Anda di halaman 1dari 43

PREDIKSI JUMLAH PENDUDUK MENGGUNAKAN FUZZY TIME

SERIES MODEL CHEN (STUDI KASUS: KOTA TANJUNGPINANG)

Skripsi

Diajukan untuk memenuhi sebagian persyaratan mendapat gelar

Sarjana Teknik (ST)

Oleh :

Novi Ade Putra

100155201076

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MARITIM RAJA ALI HAJI

TANJUNGPINANG

2017
1

PERNYATAAN ORISINALITAS

Saya yang bertanda tang dibawah ini :

Nama : Novi Ade Putra

NIM : 100155201076

Jurusan / Program Studi : Teknik Informatika

Fakultas / Program : Teknik

Dengan ini saya menyatakan bahwa skripsi saya yang berjudul Prediksi Jumlah

Penduduk Menggunakan Fuzzy Time Series Model Chen (Studi Kasus: Kota

Tanjungpinang) adalah benar karya saya dengan arahan dari komisi pembimbing

dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.

Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun

tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan

dalam Daftar Pustaka di bagian akhir skripsi ini.

Jika kemudian hari ternyata terbukti pernyataan saya ini tidak benar dan

melanggar peraturan yang sah dalam karya tulis dan hak intelektual maka saya

bersedia ijazah yang telah saya terima untuk ditarik kembali oleh Universitas

Maritim Raja Ali Haji.

Tanjungpinang, .
Yang menyatakan

Novi Ade Putra

1
2

HALAMAN PERSEMBAHAN

Karya tulis ini kupersembahkan kepada :

2
3

MOTTO

3
4

KATA PENGANTAR

Segala puji bagi Allah SWT. Tuhan semesta alam dzat yang maha tinggi

yang memberikan nikmat-Nya kepada setiap makhluk. Dan juga Shalawat serta

salam dihanturkan kepada nabi akhir zaman, yang menjadi suri tauladan yang baik

bagi seluruh umat manusia yaitu nabi Muhammad saw.

Tiada daya dan upaya kecuali dengan pertolongan Allah SWT., sehingga

penulis dapat menyelesaikan tugas akhir berjudul prediksi ketinggian gelombang

laut perairan pulau Bintan menggunakan grammatical evolution. Penyusunan

tugas akhir ini merupakan salah satu syarat kelulusan untuk memperoleh gelar

Sarjana teknik pada jurusan teknik informatika di Universitas Maritim Raja Ali

Haji.

Terima kasih penulis sampaikan kepada :

1. ??

Penulis menyadari bahwa dalam proses penulisan tugas akhir ini banyak

mengalami kendala, namun berkat bantuan, bimbingan, kerjasama dari berbagai

pihak dan nikmat dari Allah SWT sehingga kendala-kendala tersebut dapat diatasi

dengan baik. Penulisan tugas akhir ini masih jauh dari kesempurnaan. Untuk itu

penulis mengharapkan kritik dan saran yang membangun kearah penyempurnaan.


Semoga karya tulis ini dapat bermanfaat bagi pembacanya dan dalam bidang

pendidikan.

Tanjunginang,

4
5

Penulis

5
6

DAFTAR ISI

6
7

DAFTAR GAMBAR

7
8

DAFTAR TABEL

8
9

ARTI LAMBANG DAN SINGKATAN

9
10

ABSTRAK

Putra, Novi Ade. 2017. Prediksi Jumlah Penduduk Menggunakan Fuzzy Time
Series Model Chen (Studi Kasus: Kota Tanjungpinang) , Skripsi.
Tanjungpinang: Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Maritim Raja Ali Haji. Pembimbing I: Hendra Kurniawan, S. Kom,
M.sc.Eng Pembimbing II:

10
11

ABSTRACT

Putra, Novi Ade. 2017. Prediksi Jumlah Penduduk Menggunakan Fuzzy Time
Series Model Chen (Studi Kasus: Kota Tanjungpinang) , Skripsi.
Tanjungpinang: Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Maritim Raja Ali Haji. Pembimbing I: Hendra Kurniawan, S. Kom,
M.sc.Eng Pembimbing II:

11
12

BAB I

PENDAHULUAN

A. Latar Belakang

Jumlah penduduk yang berdomisili pada suatu daerah menjadi sebuah

informasi yang sangat penting bagi para pemakai data kependudukan, khususnya

para perencana, pengambil kebijaksanaan, dan peneliti sangat membutuhkan data

penduduk yang berkesinambungan dari tahun ke tahun.

Berkurang atau bertambahnya penduduk pada suatu daerah memiliki

peranan yang sangat penting pada daerah itu sendiri. Seperti yang kita tahu bahwa

hampir semua rencana pembangunan perlu ditunjang dengan data jumlah

penduduk, persebaran dan susunannya agar relevan dengan rencana tersebut.

Tidak hanya pada rencana pembangunan saja yang membutuhkan data jumlah

penduduk. Tetapi juga pada segi perekonomian, pendidikan, kesehatan dan

sebagainya. Hal itu tentu saja merupakan masalah yang rumit bagi pemerintah

dalam usahanya untuk membangun dan meningkatkan taraf hidup negaranya.

Semakin bertambah jumlah penduduk dalam suatu daerah semakin tinggi pula

invertasi yang dibutuhkan dalam hal tersebut.

