1.
PENDAHULUAN
TINJAUAN PUSTAKA
Pada tahap pembentukan sistem inferensi fuzzy untuk memprediksi laju inflasi, tahap pertama
yaitu melakukan fuzzifikasi. Fuzzifikasi merupakan tahap pembentukan himpunan fuzzy pada variabel
fuzzy dan penentuan nilai keanggotaan dengan menggunakan fungsi keanggotaan kurva Gauss. Fungsi
keanggotaan dengan kurva Gauss menggunakan dua parameter, yaitu c dan , dimana c merupakan
nilai domain pada pusat kurva (titik pusat pada domain himpunan fuzzy), sedangkan merupakan
lebar kurva (standar deviasi pada himpunan fuzzy) yang dinyatakan sebagai berikut (Kusumadewi dan
Purnomo, 2004):
G(x;,c) =
Bentuk fungsi keanggotaan representasi kurva Gauss ditunjukkan seperti gambar berikut :
z*
z ( z )dz
z
( z )dz
z
Sedangkan, pada inferensi fuzzy metode Sugeno mengunakan defuzzifikasi metode rata-rata terbobot
(weighted average) yang dihitung dengan cara:
Z*=
r r
r
di mana zr adalah output pada konsekuen aturan dasar ke-r, r merupakan fire strength rule ke-r dan R
merupakan banyaknya aturan yang digunakan (Naba, 2009). Selanjutnya, dilakukan fitting model
inferensi fuzzy metode Mamdani dan metode Sugeno untuk melakukan prediksi laju inflasi dengan
menggunakan data testing dengan cara membandingkan nilai prediksi dan nilai aktual. Setelah itu
dilakukan tahap terakhir dari penelitian ini, yaitu membandingkan hasil prediksi inferensi fuzzy
metode Mamdani dan metode Sugeno dengan MSE dan MAPE. Sistem inferensi fuzzy yang memiliki
nilai MSE dan MAPE yang terkecil merupakan sistem inferensi fuzzy yang lebih baik dalam
memprediksi laju inflasi.
3.
METODE PENELITIAN
3.1
Sumber Data
Data yang digunakan pada penelitian ini adalah data sekunder yaitu data inflasi month to month
Indonesia (2008-2012) yang diperoleh dari situs resmi BPS (www.BPS.go.id), di mana inflasi umum
302
month to month sebagai output dan inflasi berdasarkan tujuh kelompok komoditi (barang dan jasa)
sebagai input.
3.2
Metode Analisis
Langkah-langkah penelitian menggunakan software Matlab 7.7 dan SPSS 18 ini adalah (1)
membagi data training dan testing; (2) melakukan fuzzifikasi; (3) membentuk persamaan regresi linier
berganda, untuk konsekuen inferensi fuzzy metode Sugeno; (4) membentuk aturan dasar fuzzy untuk
metode Mamdani dan metode Sugeno; (5) melakukan proses inferensi fuzzy metode Mamdani dan
metode Sugeno; (6) melakukan defuzzifikasi, dimana metode Mamdani menggunakan metode
centroid dan metode Sugeno menggunakan metode weighted average; (7) melakukan fitting model
untuk prediksi; (8) membandingkan hasil prediksi inferensi fuzzy metode Mamdani dan metode
Sugeno dengan ukuran akurasi MSE dan MAPE.
4.
4.1
Pada tahap fuzzifikasi, setiap variabel fuzzy pada input dibagi menjadi dua himpunan fuzzy,
yaitu Rendah dan Tinggi. Semua himpunan fuzzy setiap variable fuzzy pada input direpresentasikan
dengan menggunakan fungsi keanggotaan yang sama yaitu bentuk kurva Gauss yang secara lebih
ringkas dapat dilihat pada Tabel 1.
