Anda di halaman 1dari 140

ANALISIS DATA RUNTUN WAKTU DENGAN METODE

ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)

DENGAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Oleh: Arsyil Hendra Saputra NIM : J2E008009 JURUSAN
DENGAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Oleh: Arsyil Hendra Saputra NIM : J2E008009 JURUSAN

SKRIPSI

METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Oleh: Arsyil Hendra Saputra NIM : J2E008009 JURUSAN

Oleh:

Arsyil Hendra Saputra

NIM : J2E008009

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

SEMARANG

2012

ANALISIS DATA RUNTUN WAKTU DENGAN METODE

ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)

Oleh:

Arsyil Hendra Saputra

NIM : J2E008009

Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Sarjana Sains pada Jurusan Statistika

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

SEMARANG

2012

KATA PENGANTAR

Puji

syukur

penulis

panjatkan

ke

hadirat

Allah

SWT

yang

telah

memberikan rahmat dan karunia-Nya, sehingga Tugas Akhir ini terselesaikan.

Tugas akhir yang berjudul “Analisis Data Runtun Waktu dengan Metode

Adaptive Neuro Fuzzy Inference System (ANFIS)“ ini disusun sebagai salah satu

syarat untuk memperoleh gelar Sarjana Strata Satu (S1) pada Jurusan Statistika

Fakultas Sains dan Matematika Universitas Diponegoro.

Banyak pihak yang telah membantu dalam penyelesaian Tugas Akhir ini.

Oleh karena itu, rasa hormat dan terimakasih penulis sampaikan kepada :

1.

Dra. Dwi Ispriyanti, M.Si selaku Ketua Program Studi Statistika FSM

Universitas Diponegoro Semarang.

 

2.

Drs. Tarno, M.Si selaku Dosen Pembimbing I dan Budi Warsito, S.Si,

M.Si

selaku

Dosen

Pembimbing

II

yang

telah

meluangkan

waktu

memberikan masukan, bimbingan dan pengarahan kepada penulis.

3.

Kementerian Badan Usaha Milik Negara (BUMN) selaku instansi yang

telah memberikan beasiswa kepada penulis melalui “Program BUMN

Peduli Beasiswa”.

 

3.

Bapak/Ibu Dosen dan teman-teman mahasiswa Statistika Undip yang telah

memberikan motivasi dan dukungan kepada penulis.

Semoga Tugas Akhir ini bisa membawa manfaat bagi penulis sendiri

khususnya dan bagi para pembaca pada umumnya.

Semarang, 27 Juli 2012

iv

Penulis

ABSTRAK

Salah satu metode analisis data runtun waktu yang populer adalah ARIMA. Metode ARIMA mensyaratkan beberapa asumsi antara lain residual model white noise, berdistribusi normal dan varian konstan. Model ARIMA cenderung lebih baik untuk data runtun waktu yang linier. Sedangkan untuk data runtun waktu nonlinier telah banyak dikaji dengan metode nonlinier, salah satunya adalah Adaptive Neuro Fuzzy Inference System atau ANFIS. Metode ANFIS adalah metode yang mengkombinasikan teknik Neural Network dan Fuzzy Logic. Dalam Tugas Akhir ini dibahas secara khusus mengenai metode ANFIS untuk analisis data runtun waktu yang mempunyai karakteristik antara lain stasioner, stasioner dengan outlier, nonstasioner dan nonstasioner dengan outlier, dan digunakan data harga minyak kelapa sawit Indonesia sebagai studi kasus. Hasil ANFIS yang diperoleh kemudian dibandingkan dengan hasil metode ARIMA berdasarkan nilai RMSE. Berdasarkan analisis dan pembahasan diperoleh bahwa hasil metode ANFIS lebih baik daripada metode ARIMA.

Kata kunci : ANFIS, ARIMA, data runtun waktu, nonstasioner, outlier

v

ABSTRACT

One popular method of time series analysis is ARIMA. The ARIMA method requires some assumptions; residual of model must be white noise, normal distribution and constant variance. The ARIMA model tends to be better for time series data which is linear. Whereas for the nonlinear time series data have been widely studied by nonlinear methods, one of that is Adaptive Neuro Fuzzy Inference System or ANFIS. The ANFIS method is a method that combines techniques Neural Network and Fuzzy Logic. In this thesis discussed the ANFIS method specifically for the analysis of time series data that have characteristics such as stationary, stationary with outlier, non stationary and non stationary with outlier, and the data of Indonesian palm oil prices is used as a case study. The ANFIS results which were obtained are compared with the results of ARIMA method by the value of RMSE. Based on the analysis and discussion, it is obtained that the results of ANFIS method are better than the results of ARIMA method.

Keywords : ANFIS, ARIMA, time series data, non stasionary, outlier

vi

DAFTAR ISI

HALAMAN JUDUL ………………………………………………………

i

HALAMAN PENGESAHAN I ……….………………………………………

ii

HALAMAN PENGESAHAN II ……….………………………………………

iii

KATA PENGANTAR …………………………………………………………

iv

ABSTRAK …………………………………………………………………….

v

ABSTRACT ……………………………………………………………………

vi

DAFTAR ISI …………………………………………………………………

vii

DAFTAR TABEL……………

…….…………………………………………

x

DAFTAR GAMBAR …………………………………………………………

xiv

DAFTAR LAMPIRAN ………………………………………………………

xvi

BAB I PENDAHULUAN ……………………………………………………

1

1.1 Latar Belakang ……………………………………………………. 1

1.2 Tujuan ……………………………………………………………

4

BAB II TINJAUAN PUSTAKA …………………….………………………

5

2.1 Pengertian Analisis Data Runtun Waktu

.………………………

5

2.2 Model ARIMA …

……………………………………………….

6

2.3 Istilah-Istilah dalam Analisis Runtun Waktu ……………………

7

2.3.1 Stasioner …………………………………………………

7

2.3.2 Differencing ……………………………………………

8

2.3.3 Autocorrelation Function (ACF) ………………………

8

2.3.4 Partial Autocorrelation Function (PACF) ……………

9

2.4.Tahapan Pemodelan ARIMA ……………………………………

10

2.4.1 Identifikasi ………………………………………………

11

2.4.2 Estimasi …………………….……………………………

11

vii

2.4.3

Diagnosis ………………………………………………

12

2.4.4

Pengujian Asumsi ……………………………………….