Pada tahun 2015 tercatat 404.430 jiwa penduduk yang berdomisili di kota

Tanjungpinang, data ini diperoleh dari Badan Pusat Statistik (BPS)

Tanjungpinang. Jumlah tersebut merupakan jumlah total dari semua usia dan jenis

kelamin. Data-data jumlah penduduk saat ini hanya didapat melalui sensus

12
13

penduduk. Proses sensus penduduk hanya bisa mendata pada tahun tertentu saja,

tanpa bisa mngetahui jumlah untuk tahun-tahun selanjutnya. Melihat betapa

pentingnya informasi akan jumlah penduduk menjadikan dasar dari penulis untuk

melakukan penelitian dengan melakukan prediksi pada jumlah penduduk di kota

Tanjungpinang.

Penelitian ini didasari oleh beberapa penelitian yang sebelumnya telah

dilakukan oleh Handayani dan Anggraini (2015) dalam jurnalnya yang berjudul

Perbandingan Model Chen Dan Model Lee Pada Metode Fuzzy Time Series

Untuk Prediksi Harga Emas melakukan penelitian dengan membandingan

performansi algoritma fuzzy-Chen dan fuzzy-LEE untuk melakukan prediksi

harga emas. Penelitian dilakukan menggunakan data dari Januari 2007 hingga 29

mei 2012, dan diperoleh hasil menggunakan fuzzy time series dengan penentuan

interval berbasis rata-rata memiliki error dengan model Chen AFER (Average

Forecasting Error Rate) sebesar 0,010% dan MSE (Mean Square Error) 218,577,

model Lee rata-rata AFER 0,0013% dan MSE 212,092.

Fauziah dkk (2016) melakukan penelitian dengan memprediksi curah

hujan bulan Januari 2011-Mei 2016 di kota Samarinda menggunakan Fuzzy Time

Series-Chen. Dengan mengimplementasikan metode average based untuk

menentukan interval dan RMSE (Root Mean Square Error) untuk mengukur

tingkat akurasi diperoleh hasil peramalan untuk bulan Juni 2016 adalah 268 mm

dengan RMSE sebesar 79.96%. Peramalan curah hujan Kota Samarinda

berdasarkan data bulan Januari 2013-Mei 2016 diperoleh hasil peramalan untuk

13
14

bulan Juni 2016 adalah 287,5 mm dengan ketepatan peramalan sebesar 73.68 %.

Untuk peramalan curah hujan Kota Samarinda berdasarkan data bulan Januari

2014-Mei 2016 diperoleh hasil peramalan untuk

Dari beberapa penelitian tersebut diketahui bahwa metode FTS model

Chen memiliki akurasi yang lebih baik disbanding FTS Model lain. Penelitian

dengan judul Prediksi Jumlah Penduduk Menggunakan Fuzzy Time Series Model

Chen, Studi Kasus: Kota Tanjungpinang, diharapkan dapat memberikan hasil

yang dapat dimanfaatkan oleh pihak yang membutuhkan yaitu para pemakai data

kependudukan, khususnya para perencana, pengambil kebijaksanaan, dan peneliti.

B. Rumusan Masalah

Rumusan masalah yang dapat ditarik dari uraian latar belakang yang telah

dipaparkan sebelumnya adalah untuk mengetahui bahwa Fuzzy Time Series Model

Chen dapat diimplementasikan untuk menyelesaikan permasalahan dalam

melakukan prediksi jumlah penduduk di kota Tanjungpinang.

C. Batasan Masalah

Adapun batasan-batasan masalah yang dibuat untuk membatasi penelitian

yang dilakukan adalah:

1. Tahun dan Jumlah penduduk yang berdomisili di kota Tanjungpinang

merupakan variabel yang digunakan dalam penelitian ini.

14
15

2. Data yang digunakan dalam penelitian adalah data jumlah penduduk

pertahun, dari tahun 2008 sampai dengan 2016.

3. Data yang digunakan adalah data berbentuk time series / deret waktu.

4. Aplikasi yang dibangun adalah aplikasi berbasis desktop.

5. Aplikasi dibuat untuk mengetahui hasil prediksi jumlah penduduk di kota

Tanjungpinang tahun 2017.

6. Output penelitian berupa data atau angka jumlah penduduk di kota

Tanjungpinang tahun 2017.

D. Tujuan Penelitian

Adapun tujuan dari penelitian dengan judul Prediksi Jumlah Penduduk

Menggunakan Fuzzy Time Series Model Chen, Studi Kasus: Tanjungpinang yang

penulis lakukan adalah untuk memahami cara kerja algoritma Fuzzy Time Series

Model Chen untuk memecahkan permasalahan pada prediksi jumlah penduduk di

Tanjungpinang serta mengimplementasikannya kedalam sebuah sistem informasi

berbasis desktop dengan mencari atau mendapatkan hasil prediksi jumlah

penduduk di kota Tanjungpinang dengan nilai error terkecil (mendekati nol).

E. Manfaat Penelitian

Penerapan Fuzzy Time Series Model Chen kedalam sebuah sistem untuk

memprediksi jumlah penduduk di kota Tanjungpinang, diharapkan mampu

memberikan hasil peramalan atau prediksi dengan tingkat error yang kecil

15
16

(mendekati nol). Sehingga hasil dari penelitian ini dapat digunakan oleh para

pemakai data kependudukan, khususnya para perencana, pengambil

kebijaksanaan, dan peneliti yang membutuhkan informasi mengenai jumlah

penduduk di kota Tanjungpinang.

