Wendy Andrytiarandy, 2013
METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL
BERBASIS RATA-RATA
SKRIPSI
Diajukan untuk Memenuhi Sebagian dari
Syarat Memperoleh Gelar Sarjana Sains Matematika
Program Studi Matematika
Oleh
Wendy Andrytiarandy 0801343
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
Wendy Andrytiarandy, 2013
LEMBAR PENGESAHAN
METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL
BERBASIS RATA-RATA
Oleh :
Wendy Andrytiarandy NIM. 0801343
Disetujui dan Disahkan Oleh, Pembimbing I
Dra. Entit Puspita, M.Si. NIP. 196704081994032002
Pembimbing II
Drs .Maman Suherman, M.Si. NIP. 195202121974121001
Mengetahui,
Ketua Jurusan Pendidikan Matematika
Wendy Andrytiarandy, 2013
METODE
FUZZY TIME SERIES
BERDASARKAN SELISIH DATA
HISTORIS PADA METODE CHEN
DENGAN PENENTUAN INTERVAL
BERBASIS RATA-RATA
Oleh
Wendy Andrytiarandy
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Wendy Andrytiarandy 2013 Universitas Pendidikan Indonesia
Oktober 2013
Hak Cipta dilindungi undang-undang.
Wendy Andrytiarandy, 2013
ABSTRAK
Metode fuzzy time series merupakan metode peramalan dengan mengubah data historis menjadi himpunan fuzzy. Metode fuzzy time series pertama kali diperkenalkan oleh Song dan Chisom (1994). Banyak peneliti yang mengembangkan metode ini demi menghasilkan keakuratan yang lebih baik, seperti Chen (1996 dan 2004) dan Xihao (2008). Pada skripsi ini metode fuzzy time series yang digunakan didasarkan pada ketiga metode pengembangan tersebut, yaitu metode fuzzy time series yang didasarkan selisih data historis pada metode chen yang menggunakan penentuan interval berbasis rata-rata. Metode ini digunakan untuk meramalkan data penjualan mobil di Indonesia. Sebagai pembanding penulis menggunakan metode lain yaitu metode fuzzy time series standar yang digunakan Chen pada tahun 1996. Dari hasil studi kasus tersebut, diketahui bahwa peramalan menggunakan metode yang diajukan pada skripsi ini menghasilkan error sebesar 4,081%, hasil ini lebih akurat dibandingkan dengan menggunakan metode standar yang menghasilkan error sebesar 7,359%.
Wendy Andrytiarandy, 2013
ABSTRACT
Fuzzy time series method is forecasting method by changing the historical data into fuzzy sets. Fuzzy time series method was first introduced by Song and Chisom (1994 ). Many researchers developing this method in order to produce better forecasting accuracy, as Chen ( 1996 and 2004 ) and Xihao ( 2008 ). In this paper, the fuzzy time series method used is based on the development of these three methods, that is the fuzzy time series method based on the difference of historical data in Chen method using average based - interval. This method is used to forecast automobile sales data in Indonesia. For comparison, the authors use the other method, that is the standard fuzzy time series method used by Chen in 1996. By the results of the case studies, it is known that the forecasting method proposed in this paper produces an error of 4.081 % , this result is more accurate than the standard method that produces an error of 7.359 %.
