Anda di halaman 1dari 8

Implementasi Metode Fuzzy Time Series dengan Penentuan Interval

Berbasis Rata-rata untuk Peramalan Data Penjualan Bulanan


1) 2) 3)
M Syauqi Haris Edy Santoso, Ssi.,M.Kom Dian Eka Ratnawati, Ssi.,M.Kom
1)
Mahasiswa Ilmu Komputer
2) 3)
Staf Pengajar Ilmu Komputer
Jurusan Matematika Universitas Brawijaya Malang
E-mail : syauqiharis@gmail.com

Abstrak

Sistem peramalan dengan fuzzy time series menangkap pola dari data yang telah lalu kemudian
digunakan untuk memproyeksikan data yang akan datang. Prosesnya juga tidak membutuhkan suatu sistem
pembelajaran dari sistem yang rumit sebagaimana yang ada pada algoritma genetika dan jaringan syaraf
sehingga mudah untuk dikembangkan. Dalam perhitungan peramalan dengan menggunakan fuzzy time
series, panjang interval telah ditentukan di awal proses perhitungan. Sedangkan penentuan panjang interval
sangat berpengaruh dalam pembentukan fuzzy relationship yang tentunya akan memberikan dampak
perbedaan hasil perhitungan peramalan. Oleh karena itu, pembentukan fuzzy relationship haruslah tepat dan
hal ini mengharuskan penentuan panjang interval yang sesuai. Salah satu metode untuk penentuan panjang
interval yang efektif adalah dengan metode berbasis rata-rata atau average-based fuzzy time series. Dalam
skripsi ini, penulis mengimplementasikan fuzzy time series untuk meramalkan data penjualan bulanan,
adapun data yang digunakan untuk pengujian adalah data yang berasal dari situs web penyedia data statistic
hasil sensus. Dan dari hasil pengujian yang dilakukan, diketahui bahwa Peramalan data menggunakan Fuzzy
Time Series dengan penentuan interval berbasis rata-rata memiliki tingkat akurasi lebih tinggi dibandingkan
dengan Fuzzy Time Series Standar, dengan selisih rata-rata 52,39 % lebih akurat jika error dihitung
menggunakan AFER dan selisih rata-rata 70,90 % lebih akurat jika error dihitung menggunakan MSE.

Kata Kunci : fuzzy time series, peramalan data penjualan, interval berbasis rata-rata

1. Pendahuluan Metode fuzzy time series oleh Chen [1]


telah diimplementasikan untuk meramalkan
Salah satu hal yang paling penting di jumlah pendaftar di Universitas Alabama dari
dalam melakukan analisis pasar dan tahun ke tahun, berdasarkan dari data histori
pemasaran adalah mengukur dan meramalkan yang ada. Kemudian metode ini juga
permintaan pasar. Adapun permintaan pasar diimplementasikan untuk prediksi temperatur
(market demand) didefinisikan sebagai jumlah dalam suatu daerah berdasarkan data-data
keseluruhan produk/jasa yang akan dibeli oleh temperatur sebelumnya yang tercatat dalam
sekelompok konsumen di dalam suatu daerah kurun waktu tertentu [3]. Di mana data kedua
tertentu, dalam waktu tertentu, dalam penelitian tersebut adalah sama-sama
lingkungan pemasaran tertentu, dan dalam berbentuk data time series [2].
suatu program pemasaran tertentu [5]. Sistem peramalan dengan fuzzy time
Permasalahan yang dihadapi dalam series menangkap pola dari data yang telah
mengadakan analisis permintaan adalah lalu kemudian digunakan untuk
mengukur permintaan sekarang dan memproyeksikan data yang akan datang.
meramalkan kondisi-kondisi tersebut pada Prosesnya juga tidak membutuhkan suatu
masa yang akan datang. Mengukur permintaan sistem pembelajaran dari sistem yang rumit
sekarang berarti menganalisa kondisi sekarang sebagaimana yang ada pada algoritma genetika
dan sebelumnya sebagai sumber informasi dan jaringan syaraf sehingga mudah untuk
untuk memprediksi keadaan yang akan datang dikembangkan [8].
dengan asumsi keadaan masa lalu akan Dalam perhitungan peramalan dengan
berulang lagi di masa depan [4][7]. menggunakan fuzzy time series, panjang
interval telah ditentukan di awal proses