16
17

BAB II

TINJAUAN PUSTAKA

A. Kajian Terdahulu

Kajian atau penelitian yang dicantumkan dalam penelitian ini merupakan

kajian yang dijadikan acuan bagi penulis untuk melakukan penelitian kali ini.

Berikut ini merupakan daftar dari kajian atau penelitian terdahulu yang digunakan

penulis:

Ujianto dan Irawan (2015) dalam jurnalnya yang berjudul Perbandingan

Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan

Jaringan Syaraf Tiruan Backpropagation (Studi Kasus: Penutupan Harga IHSG)

melakukan penelitian untuk melakukan prediksi penutupan harga IHSG (Indeks

Harga Saham Gabungan) dengan melakukan perbandingan antara metode fuzzy

time series dan metode jaringan syaraf tiruan backpropagation untuk

mendapatkan performansi terbaik untuk meramalkan IHSG. Dengan

menggunakan nilai ketepatan metode peramalan Mean Absolute Percentage Error

(MAPE) didapatkan performansi terbaik adalah metode fuzzy time series dengan

MAPE peramalan jangka panjang sebesar 0,4755 dan untuk peramalan jangka

pendek sebesar 0,3951.

Handayani dan Anggraini (2015) dalam jurnalnya yang berjudul

Perbandingan Model Chen Dan Model Lee Pada Metode Fuzzy Time Series

17
18

Untuk Prediksi Harga Emas melakukan penelitian dengan membandingan

performansi algoritma fuzzy-Chen dan fuzzy-LEE untuk melakukan prediksi

harga emas. Penelitian dilakukan menggunakan data dari Januari 2007 hingga 29

mei 2012, dan diperoleh hasil menggunakan fuzzy time series dengan penentuan

interval berbasis rata-rata memiliki error dengan model Chen AFER (Average

Forecasting Error Rate) sebesar 0,010% dan MSE (Mean Square Error) 218,577,

model Lee rata-rata AFER 0,0013% dan MSE 212,092.

Nurkhasanah dkk 2015, melakukan penelitian dengan membandingkan

metode runtun waktu fuzzy-chen dan fuzzy-markov chain untuk meramalkan data

inflasi di indonesia. Dari penelitian yang telah dilakukan didapat hasil berupa

performansi dari kedua algoritma tersebut, nilai MSE (Mean Square Error) pada

metode runtun waktu fuzzy-Chen adalah sebesar 0,656, sedangkan nilai MSE

untuk metode runtun waktu fuzzy-Markov chain adalah sebesar 0,216.

Fauziah dkk (2016) melakukan penelitian dengan memprediksi curah

hujan bulan Januari 2011-Mei 2016 di kota Samarinda menggunakan Fuzzy Time

Series-Chen. Dengan mengimplementasikan metode average based untuk

menentukan interval dan RMSE (Root Mean Square Error) untuk mengukur

tingkat akurasi diperoleh hasil peramalan untuk bulan Juni 2016 adalah 268 mm

dengan RMSE sebesar 79.96%. Peramalan curah hujan kota Samarinda

berdasarkan data bulan Januari 2013-Mei 2016 diperoleh hasil peramalan untuk

bulan Juni 2016 adalah 287,5 mm dengan ketepatan peramalan sebesar 73.68 %.

Untuk peramalan curah hujan Kota Samarinda berdasarkan data bulan Januari

18
19

2014-Mei 2016 diperoleh hasil peramalan untuk bulan Juni 2016 adalah adalah

300 mm dan persentase RMSE 84.91 %.

Permana (2014) dalam penelitiannya yang berjudul Fitting Model pada

Data Jumlah Mahasiswa Baru Institut Pertanian Bogor Menggunakan Metode

Fuzzy Time Series Chen dan Hsu melakukan penelitian untuk memprediksi

jumlah mahasiswa baru Institut Pertanian Bogor dengan menggunakan metode

fuzzy time series yang diusulkan oleh Chen (CFTS) dan metode fuzzy time series

yang dideskripsikan oleh Steven (SFTS) serta membandingkan kedua metode

tersebut dengan cara melihat tingkat kesalahan hasil prediksi menggunakan Mean

Absolute Percentage Error (MAPE). Hasil yang didapat menggunakan metode

CFTS yaitu sebesar 0.96% sedangkan metode SFTS sebesar 2.96%.

Sah dan Degtiarev (2005) dalam jurnalnya yang berjudul Forecasting

Enrollment Model Based on First-Order Fuzzy Time Series melakukan

penelitian untuk memprediksi pendaftaran di Universitas Alabama menggunakan

Fuzzy Time Series-Song & Chissom dan Fuzzy Time Series Chen. Dengan

membandingkan performansi kedua metode tersebut didapat hasil prediksi dengan

error AFE (Average Forecasting Error) sebesar 3.18% untuk FTS-Song and

Chissom dan 3.23% untuk FTS-Chen.

