Anda di halaman 1dari 6

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 3, Maret 2018, hlm. 1283-1289 http://j-ptiik.ub.ac.id

Penerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi


Konsumsi Energi Listrik Indonesia
Yulian Ekananta1, Lailil Muflikhah2, Candra Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1ekanantayulian@gmail.com, 2laililmf@gmail.com, 3dewi_candra@ub.ac.id

Abstrak
Dengan jumlah permintaan konsumsi yang semakin besar, pada saat ini konsep prediksi semakin
diperlukan sebagai sebuah masukan yang penting untuk mengambil keputusan perencanaan dan
pengendalian. Mengacu pada kegiatan prediksi, salah satu teknik yang terdapat dalam kegiatan tersebut
adalah teknik fuzzy time series. Fuzzy time series adalah sebuah algoritma yang digunakan untuk
prediksi. Prediksi dengan menggunakan fuzzy time series ini bekerja menyimpan data di masa lampau
kemudian menghasilkan nilai baru yang di tampilkan di masa mendatang. Keluaran yang dihasilkan
berupa hasil dari prediksi tersebut. Kelebihan metode time series adalah tidak membutuhkan asumsi-
asumsi dibandingkan metode prediksi lainnya. Metode fuzzy time series prosesnya tidak terlalu rumit
sehingga mudah untuk dikembangkan. Ada banyak sekali tipe metode dengan menggunakan fuzzy time
series dalam perkembangannya, salah satu nya yaitu adalah average-based fuzzy time series. Metode ini
merupakan metode fuzzy time series berbasis rata-rata yang mampu menentukan panjang interval efektif,
sehingga mampu memberikan hasil prediksi dengan tingkat akurasi yang baik. Pada implementasinya,
penelitian ini menerapkan metode average-based fuzzy time series untuk prediksi konsumsi energi
listrik. Data jumlah konsumsi energi listrik dipilih karena memiliki karakteristik yang tepat yaitu
termasuk dalam golongan data trend. Pada bagian pengujian yang dilakukan yang menggunakan
keseluruhan data menghasilkan nilai AFER 9,24. Sedangkan dengan menggunakan MAPE pada
pengujian menggunakan data menghasilkan 14,27%. Hasil tersebut termasuk kriteria baik.
Kata kunci: Energi listrik, prediksi, fuzzy time series, average-based .

Abstract
With the ever-increasing amount of demand for consumption, for now the concept of forecasting is
increasingly necessary as an important input to take planning and control decisions. Referring to the
prediction activity, one of the techniques contained in the activity is the fuzzy time series technique.
Fuzzy time series is an algorithm used for prediction. Prediction using this fuzzy time series works to
store data in the past then generate new value in the show in the future. The resulting output is the result
of the prediction. The advantage of time series method is not to require assumptions compared to other
prediction methods. The method of fuzzy time series process is not too complicated so it is easy to
develop. There are many types of methods using fuzzy time series in its development, one of them is the
average-based fuzzy time series. This method is an average-based fuzzy time series method that is able
to determine the effective interval length, so as to provide predictive results with a good degree of
accuracy. In its implementation, this research applies method of average-based fuzzy time series for
prediction of electric energi consumption. The data of electric energi consumption is chosen because it
has the right characteristic that is included in the trend data class. In the test section performed using
test while using the traning data as much as the total amount of data 43 produces AFER 9.24. While
using the MAPE in the test using the data 14,27%. These results include good criteria.
Keywords: Electrical energi, prediction, fuzzy time series, average-based.

Fakultas Ilmu Komputer


Universitas Brawijaya 1283
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1284