1
perhitungan. Sedangkan penentuan panjang konsep lag yang mempengaruhi data time
interval sangat berpengaruh dalam series.
pembentukan fuzzy relationship yang tentunya Tabel 1. Produksi dan lag produksi kopi dunia
akan memberikan dampak perbedaan hasil tahun 2000–2005
perhitungan peramalan. Oleh karena itu,
pembentukan fuzzy relationship haruslah tepat Tahun Produksi Kopi Lag
dan hal ini mengharuskan penentuan panjang (Ton)
interval yang sesuai. Salah satu metode untuk 2000 7.562.713 -
penentuan panjang interval yang efektif adalah 2001 7.407.986 -154.727
dengan metode berbasis rata-rata atau 2002 7.876.893 468.907
average-based fuzzy time series [11]. 2003 7.179.592 -697.301
2004 7.582.293 402.701
Dalam penelitian ini dilakukan
2005 7.276.333 -305.960
implementasi metode Fuzzy Time Series
dengan penentuan interval berbasis rata-rata
untuk peramalan data penjualan bulanan Data lag tersebut kemudian dapat
digunakan untuk melihat pengaruh lag
sehingga diharapkan bisa diketahui bagaimana
langkah-langkah implementasi metode dalam produksi terhadap harga kopi dunia [10].
sistem dan bisa diukur akurasi penggunaan
sistem fuzzy time series untuk peramalan. 2.2. Himpunan Fuzzy

2. Dasar Teori Sri Kusumadewi dan Hari Purnomo [6]


dalam bukunya menjelaskan bahwa pada
2.1. Data runtun waktu (time series) dasarnya himpunan fuzzy merupakan
perluasan dari himpunan klasik (crisp), pada
Time series merupakan data yang terdiri himpunan klasik A suatu elemen akan
atas satu objek tetapi meliputi beberapa memiliki 2 kemungkinan keanggotaan yaitu
periode waktu misalnya harian, bulanan, anggota A dinotasikan dengan μA(x). Pada
mingguan, tahunan, dan lain-lain. Dapat himpunan klasik ada dua keanggotaan yaitu
dilihat dari contoh data time series pada data μA(x) = 1 apabila x merupakan anggota A dan
harga saham, data ekspor, data nilai tukar μA(x)=0 apabila x bukan anggota A.
(kurs), data produksi, dan lain-lain sebagainya. Himpunan Fuzzy memiliki 2 (dua) atribut
Jika diamati masing-masing data tersebut yaitu :
terkait dengan waktu (time) dan terjadi 1. Linguistik, yaitu penamaan suatu group
berurutan. Misalnya data produksi minyak yang mewakili suatu keadaan atau kondisi
sawit dari tahun 2000 hingga 2009, data kurs tertentu dengan menggunakan bahasa
Rupiah terhadap dollar Amerika Serikat dari alami, seperti : Muda, Parobaya, Tua.
tahun 2000 – 2006, dan lain-lain. Dengan 2. Numeris, yaitu suatu nilai (angka) yang
demikian maka akan sangat mudah untuk menunjukkan ukuran dari suatu variabel
mengenali jenis data ini. seperti: 40, 25, 50, dsb.
Data time series juga sangat berguna bagi
pengambil keputusan untuk memperkirakan 2.3. Fungsi Keanggotaan Fuzzy
kejadian di masa yang akan datang. Karena
diyakini pola perubahan data time series Sri Kusumadewi dan Hari Purnomo [6]
beberapa periode masa lampau akan kembali dalam bukunya menjelaskan bahwa fungsi
terulang pada masa kini. Data time series juga Keanggotaan (membership function) adalah
biasanya bergantung kepada lag atau selisih. suatu kurva yang menunjukkan pemetaan titik-
Katakanlah pada beberapa kasus misalnya titik input data ke dalam nilai keanggotaannya
produksi dunia komoditas kopi pada tahun (sering juga disebut dengan derajat
sebelumnya akan mempengaruhi harga kopi keanggotaan) yang memiliki interval antara 0
dunia pada tahun berikutnya. Dengan sampai 1. Salah satu cara yang digunakan
demikian maka akan diperlukan data untuk mendapatkan nilai keanggotaan adalah
lag produksi kopi, bukan data aktual harga dengan melalui pendekatan fungsi. Salah
kopi. Tabel 1 akan memperjelas satunya adalah fungsi keanggotaan segitiga.
Seperti pada Gambar 1.