Wendy Andrytiarandy, 2013
2.2.1 Fungsi keanggotaan linier ... 7
2.2.2 Fungsi keanggotaan segitiga ... 9
2.2.3 Fungsi keanggotaan trapesium ... 10
2.2.4 Fungsi keanggotaan siqnoid ... 11
2.3 Fuzzifikasi dan Defuzzifikasi ... 11
2.3.1 Defuzzifikasi ... 12
BAB 3 METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL BERBASIS RATA-RATA 3.1 Konsep Dasar Peramalan ... 13
Wendy Andrytiarandy, 2013
3.9 Metode FuzzyTime Series yg dikembengkan Song dan Chissom ... 17
3.10 Metode FuzzyTime Series yang dikembangkan oleh Chen ... 19
3.11 Penentuan Interval Berbasis Rata-rata pada Fuzzy Time Series ... 20
3.12 Pengembangan Metode FuzzyTime Series yang Dikembangkan oleh Chen... 21
3.13 Metode Fuzzy Time Series Berdasarkan Selisih Data Historis Pada Metode Chen dengan Penentuan Interval Berbasis Rata-rata ... 22
BAB 4 STUDI KASUS 4.1 Studi Kasus Peramalan pada Banyak Penjualan Mobil di Indonesia ... 26
4.2 Peramalan Banyak Penjualan dengan Metode Fuzzy Time Series yang Dikembangkan oleh Chen ... 27
4.3 Peramalan Banyak Penjualan dengan Metode Fuzzy Time Series Berdasarkan Selisih Data Historis pada Metode Chen dengan Penentuan Interval Berbasis Rata-rata ... 39
Wendy Andrytiarandy, 2013
BAB 1 PENDAHULUAN
1.1Latar Belakang
Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
keputusan dan sangat dibutuhkan dalam kehidupan sehari-hari, untuk menentukan
kapan suatu peristiwa atau besarnya nilai suatu data pada peristiwa yang akan
terjadi. Seperti pada setiap penjualan barang, membuat rencana untuk masa yang
akan datang adalah suatu hal yang harus dipikirkan oleh perusahaan yang
bersangkutan. Melihat keadaan pasar yang semakin kompleks maka perlu
dipelajari bagaimana agar target penjualan dapat meningkat. Dari data masa lalu
perlu dilakukan peramalan untuk masa depan yang bisa membantu meramalkan
penjualan barang beberapa tahun selanjutnya, sehingga dapat dipersiapkan
kebijakan atau tindakan-tindakan yang perlu dilakukan.
Dalam penyusunan peramalan tersebut banyak didasarkan atas data yang
relevan pada masa lalu. Sebelum melakukan peramalan harus diketahui terlebih
dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan
yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi,
biaya,dan kemudahan. Dua metode yang sering digunakan untuk meramalkan
suatu data yaitu analisis regresi dan metode runtun waktu (time series).
Analisis regresi selain dapat melakukan peramalan dapat pula digunakan
untuk menentukan hubungan sebab akibat. Sedangkan metode time series
digunakan untuk meramalkan data, yang berdasarkan data masa lalu dalam jangka
waktu yang panjang. Dari kedua metode tersebut yang sering di gunakan adalah
metode time series. Beberapa teknik didalam permodelan time series, dibahas
dalam metode Box-jenkins seperti Autoregresive (AR), Moving Average (MA),
ARMA, ARIMA, dan sebagainya. Metode time series ini dapat disebut sebagai
metode time series klasik.
Selain peramalanan menggunakan metode time series klasik, ada banyak
metode yang diajukan untuk peramalan penjualan barang yang berdasarkan time
2
Wendy Andrytiarandy, 2013
harus berbentuk linguistik yang dikenal dengan himpunan fuzzy (L.A. Zadeh).
Berbeda dengan metode time series klasik dimana pada dasarnya sama-sama
dapat memprediksi masalah musiman, tetapi tidak sesuai dengan masalah
peramalan pada metode fuzzy.
Lalu pada tahun 1993 Song dan Chissom memperkenalkan teori Fuzzy time
series untuk mengatasi kekurangan dari metode time series klasik. Berdasarkan
teori fuzzy time series, Song dkk menampilkan beberapa metode peramalan untuk
meramalkan data jumlah pendaftar di Universitas Alabama. Dan metode ini terus
dikembangkan, seperti pada tahun 1996, Chen juga memaparkan metode fuzzy
time series menggunakan operasi aritmatika sederhana untuk peramalan di
Universitas Alabama berdasarkan fuzzy time series. Ini merupakan keuntungan
untuk mengurangi waktu perhitungan dan proses perhitungannya lebih sederhana
namun tingkat akurasinya tidak cukup baik.
