SKRIPSI
YUNITA HERNASARY 030803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
METODE TIME INVARIANT FUZZY TIME SERIES UNTUK PERAMALAN PENDAFTARAN CALON MAHASISWA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Sains
YUNITA HERNASARY 030803048
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : METODE TIME INVARIANT FUZZY TIME
SE-RIES UNTUK PERAMALAN PENDAFTARAN CALON MAHASISWA
Kategori : SKRIPSI
Nama : YUNITA HERNASARY
Nomor Induk Mahasiswa : 030803048
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Medan, December 2007
Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Drs. Pangeran Sianipar, M.S Drs.Djakaria Sebayang
NIP. 130422437 NIP. 131474685
Diketahui oleh
Departemen Matematika FMIPA USU Ketua,
ii
PERNYATAAN
PERAMALAN PENDAFTARAN DENGAN METODE TIME-INVARIANT FUZZY TIME SERIES
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Desember 2007
PENGHARGAAN
Puji Syukur kepada Tuhan Yesus Kristus dan Bunda Maria yang selalu menyertai saya dan memberikan segala rahmatnya di setiap waktu dan dalam pengerjaan skripsi ini sehingga , saya dapat menyelesaikannya dengan baik.
Skripsi ini merupakan salah satu mata kuliah wajib yang harus disele-saikan oleh seluruh mahasiswa/mahasiswi Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera Utara.
Dalam kesempatan ini saya ingin mengucapkan terima kasih yang sebesar-besarnya kepada Bapak Drs.Pangeran Sianipar, MS. selaku Pembimbing I dan Bapak Drs.Djakaria Sebayang selaku Pembimbing II yang telah membimbing dan mengarahkan saya, serta kebaikannya untuk meluangkan waktu, tenaga, dan pikiran sehingga skripsi saya dapat selesai tepat pada waktunya.
Ucapan terimakasih yang sebesar-besarnya juga ingin saya sampaikan kepada Bapak Pembanding, Bapak Prof.Dr.Herman Mawengkang dan Bapak Drs.Suwarno Ariswoyo, M.si. Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Bapak Dr.Eddy Marlianto, M.Sc. Ketua Departemen Matematika, Ba-pak Dr.Saib Suwilo, M.Sc. Sekertaris Departemen Matematika, BaBa-pak Drs.Henri Rani Sitepu, M.Si. Kepala Subbagian Registrasi dan Statistik BAN USU , Bapak Danda Sasmita, SE, M.si. Seluruh staf pengajar Departemen Matematika, Fakul-tas MIPA ,UniversiFakul-tas Sumatera Utara dan beserta pegawai administrasinya.
Orangtua saya tercinta, Bapak ” Herpulus Debataraja ” dan Ibu ” Togiana Sinurat” atas segala doa, kepercayaan, serta dukungannya baik moril maupun materil. Adik-adik saya tercinta, Stefanus Sinar Firdaus, Paulus Kevin Clinton, dan little angel ”ulelet”, Elisabeth Claudia Dixie atas segala canda, tawa, telpon, dan semangatnya. Sahabat sejati saya dan ” ♥ ”, Adhi Sebayang atas segala dukungan dan pengertiannya.
iv
Sebagai seorang mahasiswa saya menyadari bahwa masih banyak terdapat kekurangan dalam menyelesaikan skripsi ini. Oleh karena itu kritik dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.
. .
Medan, Desember 2007
Penulis,
ABSTRAK
v
ABSTRACT
Halaman
PERSETUJUAN i
PERNYATAAN ii
PENGHARGAAN iii
ABSTRAK iv
ABSTRACT v
DAFTAR ISI vi
1. PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Identifikasi Masalah 2
1.3. Pembatasan Masalah 2
1.4. Tujuan Penelitian 2
1.5. Manfaat Penelitian 2
1.6. Tinjauan Pustaka 3
1.7. Metode Penelitian 4
2. LANDASAN TEORI 5
2.1. Himpunan Fuzzy 5
2.2. Notasi fuzzy 5
2.3. Normalisasi 6
2.7. Relasi Fuzzy 8
2.8. Vektor Fuzzy 11
2.9. Model Peramalan 11
2.10. Fuzzy Time Series 12
2.11. Variabel Linguistik 12
2.12. Relasi Fuzzy Logic 12
2.13. Grup Relasi Fuzzy Logic 13
2.14. Operator Komposisi Pada Time Invariant Fuzzy Time
Series 13
2.15. Time Invariant Fuzzy Time Series 13
2.16. Defuzzifikasi 14
3. PEMBAHASAN 15
3.1. Metode Time Invariant Fuzzy Time Series 15
3.2. Peramalan Pendaftaran Dengan Menggunakan 6
Him-punan Fuzzy 17
3.3. Peramalan Pendaftaran dengan Menggunakan 7
Him-punan Fuzzy 24
4. KESIMPULAN DAN SARAN 31
4.1. Kesimpulan 31
4.2. Saran 32
DAFTAR PUSTAKA 33
Sebagai seorang mahasiswa saya menyadari bahwa masih banyak terdapat kekurangan dalam menyelesaikan skripsi ini. Oleh karena itu kritik dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.
. .
Medan, Desember 2007
Penulis,
iv
ABSTRAK
ABSTRACT
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Peramalan mempunyai peranan penting dalam kehidupan sehari-hari. Prakiraan
cuaca , penjadualan staff, dan perencanaan produksi adalah beberapa contoh dari
aplikasi peramalan, yang banyak orang ingin meramalkannya dengan hasil yang
akurat. Meskipun telah banyak dikenal metode peramalan tetapi apabila data
historisnya (data masa lalu) tersedia dalam bentuk nilai-nilai linguistik, metode
time series klasik belum dapat menyelesaikannya sehingga muncul suatu metode
fuzzy time series untuk mengisi kekurangan dari fungsi metode time series klasik.