2
yang yang berbeda bergantung pada kenyataan
bahwa himpunan semesta bisa berbeda pada
1 waktu yang berbeda. Dan jika F(t) hanya
disebabkan oleh F(t-1) maka hubungan ini
digambarkan sebagai F(t-1)  F(t). (Chen,
µ(x
) 1996)

2.5. Metode Peramalan dengan Fuzzy Time


0
Series
a b c
domain

Gambar 1. Fungsi Keanggotaan Segitiga Langkah Pertama : Bagi himpunan semesta U


= [Dmin, Dmax] menjadi sejumlah ganjil interval
yang sama u1, u2, …, um,.
Adapun Fungsi keanggotaannya adalah
sebagai berikut : Misalkan U = [13000, 20000] bisa dibagi
menjadi tujuh interval u1, u2, u3, u4, u5, u6, u7
0; 𝑥 ≤ 𝑎 atau 𝑥 ≥ 𝑐 dimana u1 = [13000,14000], u2 =
(𝑥 − 𝑎) 𝑏 − 𝑎 ; 𝑎 ≤ 𝑥 ≤ 𝑏
[14000,15000], u3 = [15000,16000], u4 =
µ 𝑥 = (1)
[16000,17000], u5 = [17000,18000], u6 =
(𝑐 − 𝑥) 𝑐 − 𝑏 ; 𝑏 ≤ 𝑥 ≤ 𝑐 [18000,19000], u7 = [19000,20000].

