Metode Autoregressive Fuzzy Time Series Untuk Peramalan Abd Rozak
(1309201009)
Jurusan Statistika, Fakultas Matematika dan Ilmu pengetahuan Alam Institut Teknologi Sepuluh Nopember
Kampus ITS Keputih Sukolilo Surabaya 60111 Email : abd.rozak76@yahoo.co.id
ABSTRAK
Perkembangan teori dan aplikasi logika fuzzy cukup luas pada berbagai bidang, selain pada
model regresi, teori dan aplikasi logika fuzzy juga berkembang pada metode peramalan data
time
series
yang disebut dengan
fuzzy time series.
Pada penelitian ini dilakukan pengkajian dan
penggabungan keunggulan dari regresi fuzzy dan metode
Autoregressive
(AR) untuk memperoleh
hasil peramalan yang baik. Keuntungan dari menggunakan metode ini adalah dihasilkan interval
(
upper bound
dan
lower bound)
pada hasil ramalan, sehingga dapat digunakan dalam pengambilan
keputusan pada kemungkinan yang terbaik maupun terburuk. Sebagai aplikasi, penelitian ini
menggunakan data mingguan permintaa
arc tube
daya listik rendah di PT. Panasonic Lighting
Indonesia tahun 2000 sampai tahun 2005. Berdasarkan interval yang dihasilkan dari metode
Autoregressive Fuzzy Time Series
ini memiliki interval yang lebih sempit pada nilai derajat
keanggotaan (h) = 0; 0,25; dan 0,5 dari pada interval konfidensi ARIMA pada taraf 95%.
Kata Kunci : Fuzzy Time Series, Autoregressive, Regresi Fuzzy, Arc tube. 1. Pendahuluan
Peramalan memegang peranan yang penting dalam kehidupan, suatu kejadian yang belum diketahui
dapat diprediksi dengan menggunakan data-data historis dari kejadian tersebut. Analisis time series sering
digunakan dalam melakukan peramalan terhadap data-data historis, sebagai contoh dalam mengamati kecepatan angin, tekanan darah dalam tubuh dan transaksi bursa saham baik domestik maupun internasional, kebutuhan listrik, dan lain sebagainya.
Sejak diperkenalkannya logika fuzzy oleh Zadeh (1965), aplikasi logika fuzzy cukup berkembang
luas pada berbagai bidang, termasuk pada data time series. Kontribusi baru diperkenalkan dalam masalah
peramalan time series, dimana mampu memberi penjelasan pada data yang disajikan dalam nilai-nilai
lingusitik [3]. Regresi fuzzy dengan tujuan untuk mengatasi adanya error dalam permodelan [4]. Hal ini dikarenakan jika dalam peramalan konvensional perbedaan antara nilai yang diamati dan nilai yang
diestimasi dianggap sebagai suatu kesalahan pengamatan atau error, tetapi yang demikian dalam regresi
fuzzy dianggap sebagai kerancuan (ambiguity) yang ada dalam sistem [1]. Akan tetapi dalam model ini
terdapat kelemahan, yaitu jika terdapat nilai data yang ekstrim akan mengakibatkan model interval peramalan sangat luas, tentu saja jika interval ramalan sangat luas akan mengakibatkan ketidakpercayaan pada hasil ramalan yang ada.
Watada (1992) menggunakan konsep regresi fuzzy pada data time series, atau dikenal dengan
analisis fuzzy time series, tetapi di dalamnya tidak mengikutkan konsep Box-Jenkins [2]. Kemudian metode
Fuzzy ARIMA pada peramalan perdagangan pasar asing [5] dimana mencoba menggabungkan keunggulan dari regresi fuzzy dan metode ARIMA untuk model peramalan yang berupa interval yang lebih baik, dalam arti mengikuti pola data yang diramalkan. Pada penilitian ini bertujuan untuk mengkaji tentang metode
peramalan dengan Autoregressive Fuzzy Time Series. Sebagai aplikasi, penelitian ini menggunakan data
permintaan arc tube daya listik rendah di PT. Panasonic Lighting Indonesia tahun 2000 sampai tahun 2005.
Sebagai pembanding terhadap model yang terbentuk digunakan interval konfidensi pada metode ARIMA Box-Jenkins pada taraf 95%
2. Kajian Pustaka Analisis Time Series
dan sistem kontrol optimal. Sedangkan metodologi statistika yang ada untuk menganalisa data time series
disebut Analisis time series [6].