1. PENDAHULUAN optimasi, dan toleransi ketidakpastian


(Lamabelawa, 2011)
Energi listrik merupakan salah satu sumber
Dari paparan diatas, maka penulis memiliki
energi dasar yang sangat dibutuhkan oleh
ide untuk melakukan sebuah penelitian dengan
manusia untuk menjalankan berbagai aktivitas
judul Penerapan Metode Average-Based Fuzzy
manusia untuk mempercepat kerja. Energi listrik
Time Series Pada Kasus prediksi Konsumsi
merupakan salah satu permasalahan global yang
Energi Listrik. Penelitian ini menggunakan
saat ini tengah mengemuka di Indonesia. Data
metode Fuzzy Time Series untuk memprediksi
ASEAN Centre for Energi(ACE) menyebutkan
konsumsi listrik di Negara Indonesia.
bahwa Indonesia merupakan negara yang
Fuzzy Time Series merupakan metode yang
terboros dalam pemakaian listrik di ASEAN.
digunakan untuk prediksi atau prediksi.
Data ASEAN Centre for Energi(ACE) juga
Kelebihan metode fuzzy time series adalah tidak
menyebutkan Indonesia merupakan negara yang
membutuhkan asumsi-asumsi dibandingkan
memiliki potensi paling besar untuk melakukan
dengan metode prediksi lainnya. Prediksi
penghematan tenaga listrik akibat tingkat
dengan menggunakan fuzzy time series ini
pemborosan energi listrik yang relative tinggi
bekerja menyimpan data di masa lampau
selama ini dan pasokan listrik Indonesia dalam
kemudian di peroses dan akan menghasilkan
status siaga karena cadangan yang tersisa tidak
nilai baru yang akan ditampilkan di masa
banyak tersedia. Oleh karena itu diperlukan
mendatang. Keluaran yang dihasilkan berupa
adanya suatu prediksi untuk mengetahui tingkat
grafik dan hasil dari prediksi tersebut. Metode
permintaan konsumsi listrik di masa mendatang
time series prosesnya tidak terlalu rumit
yang semakin naik. Pertumbuhan ekonomi di
sehingga mudah untuk dikembangkan.
Indonesia berjalan tanpa adanya hubungan
Ada banyak penelitian yang sudah dilakukan
kausalitas uni-directional dan tanpa adanya efek
terkait dengan prediksi menggunakan metode
umpan balik dengan demikian, konservasi dapat
time series, salah satunya penelitian yang
dimulai memburuknya efek samping ekonomi
dilakukan oleh Sun Xihao dan Li Yimin yang
(yoo, 2006) Prediksi merupakan suatu hal yang
memprediksi Shanghai compound index dengan
harus diperhitungkan untuk masa yang akan
menggunakan metode average fuzzy time series
datang berdasarkan data-data konsumsi yang ada
models. Perbedaan metode average-based fuzzy
sebelumnya. Prediksi konsumsi diharapkan akan
time series models dengan metode fuzzy time
terealisir untuk jangka tertentu pada masa yang
series terletak pada jumlah himpunan fuzzy yang
akan datang, Prediksi konsumsi tersebut akan
akan digunakan yaitu ditentukan menurut
menjadi masukan yang sangat penting dalam
interval berbasis rata-rata. Dalam penelitian
mengambil keputusan perencanaan dan
tersebut, Sun Xihao dan Li Yimin
pengendalian (Nasution, 2008).
membandingkan hasil prediksi menggunakan
Kegiatan prediksi memerlukan penerapan
metode average-based fuzzy time series models
metode yang optimal dalam menghasilkan suatu
dengan metode weighted fuzzy time series
prediksi konsumsi. Hal tersebut bertujuan untuk
models. Hasil penelitian tersebut menunjukan
mengetahui tingkat permintaan yang akan
metode average-based fuzzy time series models
datang dan meminimumkan kesalahan pada
memiliki Mean Square Error(AFER) lebih kecil
perhitungan prediksi. Apabila nilai prediksi
dari pada menggunakan metode weighted fuzzy
kurang tepat, maka menyebabkan ketidaksesuain
time series models yaitu 292,3 untuk average-
keputusan perncanaan dan pengendalian.
based fuzzy time series models dan 436,2 untuk
Berdasarkan permasalahan tersebut diperlukan
weuihted fuzzy time series models.
sistem yang mampu menghasilkan akurasi yang
Penelitian lain yang dilakukan dengan
tepat dalam meramalkan konsumsi energi listrik
menggunakan metode average-based fuzzy time
di Indonesia pada masa yang akan datang.
series adalah penelitian yang dilakukan Angga
Ada beberapa teknik soft computing yang
Depi Purwanto dengan Penerapan Metode Fuzzy
dapat digunakan untuk melakukan prediksi data
Time Series Average-Based untuk Prediksi Data
diantaranya yaitu algoritma genetika, neural
Harian Penampungan Susu. Berdasarkan hasil
network, dan fuzzy time series. Data pada model-
penelitian tersebut didapatkan nilai AFER
model komplek yang berhubungan dengan
terkecil yaitu 0,986 dan nilai AFER terkecil
model non linier time series. Teknik soft
sebesar 0,0034 (Purwanto, 2013).
computing dapat bekerja baik dalam aproksimasi
pada fungsi-fungsi kontinyu, kemampuan