12

2.4.4.1 Uji Ljung-Box …………………………………

12

2.4.4.2 Uji Normalitas

13

2.4.4.3 Uji Linieritas …………………………………

13

2.5 Jaringan Syaraf Tiruan (Neural Network) …………………………

14

2.6 Logika Fuzzy (Fuzzy logic)

……….………………………………

16

2.6.1 Teori Himpunan Fuzzy ………………………………….

16

2.6.2 Fungsi Keanggotaan Fuzzy ……………………………

17

2.6.3 Fuzzy C-Means (FCM) …………………………………. 19

2.6.4 Sistem Inferensi Fuzzy …………………………………

21

2.6.5 FIS Model Sugeno (TSK) ……………………………….

22

2.7 ANFIS: Adaptive Neuro Fuzzy Inference System

………………

23

2.7.1 Gambaran Umum ANFIS ……………………………….

23

2.7.2 Arsitektur ANFIS ……………………………………….

24

2.7.3 Jaringan ANFIS …………………………………………

25

2.7.4 Algoritma Pembelajaran Hybrid ………………………

28

2.7.5 LSE Rekursif …………………………………………… 29

2.7.6 Model Propagasi Eror ……………………………………

30

2.7.7 Root Mean Square Eror (RMSE) …………

……………

35

BAB III METODOLOGI ……………………………………………………

36

4.1 Sumber Data ………………………………………………………

36

4.1.1 Data Simulasi ……………………………………………

36

4.1.2 Data Studi Kasus ………………………………………

36

4.2 Metode Analisis ARIMA

…………………………………………

37

4.3 Metode Analisis ANFIS …………………………………………

38

BAB IV ANALISIS DAN PEMBAHASAN ………………………………….

41

4.1

Analisis Data Runtun Waktu dengan ARIMA ……………………

41

4.1.1 Analisis ARIMA pada Data Stasioner

………………….

41

4.1.2 Analisis ARIMA pada Data Stasioner dengan Outlier ….

48

viii

4.1.3

Analisis ARIMA pada Data Nonstasioner ……………… 55

4.1.4 Analisis ARIMA pada Data Nonstasioner dengan Outlier 63

4.2

Analisis Data Runtun Waktu dengan ANFIS ……………………

71

4.2.1 Analisis ANFIS pada Data Stasioner …………………… 71

4.2.2 Analisis ANFIS pada Data Stasioner dengan Outlier ……

72

4.2.3 Analisis ANFIS pada Data Nonstasioner ………………

75

4.2.4 Analisis ANFIS pada Data Nonstasioner dengan Outlier

77

4.3

Perbandingan Hasil ANFIS Terhadap Hasil ARIMA …………….

79

4.3.1 Analisis pada Data Stasioner ……………………………

79

4.3.2 Analisis pada Data Stasioner dengan Outlier …………

80

4.3.3 Analisis pada Data Nonstasioner ………………………

81

4.3.4 Analisis pada Data Nonstasioner dengan Outlier ……….

82

4.4

Penerapan

ANFIS

pada

Data

Harga

Minyak

Kelapa

Sawit

Indonesia ………………………………………………………

84

4.4.1 Analisis ARIMA pada Data Harga Minyak Kelapa Sawit Indonesia ………………………………………………. 84

4.4.2 Analisis ANFIS pada Data Harga Minyak Kelapa Sawit

Indonesia ………………………………………………. 91

4.4.3 Perbandingan Hasil ANFIS terhadap Hasil ARIMA ……

95

BAB V KESIMPULAN ……………………………………………………….

97

DAFTAR PUSTAKA …………………………………………………………

98

LAMPIRAN …………………………………………………………………

101

ix

DAFTAR TABEL

Tabel 1.

Pola ACF dan PACF dari proses yang stasioner ……………………

11

Tabel 2.

Prosedur pembelajaran Hybrid metode ANFIS…………….………

29

Tabel 3.

Statistik uji ADF pada data stasioner………………….…………….

42

Tabel 4.

Estimasi model ARIMA pada data stasioner…………….………….

43

Tabel 5.

Uji Ljung-Box model ARIMA pada data stasioner………….……

45

Tabel 6.

Uji ARCH-LM model ARIMA pada data stasioner …………….…

46

Tabel 7.

Uji Ramsey RESET model ARIMA pada data stasioner……………

47

Tabel 8.

Nilai eror model ARIMA pada data stasioner……………….………

48

Tabel 9.

Statistik uji ADF pada data stasioner dengan outlier ……………….

49

Tabel 10. Estimasi model ARIMA pada data stasioner dengan outlier…….….

50

Tabel 11. Uji Ljung-Box model ARIMA pada data stasioner dengan outlier

52

Tabel 12. Uji ARCH-LM model ARIMA pada data stasioner dengan outlier

53

Tabel 13. Uji Ramsey RESET model ARIMA pada data stasioner dengan

 

outlier………………………………………………………………

54

Tabel 14. Nilai eror model ARIMA pada data stasioner dengan outlier

55

Tabel 15. Statistik uji ADF pada data nontasioner……………………………

56

Tabel 16. Statistik uji ADF pada data nontasioner differencing satu ……

57

Tabel 17. Estimasi model ARIMA pada data nonstasioner……………………. 58

Tabel 18. Uji Ljung-Box model ARIMA pada data nonstasioner……………

60

Tabel 19. Uji ARCH-LM model ARIMA pada data nonstasioner……………

61

Tabel 20. Uji Ramsey RESET model ARIMA pada data nonstasioner………

62

Tabel 21. Nilai eror model ARIMA pada data nonstasioner…………………

63

x

Tabel 22. Statistik uji ADF pada data nontasioner dengan outlier……………

64

Tabel 23. Statistik

uji

ADF

pada

data

nonstasioner

dengan

outlier

differencing satu ………………………………………….…………

65

Tabel 24. Estimasi model ARIMA pada data nonstasioner dengan outlier

66

Tabel 25. Uji Ljung-Box pada data nonstasioner dengan outlier……………… 68

Tabel 26. Uji ARCH-LM model ARIMA pada data nonstasioner dengan

outlier………………………………………………………………

69

Tabel 27. Uji Ramsey RESET model ARIMA pada data nonstasioner dengan

outlier ……………………………………

………………

……….

70

Tabel 28. Nilai eror model ARIMA pada data nonstasioner dengan outlier

71

Tabel 29. Pelatihan ANFIS pada data stasioner berdasarkan jumlah klaster

 

71

Tabel 30. Pelatihan

ANFIS

pada

data

stasioner

berdasarkan

fungsi

keanggotaan…………………………………………………………

72

Tabel 31. Pelatihan ANFIS pada data stasioner dengan outlier berdasarkan

jumlah klaster …………………………………

….………………

73

Tabel 32. Pelatihan ANFIS pada data stasioner dengan outlier berdasarkan

fungsi keanggotaan ………………………………………………….