Pada tahu 2004, Chen dkk mengembangkan metode baru fuzzy time series
melalui jurnalnya yang berjudul “A New Method to Forecast Enrollments Using
Fuzzy Time Series”untuk peramalan di Universitas Alabama. Dengan metode ini dapat memperoleh akurasi peramalan yang lebih baik dari pada metode – metode
yang telah ada sebelumnya, namun tidak dapat meprediksi data yang akan datang,
karena pada peramalannya metode tersebut membutuhkan data aktual pada tahun
yang akan diramalkan.
Dalam perhitungan peramalan dengan menggunakan fuzzy time series,
panjang interval umumnya ditentukan berdasarkan keinginan peneliti untuk
mempermudah perhitungan. Sedangkan penentuan panjang interval sangat
berpengaruh dalam pembentukan fuzzy relationship yang tentunya akan
memberikan dampak perbedaan hasil perhitungan peramalan. Oleh karena itu,
pembentukan fuzzy relationship haruslah tepat dan hal ini mengharuskan
penentuan panjang interval yang sesuai. Salah satu metode untuk penentuan
panjang interval yang efektif adalah dengan metode berbasis rata-rata atau
average-based fuzzy time series sebagaimana yang telah diperkenalkan oleh Xihao
3
Wendy Andrytiarandy, 2013
Berdasarkan uraian latar belakang yang dijelaskan, penulis tertarik untuk
meneliti tentang metode fuzzy time series dimana metodenya adalah kombinasi
antara metode fuzzy time series yang diperkenalkan oleh Song dan Chisom pada
tahun 1993 dan metode fuzzy time series yang dikembangkan oleh Chen pada
tahun 1996 dan 2004 serta penentuan intervalnya yang berbasis dengan rata-rata
yang diaplikasikan untuk meramalkan data penjualan kendaraan bermotor di
Indonesia yang diterapkan dalam hal ini kasus peramalan banyak penjualan mobil
di Indonesia. Skripsi ini diberi judul “Metode Fuzzy Time Series Berdasarkan
Selisih Data Historis Pada Metode Chen Dengan Penentuan Interval Berbasis
Rata-Rata”.
1.2Rumusan Masalah
Permasalahan yang akan dibahas dalam skripsi ini adalah sebagai berikut:
1. Bagimana kajian teoritis dari Metode Fuzzy Time Series Berdasarkan Selisih
Data Historis Pada Metode Chen dengan Penentuan Interval Berbasis
Rata-Rata?
2. Bagaimana aplikasi fuzzy time series pada peramalan kasus banyak penjualan
mobil di Indonesia?
1.3Tujuan Penulisan
Adapun tujuan penulisan dalam skripsi ini adalah:
1. Menguraikan kajian teoritis dari Metode Fuzzy Time Series Berdasarkan
Selisih Data Historis Pada Metode Chen dengan Penentuan Interval Berbasis
Rata-Rata.
2. Menerapkan fuzzy time series pada peramalan kasus banyak penjualan mobil di
4
Wendy Andrytiarandy, 2013
1.4 Manfaat Penulisan 1. Manfaat Teoritis
Adapun manfaat penulisan skripsi ini secara teortis adalah memperluas teori
tentang metode time series.
2. Manfaat Praktis
Adapun manfaat penulisan skripsi ini secara praktis adalah sebagai bahan
pertimbangan serta dapat dijadikan sebagai salah satu sumber informasi bagi
Wendy Andrytiarandy, 2013
BAB 3
METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL
BERBASIS RATA-RATA
3.1 Konsep Dasar Peramalan
Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa
sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan adalah
pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau
beberapa produk pada periode yang akan datang. Pada hakekatnya peramalan
hanya merupakan suatu perkiraan. tetapi dengan menggunakan teknik-teknik
tertentu, maka peramalan menjadi lebih sekedar perkiraan.
3.2 Karakteristik Peramalan Yang Baik
Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain
akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah
sebagai berikut :
1. Akurasi.
Akurasi dari suatu hasil peramalan diukur dengan kekonsistenan hasil
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut
terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya
terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan
peramalan relatif kecil. Sebagai contoh peramalan yang terlalu rendah akan
mengakibatkan kekurangan persediaan, sehingga permintaan konsumen
tidak dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan
pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu
tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga
banyak modal yang terserap sia – sia. Keakuratan dari hasil peramalan ini
14
Wendy Andrytiarandy, 2013
2. Biaya.
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah
tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,
dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut
akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana
pengolahan datanya ( manual atau komputerisasi), bagaimana penyimpanan
datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode
peramalan harus disesuaikan dengan dana yang tersedia dan tingkat akurasi
yang ingin didapat, misalnya item-item yang penting akan diramalkan
dengan metode yang sederhana dan murah.