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1285

Hasil dari kedua penelitian tersebut menggunakan metode average-based length


membuktikan bahwa metode average-based adalah sebagai berikut (Xihao, Yimin, 2008) :
fuzzy time series models memiliki akurasi yang 1. Hitung seluruh selisih absolute antara Dt-1
tinggi. Tingkat akurasi metode average-based dan Dt (t=1, , n). D merupakan data aktual.
fuzzy time series models menunjukan bahwa Dan t merupakan periode.
metode tersebut dapat digunakan untuk 2. Menghitung nilai rata-rata hasil kalkulasi
memprediksi konsumsi energi listrik Indonesia. seluruh selisih absolut.
Oleh karena itu judul yang diambil dalam 3. Ambil setengah nilai dari rata-rata absolute.
penelitian ini adalah Penerapan metode 4. Berdasarkan nilai yang diperoleh pada
average-based fuzzy time series untuk prediksi langkah 3, tetapkan basis nilai tersebut sesuai
konsumsi energi listrik Indonesia. Dalam dengan tabel 1.
penelitian lebih menekankan pada penerapan 5. Bulatkan nilai yang diperoleh pada langkah 3
metode everage-based fuzzy time series dengan sesuai dengan basis yang ada pada tabel 1
mengukur nilai eror dan akurasi yang dihasilkan. untuk mendapatkan average-based length.
Dengan adanya penelitian ini diharapkan dapat Tabel 1 Pemetaan Basis Prediksi
mempermudah dalam prediksi konsumsi energi
listrik Indonesia. Range Basis
0.1-10 0.1
2. DASAR TEORI
1.1-10 1
1. Fuzzy Time Series 11-100 10
Fuzzy Time Series memiliki perbedaan
dengan konvensional time series yaitu pada nilai 101-1000 100
yang digunkanan dalam prediksi yang
merupakan himpunan fuzzy dari bilangan- 2.2 Himpunan Fuzzy
bilangan real atas himpunan semesta yang
Setelah melakukan pembagian himpunan
ditentukan (Purwanto, 2013).
semesta menjadi beberapa sub himpunan
2. Average-Based Fuzzy Time Series
menggunakan metode average-based length,
Langkah-langkah yang dilakukan untuk
langkah selanjutnya adalah mendefinisikan
melakukan proses prediksi menggunakan
himpunan fuzzy.
metode average-based fuzzy time series models
adalah sebagai berikut (Tanjung, 2012):
2.3 Fuzzy Logical Relathionship (FLR)
1. Menentukan himpunan semesta dari data
historis kemudian membaginya menjadi Jika terdapat relasi R (t, t+1) sehingga
beberapa sub-himpunan menggunakan Ai(t+1) = Ai(t) x R (t, t+1) dengan symbol x
metode average-based length. merupakan operator maka Ai(t+1) disebabkan
2. Mendefinisikan himpunan fuzzy. oleh Ai(t). dari pernyataan tersebut, maka FLR
3. Menentukan derajat keanggotaan setiap yang ada antara Ai(t+1) dan Ai(t) dinotasikan
data. sebagai berikut (Xihao, Yimin 2008) :
4. Mengubah data kedalam nilai linguistic Ai(t) Ai(t+1) (1)
fuzzy. Dari notasi pada persamaan 1, Ai(t) disebut
5. Menentukan Fuzzy Logical sebagai sisi kiri dan Ai(t+1) disebut sebagai
Relathionship (FLR). sisi kanan.
6. Menentukan Fuzzy Logical
Relathionship Group (FLRG). 2.4 Fuzzy Logical Relathionship Group
7. Prediksi FLRG dan defuzzifikasi (FLRG)
prediksi. FLRG pada metode average-based fuzzy
time series models merupakan proses
2.1 Average-Based Length
mengeliminasi FLR yang berulang dan
Average_based length berpengaruh dalam menggabungkan FLr dengan sisi kiri yang sama
penentuan jumlah himpunan fuzzy yang ke dalam satu group. Pada persamaan 2. Sisi kiri
digunakan dalam proses prediksi dengan metode Ai dapat dinyatakan FLRG sebagai berikut
average-based fuzzy time series models. (Xihao, Yimin 2008):
Langkah-langkah dalam menentukan interval