19
20

B. Landasan Teori

1. Peramalan

Peramalan atau prediksi merupakan cara memperkirakan apa yang akan

terjadi pada masa depan secara sistematis dan pragmatis atas dasar data yang

relevan pada masa yang lalu, sehingga dengan demikian metode peramalan

diharapkan dapat memberikan objektivitas yang lebih besar. Selain itu metode

peramalan dapat memberikan cara pengerjaan yang teratur dan terarah, dengan

demikian dapat dimungkinkannya penggunaan teknik penganalisaan yang lebih

maju. (Sandino, 2013)

1.1 Peramalan Kualitatif

Menurut Jumingan (2009) dalam Sandino (2013) peramalan kualitatif

adalah peramalan yang didasarkan atas pendapat suatu pihak dan datanya tidak

dapat direpresentasikan secara tegas menjadi suatu angka atau nilai. Hasil

peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini

penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang

intuisi, pendapat dan pengetahuan serta pengalaman penyusunnya.

1.2 Peramalan Kuantitatif

Jumingan (2009) dalam Sandino (2013) mendefenisikan bahwa peramalan

kuantitaf adalah peramalan yang didasarkan atas data kuantitatif masa lalu dan

20
21

dapat dibuat dalam bentuk angka yang biasa disebut sebagai data time series.

Hasil peramalan yang dibuat sangat bergantung pada metode yang dipergunakan

dalam peramalan tersebut. Baik tidaknya metode yang dipergunakan ditentukan

oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang

terjadi. Jika penyimpangan semakin kecil antara hasil ramalan dengan kenyataan

maka semakin baik pula metode yang digunakan.

2. Data Berkala / Time Series Data

Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk

menggambarkan perkembangan suatu kegiatan. Analisis data berkala

memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa

kejadian serta hubungan/pengaruhnya terhadap kejadian lainnya. (Sandino, 2013).

Pola gerakan data atau nilai-nilai variabel dapat diikuti atau diketahui

dengan adanya data berkala, sehingga data berkala dapat dijadikan sebagai dasar

untuk :

1. Pembuatan keputusan pada saat ini.

2. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan

datang.

3. Perencanaan kegiatan untuk masa depan.

Menurut Makridakis, Wheelwright dan McGee (1992) dalam Sandino (2013),

gerakan-gerakan khas atau pola data dari data time series dapat digolongkan ke

dalam empat kelompok utama, yang sering disebut komponen-komponen time

series :

21
22

1. Gerakan jangka panjang atau sekuler merujuk kepada arah umum dari

grafik time series yang meliputi jangka waktu yang panjang.

2. Gerakan siklis atau variasi siklis merujuk kepada gerakan naik-turun

dalam jangka panjang dari suatu garis atau kurva trend. Siklis yang

demikian dapat terjadi secara periodik ataupun tidak, dapat ataupun tidak

dapat mengikuti pola yang tepat sama setelah interval-interval waktu yang

sama. Dalam kegiatan bisnis dan ekonomi, gerakan-gerakan hanya

dianggap siklis apabila timbul kembali setelah interval waktu lebih dari

satu tahun.

3. Gerakan musiman atau seasonal movement merujuk kepada pola-pola

yang identik, atau hampir identik yang cenderung diikuti suatu time series

selama bulan-bulan yang bersangkutan dari tahun ke tahun. Gerakan-

gerakan demikian disebabkan oleh peristiwa-peristiwa yang berulang-

ulang terjadi setiap tahun.

4. Gerakan tidak teratur atau random movement merujuk kepada gerakan-

gerakan sporadis dari time series yang disebabkan karena peristiwa-

peristiwa kebetulan seperti banjir, pemogokan, pemilihan umum dan

sebagainya. Meskipun umumnya peristiwa-peristiwa tersebut dianggap

menyebabkan variasi-variasi yang hanya berlangsung untuk jangka

pendek, namun dapat saja terjadi bahwa peristiwa-peristiwa ini demikian

hebatnya sehingga menyebabkan gerakan-gerakan siklis atau hal lain yang

baru.

22
23

3. Logika Fuzzy

Logika fuzzy merupakan salah satu pembentuk soft computing. Logika

fuzzy pertama kali diperkenalkan oleh Prof. Lofti A. Zadeh pada tahun 1965.

Dalam jurnal Sandino (2013) yang berjudul Peramalan Penjualan Dengan

Metode Fuzzy Time Series Ruey Chyn Tsaur, disebutkan beberapa definisi

tentang logika fuzzy, diantaranya :

1. Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat

keabuan antara hitam dan putih, dalam bentuk linguistik, konsep tidak

pasti seperti sedikit, lumayan dan sangat (Zadeh, 1965).

2. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang

input ke dalam suatu ruang output, mempunyai nilai kontiniu dan logika

fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari

kebenaran (Kusumadewi, 2002).

3. Logika fuzzy adalah logika yang digunakan untuk menjelaskan

keambiguan, dimana logika fuzzy adalah cabang teori dari himpunan fuzzy,

himpunan yang menyelesaikan keambiguan (Vrusias, 2005).

4. Logika fuzzy menyediakan suatu cara untuk merubah pernyataan linguistik

menjadi suatu numerik (Synaptic, 2006).

23
24

3.1 Himpunan Fuzzy

Pada himpunan tegas atau crisp, nilai keanggotaan suatu item x dalam

suatu himpunan A yang sering ditulis dengan A ( x ) memiliki dua

kemungkinan (Kusumadewi dan Purnomo, 2010) dalam Sandino (2103) yaitu:

1. Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu

himpunan, atau

2. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu

himpunan.

Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1.