2.4. Fuzzy Time Series Langkah Kedua : Jadikan A1, A2, … , Ak


menjadi suatu himpunan-himpunan fuzzy yang
Perbedaan utama antara fuzzy time series variabel linguistiknya ditentukan sesuai
dan konvensional time series yaitu pada nilai dengan keadaan semesta. Kemudian
yang digunakan dalam peramalan, yang definisikan himpunan-himpunan fuzzy
merupakan himpunan fuzzy dari bilangan- tersebut sebagaimana berikut ini :
bilangan real atas himpunan semesta yang A1 = a11 / u1 + a12 / u2 + … + a1m / um
ditentukan. Himpunan fuzzy dapat diartikan A1 = a21 / u1 + a22 / u2 + … + a2m / um
sebagai suatu kelas bilangan dengan batasan …
yang samar. A1 = ak1 / u1 + ak2 / u2 + … + akm / um
Jika U adalah himpunan semesta, U = Di mana aij  [0,1], 1 ≤ i ≤ k, and 1 ≤ j ≤
{u1, uz, ... , un}, maka suatu himpunan fuzzy A m. nilai dari aij menunjukkan derajat
dari U dedefinisikan sebagai A = fA(u1)/u1 + keanggotaan dari uj dalam himpunan fuzzy Ai.
fA(u2)/u2 + … + fA(un)/un dimana fA adalah Penentuan derajat untuk masing-masing Ai(i=
fungsi keanggotaan dari A, fA : U  [0,1] and 1,2,…,m) yaitu jika keanggotaan maximum
1 ≤ i ≤ n. dari suatu data dibawah Ak maka nilai
Sedangkan definisi dari fuzzy time series fuzzifikasi-nya dikatakan sebagai Ak.
adalah misalkan Y (t) (t= …,0,1,2, …), adalah Kemudian Fuzzy Logical Relationship (FLR)
himpunan bagian dari R, yang menjadi ditentukan berdasarkan data histori yang ada.
himpunan semesta dimana himpunan fuzzy A1 = 1/ u1 + 0.5/ u2 + 0/ u3 + 0/ u4 + 0/ u5 +
fi(t) (i=1,2, …) telah didefinisikan sebelumnya 0/ u6 + 0/ u7 ,
dan jadikan F(t) menjadi kumpulan dari A2 = 0.5/ u1 + 1/ u2 + 0.5/ u3 + 0/ u4 + 0/ u5 +
fi(t)(i=1,2,…). Maka, F(t) dinyatakan sebagai 0/ u6 + 0/ u7 ,
fuzzy time series terhadap Y(t)(t=…,0,1,2,…). A3 = 0/ u1 + 0.5/ u2 + 1/ u3 + 0.5/ u4 + 0/ u5 +
Dari definisi di atas, dapat dilihat bahwa 0/ u6 + 0/ u7 ,
F(t) bisa dianggap sebagai variabel linguistik A4 = 0/ u1 + 0/ u2 + 0.5/ u3 + 1/ u4 + 0.5/ u5 +
dan fi(t)(i=1,2,…) bisa dianggap sebagai 0/ u6 + 0/ u7 ,
kemungkinan nilai linguistik dari F(t), dimana A5 = 0/ u1 + 0/ u2 + 0/ u3 + 0.5/ u4 + 1/ u5 +
fi(t)(i=1,2,…) direpresentasikan oleh suatu 0.5/ u6 + 0/ u7 ,
himpunan fuzzy. Bisa dilihat juga bahwa F(t) A6 = 0/ u1 + 0/ u2 + 0/ u3 + 0/ u4 + 0.5/ u5 +
adalah suatu fungsi waktu dari t misalnya, 1/ u6 + 0.5/ u7 ,
nilai-nilai dari F(t) bisa berbeda pada waktu