74

Tabel 33. Pelatihan

ANFIS

pada

data

nonstasioner

berdasarkan

jumlah

klaster ……………………………………………………………….

76

Tabel 34. Pelatihan

ANFIS

pada

data

nontasioner

berdasarkan

fungsi

keanggotaan………………………………………………

……

76

Tabel 35. Pelatihan

ANFIS

pada

data

nonstasioner

dengan

outlier

berdasarkan jumlah klaster ……………………

………………

….

78

xi

Tabel 36. Pelatihan

ANFIS

pada

data

nonstasioner

dengan

outlier

 

berdasarkan fungsi keanggotaan ……

………………………….….

79

Tabel

37.

(a)

Ringkasan

analisis

ARIMA pada data stasioner

……………….

80

Tabel 37. (b) Ringkasan analisis ANFIS pada data stasioner…………

……

80

Tabel 38. (a) Ringkasan analisis ARIMA pada data stasioner dengan outlier

81

Tabel 38. (b) Ringkasan analisis ANFIS pada data stasioner dengan outlier

81

Tabel 39. (a) Ringkasan analisis ARIMA pada data nonstasioner……

……

82

Tabel 39. (b) Ringkasan analisis ANFIS pada data nonstasioner……………… 82

Tabel 40. (a) Ringkasan analisis ARIMA pada data nonstasioner dengan

outlier ………………………………………….……………

……

83

Tabel 40. (b) Ringkasan analisis ANFIS pada data nontasioner dengan outlier.

83

Tabel 41. Statistik uji ADF pada data harga minyak kelapa sawit Indonesia

85

Tabel 42. Model ARIMA yang diduga pada data harga minyak kelapa sawit

Indonesia ………………………………………………….…

…….

86

Tabel 43. Estimasi model ARIMA pada data harga minyak kelapa sawit

Indonesia…………………………………………………………….

87

Tabel 44. Nilai eror dari model ARIMA pada data harga minyak kelapa sawit

Indonesia …………………….……………………………………

88

Tabel 45. Uji Ljung-Box model ARIMA pada data harga minyak kelapa

sawit Indonesia ………………………………

……………………

88

Tabel 46. Uji ARCH-LM model ARIMA pada data harga minyak kelapa

sawit Indonesia ……………………………………….…….………

90

Tabel 47. Uji Ramsey RESET model ARIMA pada data harga minyak kelapa

sawit Indonesia ………………………

…….………………………

91

xii

Tabel 48. Nilai eror model ARIMA pada data harga minyak kelapa sawit

Indonesia…………………………………………………………….

91

Tabel 49. Input-input ANFIS yang dicobakan pada data harga minyak kelapa

sawit Indonesia………………………………………………………

92

Tabel 50. Pelatihan ANFIS pada data harga minyak kelapa sawit Indonesia

berdasarkan input dan jumlah klaster …………

……………

…….

93

Tabel 51. Pelatihan ANFIS pada data harga minyak kelapa sawit Indonesia

berdasarkan fungsi keanggotaan ……………

……….…………….

94

Tabel 52. (a) Ringkasan analisis ARIMA pada data harga minyak kelapa

sawit Indonesia………………………………………………………

95

Tabel 52. (b) Ringkasan analisis ANFIS pada data harga minyak kelapa sawit

Indonesia ……………………………………………………………

96

xiii

DAFTAR GAMBAR

Gambar 1.

Bagan tahap-tahap analisis runtun waktu ARIMA ……

……

10

Gambar 2. Struktur jaringan syaraf tiruan dengan input Z 1,t , Z 2,t , …, Z m,t dan

 

bobot koneksinya w 1 , w 2 , …, w n

………… ……….…………

15

Gambar 3.

Kurva fungsi keanggotaan Triangular…………

…………………

17

Gambar 4. Kurva fungsi keanggotaan Trapezoidal……………………………. 18

Gambar 5. Kurva fungsi keanggotaan Gaussian……………

………………

18

Gambar 6. Kurva fungsi keanggotaan Generalized Bell………………………. 19

Gambar 7. Diagram blok sistem inferensi fuzzy………………………………

21

Gambar 8. ANFIS dengan model Sugeno……………………………………

25

Gambar 9. Arsitektur jaringan ANFIS…………………………………………

25

Gambar 10.Contoh model ANFIS untuk 2 input dengan 9 aturan …………

28

Gambar 11.Flow chart ANFIS ………………………………….…………….

40

Gambar 12.Grafik runtun waktu data stasioner ……………….………………

41

Gambar 13.(a) Plot ACF dari data stasioner ……………….………………….

42

Gambar 13.(b) Plot PACF dari data stasioner …………………………………

43

Gambar 14.Uji normalitas model ARIMA pada data stasioner …….…………

46

Gambar 15.Grafik runtun waktu data stasioner dengan outlier ………….……

48

Gambar 16.(a) Plot ACF dari data stasioner dengan outlier ……….………….

49

Gambar 16.(b) Plot PACF dari data stasioner dengan outlier …………………

50

Gambar 17.Uji normalitas model ARIMA pada data stasioner dengan outlier .

53

Gambar 18.Grafik runtun waktu data nonstasioner ………………………

55

Gambar 19.Grafik runtun waktu data nonstasioner differencing satu………….

56

xiv

Gambar 20.(a) Plot ACF dari data nonstasioner differencing satu…….….……

57

Gambar 20.(b) Plot PACF dari data nonstasioner differencing satu ………

58

Gambar 21.Uji normalitas model ARIMA pada data nonstasioner ………

….

61

Gambar 22.Grafik runtun waktu data nonstasioner dengan outlier ……………

63

Gambar 23.Grafik runtun waktu data nonstasioner dengan outlier differencing

satu…………………………………………………………………

64

Gambar 24.(a) Plot ACF dari data nontasioner dengan outlier differencing satu 65

Gambar 24.(b) Plot PACF dari data nontasioner dengan outlier differencing

Satu………………………………………………………………… 66

Gambar 25.Uji normalitas model ARIMA pada data nonstasioner dengan

outlier …………………………….………………………………

69

Gambar 26.Grafik runtun waktu data harga minyak kelapa sawit Indonesia ….

84

Gambar 27.Grafik runtun waktu data harga minyak kelapa sawit Indonesia

differencing satu ……………………………

……………………

85

Gambar 28.(a) Plot ACF dari data harga minyak kelapa sawit Indonesia ……

86

Gambar 28.(b) Plot PACF dari data harga minyak kelapa sawit Indonesia .….