Apabila x memiliki nilai keanggotaan fuzzy A ( x )=0 berarti x tidak menjadi

anggota himpunan A. Demikian juga, apabila x memiliki nilai keanggotaan fuzzy

A ( x )=1 berarti x menjadi anggota penuh pada himpunan A. Keanggotaan

fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan. Himpunan

fuzzy memiliki 2 atribut, yaitu

1. Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau

kondisi tertentu dengan menggunakan bahasa alami, seperti dingin, sejuk,

normal, hangat dan panas.

2. Numeris yaitu suatu nilai atau angka yang menunjukkan ukuran dari suatu

variabel seperti 40, 25, 50 dan sebagainya.

Menurut Kusumadewi dan Purnomo (2010) dalam Sandino 2013 Untuk

memahami Logika Fuzzy memiliki yaitu (Kusumadewi dan Purnomo, 2010) :

24
25

1. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy. Contoh: umur, temperatur, penjualan, permintaan dan

sebagainya.

3. Himpunan fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau

keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel umur

terbagi menjadi 3 himpunan fuzzy yaitu Muda, Parobaya dan Tua. Variabel

temperatur terbagi menjadi 5 himpunan fuzzy yaitu Dingin, Sejuk,

Normal, Hangat dan Panas.

4. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan

himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke

kanan. Nilai semesta pembicaraan dapat berupa bilangan positif dan

negatif.

5. Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam

semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Seperti halnya semesta pembicaraan, domain merupakan himpunan

bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai

domain dapat berupa bilangan positif atau negatif.

3.2 Fuzzy Time Series

Fuzzy time series merupakan suatu metode peramalan data yang

menggunakan prinsip-prinsip fuzzy dasar yang dikembangkan oleh L. Zadeh yang

kemudian dikembangkan oleh Song dan Chissom pada tahun 1993 untuk

25
26

memecahkan permasalahan pada prediksi pendaftaran mahasiswa baru dengan

data time series. Kemudia model dari Song dan Chissom dikembangkan lagi oleh

Chen dengan memanfaatkan operasi artitmatika untuk memecahkan masalah

dengan kasus yang sama. Peramalan dengan menggunakan metode fuzzy time

series menangkap pola dari data yang telah lalu kemudian digunakan untuk

memproyeksikan data yang akan datang.

3.3 Fuzzy Time Series Model Chen

Menurut Fauziah (2016) fuzzy time series adalah sebuah konsep baru yang

diusulkan oleh Song dan Chissom berdasarkan teori himpunan fuzzy (fuzzy set)

dan konsep variabel linguistik. Fuzzy time series merupakan konsep yang dapat

digunakan untuk meramalkan masalah di mana data historis tersebut dibentuk

dalam nilainilai linguistik, dengan kata lain datadata terdahulu dalam fuzzy time

series adalah data linguistik, sedangkan data terkini sebagai hasilnya berupa

angka-angka riil.

Secara kasar himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan

dengan batasan samar. Jika U adalah himpunan semesta, U= [ u 1 , u2 , ,u p ] ,

maka suatu himpunan fuzzy A i dari U dengan fungsi keanggotaan umumnya

dinyatakan sebagai berikut:

A i= Ai ( u1 ) /u1 ++ Ai ( u p ) /u p ..................................................................(p1)

26
27

Dimana Ai adalah fungsi keanggotaan dari himpunan fuzzy Ai

dan Ai (ui ) adalah derajat keanggotaan dari ui ke A i , dimana

A i ( u i ) [ 0,1 ] dan 1 i p . Nilai derajat keanggotaan dari Ai (ui )

ditentukan berdasarkan aturan seperti dibawah ini:

Aturan 1: Jika data historis Xt termasuk dalam ui , maka nilai derajat

keanggotaan untuk ui adalah 1, dan ui + adalah 0,5 dan jika bukan ui

dan ui + , berarti dinyatakan nol.

Aturan 2: Jika data historis Xt termasuk dalam ui , 1 i p maka nilai

derajat keanggotaan untuk ui adalah 1, untuk ui1 dan ui +1 adalah 0,5

dan jika bukan ui , ui1 dan ui +1 berarti dinyatakan nol.

Aturan 3: Jika data historis Xt termasuk dalam u p , maka nilai derajat

keanggotaan untuk up adalah 1, untuk u p1 adalah 0,5 dan jika bukan

u p dan u p1 , berarti dinyatakan nol.

Dalam Fauziah (2016) berikut ini merupakan langkah-langkah peramalan

menggunakan fuzzy time series model Chen:

1. Langkah Pertama

Menentukan universe of discourse (semesta pembicaraan) data distoris,

yaitu:

U= [ X min D1 , X max + D2 ] .............................................................................(p2)

Dimana:

27
28

X min : Data minimum

X max : Data maksimum

D1 dan D2 adalah bilangan positif sembarang yang ditentukan oleh peneliti

untuk menentukan himpunan semesta dari himpunan data historis.

2. Langkah Kedua

Mendefinisikan himpunan fuzzy Ai dan melakukan fuzzifikasi pada data

historis yang diamati. Misal A1, A2, , Ak adalah himpunan fuzzy yang

mempunyai nilai linguistik dari suatu variabel linguistik, pendefinisian himpunan

fuzzy A1, A2, , Ak pada semesta pembicaraan U adalah sebagai berikut:

A 1=1/u1 +0,5 /u 2+ 0/u3 +0/u 4+ + 0/u p


A 2=0,5 /u 1+1 /u 2+ 0,5/u3 +0/u4 + + 0/u p
A 3=0/u1+ 0,5/u2 +1/u3 +0,5/u 4+ + 0/u p
A 4 =0/u1 +0,5 /u 2+1 /u3 + 0,5/u4 + +0/u p

A p=0/u1 +0/u2 +0 /u 3+ +0,5 /u p1+1 /u p ...................................................(p3)

Dimana ui (i=1, 2, .., p) adalah elemen dari himpunan semesta (U) dan

bilangan yang diberi simbol / menyatakan derajat keanggotaan A1 (ui )

terhadap Ai (i=1, 2, ..,p) yang di mana nilainya ialah 0, 0,5 atau 1.