Adapun definisi dari fuzzy time series yaitu dengan mengasumsikan Y(t) ⊂ ℜ (garis real), t =...,0,1,2,... menjadi semesta pembicaraan yang dinyatakan oleh himpunan fuzzy fi(t). F(t) terdiri dari fi(t), t =...,0,1,2,... didefinisikan sebagai fuzzy time series padaY(t). Pada saat ituF(t)dapat dimengerti sebagai variabel linguistik, untukfi(t), i =1,2,... adalah nilai linguistik dari F(t).
1.2 Identifikasi Masalah
Pemasalahan yang akan dibahas pada penelitian ini adalah meramalkan
pendaf-taran pada tahun yang akan datang, dengan memanfaatkan model orde pertama
dari metode Time Invariant Fuzzy Time Series dan menguji sejumlah nilai
him-punan fuzzy yang berbeda untuk mengetahui apakah jumlah nilai fuzzy
mem-pengaruhi kesalahan peramalan.
1.3 Pembatasan Masalah
Untuk menguji kesalahan peramalan, penulis hanya menggunakan dua buah nilai
himpunan fuzzy yang berbeda.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah menunjukkan metode yang dapat
menyele-saikan suatu masalah peramalan, apabila data historisnya tersedia dalam bentuk
nilai linguistik, serta menunjukkan bahwa himpunan fuzzy dapat diaplikasikan
ke dalam suatu masalah peramalan.
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah untuk mengetahui ide dan
langkah-langkah yang dilakukan metode time-invariant fuzzy time series, dalam
menye-lesaikan masalah peramalan serta mengetahui kebaikan dan kekurangan metode
3
1.6 Tinjauan Pustaka
Imam Rohandi (2006)dalam bukunya Desain Sistem Tenaga Modern, optimisasi,Logika Fuzzy, dan Algoritma Geneticamenyatakan bahwa , Himpunan fuzzy adalah bentuk umum dari himpunan biasa yang memiliki tingkat
keang-gotaan [ 0,1 ]. Oleh karena itu fungsi keangkeang-gotaan fuzzy memetakan setiap
elemen dari semesta dalam batas ruang unit interval. Satu perbedaan dasar
dari himpunan non fuzzy selalu memiliki fungsi keanggotaan yang terbatas.
Hal ini memungkinkan fuzzy dapat diatur secara maksimum dalam situasi yang
diberikan.
L.A. Zadeh (1987) dalam buku Fuzzy Sets and Application menyata-kan bahwa variabel linguistik diartimenyata-kan sebagai variabel yang nilainya dalam
bentuk kata atau kalimat dalam bahasa sebenarnya atau dalam bahasa yang
dibuat-buat, sebagai contoh : Age adalah variabel linguistik jika nilainya adalah
linguistik daripada numerik, misalnya : young, not young, very young, quite
young, old, not very old, and not very young daripada 20, 21,...,...,nilai umur
sebenarnya.
Timothy Ross (1997)dalam bukunyaFuzzy Logic for Engineering Appli-cationsmenyatakan bahwa, Relasi fuzzy ˜R dan ˜S pada ruang cartesianX × Y. Maka operasi berikut berlaku untuk nilai keanggotaan pada operasi himpunan
Union
µR˜∪S˜(x, y) = max (µR˜(x, y),µS˜(x, y))
Intersection
µR˜∩S˜(x, y) = min (µR˜(x, y),µS˜(x, y))
Complement
µR˜(x, y) = 1- µR˜(x, y)
Containment
˜
R ⊂ S˜⇒ µR˜(x, y) ≤ µS˜(x, y)
1.7 Metode Penelitian
Metode penelitian yang akan digunakan adalah penelitian literatur dan studi
kasus yaitu:
1. Mengkaji secara teoritis Himpunan Fuzzy dan Fuzzy Time Series.
2. Mengkaji secara toeritis metode time-invariant fuzzy time series beserta
langkah-langkahnya.
3. Menyelesaikan suatu masalah peramalan pendaftaran sebagai suatu
apli-kasi.
BAB 2
LANDASAN TEORI
2.1 Himpunan Fuzzy
Himpunan fuzzy adalah bentuk umum himpunan biasa yang memiliki tingkat
keanggotaan dari tiap-tiap elemen yang dibatasi dengan interval [ 0, 1 ]. Oleh
karena itu fungsi keanggotaan himpunan fuzzy memetakan setiap elemen dari
semesta dalam batas ruang yang diasumsikan sebagai unit interval.
Definisi 2.1.1.
Anggap X ruang titik-titik, dengan setiap elemen X secara umum dinya-takan dengan x , sehingga X = x . Himpunan Fuzzy A dalam X dinyatakan dengan fungsi keanggotaanµA˜(x) yang menghubungkan setiap titik bilangan
re-al pada [ 0,1 ] , dengan nilaiµA˜(x) padaxmenyatakan derajat keanggotaan dari
x dalam A. Nilai terdekat dari µA˜ pada 1 adalah derajat keanggotaan terbesar
xdalam A.
Himpunan fuzzy dinyatakan sebagai berikut:
˜
A = {(x,µA˜) | x∈ X }
2.2 Notasi fuzzy
Notasi yang berlaku untuk Himpunan Fuzzy ketika semesta pembicaraan X
˜
A =
{
µA˜x(x1)1
+
µA˜(x2)
x2
+
· · · }
={
P
µA˜(xi)xi
}
˜
A =
{
µA˜x(x1)1
,
µA˜(x2)
x2
,
· · · }
Ketika semesta pembicaraan X adalah kontinu dan tidak terbatas, himpunan
fuzzy dinyatakan dengan:
˜
A =
R
µA˜x(x)2.3 Normalisasi
Suatu normalisasi fuzzy adalah suatu fungsi keanggotaan yang memiliki
seti-daknya 1 elemen x pada semesta X, dengan nilai keanggotaannya adalah 1
dinya-takan dengan :
µN ORM(x) = µA(x)/max(µA(x))x∈X
2.4 Intensifikasi
Operasi ini membawa himpunan fuzzy yang ternormalisasi mendekati tegas
de-ngan meningkatkan nilai keanggotaan diatas 0,5 dan mengurangi keanggotaan
elemen yang mempunyai keanggotaan dibawah 0,5.