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan
mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
Memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem
perusahaan akan menjadi kurang efektif karena harus mempertimbangkan
keterbatasan dana, sumber daya manusia, maupun peralatan teknologi.
3.3 Teknik Peramalan
Dalam penyusunan peramalan banyak didasarkan atas data yang relevan
pada masa lalu. Dua metode yang sering digunakan untuk meramalkan suatu data
yaitu analisis regresi dan metode runtun waktu (time series).
Analisis regresi selain dapat melakukan peramalan dapat pula digunakan
untuk menentukan hubungan sebab akibat. Sedangkan metode time series
digunakan untuk meramalkan data, berdasarkan data masa lalu dalam jangka
waktu yang panjang. Dari kedua metode tersebut yang sering di gunakan adalah
metode time series. Beberapa teknik didalam permodelan time series, dibahas
dalam metode Box-Jenkins seperti Autoregresive (AR), Moving Average (MA),
ARMA, ARIMA, dan sebagainya. Metode time series ini dapat disebut sebagai
metode time series klasik.
Selain peramalanan time series menggunakan metode Box-Jenkins, ada
15
Wendy Andrytiarandy, 2013
masalah musiman, sehingga membutuhkan data dalam waktu yang panjang.
Untuk peramalan dalam jangka waktu yang tidak harus panjang, terdapat metode
peramalan yang tepat, yaitu fuzzy time series. Hal ini di karenakan data harus
diubah terlebih dahulu menjadi bentuk linguistik yang dikenal dengan himpunan
fuzzy, sehingga dalam metode fuzzy time series teknik peramalannya tidak
membutuhkan tren yang menyeluruh, melainkan hanya cukup melihat bentuk
linguistik dari data.
3.4 Fuzzy Time Series
Pada konsep Fuzzy time series model peramalan yang digunakan adalah
aplikasi dari himpunan fuzzy. Himpunan fuzzy digunakan untuk menggantikan
data historis yang akan diramalkan. Metode fuzzy time series diperkenalkan
pertama kali oleh Song and Chisom. Berikut adalah definisinya.
Definisi 3.4.1 (Xihao dan Yimin, 2008:105)
menjadi himpunan semesta pembicaraan
dimana himpunan fuzzy didefinisikan, disebut sebagai
runtun waktu fuzzy pada , .
3.5 Relasi Logika fuzzy
Konsep peramalan membutuhkan relasi yang menghubungkan antar data
historis. Karena data pada peramalan fuzzy time series diubah menjadi himpunan
fuzzy maka relasi yang dipakai adalah relasi logika fuzzy yang definisinya sebagai
berikut.
Definisi 3.5.1 (Xihao dan Yimin, 2008:105)
Jika terdapat relasi fuzzy sehingga
dengan symbol adalah suatu operator maka disebabkan oleh .
16
Wendy Andrytiarandy, 2013
adalah , maka dikenal dengan “sisi kiri” dan dikenal dengan “sisi kanan”.
3.6 Time Invariant Fuzzy Time Series
Time Invariant Fuzzy time series merupakan fuzzy time series dimana
relasinya tidak bergantung terhadap waktu t.
Definisi 3.6.1 (Chen dan Hsu, 2004: 235)
Misal merupakan suatu fuzzy time series dan misalkan
mejadi model orde pertama dari Jika untuk dan yang berbeda,
untuk sebarang waktu maka dinyatakan
sebagai Time InvariantFuzzy time series
Dalam skripsi ini fuzzy time series yang dipakai adalah time-invariantfuzzy time
series.