3. Langkah Ketiga

Melakukan dan membuat tabel Fuzzy Logical Relationsip (FLR)

berdasarkan data historis.

4. Langkah Keempat

28
29

Mengklasifikasikan FLR yang telah diperoleh dari tahap ke-3 ke dalam

grup-grup sehingga terbentuk Fuzzy Logical Relationship Group (FLRG) dan

mengkombinasikan hubungan yang sama.

5. Langkah Kelima

Defuzzifikasi nilai peramalan data historis. Pada metode fuzzy time series

Chen terdapat beberapa aturan peramalan yang harus diperhatikan, antara lain:

Aturan 1

Jika hasil fuzzifikasi pada tahun ke t adalah Aj dan terdapat himpunan

fuzzy yang tidak mempunyai relasi logika fuzzy, misal jika A i A j , di mana

nilai maksimum fungsi keanggotannya dari A i berada pada interval ui dan nilai

tengah ui adalah mi, maka hasil peramalan Ft +1 adalah mi .

Aturan 2

Jika hasil fuzzifikasi tahun ke t adalah A i dan Aj hanya terdapat satu

FLR pada FLRG, misalnya jika Ai A j di mana Ai dan Aj adalah

himpunan fuzzy dan nilai maksimum fungsi keanggotaan dari A j berada pada

interval ui dan nilai tengah dari uj adalah m j , maka hasil peramalan

Ft +1 adalah m j .

Aturan 3

Jika hasil fuzzifikasi pada tahun ke t adalah Ai dan A j memiliki

beberapa FLR pada FLRG, misalnya Ai A j , A j1 , A j2 , , A jk di

29
30

mana Ai , A j1 , A j2 ,, A jk adalah himpunan fuzzy dan nilai

maksimum fungsi keanggotaan dari A j1 , A j2 ,, A jp berada pada

interval u j 1 , u j 2 , ,u jk dan m j 1 ,m j 2 , , m jk maka hasil peramalan Ft +1

adalah sebagai berikut:

m j 1 +m j 2 + +m jk
Ft +1= ...............................................................................(p4)
k

Dimana k adalah banyaknya jumlah nilai tengah (midpoint) dan untuk mencari

nilai tengah ( mi ) pada interval himpunan fuzzy dapat digunakan persamaan

berikut:

Batas atas +Batas Bawa h


mi= ....................................................................(p5)
2

3.4 Penentuan Interval Pada Fuzzy Time Series

Pada fuzzy time series penentuan panjang interval sangat berpengaruh

dalam pembentukan fuzzy relationship yang tentunya akan memberikan dampak

perbedaan hasil perhitungan peramalan. Sehingga pembentukan fuzzy relationship

haruslah tepat dan hal ini mengharuskan penentuan panjang interval yang sesuai.

Kunci utama dalam penentuan panjang interval adalah tidak boleh terlalu besar

dan tidak boleh terlalu kecil, karena jika interval itu terlalu besar maka tidak akan

terjadi fluktuasi dalam proses perhitungan fuzzy time series, demikian juga jika

interval tersebut terlalu kecil maka makna dari fuzzy time series sendiri akan

hilang (karena himpunan yang terbentuk cenderung ke himpunan tegas/crisp).

30
31

Aturan Sturges merupakan salah satu metode yang efektif untuk membagi

semesta pembicaraan menjadi beberapa interval. Berikut ini merupakan

persamaan yang digunakan dalam aturan Sturges untuk menentukan panjang dan

juga lebar interval yang efektif:

Jumlah Interval=1+3.3 log (n) ................................................................(p6)

Data MaximunData Minimum


Lebar Interval= ......................................(p7)
Jumlah Interval

4. Pengukuran Kesalahan

Peramalan atau prediksi merupakan proses mengira dengan menggunakan

sebuah metode atau lebih untuk memecahkan permasalahan dalam peramalan

tersebut. Sehingga hasil dari peramalan tersebut tidak mungkin seratus persen

akurat. Oleh karena itu hasil dari peramalan perlu dicari tingkat keakuratannya

untuk mengetahui besarnya penyimpangan hasil dan data asli. Dalam penelitian

ini pengukuran kesalahan dalam peramalan menggunakan AFER (Average

Forecasting Error Rate) dengan persamaan:

| Ai Fi|/ A i
AFER= 100 ..........................................................................(p8)
n

Dimana adalah nilai aktual pada data ke-i dan adalah nilai hasil peramalan

untuk data ke-i. Adapun n adalah banyaknya data time series.

31
32

BAB III

METODOLOGI PENELITIAN

A. Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data historis jumlah

penduduk tahun 2008-2016. Dimana data ini diperoleh dari Badan Pusat Statistik

(BPS) kota Tanjungpinang.