2.5 Operasi Himpunan Fuzzy
Dinyatakan tiga buah himpunan ˜A, ˜B, ˜C pada semesta, untuk setiap elemen
x dari semesta. Operasi fungsi untuk himpunan operasi gabungan, irisan,
7
Union µA˜∪B˜(x) = µA˜(x)∨ µB˜(x)
Intersection µA˜∩B˜(x) = µA˜(x) ∧ µB˜(x)
Complement µA˜ = 1- µA˜
Sebarang himpunan fuzzyµA˜didefinisikan pada semesta X adalah
subhim-punan dari semesta. Nilai keanggotaan dari sebarang element x pada himsubhim-punan
nullφadalah 0 dan nilai keanggotaan dari sebarang elemen x pada himpunan X
adalah 1, dinyatakan sebagai berikut:
˜
A ⊆ X ⇒ µA˜(x)≤µX˜(x)
Untuk semua x ∈X,µφ˜(x)= 0
Untuk semua x ∈X, µX˜(x)= 1
Hukum De Morgan untuk himpunan crisp juga berlaku untuk himpunan fuzzy:
˜
A∩B˜ = ˜A ∪ B˜ ˜
A∪B˜ = ˜A ∩ B˜
Hukum Excluded middle (A ∪A = X) dan hukum kebalikan (A ∩A = φ)
tidak berlaku untuk himpunan fuzzy maka:
˜
A ∪ A˜ 6=X ˜
2.6 Sifat-Sifat dari Himpunan Fuzzy
Himpunan fuzzy memiliki sifat yang sama seperti himpunan crisp (non fuzzy):
Komutatif
˜
A ∪ B˜ = ˜B ∪ A˜ ˜
A ∩ B˜ = ˜B ∩ A˜
Assosiatif
˜
A ∪ ( ˜B∪C) = ( ˜˜ A∪B˜)∪ C˜ ˜
A∩ ( ˜B∩C) =( ˜˜ A∩B˜)∩ C˜
Distributif
˜
A ∪ ( ˜B∩C) = ( ˜˜ A∪B)˜ ∩ ( ˜A∪C)˜ ˜
A ∩ ( ˜B∩C) =( ˜˜ A∩B)˜ ∪ ( ˜A∩C)˜
Idempotent
˜
A∪ A˜= ˜A dan ˜A ∩A˜= ˜A
Identitas
˜
A ∪ φ = ˜A dan ˜A ∩ X = ˜A ˜
A ∩ φ = φ dan ˜A ∪ X =X
Transitif Jika ˜A ⊆B˜ ⊆C, maka ˜˜ A ⊆ C˜
Involution A˜= ˜A
2.7 Relasi Fuzzy
Relasi fuzzy ˜R adalah suatu pemetaan ruang cartesian pada [ 0, 1 ], dengan
9
2.7.1 Operasi Pada Relasi fuzzy.
Anggap suatu relasi fuzzy ˜R dan ˜S pada ruang cartesian X × Y. Maka operasi berikut berlaku untuk nilai keanggotaan pada operasi himpunan yang berbeda:
Union
µR˜∪S˜(x, y) = max (µR˜(x, y),µS˜(x, y))
Intersection
µR˜∩S˜(x, y) = min (µR˜(x, y),µS˜(x, y))
Complement
µR˜(x, y) = 1- µR˜(x, y)
Containment
˜
R ⊂ S˜⇒ µR˜(x, y) ≤ µS˜(x, y)
2.7.2 Sifat-Sifat Relasi Fuzzy.
Pada relasi fuzzy memenuhi sifat komutatif, asosiatif, distributif, involusi, dan
idempotent, demikian juga hukum De Morgan, relasi null 0 dan relasi
kelengka-pan E. Hukum yang tidak memenuhi pada relasi fuzzy adalah hukum excluded
middle. Karena relasi fuzzy juga merupakan himpunan fuzzy, maka ada
perbe-daan antara relasi dan complementnya, yaitu:
˜
R ∪ R˜ 6= E ˜
2.7.3 Fuzzy Cartesian Product dan Composisi.
Secara umum relasi fuzzy merupakan himpunan fuzzy, sehingga cartesian
pro-duct merupakan relasi antara dua atau lebih himpunan fuzzy. Anggap ˜A suatu
himpunan fuzzy pada semesta X dan ˜B menjadi suatu himpunan fuzzy pada semesta Y, maka Cartesian Product antara himpunan ˜A dan ˜B adalah relasi fuzzy ˜R yang berada dalam ruang cartesian product, yaitu:
˜
A × B˜ = ˜R ⊂ X× Y
dengan fungsi keanggotaan dari relasi ˜R, yaitu:
µR˜(x, y) = µA˜×B˜(x, y) = min(µA˜(x), µB˜(y))
Cartesian Product ˜A × B˜ dapat dinyatakan dengan bentuk yang sama
seper-ti perkalian 2 vektor. Maka seseper-tiap himpunan fuzzy dapat dinyatakan sebagai
suatu vektor yang terdiri dari nilai keanggotaan yang merupakan elemen dari
himpunan tersebut.
Anggap ˜R adalah relasi fuzzy pada ruang cartesian X ×Y, ˜S adalah relasi
fuzzy pada Y ×Z, dan ˜T adalah relasi fuzzy pada X ×Z, maka komposisi max
- min fuzzynya dinyatakan sebagai berikut:
˜
T = ˜R ◦ S˜
11
2.8 Vektor Fuzzy
Suatu vektor ˜a= (a1,a2,· · ·,an) dikatakan suatu vektor fuzzy jika untuk sebarang
elemen 0≤ai≤1 ,untuki= 1, 2,· · ·,n. Dengan cara yang sama transpose
vek-tor fuzzy ˜a yang dinotasikan dengan ˜atadalah suatu vektor kolom jika ˜a adalah
suatu vektor baris, yaitu :
˜ at=
a1
a2
... an
2.9 Model Peramalan
Terdapat dua jenis model peramalan yang utama, yaitu :
1. Model Time Series (Deret Berkala)
Pada model ini pendugaan masa depan dilakukan berdasarkan nilai data
masa lalu. Tujuan metode ini adalah menemukan pola dalam deret
da-ta historis dan memanfaatkan pola deret tersebut untuk peramalan masa
depan, keuntungan dari model ini adalah dapat meramalkan dengan cara
yang lebih singkat dibandingkan model regresi.