86

Gambar 29.Uji normalitas model ARIMA pada data harga minyak kelapa

sawit Indonesia ………………….………………………………

89

Gambar 30.Perbandingan target dan output ANFIS pada data harga minyak

kelapa sawit Indonesia……………………………………………

94

Gambar 31.Hasil eror ANFIS pada data harga minyak kelapa sawit Indonesia

95

xv

DAFTAR LAMPIRAN

Lampiran 1. Data stasioner dibangkitkan dengan R……………………………101

Lampiran 2. Data nonstasioner dibangkitkan dengan R………………………. 103

Lampiran 3. Data harga minyak kelapa sawit Indonesia……………………… 105

Lampiran 4. Training dan Checking ANFIS menggunakan Matlab …………

111

Lampiran 5. Pelatihan ANFIS pada data nonstasioner berdasarkan jumlah

klaster…………………………………………………………… 113

Lampiran 6. Pelatihan

ANFIS

pada

data

nonstasioner

dengan

outlier

berdasarkan jumlah klaster………………………………………

114

Lampiran 7. Estimasi model ARIMA pada data harga minyak kelapa sawit

Indonesia…………………………………………………………. 115

Lampiran 8. Hasil pelatihan ANFIS pada data harga minyak kelapa sawit

Indonesia terhadap berbagai input………………………………

120

Lampiran 9. Perintah pada Software…………………………………………

122

xvi

BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis data runtun waktu (time series) merupakan salah satu bahasan

penting dalam ilmu statistika. Dengan menganalisis bentuk pola deret data, dapat

dilakukan peramalan untuk satu atau beberapa periode ke depan. Model runtun

waktu konvensional yang umum digunakan untuk peramalan data runtun waktu

seperti ARIMA (Box dan Jenkins, 1976), ARCH (Engle, 1982) dan GARCH

(Bollerslev,

1986).

Namun,

seiring

waktu

ternyata

teknik

ini

memiliki

keterbatasan kemampuan dalam pemodelan data runtun waktu, terutama pada data

runtun waktu nonlinier (Wei, 2011).

Salah satu metode yang digunakan dalam peramalan data runtun waktu

nonlinier adalah Neural Network (McCulloch & Pitts, 1943) dan Fuzzy Logic

(Zadeh, 1965). Kemampuan pembelajaran pada neural network memungkinkan

lebih

efektif

menyelesaikan

masalah

nonlinier

bahkan

sistem

yang

kacau

sekalipun dan pada fuzzy logic dapat mengubah masalah kompleks menjadi

masalah sederhana menggunakan perkiraan penalaran. Kedua metode tersebut

mengestimasi fungsi tanpa menggunakan model matematis melainkan dilakukan

melalui proses pembelajaran data. Metode neural network melakukan komputasi

dengan mensimulasikan struktur dan fungsi seperti jaringan syaraf dalam otak.

Pada struktur jaringan neural network keseluruhan tingkah laku masukan-keluaran

ditentukan oleh sekumpulan parameter-parameter yang dimodifikasi. Sedangkan

pada

fuzzy

logic,

dilakukan

dengan

cara

melukiskan

suatu

sistem

dengan

 

1

2

pengetahuan

linguistik

yang

mudah

dimengerti.

Sistem

fuzzy

memiliki

keunggulan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan

proses pengambilan keputusan.

Walaupun teknik neural network dan fuzzy logic dapat memecahkan

masalah kompleks, akan tetapi tetap pula memiliki keterbatasan (Khan, 1998).

Pada sistem yang semakin kompleks, fuzzy logic biasanya sulit dan membutuhkan

waktu lama untuk menentukan aturan dan fungsi keanggotaan yang tepat. Pada

neural network, tahapan proses sangat panjang dan rumit sehingga tidak efektif

pada jaringan yang cukup besar. Fuzzy logic tidak memiliki

kemampuan untuk

belajar dan beradaptasi. Sebaliknya

neural network memiliki kemampuan untuk

belajar dan beradaptasi namun tidak memiliki kemampuan penalaran seperti yang

dimiliki

pada

fuzzy

logic.

Oleh

karena

itu

dikembangkan

metode

yang

mengkombinasikan kedua teknik itu yaitu biasa disebut sistem hybrid, salah

satunya adalah Adaptive Neuro Fuzzy Inference System atau ANFIS (Jang, 1993).

ANFIS merupakan metode yang menggunakan jaringan syaraf tiruan

(neural

network)

untuk

mengimplementasikan

sistem

inferensi

fuzzy

(fuzzy

inference system). Dengan kata lain ANFIS adalah penggabungan mekanisme

sistem inferensi fuzzy yang digambarkan dalam arsitektur jaringan syaraf tiruan.

Pada pemodelan statistika, ANFIS diterapkan pada masalah klasifikasi, clustering,

regresi, dan peramalan pada data runtun waktu.

ANFIS telah banyak diterapkan pada masalah peramalan data runtun

waktu. Atsalakis, dkk (2007) menggunakan ANFIS untuk prediksi peluang tren

pada nilai tukar mata uang (kurs) diperoleh bahwa metode ini handal untuk

memprediksi naik turunnya fluktuasi nilai tukar. Wei (2011) menerapkan ANFIS

3

untuk peramalan saham TAIEX. Mordjaoi dan Boudjema (2011) melakukan

peramalan dan pemodelan permintaan listrik dengan ANFIS. Aldrian dan Djamil

(2008) mengaplikasikan ANFIS untuk prediksi curah hujan. Penelitian-penelitian

yang dilakukan menunjukkan bahwa pendekatan metode ANFIS cukup handal

dan akurat dalam peramalan data runtun waktu.

Data runtun waktu nonstasioner banyak sekali dijumpai dalam kehidupan

sehari-hari. Metode konvensional seperti ARIMA seringkali tidak efektif untuk

peramalan data runtun waktu nonstasioner, menghasilkan eror yang besar atau

varian

tidak

konstan.

Analisis

ARIMA

merupakan

metode

linier

yang

membutuhkan beberapa asumsi harus terpenuhi. Oleh karena itu diperlukan

metode nonlinier yang mampu menyelesaikan masalah nonlinier. ANFIS menjadi

salah satu pilihan yang efektif untuk peramalan data runtun waktu nonlinier.