B. Metode Pengumpulan Data

Metode yang digunakan untuk pengumpulan data pada penelitian ini berupa

studi pustaka. Dengan memanfaatkan buku, jurnal, tesis, maupun skripsi untuk

dijadikan sebagai sumber pustaka dalam pengumpulan informasi dan digunakan

sebagai landasan untuk menyelesaikan permasalahan dalam proses penelitian.

C. Metode Pengembangan Sistem

Pada penelitian ini, metode pengembangan sistem yang digunakan adalah

metode pengembangan model Waterfall yang diperkenalkan oleh Ian

Sommerville. Dimana proses pengembangan sistem dibagi menjadi beberapa

tahap seperti yang ditunjukkan pada gambar berikut.

32
33

Analisa
kebutuhan

Desain sistem

Implementasi
desain dan analisa

Integrasi dan
sistem testing

Operasi dan
maintenance

Gambar 3.1 Tahap pengembangan sistem

1. Analisa kebutuhan

Pada tahapan ini, peneliti melakukan analisa terhadap kebutuhan

sistem berupa pengumpulan data serta studi literatur pendukung yang

diperlukan untuk membangun sistem prediksi jumlah penduduk menggunakan

fuzzy time series model chen.

2. Desain sistem

Pada tahapan ini, peneliti melakukan perancangan sistem dengan

menggunakan perangkat pemodelan sistem seperti ERD (Entity Relationship

Diagram), tabel relasional, flowchart, diagram dekomposisi, DFD (Data Flow

Diagram), diagram konteks dan design GUI (Graphics User Interface).

33
34

3. Implementasi desain dan analisa

Pada tahapan ini, peneliti melakukan penulisan kode program atau

coding yang merupakan penerjemahan dari desain perancangan sistem ke

dalam bahasa yang bisa dikenali oleh komputer. Dalam penelitian ini, peneliti

menggunakan bahasa pemrograman java.

4. Integrasi dan sistem testing

Pada tahapan ini, sistem yang sudah siap akan mengalami pengujian,

apakah sudah baik atau masih dibutuhkan perbaikan.

5. Operasi dan maintenance

Tahap operasi dan maintenance ini digunakan ketika terjadinya

perubahan pada sistem prediksi jumlah penduduk di kota Tanjungpinang atau

tidak ditemukannya kesalahan pada tahap sebelumnya sehingga dibutuhkan

perbaikan dalam peng-implementasiannya.

D. Alat Bantu Penelitian

1. Perangkat keras

Perangkat keras (Hardware) yang digunakan dalam penelitian ini adalah

sebuah laptop dengan spesifikasi:

1 Processor : Intel Core i3-4030U CPU @ 1.90 GHz

2 Memory : 2.00 GB

34
35

2. Perangkat lunak

Sedangkan untuk perangkat lunak (software) yang digunakan

dalampenelitian ini adalah sebagai berikut:

1. Sistem Operasi Windows 7 Ultimate 32 bit

2. Xampp v3.2.1

3. NetBeans IDE 8.0.2

4. Microsoft Office dan Excel 2013

E. Kerangka Pikir Penelitian

Kerangka pikir dari penelitian yang dilakukan oleh penulis digambarkan

dalam flowchart dapat berikut ini:

Mulai

Identifikasi Masalah

Pengumpulan Data

Pemilihan Data

Proses Prediksi dengan Algoritma


Fuzzy Time Series

Perhitungan Data

Selesai

35
36

Gambar 3.2 Kerangka pikir penelitian

BAB IV

PERANCANGAN DAN IMPLEMENTASI

A. Perancangan Sistem

Tahap ini merupakan tahap awal dalam membuat sistem prediksi

menggunakan Fuzzy Time Series model Chen. Pada tahap ini dilakukan analisa

data masukan kedalam metode fuzzy time series, perancangan basis data dan

antarmuka sistem.

1. Gambaran Umum Sistem

Data jumlah penduduk yang diperoleh dari Badan Pusat Statistik (BPS)

Tanjungpinang, merupakan data masukan untuk sistem prediksi jumlah penduduk

di Tanjungpinang menggunakan algoritma fuzzy time series dan penentuan

interval menggunakan aturan sturges. Berikut ini merupakan gambaran umum dari

sistem prediksi menggunakan fuzzy time series model Chen.

36
37

Gambar 4.1 Gambaran umum sistem prediksi jumlah penduduk Tanjungpinang

Berdasarkan gambar diatas, sistem prediksi jumlah penduduk di

Tanjungpinang dibagi kedalam 3 bagian yaitu:

2. Input, data masukan atau input yang digunakan merupakan data jumlah

penduduk di Tanjungpinang tahun 2008 sampai dengan tahun 2016.

2. Proses Prediksi, merupakan bagian utama dari sistem ini, pada bagian ini

data masukan akan di proses menggunakan metode fuzzy time series model

Chen, untuk didapat hasil prediksinya.

3. Output, merupakan hasil dari proses prediksi dimana output berupa

prediksi dari jumlah penduduk di Tanjungpinang.

37
38

2. Analisa Data Masukan

Seperti yang dijelaskan sebelumnya bahwa data yang masukan yang

digunakan pada sistem prediksi jumlah penduduk di Tanjungpinang adalah data

historis (time series) jumlah penduduk di Tanjungpinang tahun 2008 sampai

dengan 2016, yang diperoleh dari Badan Pusat Statistik (BPS) Tanjungpinang.

Berikut ini merupakan data yang akan digunakan sebagai data masukan dalam

sistem.