2. Model Regresi (Kausal)
Model ini merupakan suatu model yang mengasumsikan faktor yang
dira-malkan menunjukkan suatu hubungan sebab akibat dalam satu atau lebih
variabel bebas dan menggunakannya untuk meramalkan nilai mendatang
dari suatu variabel tak bebas. Keuntungan dari model ini adalah memiliki
keberhasilan yang lebih besar untuk pengambilan keputusan yang
2.10 Fuzzy Time Series
Definisi 2.1.2
Diasumsikan Y(t) ⊂ ℜ (garis real),t = · · ·, 0, 1, 2, · · · menjadi semesta pembicaraan yang dinyatakan oleh himpunan fuzzy fi(t). F(t) terdiri dari fi(t), t =· · ·, 0, 1, 2,· · · didefinisikan sebagai fuzzy time series pada Y(t). Pada saat itu F(t) dapat dimengerti sebagai variabel linguistik, untuk fi(t), i = 1, 2, · · · adalah nilai linguistik dari F(t).
2.11 Variabel Linguistik
Variabel linguistik diartikan sebagai variabel yang nilainya dalam bentuk
ka-ta aka-tau kalimat, dalam bahasa sebenarnya aka-tau dalam bahasa yang dibuat-buat,
sebagai contoh: Age adalah variabel linguistik jika nilainya adalah linguistik
daripada numerik, misalnya: young, not young, very young, quite young, old,
not very old, and not very young daripada 20,21,...,yang merupakan nilai umur
sebenarnya.
2.12 Relasi Fuzzy Logic
Definisi 2.1.3
Jika ada relasi fuzzy R(t,t-1) sehingga F(t) = F(t-1) × R(t, t-1) dengan simbol×adalah suatu operator makaF(t) disebabkan olehF(t−1). Relasi yang
13
2.13 Grup Relasi Fuzzy Logic
Definisi 2.1.4
Relasi fuzzy logic dengan sisi kanan yang sama, menjadi suatu grup yang sama
yaitu relasi grup fuzzy logic.
Contoh:
Untuk sisi kananAi yang sama, grupnya dinyatakan sbb:
Ai → Aj1
Ai → Aj2
· · · ·
)
⇒ Ai →Aj1, Aj2
2.14 Operator Komposisi Pada Time Invariant Fuzzy Time Series
Definisi 2.1.5
Jika F(t) disebabkan oleh F(t−1) dinotasikan dengan F(t−1) → F(t)
maka relasinya dinyatakan dengan F(t) = F(t − 1) ◦ R(t, t −1) simbol ”◦”
merupakan Max-Min operator komposisi, R(t, t−1) disebut sebagai model orde
pertama dari F(t) .
2.15 Time Invariant Fuzzy Time Series
Time Invariant Fuzzy Time Series merupakan suatu metode peramalan yang
relasinya tidak bergantung pada waktut, dengan memanfaatkan himpunan data
fuzzy yang berbentuk diskrit sebagai data historisnya.
Definisi 2.1.6
Anggap F(t) merupakan suatu fuzzy time series dan anggap R(t, t−1)
2.16 Defuzzifikasi
Defuzzifikasi adalah cara untuk memperoleh nilai tegas (crisp) dari himpunan
fuzzy, adapun prosesnya yaitu:
1. Jika nilai keanggotaan outputnya adalah 0, maka z = 0
2. Jika nilai keanggotaan outputnya memiliki 1 maximum, maka titik tengah
interval dimana nilai ini dicapai adalah z.
3. Jika nilai keanggotaan dari outputnya memiliki lebih dari 2 maximum yang
berurutan, maka titik tengah interval dimana nilai ini dicapai adalah z.
Contoh:
Jikau1 = [ 0, 20 ], u2 = [ 20, 40 ],u3 = [ 40, 60 ] dan misalkan outputnya
adalah [ 1 1 0,5 ].
Penyelesaian:
Karena nilai maximumnya adalah 1 dan berada pada interval
u1 = [ 0, 20 ] dan u2 = [ 20, 40 ] ,maka:
y = 40−0
2
= 20
sehingga z = 0 +y = 20
4. Jika outputnya selain dari hal diatas maka digunakan Metode Centroid,
yaitu :
z
=
PxAˆ
PA ,
BAB 3
PEMBAHASAN
3.1 Metode Time Invariant Fuzzy Time Series
Metode Time Invariant Fuzzy Time Series merupakan suatu metode yang
memi-liki 2 aspek penting, yaitu:
(a) Menggunakan variasi data historisnya daripada karakteristik pendaftaran
sebenarnya.
(b) Menghitung relasi R(t, t−1) yang akan digunakan untuk memprediksi
pe-ramalan masa depan.
Langkah-langkah proses peramalan pada metode ini, yaitu:
1. Mendefinisikan semesta pembicaraan ( himpunan semesta U ) dari variasi
data historisnya.
2. Mempartisi U menjadi panjang interval yang sama.
3. Mendefinisikan himpunan fuzzyAi.
4. Memfuzzykan variasi dari data historis peramalan.
5. Menyatakan relasi fuzzy logicAi → Aj
6. Menjadikan relasi fuzzy orde pertama, menjadi suatu grup relasi fuzzy logic
7. Meramalkan output peramalannya dan mendeffuzifikasikannya.
8. Menghitung ramalan pendaftarannya.
Untuk memperoleh gambaran yang jelas mengenai metode Time-Invariant Fuzzy
Time Series ini, penulis mengambil contoh kasus peramalan pendaftaran calon
mahasiswa melalui jalur SPMB, pada Departemen Matematika Universitas
Su-matera Utara.
