Anda di halaman 1dari 7

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

Analisis Perbandingan Logika Fuzzy Time Series Sebagai Metode Peramalan

Hafiz Riyadli STMIK Palangkaraya hafiz.riyadli@gmail.com

Abstract - Fuzzy method in the world of information and communication technology especially in the domain of intelligent systems, which one can be used to forecasting. In this study the author will compare between fuzzy time series methods presented by Ruey Chyn Tsaur and the Novel Algorithms presented by Jasim, Salim and Ibraheem as a method to forecasting currency exchange rate of the Rupiah against the U.S. Dollar is retrieved from the data of Bank Indonesia. Results of the forecasting using Novel Algorithm, obtained a value of MAPE 0.003316 (0,3316%), while the Fuzzy Time Series Ruey Chyn Tsaur, obtained results of MAPE 0.01459 (1,459%). Keywords: Forecasting , Fuzzy Time Series, Ruey Chyn Tsaur, Novel Algorithms, MAPE

Abstrak - Metode fuzzy dalam dunia teknologi informasi dan komunikasi khususnya dalam ranah sistem cerdas, salah satunya dapat digunakan untuk melakukan peramalan. Dalam kajian ini penulis akan membandingkan antara metode fuzzy time series yang dikemukakan oleh Ruey Chyn Tsaur dengan Algoritma Novel yang dikemukakan oleh Jasim, Salim dan Ibraheem sebagai metode untuk peramalan nilai tukar Mata Uang Rupiah terhadap Dolar AS yang didapat dari data Bank Indonesia. Dari hasil peramalan menggunakan Algoritma Novel, didapat nilai MAPE sebesar 0.003316 (0,3316%), sedangkan Fuzzy Time Series Ruey Chyn Tsaur, diperoleh hasil MAPE sebesar 0.01459

(1,459%).

Kata Kunci : Peramalan, Fuzzy Time Series, Ruey Chyn Tsaur, Algoritma Novel, MAPE

1.1. LATAR BELAKANG Pada saat sekarang ini, perkembangan dunia teknologi informasi dan komunikasi terus bergerak sangat cepat dan pesat sekali, baik perkembangan teknologi perangkat keras, perangkat lunak, hingga perkembangan dalam metode komputasi juga dapat dirasakan sangat pesat. Salah satu metode komputasi yang juga berkembang sangat pesat adalah sistem cerdas. Sistem cerdas dalam dunia teknologi informasi dan komunikasi salah satunya dapat digunakan untuk melakukan peramalan, dimana salah satu metode yang sering digunakan dalam ranah sistem cerdas ini adalah metode fuzzy/ logika fuzzy. Logika Fuzzy diperkenalkan oleh Lutfi Zadeh pada sekitar tahun 1965. Beberapa penelitian telah dilakukan untuk memecahkan permasalahan meramalkan data time series yang diperkenalkan pertama kali oleh Song dan Chissom. Dalam penelitian ini penulis akan membandingkan antara metode fuzzy time series yang dikemukakan oleh Ruey Chyn Tsaur (2012) dengan Algoritma Novel yang dikemukakan oleh Jasim, Salim dan Ibraheem (2012) dalam meramalkan nilai tukar Mata Uang Rupiah terhadap Dolar Amerika Serikat. Sumber data yang diperlukan adalah data Nilai Tukar Rupiah terhadap Dolar AS yang diperoleh dari data Bank Indonesia (http://www.bi.go.id).

Berdasarkan uraian yang telah dipaparkan maka dapat dirumuskan permasalahan penelitian ini yaitu Bagaimana tingkat keakuratan hasil peramalan nilai tukar Rupiah terhadap Dolar AS antara metode Fuzzy Time Series yang dikemukakan oleh Ruey Chyn Tsaur dengan Algoritma Novel yang dikemukakan oleh Jasim, Salim dan Ibraheem Berdasarkan permasalahan yang telah uraian diatas, maka tujuan penelitian ini adalah Untuk menganalisis tingkat keakuratan hasil peramalan antara metode Fuzzy Time Series yang dikemukakan oleh Ruey Chyn Tsaur dan Algoritma Novel Berbasis Fuzzy Time Series yang dikemukakan oleh Jasim, Salim dan Ibraheem terhadap peramalan nilai tukar Rupiah terhadap Dolar AS. Sedangkan manfaat yang ingin diperoleh dengan adanya penelitian ini adalah agar dapat digunakan sebagai bahan pertimbangan pada studi kasus peramalan yang akan dilakukan oleh penulis berikutnya.