Tabel 4.1 Data jumlah penduduk di Tanjungpinang

Tahun Jumlah Penduduk

2008 182.741
2009 187.529
2010 188.309
2011 191.287
2012 194.099
2013 196.980
2014 199.723
2015 202.215
2016 204.735

3. Analisa Data Kedalam Metode Fuzzy Time Series

Langkah awal yang harus dilakukan dalam melakukan prediksi

menggunakan fuzzy time series adalah menentukan jumlah interval, seperti yang

telah dibahas sebelumnya bahwa dalam menentukan hasil dari peramalan. Hal ini

mengharuskan penentuan jumah interval yang sesuai. Kunci utama dalam

penentuan panjang interval adalah tidak boleh terlalu besar dan tidak boleh terlalu

38
39

kecil, karena jika interval itu terlalu besar maka tidak akan terjadi fluktuasi dalam

proses perhitungan fuzzy time series, demikian juga jika interval tersebut terlalu

kecil maka makna dari fuzzy time series sendiri akan hilang (karena himpunan

yang terbentuk cenderung ke himpunan tegas/crisp).

Dalam penelitian ini jumlah interval beserta panjang interval dicari

menggunakan aturan Sturges, berikut ini merupakan langkah-langkah perhitungan

manual dari prediksi jumlah penduduk menggunakan fuzzy time series model

Chen:

a. Menentukan Universe of Discorse (semesta pembicaraan)

Dari data masukan yang telah dijabarkan pada tabel 4.1 diketahui

maksimum dari jumlah penduduk adalah 204.735 dan minimum dari jumlah

penduduk di Tanjungpinang adalah 182,741. Sehingga diketahui semesta

pembicaran:

U= [ 204.735, 182.741 ]

b. Menentukan Jumlah dan Lebar Interval

Berikut ini merupakan perhitungan untuk penentuan panjang interval

berserta lebar interval menggunakan aturan Sturges:

Jumlah interval=1+(3.3log( 9))=4.149

diketahui hasil dari perhitungan jumlah interval menggunakan aturan sturges

adalah 4.149, karna jumlah interval harus dalam bentuk bilangan bulat, sehingga

hasil dari perhitungan harus dibulatkan menjadi 4.

39
40

Setelah jumlah interval didapat, maka akan dicari lebar interval untuk

membagi data menjadi jumlah interval yang sama.

Data MaximunData Minimum


Lebar Interval=
Jumlah Interval

Lebar Interval=(204,735182,741)/4=5498.5

c. Membagi data kedalam jumlah interval

Setelah jumlah beserta lebar interval didapat, langkah selanjutnya adalah

membagi data berdasarkan jumlah dan lebar interval. Diketahui jumlah interval

adalah 4 dan lebar interval adalah 5498.5 maka:

U 1=[182741, 188240]

U 2=[188240, 193738]

U 3=[193738, 199237]

U 4=[199237, 204735]

d. Membuat himpunan fuzzy

Tentukan tiap-tiap himpunan fuzzy Ai sebanyak interval yang telah dibagi

sebelumnya yang dapat dilihat pada rumus 2.3. Untuk menyederhanakan, maka

nilai keanggotaan dari himpunan fuzzy Ai berada diantara 0, 0.5, 1 dimana 1 i

n, n adalah jumlah interval yang telah dibagi sebelumnya, berikut adalah bentuk

matriks dari pembentukan himpunan fuzzy, yang dapat dilihat pada Tabel 4.2.

40
41

Tabel 4.2 Matriks dari himpunan fuzzy

Aij 1 2 3 4

1 1 0.5 0 0

2 0.5 1 0.5 0

3 0 0.5 1 0.5

4 0 0 0.5 1

Dari Tabel 4.2 matriks tersebut menghasilkan himpunan fuzzy sebagai

berikut:

A 1=1/u 1+ 0,5/u 2+0/u 3+0 /u 4

A 2=0,5 /u 1+1/u 2+0,5/u 3+0 /u 4

A 3=0 /u1+0,5 /u2+1 /u 3+0,5 /u 4

A 4=0 /u 1+0 /u 2+0,5 /u 3+1 /u 4

e. Menentukan Fuzzy Logical Relationship

Fuzzy logical relationship Ai Aj ditentukan berdasarkan nilai Ai yang

telah ditentukan pada langkah sebelumnya, dimana Ai adalah tahun n dan Aj tahun

n+1 pada data time series yang dapat dilihat pada Tabel 4.3.

Tabel 4.3 Fuzzy Logical Relationship

Data Penduduk Fuzzifikasi Relasi

182741 A1 -
A 1 A 1
187529 A1
A 1 A 2
188309 A2

41
42

A 2 A 2
191287 A2
A 2 A 3
194099 A3
A 3 A 3
196980 A3
A 3 A 4
199723 A4
A 4 A4
202215 A4
A 4 A4
204735 A4

f. Menentukan Fuzzy Relationship Group (defuzifikasi)

Dari hasil fuzzy logic relationship selanjutnya akan dibentuk fuzzy logical

relationship group menggunakan model Chen. Tabel 4.4 merupakan hasil fuzzy

logical relationship group berdasarkan hasil dari fuzzy logic relationship pada

tabel 4.3.

Tabel 4.4 Fuzzy Relationship Group

Number of Fuzzy Relationship


Group Group
1 A 1, A 2
2 A 2, A 3
3 A 3, A 4
4 A4

42