Tabel.3.1.1
Banyaknya Calon Mahasiswa Yang Mendaftar Melalui Jalur SPMB Pada Departemen Matematika Universitas Sumatera Utara
Antara Tahun 1994 s/d 2007
No. Tahun Jumlah Pendaftaran
1. 1994 533
2. 1995 364
3. 1996 383
4. 1997 369
5. 1998 328
6. 1999 405
7. 2000 390
8. 2001 523
9. 2002 432
10. 2003 412
11. 2004 484
12. 2005 479
13. 2006 466
17
Pada penelitian ini penulis menggunakan 6 dan 7 himpunan fuzzy untuk menguji
kesalahan peramalan . Pemilihan 6 dan 7 himpunan fuzzy merupakan pemilihan
secara sebarang.
3.2 Peramalan Pendaftaran Dengan Menggunakan 6 Himpunan Fuzzy
1. Himpunan semesta U dinyatakan dari variasi pendaftaran tahun-tahun
se-belumnya. Data pendaftaran dan variasinya dinyatakan pada tabel dibawah
ini:
Tabel.3.2.1
Data Pendaftaran dan Variasi dari Data Historis
No. Tahun Jumlah Pendaftaran Variasi
1. 1994 533
2. 1995 364 -169
3. 1996 383 19
4. 1997 369 -14
5. 1998 328 -41
6. 1999 405 77
7. 2000 390 -15
8. 2001 523 133
9. 2002 432 -91
10. 2003 412 -20
11. 2004 484 72
12. 2005 479 -5
13. 2006 466 -13
Dari tabel diketahui bahwa Vmin = -169 dan Vmax = 133. Agar U
da-pat dengan mudah dipartisi menjadi panjang interval yang sama , maka
anggap U = [ Vmin - V1, Vmax + V2 ]. Dengan V1 dan V2 bilangan positif
sebarang, maka penulis mengambilV1 = 11 dan V2 = 47 sehingga :
U = [-169 - 11 , 133 + 47 ]= [ -180, 180 ].
2. Dengan menggunakan 6 Himpunan Fuzzy, maka U dipartisi menjadi 6
in-terval yang sama panjang ui, i = 1,6, yaitu:
u1 = [ -180, -120 ], u2 = [ -120, -60 ],u3 = [ -60 , 0 ], u4 = [ 0 , 60 ],
u5 = [ 60 , 120 ], u6 = [ 120 , 180 ].
3. Diasumsikan nilai fuzzy berasal dari variabel linguistik variasi data
pendaf-tarannya, yaitu : A1 (semakin menurun), A2 (menurun), A3 (tetap), A4
(meningkat),A5 (semakin meningkat),A6 (sangat meningkat).
Untuk 6 interval yang ada, setiap ui, i = 1,6 ∈ Aj,j = 1,6 dinyatakan
dengan nilai real pada range [0,1]:
A1 = {1/u1, 0,5/u2, 0/u3, 0/u4, 0/u5, 0/u6}
A2 = {0,5/u1, 1/u2, 0,5/u3, 0/u4, 0/u5, 0/u6}
A3 = {0/u1, 0,5/u2, 1/u3, 0,5/u4, 0/u5, 0/u6}
A4 = {0/u1, 0/u2, 0,5/u3, 1/u4, 0,5/u5, 0/u6}
A5 = {0/u1, 0/u2, 0/u3, 0,5/u4, 1/u5, 0,5/u6}
A6 = {0/u1, 0/u2, 0/u3, 0/u4, 0,5/u5, 1/u6}
dengan ui ⊂ U adalah elemen dari himpunan semesta dan bilangan yang
ter-19
4. Jika variasi pada tahun t adalah p, dan p ∈ ui dan jika nilai yang
dinya-takan oleh himpunan fuzzy Aj dengan nilai keanggotaan maximum jatuh
padaui, makap dinyatakan fuzzified pada Aj.
Hasil Variasi dari data pendaftaran yang difuzzified dinyatakan pada tabel
di bawah ini:
Tabel.3.2.2
Fuzzified Data Historis Pendaftaran Berdasarkan Variasi Yang Diketahui
No. Tahun Variasi Fuzzified Variasi
1. 1994
2. 1995 -169 A1
3. 1996 19 A4
4. 1997 -14 A3
5. 1998 -41 A3
6. 1999 77 A5
7. 2000 -15 A3
8. 2001 133 A6
9. 2002 -91 A2
10. 2003 -20 A3
11. 2004 72 A5
12. 2005 -5 A3
14. 2006 -13 A3
5. Menyatakan relasi orde-pertama dari variasi fuzzy.
Tabel.3.2.3
Relasi Variasi Fuzzy Logic
A1 →A4 A3 → A6
A4 →A3 A6 → A2
A3 →A3 A2 → A3
A3 →A5
A5 →A3
6. Mengkombinasikan relasi fuzzy menjadi grup relasi fuzzy, jika memiliki sisi
kanan yang sama
Tabel.3.2.4
Grup Relasi Fuzzy Logic
A1 → A4
A2 → A3
A3 → A3 , A5, A6
A4 → A3
A5 → A3
A6 → A2
21
R1 =AT1 × A4
R2 =AT2 × A3
R3 =AT3 × A3 ∪ AT3 × A5 ∪ AT3 × A6
R4 =AT4 × A3
R5 =AT5 × A3
R6 =AT6 × A2
dengan ∪ merupakan operator gabungan.
7. Menyatakan grup relasi fuzzy logic berdasarkan variasi yang diketahui dari
tahun sebelumnya, yaitu :
Jika Ai−1 =Aj dan Ri=Rj, untuk j =1,6.
Sehingga dari definisi komposisi:
Ai =Aj ◦ Rj
dengan Ai adalah variasi peramalan pada tahun i, sehingga output
pera-malannya yaitu:
F(1996) = A1◦R1 = [ 0 0 0,5 1 0,5 0 ]
F(1997) = A4◦R4 = [ 0 0,5 1 0,5 0 0 ]
F(1998) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
F(1999) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
F(2000) = A5◦R5 = [ 0 0,5 1 0,5 0 0 ]
F(2001) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
F(2002) = A6◦R6 = [ 0 0,5 1 0,5 0 0 ]
F(2003) = A2◦R2 = [ 0 0,5 1 0,5 0 0 ]
F(2004) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
F(2007) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
F(2008) = A3◦R3 = [ 0 0,5 1 0,5 1 1 ]
8. Setelah hasil output diketahui, maka dilakukanlah proses defuzifikasi, yaitu:
(a) Jika semua nilai outputnya nol maka variasi peramalannya adalah 0
(b) Jika nilai keanggotaan dari ouputnya memiliki satu maximum, maka
titik tengah interval dimana nilai ini dicapai adalah variasi peramalan.