2.1. Fuzzy Time Series Rhuey Chyn Tsaur Langkah-langkah peramalan dengan metode fuzzy time series Ruey-Chyn Tsaur adalah sebagai berikut (Tsaur, 2012) :

Langkah 1. Mengumpulkan data(Y t ). Langkah 2. Menentukan nilai maksimum dan minimum dari data untuk mendefinisikan Universe of Discourse U=[D min - D 1 ,D max + D 2 ] dimana D 1 dan D 2 adalah nilai konstanta.

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

Langkah 3. Membuat interval dari Universe of Discourse yang telah ditentukan dengan menggunakan rumus :

l =[( D max + D 2 ) - ( D min - D 1 )]/ n

Kemudian menentukan himpunan fuzzy dari Universe of Discourse U. Himpunan fuzzy bisa dideskripsikan menjadi :

A 1 = (not many) A 2 = (not too many) A 3 = (many) A 4 = (many many) A 5 = (very many) A 6 = (too many) A 7 = (very too many). Secara sederhana, setiap himpunan fuzzy

A i =(i=1,2,

,7)

didefinisikan menjadi 7 interval,

yaitu :

,

u 7 =[ d 7, d 8 ]; sehingga, himpunan fuzzy A 1,

, A 1 = {1/ u 1 , 0.5/ u 2 , 0/ u 3 , 0/ u 4 , 0/ u 5 , 0/ u 6 , 0/

u 7 } A 2 = {0.5/ u 1 , 1/ u 2 , 0.5/ u 3 , 0/ u 4 , 0/ u 5 , 0/ u 6 , 0/

u 7 } A 3 = {0/ u 1 , 0.5/ u 2 , 1/ u 3 , 0.5/ u 4 , 0/ u 5 , 0/ u 6 , 0/

u 7 } A 4 = {0/ u 1 , 0/ u 2 , 0.5/ u 3 , 1/ u 4 , 0.5/ u 5 , 0/ u 6 , 0/

u 7 } A 5 = {0/ u 1 , 0/ u 2 , 0/ u 3 , 0.5/ u 4 , 1/ u 5 , 0.5/ u 6 , 0/

u 7 } A 6 = {0/ u 1 , 0/ u 2 , 0/ u 3 , 0/ u 4 , 0.5/ u 5 , 1/ u 6 , 0.5/

u 7 } A 7 = {0/ u 1 , 0/ u 2 , 0/ u 3 , 0/ u 4 , 0/ u 5 , 0.5/ u 6 , 1/

A 2 ,

u 1 =[ d 1, d 2 ], u 2 =[ d 2, d 3 ], u 3 =[ d 3, d 4 ],

A 7 didefinisikan menjadi :

u 7 }

Langkah 4. Menentukan Fuzzy Logical, Fuzzy Logical Relationship, serta mencari Fuzzy Logical Relationship Group. Langkah 5. Menghitung hasil peramalan (Y t ) melalui Fuzzy Logical Relationship Group. Untuk menemukan probabilitas pada next state menggunakan matriks transisi. n state didefinisikan untuk setiap langkah pada n fuzzy set, hingga dimensi matrik transisi

adalah n x n. Jika state A i membuat transisi A j

dan melalui state lain A k , i, j = 1,2,

probabilitas transisi state adalah sebagai

berikut (Ross, 2003):

,n.

Rumus

P ij = (M ij ) / M i

Dimana :

P ij

M

M

ij

i

=

Probabilitas Transisi dari state A i ke A j

=

satu langkah Jumlah transisi dari state A i ke A j satu

=

langkah Jumlah data yang masuk dalam state A i

Probabilitas transisi matrik R dapat dilihat pada gambar 1 sebagai berikut :

matrik R dapat dilihat pada gambar 1 sebagai berikut : Gambar 1. Probabilitas transisi matrik R

Gambar 1. Probabilitas transisi matrik R Definisi pada matrik R (Ross, 2003)

a. Jika P ij > 0 maka state Aj dapat diakses dari state Ai

b. Jika state A i dan state A j saling

mengakses satu sama lain, maka A i berkomunikasi dengan A j . Aturan 5.1. Jika fuzzy logical relationship A i

adalah relasi one to one ( misalnya A i A k dimana P ik = 1 dan P ij = 0, j k), maka nilai peramalan F (t) adalah m k nilai tengah dari u k. Aturan 5.2. Jika fuzzy logical relationship A i adalah relasi one to many (misalnya A j A 1 ,