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1286

Ai A(i+1) rata-rata yang secara terstruktur dapat


Ai A(i+1) menentukan jumlah himpunan fuzzy yang akan
digunkan sistem, dibandingkan dengan fuzzy
Ai A(i+2) AA(i+1),A(i+2), A(i+3) (2) time series pada penelitian yang sebelumnya
Ai A(i+3) menentukan himpunan fuzzy secara acak dan
tidak terstruktur yang menjadikan sistem
lomputasi menjadi agak rumit (Tanjung, 2012)
2.5 Prediksi dan Defuzifikasi
Prediksi dengan menggunakan metode 2.6 Energi Listrik
average-based fuzzy time series models
Listrik merupakan salah satu sumber energi
merupakan prediksi yang ditentukan dari FLRG.
utama yang digunakan hampir pada seluruh
Jika terdapat FLRG sebagai berikut Ai A(i+1),
aspek kehidupan. Kebutuhan energi listrik
A(i+2), maka dapat ditentukan data aktual pada
semakin berkembang seiring kemajuan
periode t fuzzied di sekitar himpunan fuzzy A(i+1)
pembangunan di bidang teknologi, industri, dan
dan A(i+2) (Xihao, Yimin 2008).
informasi. Energi listrik adalah energi yang
Setelah itu, langkah selanjutnya adalah
berkaitan dengan akumulasi arus electron,
defuxxifikasi, yang merupakan cara untuk
dinyatakan dalam watt-jam atau kilowatt-jam.
mendapatkan hasil nilai crisp dari himpunan
Energi listrik adalah energi akhir yang
fuzzy. Defuzzifikasi yang dilakukan pada
dibutuhkan peralatan listrik untuk menggerakan
metode average-based fuzzy time series models
motor, lampu penerangan, pemanas, pendingin
adalah sebagai berikut(Xihao, Yimin 2008) :
ruangan, ataupun untuk menggerakan kembali
1. Apabila hasil fuzzifikasi data periode t
suatu peralatan mekanik untuk menghasilkan
adalah Ai dan hanya ada satu FLR dengan
energi lain.
sisi kiri seperti berikut Ai A(i+1), maka Ai
dan A(i+1) merupakan himpunan fuzzy dan 3. PERANCANGAN
nilai maksiumum derajat keanggotaan fuzzy
A(i+1), terdapat pada himpunan u(i+1) dan 3.1 Fuzzy Time Series
midpoint dari u(i+1) adalah m1, maka hasil
prediksi untuk periode T+1 adalah m1. Fuzzy Time Series memiliki perbedaan
2. Apabila hasil fuzzifikasi data pada periode t dengan konvensional time series yaitu pada nilai
adalah Ai dan terdapat beberapa FLR dengan yang digunkanan dalam prediksi yang
sisi kiri adalah Ai pada FLRG seperti berikut merupakan himpunan fuzzy dari bilangan-
Ai A(i+1), A(i+2), A(i+3), maka Ai, A(i+1), bilangan real atas himpunan semesta yang
A(i+2), A(i+3) merupakan himpunan fuzzy. Nilai ditentukan (Purwanto, 2013).
maksimum keanggotaan fuzzy A(i+1) terdapat
pada himpunan U(i+1), nilai maksimum 3.2 Average-Based Fuzzy Time Series
keanggotaan fuzzy A(i+2) terdapat pada Proses perhitungan prediksi konsumsi energi
himpunan U(i+2), nilai maksimum listrik menggunakan metode fuzzy time series
keanggotaan fuzzy A(i+3) terdapat pada average-based interval diantaranya adalah
himpunan U(i+3). Nilai tengah atau midpoint gambaran umum metode fuzzy time series,
dari U(i+1), U(i+2), U(i+3), adalah m1, m2, m3. menghitung semesta pembicara dan himpunan
Hasil prediksi untuk periode t+1 adalah nilai fuzzy, fuzzifikasi data time series, membentuk
rata-rata dari m1 , m2 , m3 atau fuzzy logic relationship dan fuzzy logic
(m1+m2+m3)/3. relathionship group, defuzifikasi hasil prediksi.
3. Apabila hasil fuzzifikasi data pada peride t Adapun gambaran umum proses prediksi
adalah Ai dan tidak terdapat FLR dengan sisi produksi padi menggunakan metode fuzzy time
kiri adalah Ai pada FLRG dimana Ai series average-based ditunjukan dengan tahap
merupakan nilai maksimum keanggotaan sebagai berikut:
fuzzy-nya terdapat pada himpunan ui dan 1. Data inputan yang diperlukan dalam
nilai tengah atau midpoint dari ui adalah m, perhitungan prediksi
maka hasil prediksi untuk periode t+1 adalah 2. Menghitung semesta pembicara dan
m. himpunan fuzzy. Dalam tahap ini akan
Metode average-based fuzzy time series dicari basis interval, panjang interval, dan
models mempunyai model interval berbasis nilai