(c) Jika keanggotaan dari outputnya memiliki dua atau lebih maximum,
maka titik tengah intervalnya digunakan sebagai variasi peramalan.
(d) Selain itu dengan menggunakan metode centroid, yaitu :
z
=
PxAˆ PA
dengan A = suatu luasan yang memiliki titik berat ˆx
Sehingga disimpulkan ada 6 jenis output dengan z , yaitu :
A1◦R1 = [ 0 0 0,5 1 0,5 0 ], z = 30
A2◦R2 = [ 0 0,5 1 0,5 0 0 ], z =−30
A3◦R3 = [ 0 0,5 1 0,5 1 1 ], z = 45
A4◦R4 = [ 0 0,5 1 0,5 0 0 ], z=−30
A5◦R5 = [ 0 0,5 1 0,5 0 0 ], z=−30
A6◦R6 = [ 0 0,5 1 0,5 0 0 ], z=−30
9. Error peramalan diketahui dengan menggunakan rumus :
Error Peramalan =
Σ| Pendaftaran Sebenarnya - Peramalan Pendaftaran |
23
Tabel.3.2.5
Output Peramalan dan Peramalan Pendaftaran 1996 s/d 2008 No. Tahun Pendaftaran Fuzzy Output Peramalan |a-b|
Sebenarnya(a) Pendaftaran(b)
1. 1996 383 0 0 0,5 1 0,5 0 394 11
2. 1997 369 0 0,5 1 0,5 0 0 353 16
3. 1998 328 0 0,5 1 0,5 1 1 414 86
4. 1999 405 0 0,5 1 0,5 1 1 373 32
5. 2000 390 0 0,5 1 0,5 0 0 375 15
6. 2001 523 0 0,5 1 0,5 1 1 415 108
7. 2002 432 0 0,5 1 0,5 0 0 490 58
8. 2003 412 0 0,5 1 0,5 0 0 402 10
9. 2004 484 0 0,5 1 0,5 1 1 457 27
10. 2005 479 0 0,5 1 0,5 0 0 454 25
11. 2006 466 0 0,5 1 0,5 1 1 514 48
12. 2007 464 0 0,5 1 0,5 1 1 511 47
13. 2008 0 0,5 1 0,5 1 1 509
Jumlah 5135 483
Sehingga dari tabel diketahui bahwa:
Peramalan pendaftaran untuk tahun 2008 dengan menggunakan 6
him-punan fuzzy adalah 509 calon dan :
3.3 Peramalan Pendaftaran dengan Menggunakan 7 Himpunan Fuzzy
1. Dari tabel diketahui bahwa Vmin = -169 dan Vmax = 133. Agar U dapat
dengan mudah dipartisi menjadi panjang interval yang sama, maka anggap
U = [Vmin -V1,Vmax +V2 ]. Dengan V1 danV2 bilangan positif sebarang,
maka penulis mengambilV1 = 11 dan V2 = 37 sehingga:
U = [-169 - 11 , 133 + 37 ]= [ -180, 170 ].
2. Dengan menggunakan 7 Himpunan Fuzzy, U dipartisi menjadi 7 interval
yang sama panjang, yaitu : ui,i = 1,7, yaitu :
u1 = [-180, -130 ],u2 = [-130, -80 ], u3 = [ -80 , -30 ],u4 = [ -30 , 20 ],
u5 = [ 20 ,70 ], u6 = [ 70 , 120 ],u7 = [ 120 , 170 ]
3. Diasumsikan nilai fuzzy dari variabel linguistik variasi data
pendaftaran-nya, yaitu : A1 (sangat menurun), A2 (semakin menurun), A3
(menu-run), A4 (tetap), A5(meningkat), A6 (semakin meningkat), A7 ( sangat
meningkat ).
Untuk 7 interval yang ada, setiapui, i = 1,7 menjadi bagian dari
Aj,j = 1,7 dinyatakan dengan nilai real pada range [0,1] :
A1 = {1/u1, 0,5/u2, 0/u3, 0/u4, 0/u5, 0/u6, 0/u7}
A2 = {0,5/u1, 1/u2, 0,5/u3, 0/u4, 0/u5, 0/u6, 0/u7}
A3 = {0/u1, 0,5/u2, 1/u3, 0,5/u4, 0/u5, 0/u6, 0/u7}
A4 = {0/u1, 0/u2, 0,5/u3, 1/u4, 0,5/u5, 0/u6, 0/u7}
A5 = {0/u1, 0/u2, 0/u3, 0,5/u4, 1/u5, 0,5/u6, 0/u7}
A6 = {0/u1, 0/u2, 0/u3, 0/u4, 0,5/u5, 1/u6, 0,5/u7}
25
dengan ui ⊂ U adalah elemen dari himpunan semesta dan bilangan yang
diberi simbol ”/” menyatakan nilai keanggotaan terhadap µ(ui) terhadap
Aj,j = 1,7.
4. Jika variasi pada tahuntadalahpdanp∈ui dan jika nilai yang dinyatakan
oleh himpunan fuzzy Aj dengan nilai keanggotaan maximum jatuh pada
ui maka pdinyatakan fuzzified pada Aj.
Tabel.3.3.1
Fuzzified Data Historis Pendaftaran Berdasarkan Variasi Yang Diketahui.