A 2 ,

diambil Y t-1 pada waktu (t-1) pada state A j ,

maka peramalan Y 1t adalah :

,

A n ,

j = 1,2,

,n),

dimana data yang

Y 1t = m j-1 P j(j-1) + Y (t-1) P jj + m j+1 P j(j+1)

Dimana :

m

m

j-1

j+1

Y (t-1)

= nilai tengah u j-1 = nilai tengah u j+1 = nilai state A j pada waktu t-1

Langkah 6. Mengatur kecenderungan nilai peramalan untuk memperbaiki error :

Aturan 6.1. Jika state A i berkomunikasi dengan A i , dimulai dari state A i pada waktu t -1 sebagai Y (t-1) = A i dan membuat transisi menaik ke state A j pada waktu t dimana (i < j) maka rumus pengaturan nilai kecenderungan adalah

D t1 = (l/2) dimana l = nilai basis interval. Aturan 6.2. Jika state A i berkomunikasi dengan A i , dimulai dari state A i pada waktu t -1 sebagai Y (t-1) = A i dan membuat transisi menurun ke state A j pada waktu t dimana (i > j) maka rumus pengaturan nilai kecenderungan adalah

D t1 = - (l /2) Aturan 6.3. Jika arah state ke dalam state A i pada waktu t -1 sebagai Y (t-1) = A i dan membuat transisi melompat maju ke state A i+s pada waktu t dimana (1 < s < n-i ) maka rumus pengaturan nilai kecenderungan adalah :

D t2 = (l /2)s dimana s = jumlah lompatan kedepan. Aturan 6.4. Jika proses didefinisikan ke state A i pada waktu t -1 sebagai Y (t-1) = A i dan

ISSN : 1979-9330 (Print) - 2088-0154 (Online)

23

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

membuat transisi melompat ke belakang state A i-v pada waktu t dimana (1 < v < i) maka rumusnya adalah :

D t2 = - (l /2)v dimana v = jumlah lompatan kebelakang.

Langkah 7. Menentukan hasil peramalan dengan nilai pengaturan kecenderungan. Jika fuzzy logical relationship group dari A i adalah one to many dan state A i+1 dapat diakses dari A i dimana state A i berkomunikasi dengan A i maka hasil peramalan menjadi :

Y’ t = Y 1t +D t1 +D t2 Jika fuzzy logical relationship group dari Ai adalah one to many dan state A i+1 dapat diakses dari A i tetapi state A i tidak berkomunikasi dengan A i maka hasil peramalan menjadi :

Y’ t = Y 1t +D t1 Jika fuzzy logical relationship group dari A i adalah one to many dan state A i-2 dapat diakses dari A i tetapi state A i tidak berkomunikasi dengan A i maka hasil peramalan menjadi :

Y’ t = Y 1t +2*D t2

2.2. Algoritma Novel Langkah-langkah peramalan dengan Algoritma Novel berbasis Fuzzy Time Series yang dikemukakan oleh Haneen Talal Jasim,Abdul Ghafoor Jasim Salim, dan Kais Ismail Ibraheem tahun 2012 adalah sebagai berikut (Jasim, Salim dan Ibraheem, 2012) Langkah 1. Mengumpulkan data Langkah 2. Menentukan nilai maksimum dan nilai minimum dari interval [D min – D 1 , D max +D 2 ], dimana D 1 dan D 2 merupakan nilai konstanta untuk menentukan Universe of discourse U. Langkah 3. a: Penentuan Interval I menggunakan metode average based length (Duru and Yoshida, 2009) sebagai berikut :

av =

(D i -D i-1 )

n – 1

dimana n adalah banyaknya data. b: kemudian hitung nilai tengah menggunakan rumus ( B=av/2) c: Tentukan range dari hasil B berdasarkan tabel dibawah ini (Duru and Yoshida,2009) :