3
A7 = 0/ u1 + 0/ u2 + 0/ u3 + 0/ u4 + 0/ u5 + enam fuzzy logical relationship group
0.5/ u6 + 1/ u7 , sebagaimana pada Tabel 4.
Adapun data histori yang digunakan dalam
Tabel 4. fuzzy logical relationship groups
contoh perhitungan ditampilkan pada Tabel 2.
Group 1 A1  A1 A1  A2
Group 2 A2  A3
Tabel 2. Data Fuzzifikasi Historis Enrollment
Group 3 A3  A3 A3  A4
Actual Fuzzified Group 4 A4  A3 A4  A6
Year Enrollment Enrollment Group 5 A6  A6
1971 13055 A1 Group 6 A7  A7 A7  A6
1972 13563 A1
1973 13867 A1 Langkah Keempat : Hitung hasil keluaran
1974 14696 A2 peramalan dengan menggunakan beberapa
1975 15460 A3 prinsip berikut :
1976 15311 A3 (1) jika hasil fuzzifikasi enrollment pada tahun
1977 15603 A3 i adalah Aj dan hanya ada satu fuzzy logical
1978 15861 A3 relationship pada fuzzy logical relationship
1979 16807 A4 group yaitu dengan posisi current state adalah
1980 16919 A4 Aj sebagaimana rumusan berikut :
1981 16388 A4
Aj  Ak
1982 15433 A3
1983 15497 A3 Di mana Aj dan Ak adalah himpunan fuzzy dan
1984 15145 A3 nilai maksimum keanggotaan fuzzy-nya
1985 15163 A3 terdapat pada interval uk, dan midpoint (nilai
1986 15984 A3 tengah) dari uk adalah mk, maka hasil
1987 16859 A4 peramalan untuk tahun i+1 adalah mk.
1988 18150 A6 (2) jika hasil fuzzifikasi enrollment pada tahun
1989 18970 A6 i adalah Aj dan terdapat beberapa fuzzy logical
1990 19328 A7 relationship dengan current state adalah Aj
1991 19337 A7 yang ditunjukkan juga pada fuzzy logical
1992 18876 A6 relationship group yang telah dibentuk
sebelumnya. Sebagaimana rumusan berikut :
Dari Tabel 2 maka bisa diperoleh fuzzy Aj  Ak1, Ak2, … , Akp
logical relationship, dimana fuzzy logical Di mana Aj , Ak1, Ak2, … , Akp adalah
relationship Aj  Ak berarti jika nilai himpunan-himpunan fuzzy dan nilai
enrollment pada tahun i adalah Aj maka pada keanggotaan maksimum dari Ak1, Ak2, … , Akp
tahun i+1 adalah Ak. Aj sebagai sisi kiri terjadi pada interval u1, u2, …, up dan nilai
relationship disebut sebagai current state dan tengah dari u1, u2, …, up adalah m1, m2, …, mp
Ak sebagai sisi kanan relationship disebut maka nilai hasil peramalan untuk tahun i+1
sebagai next state. Dan jika terjadi perulangan dirumukan (m1 + m2 + … + mp)/p.
hubungan maka tetap dihitung sekali. Adapun
fuzzy logical relationship ditampilkan pada (3) jika hasil fuzzifikasi enrollment pada tahun
Tabel 3. i adalah Aj dan tidak ada sama sekali fuzzy
logical relationship dengan current state
Tabel 3. fuzzy logical relationship berupa Aj dimana nilai keanggotaan
maksimum dari himpunan fuzzy Aj terjadi
A1  A1 A1  A2 A2  A3 A3  A3
pada interval uj dan nilai tengah uj adalah mj,
A3  A4 A4  A4 A4  A3 A4  A6
maka nilai hasil peramalan untuk tahun i+1
A6  A6 A6  A7 A7  A7 A7  A6
adalah mj.
[1]
Langkah Ketiga : Bagi fuzzy logical
relationship yang telah diperoleh menjadi
beberapa bagian berdasarkan sisi kiri (current
state). Sebagaimana Tabel 3 maka diperoleh