3.7 Model Order Pertama Fuzzy Time Series Definisi 3.7.1 (Chen dan Hsu, 2004: 235)
Jika disebabkan oleh dinotasikan dengan
maka relasinya dinyatakan dengan simbol “
merupakan Max-Min operator komposisi, disebut sebagai model orde
pertama dari
Definisi 3.7.2 (Sah dan Degtiarev, 2005 : 376)
J i k a a d a l a h s e b u a h t ime-i nvariant fuzzy time
series, m a k a r e l a s i l o g i k a fuzzy
d i s e b u t d e n g a n o r d e p e r t a m a r e l a s i
17
Wendy Andrytiarandy, 2013
Namun pada skripsi ini tidak dibahas lebih dalam mengenai max-min operator.
Model yang dipakai hanyalah order pertama.
3.8 Grup Relasi Logika Fuzzy
Grup relasi logika fuzzy merupakan kumpulan dari relasi fuzzy yang
terbentuk jika terdapat “sisi kiri” dua buah atau lebih relasi logika fuzzy
“disebabkan” oleh fuzzy time series yang identik.
Definisi 3.8.1 (Xihao dan Yimin, 2008:105)
Diberikan dua buah Relasi logika fuzzy dengan sisi kiri yang sama, dimana
sisi kiri . Kedua sisi kiri dapat digrupkan menjadi grup relasi
3.9 Metode Fuzzy Time Series Yang Dikembangkan oleh Song dan Chissom Song dan Chissom merupakan orang-orang yang pertama kali
memperkenalkan teori fuzzy time series yaitu dalam peramalan banyak siswa
pendaftar pada Universitas Alabama. Metode yang digunakan adalah model
time-invariant. Berikut adalah algoritma dari metode yang dikembangkan oleh Song
dan Chissom:
1. Definisikan himpunan semesta
2. Partisikan himpunan semesta menjadi beberapa interval dengan panjang
yang sama . Definisikan himpunan fuzzy dari himpunan
18
Wendy Andrytiarandy, 2013
= sangat sangat rendah, =sangat rendah, =rendah, dan seterusnya
sehingga himpunan fuzzy didefinikan sebagai berikut
derajat keanggotaan dari dalam himpunan fuzzy Penentuan derajat
untuk masing-masing yaitu jika keanggotaan
maksimum dari suatu data didalam maka nilai fuzzifikasinya dikatakan
sebagai . Karena untuk mendapatkan nilai keanggotaan dalam metode
ini menggunakan pendekatan fungsi keanggotaan segitiga maka diperoleh
Himpunan Fuzzy sebagai berikut:
:
himpunan fuzzy dimana memiliki nilai keanggotaan maksimum.
4. Bentuklah relasi fuzzy dari hasil fuzifikasi dimana , dan untuk
setiap relasi , dimana adalah operator minimum.
5. Ramalkan output dalam bentuk himpunan fuzzy dan defuzzifikasi output
19
Wendy Andrytiarandy, 2013
6. Menentukan grup relasi logika fuzzy yang akan digukan untuk peramalan
berdasarkan pada tahun sebelumnya yang diketahui dengan persamaan.
Jika maka
dengan menggunakan definisi dari model peramalan komposit
Dimana adalah selisih yang akan diramalkan pada tahun ke “ ” dalam
artian himpunan fuzzy.
Setelah output peramalan dalam bentuk himpunan fuzzy akan dilakukan
defuzifikasi untuk memperoleh nilai selisih peramalan, langkah-langkah
defuzzifikasi adalah sebagai berikut:
a. Jika nilai keanggotaan outputnya adalah 0, maka z = 0
b. Jika nilai keanggotaan outputnya memiliki 1 maximum, maka titik tengah
interval dimana nilai ini dicapai adalah z.
c. Jika nilai keanggotaan dari outputnya memiliki lebih dari 2 maximum yang
berurutan, maka titik tengah interval dimana nilai ini dicapai adalah z.
d. Jika outputnya selain dari hal diatas maka digunakan Metode Centroid
Defuzifikasi hasil peramalan .