Tabel 1. Base Mapping

Range

Base

0.1 -1

0.1

1 – 10

1

10 – 100

10

100 – 1000

100

1000- 10000

1000

Langkah 4. Menetukan nilai dari interval fuzzy menggunakan rumus sebagai berikut :

m = (Dmax+D1-Dmin-D2)/I Langkah 5. Menentukan himpunan Fuzzy logical sebagai berikut :Ai= (d i-1 , d i , d i+1 , d i+2 ) dimulai dari A1 = (d 0 , d 1 , d 2 , d 3 ) dan berakhir pada A m = (d m-1 , d m , d m+1 , d m+2 ), dimana d 0 = Dmin – I d m+2 = Dmax dan fuzzifikasi data historis menandakan nilai linguistik data diwakili oleh satu set himpunan fuzzy 1 < I < m. Langkah 6. Menentukan Fuzzy Logical Relations sebagai berikut : Aj Ai Langkah 7. Cari Fuzzy Logical Group Langkah 8. Hitung hasil peramalan. Nilai peramalan pada waktu t ditentukan berdasarkan ketentuan berikut :

A :

jika Fuzzy Logical Relationship Group (FLRG) A j adalah kosong A j Ø, maka nilai F vt adalah nilai tengah dari interval Aj dimana

B :

A j = (d j-1 , d j , d j+1 , d j+2 ) jika FLRG A j adalah relasi one to one A j A k maka interval yang mengandung

nilai

ketentuan

untuk memperoleh peramalan :

(1) Jika j > i, dan Y > 0, maka kecenderungan peramalan akan menaik dan menggunakan aturan 2 untuk meramalkan data tersebut. (2) Jika j > i, dan Y < 0, maka kecenderungan peramalan akan menurun dan menggunakan aturan 3 untuk meramalkan data tersebut. (3) Jika j < i, dan Y > 0, maka kecenderungan peramalan akan menaik dan menggunakan aturan 2 untuk meramalkan data tersebut. (4) Jika j < i, dan Y < 0, maka kecenderungan peramalan akan

dan

selanjutnya

peramalan

adalah

A k

menggunakan

menurun dan menggunakan aturan 3 untuk meramalkan data tersebut. (5) Jika j = i, dan Y > 0, maka kecenderungan peramalan akan menaik dan menggunakan aturan 2 untuk meramalkan data tersebut.

maka

(6)

kecenderungan peramalan akan menurun dan menggunakan aturan 3

untuk meramalkan data tersebut.

Jika

j

=

i,

dan

Y

<

0,

Aturan 1, 2 dan 3 adalah sebagai berikut :

ISSN : 1979-9330 (Print) - 2088-0154 (Online)

24

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

Aturan 1. Jika Nilai data (n-1) dikurang data (n-2) ׀ / 2 > A j /2, maka kecenderungan peramalan pada interval ini menaik dan F n = 0.75 dari A j . Jika Nilai data (n-1) dikurang data (n-2) ׀ / 2 = A j /2, maka peramalan adalah nilai tengah interval. Jika Nilai data (n-1) dikurang data (n-2) ׀ / 2 < A j /2, maka kecenderungan peramalan pada interval ini menurun dan F n = 0.25 dari A j .

Aturan 2. Jika x = ׀Y׀ * 2 + data (n-1) A j atau x = data *

2 A j , maka kecenderungan

(n-1)

peramalan pada interval ini menaik dan F n =

0.75 dari A j.

Jika x =

+ data (n-1) A j atau x = data (n-1) A j atau x = data (n-1)

-

׀Y׀

-

A j , maka kecenderungan peramalan A j , maka kecenderungan peramalan

menurun dan F n = 0.25 dari A j . Jika bukan keduanya, maka hasil peramalan adalah nilai tengah dari interval A j .

Aturan 3.

Jika x =

+ data (n-1) A j atau x = data (n-1) A j atau x = data (n-1)

-

A j , maka kecenderungan peramalan A j , maka kecenderungan peramalan

pada interval ini menurun dan F n = 0.25 dari A j . Jika x = ׀Y׀ * 2 + data (n-1) A j atau x = data (n-1) - ׀Y׀ * 2 A j , maka kecenderungan peramalan pada interval ini menaik dan F n =

0.75 dari A j.

Jika bukan keduanya, maka hasil peramalan adalah nilai tengah dari interval A j . (Chen dan Hsu, 2004).