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1287

jumlah interval. Panjang interval di cari Pada pengujian pertama dilakukan


untuk mencari himpunan fuzzy. pengujian bertujuan untuk mengetahui apakah
3. Fuzzifikasi data time series berdasarkan jumlah data mempengaruhi nilai AFER. Pada
nilai keanggotaan terbesar. pengujian ini dilakukan pengujian sebanyak
4. Membentuk fuzzy logic relathionship dari sembilan kali yaitu dengan jarak menggunakan
hasil fuzzifikasi, setelah diperoleh nilai data yang berbeda dari tahun 1971-2013 untuk
current state dan next state dari fuzzy logic memprediksi tahun 2014.
relathionship, fuzzy logic relathionship Berdasarkan Tabel hasil pengujian skenario
dikelompokan menjadi fuzzy logic 1 dapat disimpulkan bahwa nilai AFER tertinggi
relathionship group. terjadi pada pengujian dengan sebanyak 43 data
5. Fuzzy logic relathionship group dihitung dari tahun 1971 sampai tahun 2013. Sedangkan
untuk mendapatkan nilai defuzifikasinya. nilai AFER terendah terjadi pada pengujian
6. Hasil dari defuzzifikasi merupakan data dengan sebanyak 10 data dari tahun 2004-2013.
hasil prediksi. Dari hasil tersebut maka bisa di simpulkan grafik
7. Hasil prediksi merupakan hasil akhir. yang diperoleh adalah naik turun, namun
cendrung naik. Penurunan nilai AFER terjadi
pada pengujian dengan sebanyak 10, 20, dan 40
data. Sedangkan kenaikan nilai AFER terjadi
pada pengujian dengan sebanyak, 15, 25, 30, 35,
dan 43 data. Grafik hasil pengujian skenario 2
ditunjukan pada Gambar 2
50
JUMLAH DATA

40 40 43
35
30 30
25
20 20
15
10 10 9,23
7,5 5,74
5
1,72 0,97 2,05 1,82 2,96 4,2
0
1 2 3 4 5 6 7 8 9
NILAI AFFER(%)

NILAI AFER(%) JUMLAH DATA

Gambar 2 Pengujian jumlah data dan nilai AFER.


Berdasarkan grafik pada Gambar 2
ditunjukan bahwa jumlah data mempengaruhi
nilai AFER. Berdasarkan grafik diatas pola yang
didaptkan adalah naik turun dan cendrung naik,
maka bisa ditarik kesimpulan bahwa semakin
banyak data maka semakin tinggi nilai AFER.
Hal ini disebabkan karena range nilai data
jumlah penduduk pada tahun awal dengan nilai
data jumlah penduduk satu tahun sebelum
prediksi cukup besar.
Gambar 1 Perancangan Sistem Pengujian kedua dilakukan pengujian
MAPE untuk menentukan masuk kriteria sangat
4. PENGUJIAN DAN ANALISIS baik, baik, cukup baik, dan buruk.
Berdasarkan hasil pengujian skenario 2
Hasil pengujian dan analisis dari sistem
didapatkan hasil MAPE total 5.993713841.
prediksi dengan menggunakan metode average-
Hasil tersebut di bagi dengan jumlah data
based fuzzy time series untuk konsumsi listrik di
kemudian di kali 100% maka hasil nya 14.27%.
Indonesia.
Berdasarkan pada tabel 2.4 hasil tersebut
Berikut ini merupakan hasil pengujian yang
termasuk kriteria baik karena termasuk kategori
didapatkan berdasarkan perancangan pengujian
MAPE diantara rentang 10-20%.
pada Bab perancangan