4
2.6. Penentuan Interval Berbasis Rata-rata penentuan interval berbasis rata-rata bisa
Pada Fuzzy Time Series diimplementasikan sebagaimana berikut:
1. Selisih absolut antar data time series
Dalam perhitungan peramalan dengan diperoleh nilai-nilai 20, 30, 40, 10, dan 40.
menggunakan fuzzy time series standar, Maka bisa diketahui bahwa rata-rata
panjang interval telah ditentukan di awal selisih data adalah 28.
proses perhitungan. Sedangkan penentuan 2. Ditentukan setengah dari rata-rata pada
panjang interval sangat berpengaruh dalam langkah pertama sebagai panjang interval,
pembentukan fuzzy relationship yang tentunya yaitu 14.
akan memberikan dampak perbedaan hasil 3. Sesuai dengan tabel basis interval, maka
perhitungan peramalan. Oleh karena itu, 14 termasuk pada kategori interval
pembentukan fuzzy relationship haruslah tepat berbasis 10.
dan hal ini mengharuskan penentuan panjang 4. Bulatkan nilai 14 dengan menggunakan
interval yang sesuai. Kunci utama dalam basis 10, maka diperoleh angka 10 sebagai
penentuan panjang interval adalah tidak boleh panjang interval.
terlalu besar dan tidak boleh terlalu kecil, [11]
karena jika interval itu terlalu besar maka tidak
akan terjadi fluktuasi dalam proses
3. Implementasi dan Uji Coba
perhitungan fuzzy time series, demikian juga
jika interval tersebut terlalu kecil maka makna
Perangkat lunak peramalan data time
dari fuzzy time series sendiri akan hilang
series dengan menggunakan fuzzy time series
(karena himpunan yang terbentuk cenderung
yang dibuat adalah implementasi metode
ke himpunan tegas/crisp).
peramalan data dengan menggunakan
Salah satu metode untuk penentuan
penentuan interval berbasis rata-rata.
panjang interval yang efektif adalah dengan
Perangkat lunak ini menerima inputan berupa
metode berbasis rata-rata (average-based),
serangkaian data time series yang terdiri dari
yang memiliki algoritma sebagaimana berikut:
timeline dan nilai dari suatu rekap data aktual
dalam kurun waktu tertentu. Data input
1. Hitung semua nilai absolute selisih antara
tersebut kemudian diproses secara fuzzy, yaitu
Ai+1 dan Ai (i=1…, n-1) sehingga diperoleh
tahap fuzzifikasi, inferensi atau kalkulasi, dan
rata-rata nilai absolute selisih.
defuzzifikasi untuk mendapatkan nilai akhir
2. Tentukan setengah dari rata-rata yang
peramalan berupa bilangan tegas(crisp).
diperoleh dari langkah pertama untuk
Adapun gambaran global tentang perangkat
kemudian dijadikan sebagai panjang
lunak bisa dilihat pada Gambar 2.
interval.
3. Berdasarkan panjang interval yang Untuk keperluan pengujian, maka
diperoleh dari langkah kedua, ditentukan diambil 5 (lima) contoh data time series dari
basis dari panjang interval sesuai dengan situs internet Biro Sensus Amerika Serikat
tabulasi basis berikut. http://www.census.gov/svsd/www/adseries
Tabel 4. Tabel Basis Interval old.html yang menyediakan data-data time
series riil hasil proses sensus. Kemudian data-
Jangkauan Basis data tersebut dijadikan sebagai data sumber
0.1 – 1.0 0.1 program untuk proses peramalan fuzzy time
1.1 – 10 1 series [12].
11 – 100 10
101 – 1000 100 Dari pengujian terhadap data-data
tersebut, kemudian ditampilkan error yang
4. Panjang interval kemudian dibulatkan diperoleh dalam suatu tabel sehingga bisa
sesuai dengan tabel basis interval. diperoleh rata-rata error yang terjadi dalam
Sebagai contoh bagaimana cara MSE dan AFER dan diketahui seberapa efektif
menghitung panjang interval berbasis rata-rata, metode fuzzy time series dengan interval
maka akan diberikan sebuah contoh. Misalkan berbasis rata-rata untuk peramalan data
terdapat data time series sebagai berikut : 30, penjualan bulanan dengan menggunakan
50, 120, 110, dan 70. Maka algoritma dari perbandingan metode fuzzy time series
standar.

5
Adapun perhitungan AFER dan MSE
dapat dilihat pada Rumus 2.1 dan Rumus 2.2. Data-Data FLR
(Fuzzy Logic
Start
Relationship)
sebanyak m-1

Bagi data sebanyak


𝐴 𝑖 − 𝐹𝑖 / 𝐴 𝑖 interval dan tampilkan For i=1 to m-1
𝐴𝐹𝐸𝑅 = 𝑛
× 100% (2) pada datagrid (himpunan
crisp)

i > m-1 ?
𝑛
𝑖=1
𝐴 𝑖 − 𝐹𝑖 2 Sejumlah m
𝑀𝑆𝐸 = 𝑛
(3) himpunan crisp

Kumpulkan FLR-FLR
yang terbentuk
berdasarkan LHS (Left
Di mana 𝐴𝑖 adalah nilai aktual pada data Rubah himpunan crisp
yang terbentuk menjadi
Hand Side) / Current
State yang sama.
sejumlah interval
ke-i dan 𝐹𝑖 adalah nilai hasil peramalan untuk himpunan fuzzy