Dalam penulisan Tugas Akhir ini akan dilakukan analisis data runtun

waktu

menggunakan

metode

Autoregressive

Integrated

Moving

Average

(ARIMA) dan Adaptive Neuro-Fuzzy Inference System (ANFIS) pada empat

karakteristik data yaitu stasioner, stasioner dengan outlier, nonstasioner, dan

nonstasioner dengan outlier. Studi kasus yang dilakukan adalah penerapan metode

ANFIS pada data harga minyak kelapa sawit Indonesia. Hasil analisis metode

ANFIS yang dihasilkan dibandingkan dengan hasil metode ARIMA berdasarkan

nilai RMSE.

Analisis ANFIS dalam Tugas Akhir ini menggunakan model Sugeno orde

satu. Proses pengklasteran dilakukan dengan menggunakan metode Fuzzy C-

Means (FCM). Algoritma pembelajaran yang digunakan adalah metode optimasi

Hybrid. Perangkat lunak yang digunakan adalah R, Eviews, Minitab, dan Matlab.

4

1.2 Tujuan

Tujuan yang hendak dicapai dari Tugas Akhir ini adalah:

1. Mengimplementasikan metode ANFIS untuk analisis data runtun waktu

stasioner, stasioner dengan outlier, nonstasioner dan nonstasioner dengan

outlier

kemudian

metode ARIMA.

dibandingkan

dengan

hasil

analisis

menggunakan

2. Mengimplementasikan metode ANFIS pada data runtun waktu harga

minyak kelapa sawit indonesia.

BAB II

TINJAUAN PUSTAKA

2.1 Analisis Runtun Waktu dan Peramalan

Data runtun waktu (time series) adalah jenis data yang dikumpulkan

menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang

bersifat diskrit (waktu dapat dimodelkan bersifat kontinu), frekuensi pengumpulan

selalu sama. Dalam kasus diskrit, frekuensi dapat berupa detik, menit, jam, hari,

minggu, bulan atau tahun.

Analisis runtun waktu merupakan salah satu prosedur statistika yang

diterapkan untuk meramalkan struktur probabilitas keadaan yang akan datang

dalam rangka pengambilan keputusan. Dasar pemikiran runtun waktu adalah

pengamatan sekarang (Z t )

dipengaruhi oleh satu

atau

beberapa pengamatan

sebelumnya (Z t-k ). Dengan kata lain, model runtun waktu dibuat karena secara

statistik ada korelasi antar deret pengamatan. Tujuan analisis runtun waktu antara

lain memahami dan menjelaskan mekanisme tertentu, meramalkan suatu nilai di

masa depan, dan mengoptimalkan sistem kendali (Makridakis, dkk, 1999).

Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa

yang akan datang dengan waktu yang relatif lama. Sedangkan ramalan adalah

situasi atau kondisi yang akan diperkirakan akan terjadi pada masa yang akan

datang. Untuk memprediksikan hal tersebut diperlukan data yang akurat di masa

lalu, untuk dapat melihat situasi di masa yang akan datang.

5

6

2.2 Model ARIMA

Model Autoregressive Integrated Moving Average (ARIMA) merupakan

salah satu model yang populer dalam peramalan data runtun waktu. Proses

ARIMA (p,d,q) merupakan model runtun waktu ARMA(p,q) yang memperoleh

differencing sebanyak d. Proses ARMA (p,q) adalah suatu model campuran antara

autoregressive orde p dan moving average orde q.

Autoregressive (AR) merupakan suatu observasi pada waktu t dinyatakan

sebagai fungsi linier terhadap p waktu sebelumnya ditambah dengan sebuah

residual acak a t yang white noise yaitu independen dan berdistribusi normal

dengan rata-rata 0 dan varian konstan σ a 2 , ditulis a t ~ N(0, σ a 2 ). Bentuk umum

model autoregressive orde p atau lebih ringkas ditulis model AR(p) dapat

dirumuskan sebagai berikut:

Z

t

1

Z

t

1

2

Z

t

2

p

Z

t

p

a

t

Jika B adalah operator backshif yang dirumuskan sebagai:

BZ t = Z t-1

maka model AR(p) dapat ditulis sebagai berikut:

dengan

B Z

t

a

t

B 1B B

1

2

2

B

p

p

Moving average (MA) digunakan untuk menjelaskan suatu fenomena

bahwa suatu observasi pada waktu t dinyatakan sebagai kombinasi linier dari

sejumlah eror acak

a

t

. Bentuk umum model moving average orde q atau lebih

ringkas ditulis model MA(q) dapat dirumuskan sebagai berikut:

7

Z

t

a

t

t

a

t

1

q

a

t

atau

 

Z

t

dengan,

(

B

)

(1

(B)a

t

B  B

1

q

q

q

)

Bentuk umum dari model ARIMA adalah:

dengan

(

(

B

B

)

)

(1

(1

d

(B)(1 B) Z (B)a

t

t

B

1

B

p

B  B

1

q

p

q

)

)

merupakan operator AR

merupakan operator MA

(Soejoeti, 1987)

2.3 Istilah-Istilah dalam Analisis Runtun Waktu

2.3.1 Stasioner

Suatu deret pengamatan dikatakan stasioner apabila proses tidak berubah

seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu Z t stasioner

maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi

oleh berubahnya waktu pengamatan, sehingga proses berada dalam keseimbangan

statistik (Soejoeti, 1987).

Uji

stasioner

dengan

Augmented

Dickey

Fuller

(ADF)

merupakan

pengujian stasioner dengan menentukan apakah data runtun waktu mengandung

akar unit (unit root). Untuk memperoleh gambaran mengenai uji akar-akar unit,

berikut ini ditaksir model runtun waktu dengan proses AR(1) :

Z

t

Z

t

1

a

t

8

Hipotesis

H 0 : = 1 (Data tidak stasioner).

H 1 : < 1 (Data stasioner).

Statistik uji:

=

1

( )

Kriteria Penolakan

H 0 ditolak jika > pada taraf signifikansi α.

2.3.2 Differencing

(Wei, 2006)

Data runtun waktu yang tidak stasioner dapat distasionerkan dengan

melakukan differencing derajat d. Untuk mendapatkan kestasioneran dapat dibuat

deret baru yang terdiri dari differencing antara periode yang berurutan:

=

deret baru akan mempunyai n-1 buah nilai. Apabila differencing pertama

tidak menunjukkan stasioner tercapai maka dapat dilakukan differencing kedua:

= −∇ = 2 +

dinyatakan sebagai deret differencing orde kedua. Deret ini akan mempunyai

n-2 buah nilai.