No. Tahun Variasi Fuzzified Variasi
1. 1994
2. 1995 -169 A1
3. 1996 19 A4
4. 1997 -14 A4
5. 1998 -41 A3
6. 1999 77 A6
7. 2000 -15 A4
8. 2001 133 A7
9. 2002 -91 A2
10. 2003 -20 A4
11. 2004 72 A6
12. 2005 -5 A4
13. 2006 -13 A4
5. Menyatakan relasi orde-pertama dari variasi fuzzy, dinyatakan pada tabel
dibawah ini:
Tabel.3.3.2
Relasi Variasi Fuzzy Logic
A1 →A4 A4 → A7
A4 →A4 A7 → A2
A4 →A3 A2 → A4
A3 →A6 A4 → A6
A6 →A4
6. Mengkombinasikan orde pertama relasi fuzzy menjadi grup relasi fuzzy,
ji-ka memiliki sisi ji-kanan yang sama, dinyataji-kan pada tabel dibawah ini:
Tabel.3.3.3
Grup Relasi Fuzzy Logic
A1 → A4
A2 → A4
A3 → A6
A4 → A3,A4,A6,A7
A6 → A4
27
menghitung Ri, i = 1,7 sebagai gabungan relasi logic dalam setiap grup
sehingga :
R1 =AT1 × A4
R2 =AT2 × A4
R3 =AT3 × A6
R4 =AT4 × A3 ∪ AT4 × A4 ∪ AT4 × A6 ∪AT4 × A7
R6 =AT6 × A4
R7 =AT7 × A2
dengan ∪ merupakan operator gabungan.
7. Menyatakan grup relasi fuzzy logic berdasarkan variasi yang diketahui dari
tahun sebelumnya, yaitu :
Jika Ai−1 =Aj dan Ri=Rj, untuk j =1,7.
Sehingga dari definisi komposisi:
Ai = Aj ◦ Rj,
dengan Ai adalah variasi peramalan pada tahun i, sehingga output
pera-malannya yaitu:
F(1996) =A1 ◦R1 = [ 0 0 0,5 0,5 1 0,5 0 ]
F(1997) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(1998) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(1999) = A3◦R3 = [ 0 0 0 0 0,5 1 0,5 ]
F(2000) = A6◦R6 = [ 0 0 0,5 1 0,5 0 0 ]
F(2001) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(2004) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(2005) = A6◦R6 = [ 0 0 0,5 1 0,5 0 0 ]
F(2006) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(2007) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
F(2008) = A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ]
8. Setelah hasil output diketahui, maka dilakukanlah proses defuzifikasi
seper-ti pada peramalan dengan menggunakan 6 himpunan fuzzy, yaitu :
(a) Jika semua nilai outputnya nol maka variasi peramalannya adalah 0
(b) Jika nilai keanggotaan dari ouputnya memiliki satu maximum, maka
titik tengah interval dimana nilai ini dicapai adalah variasi peramalan.
(c) Jika keanggotaan dari outputnya memiliki dua atau lebih maximum,
maka titik tengah intervalnya digunakan sebagai variasi peramalan.
(d) Selain itu dengan menggunakan metode centroid, yaitu :
z
=
PxAˆ PA
dengan A = suatu luasan yang memiliki titik berat ˆx
Sehingga disimpulkan ada 6 jenis output dengan z , yaitu :
A1◦R1 = [ 0 0 0,5 0,5 1 0,5 0 ], z = 45
A2◦R2 = [ 0 0 0,5 1 0,5 0 0 ], z=−5
A3◦R3 = [ 0 0 0 0 0,5 1 0,5 ], z = 95
A4◦R4 = [ 0 0,5 1 1 1 0,5 1 ], z = 25
A6◦R6 = [ 0 0 0,5 1 0,5 0 0 ], z=−5
29
9. Error peramalan diketahui dengan menggunakan rumus :
Error Peramalan =
Σ| Pendaftaran Sebenarnya - Peramalan Pendaftaran |
ΣPendaftaran Sebenarnya × 100 %
Dari tabel diketahui bahwa :
Tabel.3.3.4
Output Peramalan dan Peramalan Pendaftaran 1996 s/d 2008 No. Tahun Pendaftaran Fuzzy Output Peramalan |a-b|
Sebenarnya(a) Pendaftaran(b)
1. 1996 383 0 0 0,5 0,5 1 0,5 0 409 26
2. 1997 369 0 0,5 1 1 1 0,5 1 408 39
3. 1998 328 0 0,5 1 1 1 0,5 1 394 66
4. 1999 405 0 0 0 0 0,5 1 0,5 423 18
5. 2000 390 0 0 0,5 1 0,5 0 0 400 10
6. 2001 523 0 0,5 1 1 1 0,5 1 415 108
7. 2002 432 0,5 1 0,5 0 0 0 0 418 14
8. 2003 412 0 0 0,5 1 0,5 0 0 427 15
9. 2004 484 0 0,5 1 1 1 0,5 1 437 47
10. 2005 479 0 0 0,5 1 0,5 0 0 479 0
11. 2006 466 0 0,5 1 1 1 0,5 1 504 38
12. 2007 464 0 0,5 1 1 1 0,5 1 491 27
13. 2008 0 0,5 1 1 1 0,5 1 489
Jumlah 5135 408
Sehingga dari tabel diketahui bahwa:
Peramalan pendaftaran untuk tahun 2008 dengan menggunakan 7
him-punan fuzzy adalah 489 calon dan :
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
1. Pada peramalan pendaftaran dengan 6 himpunan fuzzy, pada tahun 2008
diramalkan calon mahasiswa yang mendaftar melalui jalur SPMB pada
De-partemen Matematika, Fakultas MIPA,Universitas Sumatera Utara adalah
sebesar 509 calon mahasiswa, dengan error ramalan 9,4 %.
2. Pada peramalan pendaftaran dengan 7 himpunan fuzzy, pada tahun 2008
diramalkan calon mahasiswa yang mendaftar pada Departemen
Matemati-ka, Fakultas MIPA, Universitas Sumatera Utara adalah sebesar 489 calon
mahasiswa, dengan error ramalan 7,9 %.
3. Jumlah Himpunan fuzzy mempengaruhi error peramalan.
4. Kebaikan metode ini, yaitu :
Error dapat diperkecil dan semakin banyak himpunan fuzzy yang
digu-nakan maka error semakin kecil.