3.10 Metode Fuzzy Time Series yang dikembangkan oleh Chen
Metode Song dan Chisom memiliki perhitungan yang rumit pada langkah 4
dan 5 dimana dalam perhitungannya menggunakan operasi matriks yang
kompleks walupun pada akhirnya defuzzifikasinya sama. Sehingga Chen
mengembangkan metode yang lebih sederhana dari pada metode sebelumnya,
perhitungan langkah 4 dan 5 di metode Song dan Chissom, tidak dipergunakan
melainkan setalah membentuk grup relasi fuzzy langsung dilakukan fuzzifikasi
dengan menggukan operasi aritmatika sederhana, yaitu dengan tahap sebagai
berikut:
1. Partisikan himpunan semesta menjadi beberapa interval dengan panjang
yang sama.
20
Wendy Andrytiarandy, 2013
3. Fuzzifikasi data historis.
4. Bentuk fuzzy relasinya dan menetapkan grup relasi fuzzy.
5. Defuzzifikasi hasil peramalan, dengan aturan sebagai berikut :
Misalkan adalah data yang akan diramalkan dimana ,
maka:
1) Jika hanya terdapat satu relasi grup fuzzy dari yaitu , maka
dimana defuzifikasinya adalah nilai tengah dari interval
dimana memiliki nilai keanggotaan maksimum pada .
2) Jika tidak memiliki relasi maka defuzifikasi diperoleh dari nilai
tengah interval yang memiliki nilai keanggotaan maksimum pada .
3) Jika terdapat lebih dari satu relasi grup fuzzy dari yaitu
maka defuzifikasi diperoleh dari rata-rata nilai tengah
dari masing-masing interval yang memiliki nilai keanggotaan maksimum
pada masing-masing .
3.11 Penentuan Interval Berbasis Rata-rata Pada Fuzzy time series
Pada metode - metode sebelumnya dalam menentukan panjang interval
umumnya ditentukan berdasarkan keinginan peneliti untuk mempermudah
perhitungan. Sedangkan penentuan panjang interval sangat berpengaruh dalam
menentukan banyaknya himpunan fuzzy sehingga pembentukan fuzzy relationship
tentunya akan memberikan dampak perbedaan hasil perhitungan peramalan. Oleh
karena itu, pembentukan fuzzy relationship haruslah tepat dan hal ini
mengharuskan penentuan panjang interval yang sesuai. Salah satu metode untuk
penentuan panjang interval yang efektif adalah dengan metode berbasis rata-rata
atau average-based fuzzy time series sebagaimana yang telah diperkenalkan oleh
Xihao dkk pada tahun 2007 dalam jurnalnya.
Dimana penentuan Algoritma dalam penentuan interval rata-rata
sebagaimana berikut:
1. Hintung semua nilai mutlak selisih antara dan
21
Wendy Andrytiarandy, 2013
2. Tentukan setengah dari rata-rata yang diperoleh dari langkah pertama untuk
kemudian dijadikan sebgai panjang interval.
3. Berdasarkan panjang interval yang di peroleh dari langkah kedua, tentukan
basis dari panjang interval sesuai dengan tabulasi basis berikut.
Tabel 3.1 : Basis inteval
4. Panjang interval kemudian dibulatkan sesuai dengan tabel basis interval.
Sebagai contoh bagaimana cara menghitung panjang interval berbasis
rata-rata, maka akan di berikan sebuah contoh. Misalkan terdapat data time series
sebagai berikut : 40, 50, 90, 120, 70 dan 100. Maka algoritma dari penentuan
interval berbasis rata-rata bisa diimplementasikan sebagai berikut :
1. Selisih mutlak antara data time series diperoleh nilai – nilai 10, 40, 30,
40, dan 30. Maka bisa diketahui bahwa rata – rata selisih data adalah
22
Wendy Andrytiarandy, 2013
3.12 Pengembangan Metode Chen dalam Mendefuzzifikasi Hasil Peramalan Dalam mendefuzzifikasi hasil peramalan, Shyi-Ming Chen dan Chia-Ching
Hsu telah mengembangkan metode baru yang ditulis dalam jurnalnya “A New
Method to Forecast Enrollments Using Fuzzy time series” pada tahun 2004,
dengan aturan sebagai berikut:
Dalam meramalkan tahun ke-t, maka lihat fuzzy untuk tahun ke-t,
misalkan .