2.3.3 Autocorrelation Function (ACF)

Suatu proses (

Z

t

)

yang stasioner terdapat nilai rata-rata

(Soejoeti,1987)

E Z

(

t

)

, varian

Var Z

t

E Z

t

2

2

dan kovarian

(

Cov Z

t

,

Z

t

k

)

. Kovarian

antara

Z

t

dan

Z

t

k

adalah sebagai berikut :

9

  Cov Z ( , Z )  E ( Z  )( Z
Cov Z
(
,
Z
) 
E
(
Z
 )(
Z
 ),
k
t
tk
t
tk
dan autokorelasi antara
Z dan
adalah :
Z t
t
 k
Cov Z
(
Z
)
t ,
t
 k
k
k
Var Z
(
Var Z
(
)
t )
t
 k
0

dengan

(

Var Z

t

)

(

Var Z

tk

)

0

. Fungsi

k

dinamakan fungsi autokorelasi (ACF).

dinamakan autokovarian dan

k

(Wei, 2006)

2.3.4 Partial Autocorrelation Function (PACF)

Fungsi Autokorelasi Parsial (PACF) dapat dinyatakan sebagai:

kk

(

Corr Z

t

,

Z

t

k

Z

t 1

,

,

Z

t

k

 1

)

atau dapat dihitung menggunakan persamaan berikut :

  11 1 1  1   1 2   22 1
 
11
1
1 
1
1
2
 
22
1 
1
1
1

33

1

1

1

1

1

2

2

 

1 3

1

 

1 2

1

1

1

2

1

1

.

.

.

10

kk

1

1

1

1

 

2

1

k

k

2

3

1

2

 

k

1

k

2

k

3

1

k

1

1

1

1

 

2

1

k

k

2

3

k

k

1

2

k

1

k

2

k

3

1

1

2.4 Tahapan Pemodelan ARIMA

Prosedur

BoxJenkins

adalah

suatu

prosedur

standar

(Wei, 2006)

yang

banyak

digunakan dalam pembentukan model ARIMA. Prosedur ini terdiri dari empat

tahapan yang iteratif dalam pembentukan model ARIMA pada suatu data runtun

waktu, yaitu tahap identifikasi, estimasi, diagnosis, dan peramalan (Suhartono,

2008).

1. Tahap IDENTIFIKASI (Identifikasi model dugaan sementara)

1. Tahap IDENTIFIKASI (Identifikasi model dugaan sementara) 2. Tahap ESTIMASI (Estimasikan parameter model) Tidak 3.

2. Tahap ESTIMASI (Estimasikan parameter model)

sementara) 2. Tahap ESTIMASI (Estimasikan parameter model) Tidak 3. Tahap DIAGNOSIS (Verifikasi apakah model sesuai?)
sementara) 2. Tahap ESTIMASI (Estimasikan parameter model) Tidak 3. Tahap DIAGNOSIS (Verifikasi apakah model sesuai?)

Tidak

2. Tahap ESTIMASI (Estimasikan parameter model) Tidak 3. Tahap DIAGNOSIS (Verifikasi apakah model sesuai?) Ya 4.
3. Tahap DIAGNOSIS (Verifikasi apakah model sesuai?) Ya
3. Tahap DIAGNOSIS
(Verifikasi apakah model sesuai?)
Ya

4. Tahap PERAMALAN (Gunakan model untuk peramalan)

Gambar 1. Bagan tahap-tahap analisis runtun waktu ARIMA

(Suhartono, 2008)

11

2.4.1 Identifikasi

Penentuan orde p dan q dari model ARIMA pada suatu data runtun waktu

dilakukan dengan mengidentifikasi plot Autocorrelation Function (ACF) dan

Partial Autocorrelation Function (PACF) dari data yang sudah stasioner. Berikut

ini adalah petunjuk umum untuk penentuan orde p dan q pada suatu data runtun

waktu yang sudah stasioner.

Tabel 1. Pola ACF dan PACF dari proses yang stasioner

Proses

ACF

PACF

AR(p)

Turun cepat secara eksponensial / sinusoidal

Terputus setelah lag p

MA(q)

Terputus setelah lag q

Turun cepat secara eksponensial / sinusoidal

ARMA(p,q)

Turun cepat secara eksponensial / sinusoidal

Turun cepat secara eksponensial / sinusoidal

AR(p) atau

Terputus setelah lag q

Terputus setelah lag p

MA(q)

White noise

Tidak ada yang signifikan (tidak ada yang keluar batas)

Tidak ada yang signifikan (tidak ada yang keluar batas)

(Acak)

2.4.2 Estimasi

(Suhartono, 2008)

Setelah diperoleh model yang diperkirakan cocok, langkah selanjutnya

adalah mengestimasi parameter model dan pengujian signifikansi parameter.

Hipotesis :

H 0 : parameter = 0 (parameter tidak signifikan terhadap model)

H 1 : parameter ≠ 0 (parameter signifikan terhadap model)

Taraf signifikansi : α

Statistik uji :

= ( )

(

) atau p-value

12

Kriteria uji :

Tolak H 0 jika > ; atau p-value <

Dengan n = jumlah pengamatan

2.4.3 Diagnosis

(Agung, 2009)

Diagnosis dimaksudkan untuk memeriksa apakah model estimasi sudah

cocok dengan data yang dipunyai. Jika ditemui penyimpangan yang cukup serius,

harus dirumuskan kembali model baru, selanjutnya diestimasi dan verifikasi lagi

model baru tersebut.

Pada tahap ini dilakukan pembandingan dengan model lain yaitu dengan

menambah dan mengurangi parameter model yang telah diidentifikasi. Dalam

verifikasi

ini

berlaku

prinsip

parsimonious

(melibatkan

parameter

sedikit

mungkin) dan MSE terkecil, sehingga dari langkah verifikasi ini diambil model

yang paling cocok dan melibatkan parameter sedikit mungkin.

2.4.4 Pengujian Asumsi

2.4.4.1 Uji Ljung-Box

Uji Ljung-Box digunakan untuk menguji independensi residual antar lag

pada model ARIMA (p,d,q).

Hipotesis :

H 0 :

k = 0 (tidak ada korelasi residual antar lag).

 

H 1 :

paling sedikit ada satu

k 0

dengan k =

1,2,3,

l

(ada korelasi

residual antar lag).