5. Kelemahan metode ini, yaitu:
Jika kita telah menentukan nilai linguistik sebelum error diketahui, maka
ketika nilai errornya telah diketahui dan ternyata nilainya besar, dan akan
4.2 Saran
(a) Sebaiknya dalam menggunakan metode Time-Invariant Fuzzy Time
Series , kita lebih baik menemukan hasil ramalan dengan error terkecil,
barulah mengasumsikan nilai linguistiknya.
(b) Untuk penerapan penelitian selanjutnya penulis mengusulkan melakukan
peramalan mendatang dengan mengasumsikan faktor-faktor yang
dira-malkan memiliki hubungan sebab akibat, dengan memanfaatkan
DAFTAR PUSTAKA
[1] Chen, Shyi-Ming, and Ching, Chia. A New Method To Forecasting Enroll-ments Using Fuzzy Time Series.International Journal Science and Engi-neering 2,3
[2] Makridakis,S., Wheelright, C.Steven, dan Mcgee, Victor. 1993.Aplikasi Peramalan. Edisi ke-4. Terjemahan Untung Sus Andriyanti dan Abdul Ba-suki.Jakarta : Erlangga.
[3] Rohandi,Imam. 2006. Desain Sistem Tenaga Modern, Optimisasi, Logika Fuzzy, dan Algoritma Genetica. Yogyakarta : Andi Yogyakarta.
[4] Ross,Timothy. 1997.Fuzzy Logic With Engineering Applications.University New Mexico: Mc Graw Hill.
[5] Sah, Melike, and Degtiarev, Konstantin.2004.Forecasting Enrollments Model Based on First - Order Fuzzy Time Series.Enformatika Society
[6] Sri Kusuma,Dewi. 2002.Analisis Desain Sistem Fuzzy menggunakan Tool Box Matlab. Yogyakarta : Graha Ilmu.
[7] Sri Widodo,Thomas.2005.Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali.Yogyakarta : Graha Ilmu.
LAMPIRAN PERHITUNGAN
Peramalan Pendaftaran Dengan 6 Himpunan Fuzzy
Relasi orde pertama
Menyatakan grup relasi fuzzy logic berdasarkan variasi dari tahun - tahun
se-belumnya, dengan menggunakan maximum - minimum operator komposisi
37
A6◦R6 = [ 0 0 0 0 0,5 1 ]◦
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0,5 0,5 0,5 0 0 0 0,5 1 0,5 0 0
= [ 0 0,5 1 0,5 0 0 ]
Defuzzifikasi Pada 6 Himpunan Fuzzy
A1◦R1 = [ 0 0 0,5 1 0,5 0 ]
Karena nilai maksimumnya berada pada intervalu4 = [ 0,60 ]
y =60−0
2
=
30, maka z = 0 + 30 = 30A2 ◦R2 = [ 0 0,5 1 0,5 0 0 ]
Karena nilai maksimumnya berada pada intervalu3 = [ -60,0 ] y =
0+60
2
=
30,maka z = -60 + 30 = -30
Total Luas = 240
Luas I = 30, titik tengah intervalnya : -90
Luas II = 60, titik tengah intervalnya : -30
Luas III = 30, titik tengah intervalnya : 30
Luas IV = 60, titik tengah intervalnya : 90
Luas V = 60, titik tengah intervalnya : 150
dengan menggunakan metode centroid:
z
=
PˆxA PA
sehingga:
z
=
(30)(−90) + (60)(−30)+ (30)(30)+ (60)(90)+ (60)(150)240
=
45A4◦R4 = [ 0 0,5 1 0,5 0 0 ]
Karena nilai maksimumnya berada pada intervalu3 = [ -60,0 ]
y =0+602
=
30, maka z = -60 + 30 = -30A5◦R5 = [ 0 0,5 1 0,5 0 0 ], z=−30
Karena nilai maksimumnya berada pada intervalu3 = [ -60,0 ]
y =0+602
=
30, maka z = -60 + 30 = -30A6◦R6 = [ 0 0,5 1 0,5 0 0 ], z=−30
Karena nilai maksimumnya berada pada intervalu3 = [ -60,0 ]
39
Peramalan Pendaftaran Dengan 7 Himpunan Fuzzy
41
Menyatakan grup relasi fuzzy logic berdasarkan variasi dari tahun - tahun
se-belumnya, dengan menggunakan maximum - minimum operator komposisi
Defuzzifikasi Pada 7 Himpunan Fuzzy
A1◦R1 = [ 0 0 0,5 0,5 1 0,5 0 ]
Karena nilai maksimumnya berada pada intervalu5 = [ 20,70 ]
y =70 − 20
2
=
25, maka z = 20 + 25 = 45A2◦R2 = [ 0 0 0,5 1 0,5 0 ]
Karena nilai maksimumnya berada pada intervalu4 = [ -30,20 ]
y =20 + 302
=
25, maka z = -30 + 25 = -5A3◦R3 = [ 0 0 0 0 0,5 1 0,5 ]
Karena nilai maksimumnya berada pada intervalu6 = [ 70,120 ]
y =120 −70
2
=
25, maka z = 70 + 25 = 9545
Total Luas = 250
Luas I = 25, titik tengah intervalnya : -105
Luas II = 50, titik tengah intervalnya : -55
Luas III = 50, titik tengah intervalnya : -5
Luas IV = 50, titik tengah intervalnya : 45
Luas V = 25, titik tengah intervalnya : 95
Luas VI = 50, titik tengah intervalnya : 145
dengan menggunakan metode centroid :
z
=
PxAˆ PA
sehingga:
z
=
(25)(−105) + (50)(−55)+ (50)(−5)+ (50)(45)+ (25)(95)+ (50)(145)250
=
6250250=
25A6◦R6= [ 0 0 0,5 1 0,5 0 0 ]
Karena nilai maksimumnya berada pada intervalu4 = [ -30, 20 ]
y =20 +302
=
25, maka z = -30 + 25 = -5A7◦R7 = [ 0,5 1 0,5 0 0 0 0 ]
Karena nilai maksimumnya berada pada intervalu2 = [ -130, -80 ]
y =−80 +130