Peramalan Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga Konstan Menurut Lapangan Usaha Menggunakan Weighted Fuzzy Time Series
Keywords:
Algoritma Lee, Lampung, PDRB, Peramalan, Weighted Fuzzy Time SeriesAbstract
Salah satu indikator penting untuk mengetahui kondisi suatu daerah dalam suatu periode tertentu adalah data Produk Domestik Regional Bruto (PDRB), baik atas dasar harga berlaku (ADHB) maupun atas dasar harga konstan (ADHK). PDRB Provinsi Lampung berada diurutan keempat se-Sumatera yang kaya akan sumber daya alam nya dan selalu mengalami peningkatan di setiap tahunnya, yang akan mempengaruhi perekonomian di wilayahnya. Metode Weighted Fuzzy Time Series (WFTS) Lee merupakan pengembangan dari metode Fuzzy Time Series (FTS) dengan penambahan pembobotan pada tiap pola relasi yang terbentuk. Berdasarkan hasil analisis diperoleh peramalan untuk data PDRB ADHK menurut Lapangan Usaha Provinsi Lampung triwulan-I 2011 sampai dengan triwulan-I 2022 dengan menerapkan konstanta (c) 1 <= c <= 2 diperoleh konstanta pembobot terbaik yaitu c = 11, MAPE Training 1,45% dan Mape Testing sebesar 4,51% yang berarti model memiliki kinerja sangat bagus. Dari hasil tersebut, diperoleh hasil peramalan untuk triwulan-II dan triwulan-III tahun 2022 yaitu sebesar 64.114.284,88 (dalam jutaan Rupiah) dan 66.055.951,44 (dalam jutaan rupiah).
References
[2] Wellyanti, B. (2019). Peramalan Produk Domestik Regional Bruto (PDRB) Provinsi Bali Triwulanan (Q-to-Q) Tahun Dasar 2010 dengan Model Arima. Jurnal EkonomiKuantitatif Terapan, 12(1), 63–72. https://doi.org/10.24843/jekt.2019.v12.i01.p07
[3] BPS-Statistik Indonesia. (2022). Produk Domestik Regional Bruto Provinsi-Provinsi Di Indonesia Menurut Lapangan Usaha 2017-2020. Https://Www.Bps.Go.Id/Publication/.
[4] Hariani, T. (2017). Peramalan Produk Domestik Regional Bruto (PDRB) Provinsi Sulawesi Selatan dengan Menggunakan Metode Fuzzy Time Series. Skripsi UIN Alauddin Makassar, 1–87.
[5] Usmia, N., & Noeryanti, N. (2021). Peramalan Data Produk Domestik Regional Bruto Daerah Istimewa Yogyakarta Menggunakan Kombinasi Fuzzy Time Series Chen Dengan Particle Swarm Optimization. Jurnal Statistika Industri Dan Komputasi, 6(2),123–
131. https://ejournal.akprind.ac.id/index.php/STATISTIKA/article/view/3648
[6] Widiyani, W., Setyawan, Y., & Jatipaningrum, M. T. (2022). Perbandingan Metode Fuzzy Time Series-Chen dan Weighted Fuzzy Integrated Time Series Untuk Memprediksi Data Indeks Harga Saham Gabungan. Jurnal Statistika Industri Dan Komputasi, 7(1), 81–87.
[7] Amalutfia, S. Y., & Hafiyusholeh, M. (2020). Analisis Peramalan Nilai Tukar Rupiah Terhadap Dollar dan Yuan Menggunakan FTS-Markov Chain. Vygotsky, 2(2), 102.https://doi.org/10.30736/vj.v2i2.258
[8] M. Wahdeni P., Purnamasari, I., & Prangga, S. (2021). Peramalan Data Ekspor Nonmigas Provinsi Kalimantan Timur Menggunakan Metode Weighted Fuzzy Time Series Lee. J Statistika: Jurnal Ilmiah Teori Dan Aplikasi Statistika, 14(1), 1–10.
https://doi.org/10.36456/jstat.vol14.no1.a3747
[9] Suhartono, Lee, M. H., & Javedani, H. (2012). A Weighted Fuzzy Integrated Time Series for Forecasting Tourist Arrivals. https://doi.org/10.1007/978-3-642-25453-6_19
[10] Rahmawan, S. A., Safitri, D., & Widiharih, T. (2019). Peramalan Menggunakan Metode Weighted Fuzzy Integrated Time Series (Studi Kasus: Harga Beras di Indonesia Bulan Januari 2011 s/d Desember 2017). Jurnal Gaussian, 8(4), 518–529. https://doi.org/10.14710/j.gauss.v8i4.26752
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Mariskha Nurmalia Reziana Arifah, Virgania Sari
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