Taraf signifikansi : α

13

Statistik uji :

LB

(

T T

2)

m

k 1

(

ˆ

k

2

n

k

Kriteria uji :

H 0 ditolak jika LB >

2

)

(

l

,

)

atau p-value <

dengan T = ukuran sampel dan l = panjang lag

2.4.4.2 Uji Normalitas

(Agung, 2009)

Uji normalitas yang digunakan adalah uji Jarque-Bera, sebagai berikut :

Hipotesis :

H 0 : residual berdistribusi normal

H 1 : residual tidak berdistribusi normal

Taraf signifikansi : α

Statistik uji :

= 6 + ( 3)

4

dengan T = ukuran sampel, S = nilai skewness, dan K = nilai kurtosis.

Kriteria uji :

H 0 ditolak jika p-value < α

2.4.4.3 Uji Linieritas

(Agung, 2009)

Uji linieritas yang digunakan adalah dengan uji RESET (Regression Error

Specification Test) versi Ramsey.

Uji Ramsey RESET merupakan uji

yang

diterapkan pada model aditif dan multiptikatif. Model diestimasi dengan metode

14

Least Squares. Uji ini dilakukan dengan memberi pangkat k ke nilai dugaan

variabel

dependen

( )

kemudian

independen (Agung, 2009).

Hipotesis :

H 0 : Model linier

H 1 : Model nonlinier

Taraf signifikansi : α

Statistik uji :

RESET =

e ˆ'ˆ e

v ˆ'ˆ v

/

k

1

v vn k

ˆ'ˆ

/

ditambahkan

ke

model

sebagai

variabel

dengan eˆ adalah nilai residual prediksi dari model linear (awal), ˆ adalah

residual dari model alternatif (baru) dan n adalah ukuran sampel.

Kriteria uji :

H 0 ditolak jika p-value < α

(Warsito dan Ispriyanti, 2004)

2.5 Jaringan Syaraf Tiruan (Neural Network)

Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial Neural

Network (ANN) atau Neural Network (NN) saja, merupakan sistem pemroses

informasi yang memiliki karakteristik mirip dengan jaringan syaraf pada makhluk

hidup. Neural network berupa suatu model sederhana dari suatu syaraf nyata

dalam otak manusia seperti suatu unit threshold yang biner.

Neural network merupakan sebuah mesin pembelajaran yang dibangun

dari sejumlah elemen pemrosesan sederhana yang disebut neuron atau node.

Setiap

neuron

dihubungkan

dengan

neuron

yang

lain

dengan

hubungan

komunikasi langsung melalui pola hubungan yang disebut arsitektur jaringan.

15

Bobot-bobot pada koneksi mewakili besarnya informasi yang digunakan jaringan.

Metode yang digunakan untuk menentukan bobot koneksi tersebut dinamakan

dengan algoritma pembelajaran. Setiap neuron mempunyai tingkat aktivasi yang

merupakan fungsi dari input yang masuk padanya. Aktivasi yang dikirim suatu

neuron ke neuron lain berupa sinyal dan hanya dapat mengirim sekali dalam satu

waktu, meskipun sinyal tersebut disebarkan pada beberapa neuron yang lain.

Misalkan input Z 1,t , Z 2,t , …, Z m,t yang bersesuaian dengan sinyal dan

masuk ke dalam saluran penghubung. Setiap sinyal yang masuk dikalikan dengan

bobot koneksinya yaitu w 1 , w 2 , …, w m sebelum masuk ke blok penjumlahan yang

berlabel

.

Kemudian

blok penjumlahan

akan menjumlahkan

semua

input

terbobot dan menghasilkan sebuah nilai yaitu Z t _in.

Z t _in =

,

.w i = Z t,1 .w 1 + Z t,1 .w 2 + … + Z m,1 .w m

Aktivasi

Z t

ditentukan

oleh

fungsi

input

jaringannya,

Z t =f(Z t _in)

dengan f

merupakan fungsi aktivasi yang digunakan. Z 1,t w 1 w 2 ∑ Z 2,t w
merupakan fungsi aktivasi yang digunakan.
Z 1,t
w 1
w 2
Z 2,t
w m
#
Z m,t

Z t

Gambar 2. Struktur jaringan syaraf tiruan dengan input Z 1,t , Z 2,t , …, Z m,t dan bobot

koneksinya w 1 , w 2 , …, w m

16

Secara garis besar neural network mempunyai dua tahap pemrosesan

informasi, yaitu tahap pelatihan dan tahap pengujian.

1. Tahap Pelatihan

Tahap pelatihan dimulai dengan memasukkan pola-pola pelatihan (data

latih) ke dalam jaringan. Dengan menggunakan pola-pola ini jaringan akan

mengubah-ubah bobot yang menjadi penghubung antar node. Pada setiap

iterasi (epoch) dilakukan evaluasi terhadap output jaringan. Tahap ini

berlangsung

pada

beberapa

iterasi

dan

berhenti

setelah

jaringan

menemukan bobot

yang sesuai dan nilai eror yang diinginkan telah

tercapai

atau

jumlah

iterasi

telah

mencapai

nilai

yang

ditetapkan.

Selanjutnya bobot ini menjadi dasar pengetahuan pada tahap pengujian.

2. Tahap Pengujian

Pada tahap ini dilakukan pengujian terhadap suatu pola masukan yang

belum pernah dilatihkan sebelumnya (data uji) menggunakan bobot-bobot

yang telah dihasilkan pada tahap pelatihan. Diharapkan bobot-bobot hasil

pelatihan yang sudah menghasilkan eror minimal juga akan memberikan

eror yang kecil pada tahap pengujian.

2.6 Logika Fuzzy (Fuzzy Logic)

2.6.1 Teori Himpunan Fuzzy

(Warsito, 2009)

Berbeda dengan teori himpunan klasik yang menyatakan suatu objek

adalah anggota (ditandai dengan angka 1) atau bukan anggota (ditandai dengan

angka 0) dari suatu himpunan dengan batas keanggotaan yang jelas/tegas (crips),

teori himpunan fuzzy memungkinkan derajat keanggotaan suatu objek dalam

17

himpunan

untuk

menyatakan

peralihan

keanggotaan

secara

bertahap

rentang antara 0 sampai 1 atau ditulis [0,1].

dalam

Definisi himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dengan

masing-masing obyek memiliki nilai keanggotaan (membership function) “μ” atau

disebut juga dengan nilai kebenaran. Jika Z i,t adalah sekumpulan obyek, Z i,t ={Z 1,t ,

Z 2,t , … , Z m,t ) dan anggotanya dinyatakan dengan Z maka himpunan fuzzy dari A

di dalam Z adalah himpunan dengan sepasang anggota atau dapat dinyatakan

dengan:

= ( , ( ))| ,

Dengan F adalah notasi himpunan fuzzy, ( ) adalah derajat keanggotaan dari Z

(nilai antara 0 sampai 1).