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1288

Pada pengujian ketiga dilakukan pengujian series untuk prediksi konsumsi listrik di
bertujuan untuk mengetahui seberapa jauh Indonesia bisa disimpulkan bahwa:
kemiripan hasil prediksi dari sistem dengan data 1. Penerapan metode average-based fuzzy
aktual. Pada pengujian ini dilakukan pengujian time series untuk prediksi konsumsi listrik
sebanyak 43 dari tahun 1971-2013. di Indonesia dilakukan dengan beberapa
Berdasarkan hasil pengujian skenario 3 proses. Proses yang pertama adalah
dapat disimpulkan bahwa selisih data aktual perhitungan panjang interval yang
dengan prediksi semakin mendekati kemiripan didapatkan dari selisih data tahun tertentu
jika selisih data dengan data sebelumnya dikurangi data tahun sebelumnya, kemudia
memiliki selisih yang banyak. Hal itu bisa setelah mendapatkan panjang interval
dibuktikan dengan 10 tahun pertama yang didapatkan sub himpunan dan midpoint,
memiliki perbandingan data aktual dan data hasil kemudian setelah itu ada proses fuzzy set
prediksi yang masih cukup jauh kemiripannya, dan derajat keanggotaan, proses fuzzifikasi
karena pada rentang 10 tahun pertama tersebut dari derajat keanggotaan terbesar, kemudian
memiliki selisih data yang masih sedikit dengan tentukan flr dan mencari flrg dari flr current
data yang lain. Namun dengan bertambahnya state yang sama, selanjutnya perhitungan
tahun dan bertambahnya selisih data maka hasil defuzzifikasi dari flr dan flrg, dan proses
perbandingan data aktual dengan data prediksi terakhir adalah melakukan penentuan hasil
semakin mendekati kemiripan. Grafik prediksi berdasarkan nilai defuzzifikasi.
perbandingan data aktual dengan data prediksi 2. Hasil pengujian yang dilakukan dalam
ditunjukan pada Gambar 3. penelitian ini menunjukan nilai AFER
sebesar 9.24 ditunjukan bahwa metode ini
memiliki tingkat error rata-rata yang sedikit,
Grafik perbandingan data sehingga memiliki nilai akurasi yang baik.
aktual dan hasil prediksi 3. Hasil MAPE yang dihasilkan 14.27%. Hasil
tersebut termasuk kriteria baik karena
1000 termasuk kategori MAPE 10% - 20%.
500
6. DAFTAR PUSTAKA
0
Lamabelawa, M. I. J.. 2011. Metode Fuzzy Time
1981

2008
1972
1975
1978

1984
1987
1990
1993
1996
1999
2002
2005

2011

Series untuk Prediksi Data Runtun


aktual prediksi
Waktu (Studi kasus: Produk Domestik
Bruto Indonesia). [Tesis]. Yogyakarta.
Universitas Gadjah Mada.
Gambar 3 Perbandingan data aktual dan hasil
prediksi. Nasution, Hakim, A, Prasetyawan, Y. 2008.
Perencanaan dan Pengendalian
Berdasarkan grafik pada Gambar 3 Produksi. Graha ilmu, Yogyakarta.
ditunjukan bahwa data aktual dan hasil prediksi Purwanto, Angga Devi. 2013. Penerapan
memiliki perbandingan yang tidak jauh berbeda. Metode Fuzzy Time Series Average-
Berdasarkan grafik diatas dapat disimpulkan Based pada Prediksi Data Hari
bahwa hasil prediksi hampir mendekati nilai Penampungan Susu. Skripsi. Malang:
dengan data aktual dan selisih sedikit. Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya.
5. KESIMPULAN
Xihaou. Sun., Yimin, Li. 2008. Average-Based
Bab ini membahas kesimpulan dari hasil Fuzzy Time Series Models for
penelitian beserta saran yang dapat digunakan Forcasting Shanghai Compound Index.
dalam pengembangan penelitian yang lebih ISSN 1 746-7233, England, UK. World
lanjut tentang penerapan metode average-based Journal of Modelling and Simulation
fuzzy time series untuk prediksi konsumsi listrik Vol.4 (2008) No.2, pp. 104-111.
di Indonesia. Yoo, Seung-Hoon. 2006. The causal relationship
Berdasarkan hasil penelitian tentang between electricity consumption and
penerapan metode average-based fuzzy time economic growth in the ASEAN
countries. Energy Policy; 34:357382.

Fakultas Ilmu Komputer, Universitas Brawijaya