C :

Jika FLRG A j adalah relasi one to many A j

A k1 , A k2 , …., A kp , maka

peramalan

mengikuti ketentuan sebagai berikut :

(1)

Jika perbedaan antara dua k1, k2,…,kp < 2 maka nilai interval peramalannya adalah seperti gambar 2 berikut :

interval peramalannya adalah seperti gambar 2 berikut : Gambar 2. Langkah 8 Ketentuan C (1) Maka

Gambar 2. Langkah 8 Ketentuan C (1)

Maka hasil peramalannya adalah nilai tengah interval tersebut.

(2) Jika perbedaan antara dua k1, k2,…,kp > 2 maka nilai interval peramalannya adalah seperti gambar 3 berikut :

interval peramalannya adalah seperti gambar 3 berikut : Gambar 3. Langkah 8 Ketentuan C (2) Dimana

Gambar 3. Langkah 8 Ketentuan C (2)

Dimana A ki adalah interval yang mempunyai perbedaan > 2, I = 1,2,…,p dan peramalan himpunan fuzzy A ki adalah perhitungan one to one fuzzy logical relationship dengan mengaplikasikan Langkah 8.

2.3. Metode Evaluasi Peramalan

Metode evaluasi yang digunakan adalah metode Mean Absolute Percentage Error (MAPE). Metode MAPE adalah metode yang digunakan untuk mengevaluasi peramalan (Tsaur, 2012). Rumus metode MAPE adalah :

peramalan (Tsaur, 2012). Rumus metode MAPE adalah : MAPE Y t Y’ t N t Dimana

MAPE

Y t

Y’ t

N

t

Dimana :

=

mean absolute percentage error

=

data aktual kurs Rupiah

=

data hasil peramalan

=

jumlah data

=

tahun

2.4. Bahan Penelitian

Dalam melakukan penelitian ini, bahan

penelitian yang dibutuhkan yaitu data Kurs

rupiah terhadap Dolar Amerika Serikat yang diperoleh dari data Bank Indonesia (http://www.bi.go.id), yaitu :

ISSN : 1979-9330 (Print) - 2088-0154 (Online)

25

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

Tabel 2. Nilai Kurs Rupiah Terhadap Dolar AS

Tabel 4. Fuzzy Logical Relationship Group (Tsaur)

Year

Rp/ USD

2000

8402

2001

10244

2002

9318

2003

8577

2004

8289

2005

9705

Year

Rp/ USD

2006

9165

2007

9140

2008

9706

2009

10400

2010

9087

2011

9113

2012

9718

2013

12250

2014

12502

3.1. Hasil dan Pembahasan Hasil dari penelitian berdasarkan data dari tabel 3 diatas, maka hasil peramalan menggunakan fuzzy time series Rhuey Chyn Tsaur dapat dilihat pada tabel 3, 4 dan 5. Sedangkan peramalan menggunakan Algoritma Novel dapat dilihat pada tabel 6 dan 7 sebagai berikut :

A1 A4

A4 A2

A2 A1

A1 A1,A3

A3 A2

A2 A2, A3

A3 A4

A4 A2

A2 A2, A3

A3 A7

A7 A7

 

Tabel 5. The Forecast result (Tsaur)

   

Forecasting

Year

Historical Data

Value

2000

8402

-

2001

10244

10450

2002

9318

9050

2003

8577

8350

2004

8289

8735

2005

9705

9719

2006

9165

9050

2007

9140

9108

2008

9706

9795

2009

10400

10450

2010

9087

9050

2011

9113

9069

2012

9718

9781

2013

12250

12550

2014

12502

12550

Tabel 6. Fuzzy Sets (Novel Algorthm)

 

Year

Historical Data

Fuzzy Sets

 

Tabel 3. Fuzzy Sets (Tsaur)

2000

8402

A3

2001

10244

A21

     
     
     
     
     
     
     
     
     
     
     
     
     

Year

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

Historical data

8402

10244

9318

8577

8289

9705

9165

9140

9706

10400

9087

9113

9718

12250

12502

Fuzzy Sets

A1

A4

A2

A1

A1

A3

A2

A2

A3

A4

A2

A2

A3

A7

A7

2002

9318

A12

2007

9140

A10

2010

9087

A9

Tabel 7. Forecast Result (Novel Algorthm)

ISSN : 1979-9330 (Print) - 2088-0154 (Online)