Tabel 1. Fungsi keanggotaan kurva Gauss pada himpunan fuzzy variabel inflasi Indonesia
No
Variabel Fuzzy
Himpunan
Standar
Titik Pusat
Fuzzy
Deviasi
1. Inflasi Harga Bahan Makanan (X1)
Rendah
2,816
-1,94
Tinggi
2,816
4,69
2. Inflasi Harga Makanan Jadi, Minuman, Rokok
Rendah
0,7729
0,2
dan Tembakau (X2)
Tinggi
0,7729
2,02
3. Inflasi Harga Perumahan, Air, Listrik, Gas dan
Rendah
0,7899
-0,06
Bahan Bakar (X3)
Tinggi
0,7899
1,8
4. Inflasi Harga Sandang (X4)
Rendah
2,026
-1,7
Tinggi
2,026
3,07
5. Inflasi Harga Kesehatan (X5)
Rendah
0,7729
0,06
Tinggi
0,7729
1,88
6. Inflasi Harga Pendidikan, Rekreasi dan
Rendah
0,9045
0,01
Olahraga (X6)
Tinggi
0,9045
2,14
7. Inflasi Harga Transpor, Komunikasi dan Jasa
Rendah
4,867
-2,74
Keuangan (X7)
Tinggi
4,867
8,72
Rendah
1,181
-0,32
8. Inflasi Umum Month to Month (Inflasi)
Tinggi
1,181
2,46
4.2
Pembentukan Aturan Dasar Fuzzy (Fuzzy Rule Base) dan Sistem Inferensi Fuzzy
Berdasarkan jumlah 7 variabel input dengan masing-masing 2 himpunan fuzzy, maka diperoleh
kombinasi 128 aturan. Aturan dasar fuzzy sistem inferensi metode Mamdani, yaitu sebanyak 128
aturan :
[R1] IF (X1 is Rendah) AND (X2 is Rendah) AND (X3 is Rendah) AND (X4 is Rendah) AND (X5 is
Rendah) AND (X6 is Rendah) AND (X7 is Rendah) THEN (Inflasi is Rendah) [R128] IF (X1 is
Tinggi) AND (X2 is Tinggi) AND (X3 is Tinggi AND (X4 is Tinggi) AND (X5 is Tinggi) AND (X6
is Tinggi) AND (X7 is Tinggi) THEN (Inflasi is Tinggi).
Kemudian dibentuk juga aturan dasar fuzzy untuk sistem inferensi metode Sugeno dengan konsekuen
menggunakan pendekatan regresi linier berganda dan pendekatan rata-rata aritmatika. Setelah itu,
dilakukan aplikasi fungsi implikasi dengan menghitung nilai -predikat (fire strength) tiap aturan dan
dilanjutkan dengan komposisi aturan. Terakhir, dilakukan defuzzifikasi untuk memperoleh suatu
303
output berupa besarnya laju inflasi sebagai hasil prediksi. Proses defuzzifikasi ini dilakukan pada data
testing.
4.3
(a)
(b)
(c)
Gambar 2. (a) Metode Mamdani (b) Metode Sugeno (regresi linier berganda)
(c) Metode Sugeno (rata-rata aritmatika)
Berdasarkan hasil fitting model, inferensi fuzzy metode Sugeno terlihat lebih akurat dalam
memprediksi laju inflasi daripada metode Mamdani. Selain itu, dari perbandingan nilai prediksi laju
inflasi masing masing metode dengan nilai aktual laju inflasi, diperoleh nilai MSE dan MAPE yang
secara ringkas dapat dilihat pada Tabel 2.
Tabel 2. Nilai MSE dan MAPE metode Mamdani dan metode Sugeno
Sistem Inferensi
Nilai MSE
Nilai MAPE
Fuzzy Mamdani
0,232
10,33
Fuzzy Sugeno dengan konsekuen menggunakan
pendekatan regresi linier berganda
Fuzzy Sugeno dengan konsekuen menggunakan
pendekatan rata-rata aritmatika
0,00013
0,06
0,0172
2,628
Berdasarkan nilai MSE dan MAPE tersebut dapat dikatakan inferensi fuzzy menggunakan metode
Sugeno lebih baik dalam mempediksi laju inflasi, hal ini dikarenakan metode Sugeno memiliki nilai
MSE dan MAPE yang lebih kecil daripada metode Mamdani.
5.
KESIMPULAN
Dari hasil penelitian ini, dapat diperoleh kesimpulan bahwa sistem inferensi fuzzy metode
Sugeno lebih baik daripada sistem inferensi fuzzy metode Mamdani dalam memprediksi laju inflasi
umum month to month Indonesia karena memiliki nilai MSE dan MAPE yang lebih kecil.
Dalam melakukan prediksi, sistem inferensi fuzzy memiliki beberapa kelemahan, yaitu hanya
dapat memprediksi sejumlah 1 periode, kemudian belum adanya metode untuk menentukan kurva
fungsi keanggotaan, dan aturannya yang masih bersifat perkiraan.
DAFTAR PUSTAKA
Cox, E.,(1994), The Fuzzy Systems Handbook (A Prsctitioners Guide to Building, Using, and
Maintaining Fuzzy Systems), Academic Press, Inc. Massachusetts.
Draper, N.R dan Smith, H., (1992), Analisis Regresi Terapan Edisi Kedua,Gramedia Pustaka Utama,
Jakarta.
Kusumadewi, S dan Purnomo, H.,(2004),Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha
Ilmu, Yogyakarta.
Naba, A., (2009), Belajar Cepat Fuzzy Logic Menggunakan Matlab, Penerbit ANDI, Yogyakarta.
304