1) Jika mutlak selisih data tahun (t-1) dan (t-2) lebih besar dari setengah
panjang interval partisi, maka data peramalan tahun ke-t adalah titik ¾
dari interval yang memiliki tingkat keanggotaan 1 pada
2) Jika mutlak selisih data tahun (t-1) dan (t-2) sama dengan setengah
panjang interval partisi, maka data peramalan tahun ke-t adalah titik ½
dari interval yang memiliki tingkat keanggotaan 1 pada
3) Jika mutlak selisih data tahun (t-1) dan (t-2) lebih kecil dari setengah
panjang interval partisi, maka data peramalan tahun ke-t adalah titik ¼
dari interval yang memiliki tingkat keanggotaan 1 pada
Perhatikan bahwa penggunaan mutlak selisih dalam penentuan titik
peramalan yaitu ¼ ,½ atau ¾ sangat berguna untuk melihat tren seberapa
besar kenaikan atau penurunan antar data beruntun, sehingga dengan selisih
tersebut hasil peramalan dapat diperoleh lebih akurat.
Namun dalam metode ini memiliki kekurangan yaitu tidak dapat
meramalkan, karena untuk meramalkan tahun ke-t membutuhkan himpunan
fuzzy pada tahun ke-t. Tetapi pada aturan defuzzifikasinya lebih detail
dikarenakan menggunakan sistem selisih sehingga dapat melihat seberapa
besar kenaikan dan penurunan untuk data berikutnya.
3.13 Metode Fuzzy Time Series Berdasarkan Selisih Data Historis Pada Metode Chen dengan Penentuan Interval Berbasis Rata-rata
Metode ini merupakan penggabungan dari metode-metode fuzzy time series
23
Wendy Andrytiarandy, 2013
diterapkan adalah peramalan yang berbasis metode Chen 1996 dengan penentuan
interval berbasis rata-rata (Metode Xihao) dimana pada peramalannya
menggunakan sistem selisih dan beberapa aturan pada metode Chen 2004.
Proses yang dilakukan sebelum peramalan pada dasarnya serupa dengan
metode-metode yang sudah ada. Berikut adalah tahap-tahap dalam peramalan
pada metode yang diajukan pada skripsi ini.
1. Fuzifikasi data historis
Proses yang dlakukan pada tahap ini sama seperti metode-metode
yang sudah ada pada metode fuzzy time series, yaitu:
- Mendefinisikan interval himpunan semesta yang
memuat semua data historis.
- Membagi menjadi beberapa bagian interval dengan panjang yang
sama yang panjangya ditentukan dengan penentuan
interval berbasis rata-rata.
- Mendefinisikan himpunan fuzzy pada yang nilai linguistiknya
didasarkan pada interval partisi , yaitu merupakan himpunan
fuzzy untuk nilai linguistik pada sehingga dapat dituliskan
∑ ( )
- Fuzifikasi data historis berdasarkan interval data historis tersebut
berada yang memiliki nilai fungsi keanggotaan 1, yaitu dapat
difuzifikasi menjadi jika , dimana pada .
Dalam hal ini fuzzy untuk dituliskan sebagai .
24
Wendy Andrytiarandy, 2013
Tujuan dari pembentukan grup relasi ini adalah melihat tren dari relasi
yang terhubung pada masing-masing himpunan fuzzy dari data historis.
Berikut adalah prosesnya.
- Membentuk relasi logika fuzzy, yaitu menghubungkan himpunan fuzzy
25
Wendy Andrytiarandy, 2013
3) Jika mutlak selisih data tahun (t-1) dan (t-2) lebih kecil dari panjang
interval partisi, maka data peramalan tahun ke-t adalah rata-rata dari
setiap titik ¼ dari interval dan , misalkan titik- titik ¼
tersebut adalah dan , yaitu
Wendy Andrytiarandy, 2013
BAB 5 PENUTUP
5.1Kesimpulan
1) Metode fuzzy time series berdasarkan selisih data historis pada metode
Chen dengan penentuan interval berbasis rata-rata merupakan gabungan
dari metode Fuzzy time series Chen 1996 dan 2004, dan metode interval
berbasis rata-rata yang diperkanalkan oleh Xihao 2006. Metode ini terdiri
dari tiga langkah yaitu fuzzyfikasi data historik, Membentuk grup relasi
logika fuzzy, danmeramalkan data historik.