26

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

2007

9140

9150

2008

9706

9775

Year

Historical

Novel

Data

Forecast

2009

10400

10450

2010

9087

9050

2011

9113

9150

2012

9718

9750

2013

12250

12250

2014

12502

12550

Gambar 4. Grafik Perbandingan Data Historis dan Data Peramalan

4.1. KESIMPULAN Dari hasil penelitian yang telah dilakukan maka dapat ditarik kesimpulan hasil peramalan menggunakan Algoritma Novel, didapat hasil kesalahan peramalan yang lebih kecil dengan nilai MAPE sebesar 0.003316 (0,3316%), sedangkan Fuzzy Time Series Ruey Chyn Tsaur, diperoleh hasil MAPE sebesar 0.01459 (1,459%). Hal ini menunjukkan metode peramalan menggunakan Algoritma Novel mempunyai hasil peramalan yang lebih akurat dibandingkan dengan metode Fuzzy Time Series Ruey Chyn Tsaur.

PUSTAKA [1] Apriliyah, Mahmudy WF dan Widodo AW. (2008). Perkiraan Penjualan

Beban Listrik Menggunakan Jaringan

Syaraf Tiruan Resilent

Backpropagation (RProp). Kursor, vol. 4, no. 2, pp. 41-47. [2] Berutu, Sunneng Sandino. (2013). Peramalan Penjualan Dengan Metode Fuzzy Time Series Ruey Chyn Tsaur. Tesis. Universitas Diponegoro,

Semarang.

[3]

Buffa S, Elwood, Rakesh , and K.

[4]

Sarin. (1996). Modern Production and Operation Management, Eight Edition, John Willey and Sons Inc, London. Chen S. M. (1996). Forecasting Enrollments Based on Fuzzy Time Series. Fuzzy sets and Systems 81

311-319.

[5] Chen S. M. (2002). Forecasting

Enrollments Based on High-order Fuzzy Time Series. Cybernetics and

Systems : An International Journal 33

1-16.

[6]

Duru, Okan and Yoshida S. (2009).

[7]

Comparative Analysis of Fuzzy Time Series and Forecasting : an Empirical Study of Forecasting Dry Bulk Shipping Index. Heizer J and Render B. (2005).

[8]

Operation Management, 7th Edition. (Manajemen Operasi Edisi 7, Buku I, Penerbit Salemba Empat, Jakarta. Hillier, F. S. Dan G. J. Lieberman.

[9]

(2008). Introduction To Operations Research Eighth Edition, Edisi Bahasa Indonesia, Andi, Yogyakarta. Jasim, Haneen Talal, Abdul G.J. Salim dan K. I. Ibraheem. (2012). A Novel

3.2. EVALUASI PERAMALAN Dari hasil peramalan pada tabel 5 (Metode Tsaur) dan Tabel 7 (Algoritma Novel), selanjutnya menghitung persentase eror menggunakan metode Mean Absolute Percentage Error (MAPE) yang hasilnya dapat dilihat pada tabel 8, Selanjutnya perbandingan lengkap antara dua metode ini dapat dilihat pada gambar 4 berikut :

Tabel 8. The Forecast result with MAPE

Year

Historical

Forecasting

MAPE

Forecasting

MAPE

data

(Tsaur)

(Tsaur)

(Novel)

(Novel)

2000

8402

-

-

-

-

2001

10244

10450

0.020109

10250

0.000586

2002

9318

9050

0.028762

9350

0.003434

2003

8577

8350

0.026466

8550

0.003148

2004

8289

8735

0.053806

8250

0.004705

2005

9705

9719

0.001443

9750

0.004637

2006

9165

9050

0.012548

9150

0.001637

2007

9140

9108

0.003501

9150

0.001094

2008

9706

9795

0.009170

9775

0.007109

2009

10400

10450

0.004808

10450

0.004808

2010

9087

9050

0.004072

9050

0.004072

2011

9113

9069

0.004828

9150

0.00406

2012

9718

9781

0.006483

9750

0.003293

2013

12250

12550

0.024490

12250

0

2014

12502

12550

0.003839

12550

0.003839

 

Total

 

0.20432

 

0.046421

 

MAPE

 

0.01459

 

0.003316

 

%

 

1,459

 

0.3316

  0.003316   %   1,459   0.3316 ISSN : 1979-9330 (Print) - 2088-0154 (Online) 2

ISSN : 1979-9330 (Print) - 2088-0154 (Online)

27

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 8 No 1 - 2016 - speed.web.id

 

[21]

Singh, S. R. (2009). A Computational

Algorthm to Forecast Enrollment Based On Fuzzy Time Series. Applications and Applied Mathematics

: An International Journal, Vol. 7, Issue 1, pp 385-397. [10] Jumingan, (2009). Studi Kelayakan Bisnis, Teori dan Proposal Kelayakan. Bumi Aksara, Jakarta.