data ke-i. Adapun n adalah banyaknya data Data-Data


FLRG
time series [9] . Sejumlah m
himpunan
sebanyak g

fuzzy

For i=1 to g
Hitung nilai keanggotaan
tiap-tiap data time series
berdasarkan himpunan
Tampilkan nilai pada fuzzy yang terbentuk
Start
array pada sebuah Chart i>g?

Tentukan nilai fuzzifikasi


tiap data dengan nilai
Tentukan lokasi database keanggotaan terbesar
terhadap himpunan fuzzy Lakukan proses
yang akan di-load pada
Lakukan Proses peramalan berdasarkan
program FLRG
Peramalan dengan Fuzzy
Time Series Data-data hasil
Database fuzzifikasi A1 s.d.
Am
time series Lakukan proses
pada defuzzifikasi berdasarkan
sebuah FLRG
Simpan nilai-nilai hasil
tabel For i=1 to m-1
peramalan pada array
dan tampilkan pada suatu
chart
Jalankan query count, Nilai hasil
i > m-1 ?
peramalan
min, dan max pada
database
For i=1 to n

Hubungkan data-data
hasil fuzzifikasi
Return
banyak data berdasarkan runtun
(n), nilai waktunya (currentnext)
i>n?
maksimum,
dan nilai
minimum data Gambar 3. Flowchart Peramalan Fuzzy
Bandingkan nilai hasil
Time Series
peramalan dengan data
Hitung Interval Efektif
aktual time series
untuk Peramalan Fuzzy
Time Series Dengan Dalam pengujian oleh program digunakan
Metode Berbasis Rata-
rata 5 data time series yaitu data “Retail and food
Nilai error
service”, data “MotorVehicle”, data
Tampilkan data time
series pada datagrid dan
peramalan
dalam MSE
“Furniture”, data “Electronics”, dan data
juga simpan pada suatu
array dinamis
dan AFER “Auto other-motor”, yang masing-masing
terdiri dari 60 data penjualan perbulan
terhitung mulai bulan Januari tahun 2001
End
Array dinamis sampai dengan bulan Desember tahun 2005.
yang berisi
data time
Dari peramalan data “Retail and Food
series
Service” dengan menggunakan fuzzy time
series standar diperoleh nilai AFER sebesar
Gambar 2. Flowchart Perangkat Lunak 1,61 dan nilai MSE sebesar 3472,69.
Sedangkan dengan menggunakan fuzzy time
series dengan interval berbasis rata-rata
Adapun flowchart untuk proses diperoleh nilai AFER sebesar 0,37 dan nilai
peramalan dengan fuzzy time series MSE sebesar 312,53.
digambarkan pada Gambar 3.
Dari nilai AFER dan MSE yang diperoleh,
maka untuk data “Retail and Food Service”
metode fuzzy time series dengan penentuan
interval berbasis rata-rata terbukti lebih akurat
dalam meramalkan data yang ditunjukkan