2) Setelah diaplikasikan pada kasus penjualan mobil di Indonesia dari januari
2012 sampai dengan mei 2013 dan membandingannya dengan metode
Fuzzy Time series yang standar (Chen 1996) diperoleh hasil peramalan
pada kasus ini dengan menggunakan metode standar menghasilkan error
sebesar 7,359% sedangkan hasil peramalan dengan menggunakan metode
yang diajukan pada skripsi ini hanya menghasilkan error sebesar 4,081%.
Ini berarti metode yang diajukan pada skripsi ini dapat menghasilkan
peramalan yang lebih akurat. hal ini dikarenakan panjang interval
mempengaruhi banyaknya himpunan fuzzy yaitu semakin kecil interval
maka semakin banyak himpunan fuzzy, dan proses defuzifikasi
mempengaruhi ketepatan peramalan.
5.2 Saran
Berikut adalah saran dari penulis berdasarkan penelitian yang telah
dilakukan.
1. Dalam metode ini pada pembentukan grup relasi fuzzy, jika terjadi
pengulangan relasi hanya dihitung sekali, yang artinya tidak
memperhatikan pengulangan tren yang seharusnya terjadi, untuk itu
penulis menyarankan dalam pembentukan relasi tersebut dituliskan
sebagaimana adanya yaitu jika terjadi pengulangan relasi maka harus
diperhitungkan dan membuktikan bahwa teori tersebut akan memberikan
57
Wendy Andrytiarandy, 2013
2. Tren dari data historik sangat mungkin dipengaruhi oleh faktor eksternal
seperti halnya data saham, yang dipengaruhi oleh data saham lainya,
sedangkan pada metode ini tidak melibatkan faktor eksternal pada
peramalannya. Untuk itu penulis menyarankan metode ini
dikombinasikan dengan melibatkan faktor eksternal dan membuktikan
Wendy Andrytiarandy, 2013
Daftar Pustaka
Belohlavek, R dan Klir, G.J. (2011). Concept and Fuzzy Logic. Massachusetts: The MIT Press.
Chen, S dan Hsu, C. (2004). “A New Method to Forecast Enrollments Using Fuzzy Time
Series”. 2, (3), 234-244.
Hernasary, Y. (2007). Metode Time Invariant Fuzzy Time Series Untuk Peramalan Pendaftaran Calon Mahasiswa. Skripsi pada D e p a r t e m e n M a t e m a t i k a F a k u l t a s M a t e m a t i k a D a n I l m u P e n g e t a h u a n A l a m U n i v e r s i t a s S u m a t e r a U t a r a : t i d a k d i t e r b i t k a n .
Jilani, T.A, et al. (2008). “Fuzzy Metric Approach for Fuzzy Time Series Forecasting based
on Frequency Density Based Partitioning”. International Journal of Information and
Mathematical Sciences. 4, (2), 112-117.
Klir, G.J dan Yuan, B. (1995). Fuzzy Set and Fuzzy Logic Theory and Application. New Jersey: Prentice Hall P T R.
Pevva, K dan Kyosev, Y. (2004). Fuzzy Relational Calculus. USA: World Scientific.
Poulsen, J.R. (2009). Fuzzy Time Series Forecasting. Makalah pada Aalborg University Esbjerg (AAUE).
Ross, T.J. (2010). Fuzzy Logic with Engineering Applications. United Kingdom: Wiley.
Sah, M dan Degtiarev, K.Y. (2005). “ Forecasting Enrollment Model Based on First-Order
Fuzzy Time Series”. Engineering and Technology. 1, 375-378.
Soejoeti, Z, Ph.D. (1987). Analisis Runtun Waktu. Jakarta: Karunia Jakarta Universitas Terbuka.