Method of Forecasting based on Higher-order Fuzzy Time Series, Expert Systems with Applications 36

10551-10559.

[22] Song, Q dan B.S. Chissom. (1993).

Forecasting enrollment with fuzzy time series – Part I, Fuzzy Sets and Systems, vol.54, no.1, pp. 1-9. [23] Song, Q dan B.S. Chissom. (1994). Forecasting enrollment with fuzzy time series – Part II, Fuzzy Sets and Systems, vol.62, no.1, pp. 1-8.

[11]

Khikmiyah, L, W. Anggraini, R.A. Vinarti. (2012). Prediksi Permintaan

Gas Cair Menggunakan Fuzzy Inference Model Pada PT. Air Product Gresik, Jurnal Teknik Pomits, vol.1, no.1, 1-9. [12] Kusumadewi S dan H Purnomo. (2004). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta.

[24]

Stevenson, Meredith and John E.

Porter. (2009). Fuzzy Time Series Forecasting Using Percentage Change as the Universe of Discourse. World Academy of Science, Engineering and

[13]

Kusumadewi S. (2002). Analisis &

Desain Sistem Fuzzy menggunakan Tool Box Matlab. Graha Ilmu, Yogyakarta. [14] Kusumadewi, Sri. (2003). Artificial

Intelligence (Teknik dan Aplikasinya),

Technology 55. [25] Supriyono. (2007). Analisis

Perbandingan Logika Fuzzy Dengan Regresi Berganda Sebagai Alat Peramalan. Seminar Nasional III SDM Teknologi Nuklir, Yogyakarta, ISSN

 

Graha Ilmu, Yogyakarta. Lee J, Peter B, Wagner A. K. (2003). A Bayesian Model for Prelaunch Sales Forecasting of Recorded Music. Management Science Vol. 49 No.2

179-196.

 

1978-0176.

[15]

[26]

Tsai C. C, Wu S. J. (1999). A Study for

Second Order Modeling of Fuzzy Time Series. IEEE international fuzzy systems conference proceedings II, August 22-25, Seoul, Korea 719-725. Tsaur, R. C, J. C. O. Yang dan H. F. Wang. (2005). Fuzzy Relation Analysis in fuzzy time series model, Computer and Mathematic with Applications, vol.49, no.4, pp.539-548. Tsaur, R. C. (2012). A Fuzzy Time Series Markov Chain Model With an Application To Forecast The Exchange Rate Between Taiwan and US Dollar, ICIC International, vol.8, no.7,

[16]

Lee L. W, Wang L. H, Chen S. M, Leu Y. H. (2006). Handling Forecasting Problems based on Two Factors High- order Fuzzy Time Series. IEEE Transactions on Fuzzy Systems 14(3)

[27]

468-477.

[28]

[17]

Makridakis S, Steven C, Wheelwright, Victor E and Mc Gee. (1999). Metode dan Aplikasi Peramalan, Jilid I, Edisi Kedua, Jakarta, Binarupa Aksara. Puspitasari, Endah, Lilik Linawati, dan Hanna Arini Parhusip. (2012). Simulasi Peramalan IndeksHarga Saham Gabungan (IHSG) Dengan Fuzzy Time Series Using Precentage Change. Jurnal.

[18]

pp.4931-4942.

[29] Vrusias B. L. (2005). Fuzzy.

 

http://www.2dix.com/ppt/fuzzy.php.

[30]

Juni 2015. Zadeh, Lotfi Asker. (1965). Fuzzy Set.

Information and Control. http://www.bi.go.id. Juni 2015

[19]

Render, Barry dan Jay Heizer. (2001). Prinsip-Prinsip Manajemen Operasi, Edisi Bahasa Indonesia, Jakarta, Salemba Empat. Ross, S. M, (2003), Introduction To Probability Models, Academic Press, New York.

[31]

[32]

Slamet Riyadi, Sukadi, Pembuatan Model Pintu Geser Otomatis Pada Unit Pelayanan Teknis Rumah Pintar Kabupaten Pacitan, Vol 3, No 2

[20]

(2014): IJNS April 2014