6
dengan nilai AFER dan MSE yang lebih kecil Peramalan data menggunakan Fuzzy Time
dibandingkan dengan fuzzy time series Series dengan penentuan interval berbasis rata-
standar. rata memiliki tingkat akurasi lebih tinggi
dibandingkan dengan Fuzzy Time Series
Standar, dengan selisih rata-rata 52,39 %
lebih akurat jika error dihitung menggunakan
AFER dan selisih rata-rata 70,90 % lebih
akurat jika error dihitung menggunakan MSE.
Penentuan panjang interval yang tidak
sesuai (terlalu lebar) pada pembentukan
himpunan awal dalam proses peramalan
menggunakan metode fuzzy time series dapat
mengakibatkan tidak terjadinya fluktuasi
Gambar 4. Hasil Peramalan Data “Retail and dalam proses peramalan, hal ini yang
Food Service” menyebabkan metode fuzzy time series
standar dengan jumlah interval tetap memiliki
Pada Gambar4 dapat dilihat juga bahwa akurasi peramalan lebih rendah.
metode fuzzy time series standar tidak mampu
memprediksi perubahan nilai atau fluktuasi 5. Daftar Pustaka
pada kurun waktu November 2001 sampai
dengan Januari 2003, ditunjukkan dengan [1] Chen, S. M. 1996. Forecasting
tetapnya data nilai hasil peramalan pada tabel enrollments based on fuzzy time series -
dan garis mendatar pada grafik. Fuzzy Sets and Systems. International
Dari hasil percobaan menggunakan lima Journal of Applied Science and
data time series dapat dirangkum dan Engineering.
dilakukan perhitungan prosentase optimasi,
dalam hal ini optimasi adalah peningkatan [2] Chen, S. M., Hsu C.-C. 2004. A new
akurasi peramalan oleh sistem. Dan bisa method to forecasting enrollments using
dihitung juga rata dari rekap data sebagaimana fuzzy time series. International Journal of
ditampilkan pada Tabel 4. Applied Science and Engineering.

Tabel 4. Tabel Perbandingan Nilai Error [3] Chen, S., Hwang, J. 2000. Temperature
Peramalan Hasil Pengujian Prediction Using Fuzzy Time Series. IEEE
Trans Syst Man Cybern Vol. 30 pp 263-
FTS Standar FTS Rata-rata
Peningkatan 275.
data Akurasi (%)
AFER MSE AFER MSE AFER MSE [4] Jumingan. 2009. Studi Kelayakan Bisnis –
1 1.61 3472.69 0.37 312.53 77.00 91.00 Teori dan Pembuatan Proposal
2 3.02 746.06 1.84 307.90 39.22 58.73 Kelayakan. Bumi Aksara. Jakarta.
3 1.44 2.14 0.69 0.61 52.16 71.65
[5] Kotler, P. 2002. Manajemen Pemasaran,
4 1.60 2.09 0.42 0.17 73.53 92.03 Jilid 1. Prehallindo. Jakarta.
5 2.94 621.29 2.35 366.10 20.02 41.07
Rata-
2.12 968.85 1.13 197.46 52.39 70.90
[6] Kusumadewi, S., Purnomo,H. 2004.
rata Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu. Yogyakarta.

4. Kesimpulan [7] Makridakis, S., Wheelright, S.C., dan


McGee, V.E. 1992. Metode dan Aplikasi
Metode Fuzzy Time Series baik standar Peramalan - edisi ke-2, jilid I. Alih
maupun yang menggunakan penentuan Bahasa : Andriyanto, U.S., dan Basith, A.
interval berbasis rata-rata, bisa digunakan Erlangga. Jakarta.
untuk meramalkan data penjualan bulanan.

7
[8] Robandi, I. 2006. Desain Sistem Tenaga
Modern – Optimasi – Logika Fuzzy –
Algoritma Genetika. Andi. Yogyakarta.

[9] T. A. Jilani, S. M. A., Burney, C., Ardil.


2007. Fuzzy Metric Approach for Fuzzy
Time Series Forecasting based on
Frequency Density Based Partitioning.
Proceedings of World Academy of
Science, Engineering and Technology Vol.
23, pp.333-338.

[10]Winarno, W.W. 2007. Analisis


Ekonometrika dan Statistika dengan
Eviews. UPP STIM YKPN. Yogyakarta.

[11]Xihao, S., Li Yimin. 2008. Average-based


fuzzy time series models for forecasting
shanghai compound index. World Journal
of Modelling and Simulation Vol.4 pp.
104-111.

[12]http://www.census.gov/svsd/www/ads
eriesold.html tanggal akses : 15 Mei
2010