(Kusumadewi, 2006)

2.6.2 Fungsi Keanggotaan Fuzzy

Fungsi

keanggotaan (membership function) adalah suatu

fungsi yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. Ada

beberapa

fungsi

yang

dapat

digunakan

melalui

pendekatan

fungsi

untuk

mendapatkan nilai keanggotaan, seperti Triangular, Trapezoidal, Gaussian, dan

Generalized Bell.

1. Fungsi Keanggotaan Triangular

Gaussian, dan Generalized Bell . 1. Fungsi Keanggotaan Triangular Gambar 3. Kurva fungsi keanggotaan Triangular

Gambar 3. Kurva fungsi keanggotaan Triangular

18

Fungsi keanggotaan triangular terbentuk oleh tiga parameter: a,b,dan c,

sebagai berikut:

( ) =

( )

( )

( )

( )


0

2. Fungsi Keanggotaan Trapezoidal

≤ ≤ ≤ ≤ 0 2. Fungsi Keanggotaan Trapezoidal Gambar 4. Kurva fungsi keanggotaan Trapezoidal Fungsi

Gambar 4. Kurva fungsi keanggotaan Trapezoidal

Fungsi keanggotaan trapezoidal terbentuk oleh empat parameter: a, b, c,

dan d, sebagai berikut:

( ) =


0

( )

( )

1

( )

( )

3. Fungsi Keanggotaan Gaussian

( − ) ⎩ ( − ) ≤ ≤ 3. Fungsi Keanggotaan Gaussian Gambar 5. Kurva

Gambar 5. Kurva fungsi keanggotaan Gaussian

19

Fungsi keanggotaan gaussian terbentuk oleh dua parameter: σ dan c,

sebagai berikut:

( ) =

4. Fungsi Keanggotaan Generalized Bell

berikut: ( ) = 4. Fungsi Keanggotaan Generalized Bell Gambar 6. Kurva fungsi keanggotaan Generalized Bell

Gambar 6. Kurva fungsi keanggotaan Generalized Bell

Fungsi keanggotaan generalized bell terbentuk oleh tiga parameter: a,

b,dan c, sebagai berikut:

2.6.3 Fuzzy C-Means (FCM)

( ) =

1

1 +

(Matlab, 1999)

Fuzzy C-Means (FCM) adalah suatu teknik pengklasteran data yang mana

keberadaan tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan.

Konsep FCM pertama kali adalah menentukan pusat cluster yang akan menandai

lokasi rata-rata untuk tiap cluster. Pada kondisi awal pusat cluster ini masih belum

akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap cluster. Dengan

cara memperbaiki pusat cluster dan nilai

keanggotaan tiap-tiap data secara

berulang maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju

lokasi yang tepat.

20

Algoritma Fuzzy C-Means diberikan sebagai berikut:

1. Tentukan:

a. Matriks Z berukuran n x m, dengan n = jumlah data yang akan

diklaster dan m = jumlah variabel (kriteria),

b. Jumlah cluster yang dibentuk = C (≥2),

c. Pangkat (pembobot) = w (>1),

d. Maksimum iterasi,

e. Kriteria penghentian = ξ (nilai positif yang sangat kecil)

f. Iterasi awal, t=1 dan =1,

2. Bentuk matriks partisi awal U 0 sebagai berikut:

=

( , )

( , )

( , )

( , )

( , )

( , )

( , )

( , )

( , )

(matriks partisi awal biasanya dipilih secara acak)

3. Hitung pusat cluster V untuk setiap cluster:

=

( ) .

( )

4. Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki

matriks partisi) sebagai berikut:

dengan

=

/( )

= ( , ) = ( )

/

21

5.

Tentukan kriteria berhenti yaitu perubahan matriks partisi pada iterasi

sekarang dengan iterasi sebelumnya sebagai berikut:

=

Apabila ξ maka iterasi dihentikan, namun apabila > ξ maka naikkan

iterasi (t=t+1) dan kembalikan ke langkah 3.

2.6.4 Sistem Inferensi Fuzzy

(Kusumadewi, 2006)

Sistem Inferensi Fuzzy (Fuzzy Inference System atau FIS) merupakan suatu

kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy

berbentuk if-then, dan penalaran fuzzy. Sistem inferensi fuzzy menerima input

crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy

dalam bentuk if-then. Fire strength (bobot) akan dicari pada setiap aturan. Apabila

jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan.

Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai

crisp sebagai keluaran sistem.

aturan-1 If-then fuzzy crisp Input Agregasi fuzzy aturan-n Defuzzy If-then fuzzy crisp
aturan-1
If-then
fuzzy
crisp
Input
Agregasi
fuzzy
aturan-n
Defuzzy
If-then
fuzzy
crisp

Agregasi

Gambar 7. Diagram blok sistem inferensi fuzzy

(Kusumadewi, 2006)

22

Sistem inferensi fuzzy terdiri dari 5 (lima) bagian :

1. Basis aturan (rule base), terdiri dari sejumlah aturan fuzzy if-then,

2. Basis

data

(database)

yang

mendefinisikan

fungsi

keanggotaan

dari

himpunan fuzzy yang digunakan dalam aturan fuzzy, biasanya basis aturan

dan basis data digabung dan disebut basis pengetahuan (knowledge base),

3. Satuan pengambilan keputusan (decision-making unit) yang membentuk

operasi inferensi pada aturan (rule),

4. Antarmuka fuzzifikasi (fuzzification interface) yang mengubah input ke

dalam derajat yang sesuai dengan nilai linguistik (linguistik value),

5. Antarmuka defuzzifikasi (defuzzification interface) yang mengubah hasil

fuzzy inferensi ke bentuk output yang kompak.

2.6.5 FIS Model Sugeno (TSK)

(Jang, 1993)

Sistem

inferensi

fuzzy

menggunakan

metode

Sugeno

memiliki

karakteristik

yaitu

konsekuen

tidak

merupakan

himpunan

fuzzy,

namun

merupakan

suatu

persamaan

linier

dengan

variabel-variabel

sesuai

dengan

variabel inputnya. Metode ini diperkenalkan oleh Takagi Sugeno Kang (TSK)

pada 1985. Aturan fuzzy metode Sugeno adalah sebagai berikut:

If Z 1,t is A 1 and Z 2,t is A 2 then f=h(Z 1,t , Z 2,t )

Ada dua model untuk sistem inferensi fuzzy