Mohammad Reyfi Syahnaz Anugrah; Ika Purnamasari; Qonita Qurrota  A’yun

doi:10.35580/variansiunm233

Mohammad Reyfi Syahnaz Anugrah Universitas Mulawarman
Ika Purnamasari Laboratorium Statistika Ekonomi dan Bisnis, FMIPA Universitas Mulawarman
Qonita Qurrota A’yun Program Studi Matematika, FMIPA Universitas Mulawarman

DOI: https://doi.org/10.35580/variansiunm233

Keywords: Daubechies, Inflasi, MAPE, TWD, Thresholding

Abstract

Metode prediksi klasik pada umumnya mensyaratkan data harus bersifat stasioner, akan tetapi umumnya terdapat beberapa data runtun waktu yang bersifat nonstasioner. Salah satu metode yang mampu menganalisa data non-stasioner dengan baik adalah transformasi wavelet diskrit (TWD). Estimasi thresholding dilakukan untuk menghapuskan noise pada data, dengan menggunakan fungsi dan parameter threshold yang sangat berpengaruh pada kemulusan hasil estimasi. Penelitian ini bertujuna untuk memprediksi inflasi di Indonesia pada bulan Mei 2012 hingga Desember 2022 menggunakan TWD daubechies soft thresholding dan parameter adaptive, serta mengetahui level resolusi terbaik dari perolehan nilai akurasi prediksi menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa nilai prediksi baik pada level 1 sampai dengan level 5 sangat mendekati pola data aktual, dengan MAPE kurang dari 5%. Nilai MAPE terkecil yaitu 2,81% terdapat pada level resolusi pertama, dengan kategori akurasi prediksi sangat baik.

References

Ahsan, R. T., & Rifai, N. A. K. (2023). Perbandingan Metode Seasonal ARIMA dan Metode Fuzzy Time Series-Markov Pada Prediksi Inflasi di Indonesia. Bandung Conference Series: Statistics, 3(2). https://doi.org/10.29313/bcss.v3i2.9138

Ari Wibowo, Y., Tarno, & Suparti. (2012). Analisis Data Runtun Waktu Menggunakan Metode Wavelet Thresholding. Jurnal Gaussian, 1(1).

Burrus, C. S., & Gopinath, R. a. (1998). and H. Guo, Introduction to Wavelets and Wavelet Transformer: A Primer. Prentice Hall.

Daubechies, I. (1992). Ten Lectures on Wavelets. In Ten Lectures on Wavelets. https://doi.org/10.1137/1.9781611970104

Donoho, D. L., & Johnstone, J. M. (1994). Ideal spatial adaptation by wavelet shrinkage. Biometrika, 81(3). https://doi.org/10.1093/biomet/81.3.425

Fransiskus Fran, S. S. N. H. (2019). PREDIKSI HARGA SAHAM JII MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAUBECHIES. Bimaster : Buletin Ilmiah Matematika, Statistika Dan Terapannya, 8(4). https://doi.org/10.26418/bbimst.v8i4.35876

Kusumaningrum, D. A., Suparti, & Maruddani, D. A. I. (2017). ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN METODE WAVELET THRESHOLDING DENGAN MAXIMAL OVERLAP DISCRETE TRANSFORM. JURNAL GAUSSIAN, 6(1).

Laskarjati, S. D., & Ahmad, I. S. (2023). Perbandingan Peramalan Harga Saham menggunakan Autoregressive Intergrated Moving Average (ARIMA) dan Fuzzy Time series Markov Chain (Studi Kasus: Saham PT Indofood CBP Sukses Makmur Tbk). Jurnal Sains Dan Seni ITS, 11(6). https://doi.org/10.12962/j23373520.v11i6.91417

Mubarok, D. N., & Wachidah, L. (2021). Analisis Data Deret Waktu pada Nilai Tukar Rupiah Tahun 2021 Menggunakan Metode Wavelet Thresholding. Prosiding Statistika, 0(0).

Percival, D. B., & Walden, A. T. (2000). Wavelet Methods for Time SeriesAnalysis. In Wavelet Methods for Time SeriesAnalysis. https://doi.org/10.1017/cbo9780511841040

Prasetyo, H. R., Palupi, I., & Wahyudi, B. A. (2023). Prediksi Menggunakan Model Fuzzy Time Series Studi Kasus Curah Hujan di Kabupaten Bandung. LOGIC: Jurnal Penelitian Informatika, 1(1). https://doi.org/10.25124/logic.v1i1.6405

Priyandoko, G. (2021). Klasifikasi Kerusakan Motor Induksi Menggunakan Metode Transformasi Wavelet Diskrit Dan K-Nearest Neighbor. JOINTECS (Journal of Information Technology and Computer Science), 6(2). https://doi.org/10.31328/jointecs.v6i2.2390

Purwanti, D., & Purwadi, J. (2019). Metode Brown’s Double Exponential Smoothing dalam Peramalan Laju Inflasi di Indonesia. Jurnal Ilmiah Matematika, 6(2). https://doi.org/10.26555/konvergensi.v6i2.19548

Ramadhan, M. D., & Setiyono, B. (2019). Pengolahan Citra untuk Mengetahui Tingkat Kesegaran Ikan Menggunakan Metode Transformasi Wavelet Diskrit. Jurnal Sains Dan Seni ITS, 8(1). https://doi.org/10.12962/j23373520.v8i1.37715

Song, Q., & Chissom, B. S. (1993). Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3). https://doi.org/10.1016/0165-0114(93)90372-O

Susilowati, & Sulistijanti, W. (2018). Perbandingan Metode Fuzzy Time Series dengan Metode Box-Jenkins untuk Memprediksi Jumlah Kunjungan Pasien Rawat Inap (Studi Kasus: Puskemas Geyer Satu). The 7th University Research Colloqium.

Tursina, T., Septiriana, R., & Varian, I. (2023). Prediksi Indeks Harga Konsumen Menggunakan Metode Fuzzy Time Series Cheng. Jurnal Locus Penelitian Dan Pengabdian, 2(1). https://doi.org/10.58344/locus.v2i1.850

Ulfiati, L., & Sugiman. (2015). Peramalan Data Saham Dengan Transformasi Wavelet Haar. Unnes Journal of Mathematics, 4(2).