Data time series dapat diolah dengan menggunakan metode ARIMA Box-Jenkins apabila data
tersebut memenuhi syarat stasioneritas, baik dalam mean maupun varians. Stasioner dalam mean dapat diketahui dengan melihat plot dari data time series Zt terhadap t (waktu), Jika diperoleh plot data yang
berfluktuasi sejajar dengan sumbu t (waktu) maka dapat dikatakan bahwa data time seriesZt stasioner dalam
mean. Proses differencing dilakukan apabila data time series Zt tidak stasioner, sedangkan Wei (1990)
menjelaskan bahwa untuk mengatasi adanya ketidakstasioneritas dalam varians dapat dilakukan transformasi Box-Cox.
Autoregressive merupakan suatu proses yang berguna untuk medeskripsikan suatu kondisi dimana nilai pada masa sekarang dari suatu data time seriesZt tergantung dengan nilai-nilai pada waktu sebelumnya Zt - 1,
Zt - 2 , …. Zt – k dan satu error random. Proses Autoregressive orde ke-p disimbolkan oleh AR(p), dan ditulis
dalam bentuk: . . . . 1 1 2 2
...
t t t p t p tZ
Z
Z
Z
a
(2.1) atau
p( )
B Z
.t
a
t dimana
p( ) (1
B
1B
...
pB
P)
Keterangan: ta
= error pada waktu ke-tp = orde dari proses Autoregressive
1, ,...,2 p
adalah koefisien proses AR(p)Konsep Himpunan Fuzzy
Teori Fuzzy pertama kali diperkenalkan pada tahun 1965 oleh Prof. Lotfi A. Zadeh dari Universitas California di Barkeley, menjelaskan bahwa konsep tentang himpunan fuzzy (fuzzy set = himpunan kabur) yang menyatakan bahwa selain pendekatan probabilitas, ketidakpastian dapat didekati dengan menggunakan metode lain, dalam hal ini konsep himpunan fuzzy [7].
Jika X merupakan suatu himpunan dengan anggota-anggotanya dilambangkan dengan x, maka suatu
himpunan fuzzy A dalam X didefinisikan dengan:
{( , ( ))
AA
x
x x X
(2.2)dimana
A( )
x
disebut fungsi keanggotaan dari himpunan fuzzy A, dimana fungsi keanggotaan memetakantiap elemen dari X pada derajat keanggotaan x pada interval [0,1]. Nilai dari
A( )
x
menjelaskan derajatkeanggotaan x dalam A, jika
A( )
x
mendekati 0 maka derajat keanggotaan x dalam A semakin rendah,sebaliknya juga jika
A( )
x
mendekati 1 maka derajat keanggotaan x dalam A semakin tinggi.Fungsi keanggotaan dari himpunan fuzzy yang digunakan adalah fungsi keanggotaan segitiga, persamaan dari fungsi keanggotaan segitiga adalah:
1
( )
0
i i i ic
i
,yang lain
ic
i i ic
i
(2.3) Sedangkan untuk grafik fungsi keanggotaan segitiga adalah:
i1
0
c
i
ic
i
iGambar 1: Grafik fungsi keanggotaan segitiga
Konsep dasar regresi fuzzy yang diusulkan oleh Tanaka (1982) adalah nilai residual antara nilai
estimasi dan nilai pengamatan tidak dihasilkan oleh pengukuran error, tetapi oleh parameter yang tidak tetap
di dalam model.
Model umum dari regresi fuzzy ditulis sebagai berikut:
1 1 2 2 1 ... n n n i i ' i Y
X
X
X
X
X (2.4)dimana
X
adalah vektor dari variabel bebas, subscript menyatakan operasi transposisi, n adalah banyaknyavariabel dan imenyatakan himpunan fuzzy yang mempresentasikan parameter ke-i dari model.
i
merupakan parameter fuzzy dari tipe L bilangan fuzzy( , )
ic
i L, yaitu tipe bilangan fuzzy simetrisdengan distribusi kemungkinannya adalah:
( ) {( ) / }
i i L i i c
(2.5)dimana L adalah tipe fungsi yang didefinisikan oleh: i)
L a
( )
i
L a
(
i)
ii)
L
(0) 1
iii)
L a
( )
i adalah fungsi linier naik untuka
i
0
iv)
{
a L a
i( ) 0}
i
adalah interval tertutupsehingga parameter fuzzy dibentuk dalam fungsi keanggotaan segitiga, yaitu:
1 ( ) 0 i i i i ci
,yang lain
ic
i i ic
i
(2.6)dimana
i( )i adalah fungsi keanggotaan dari himpunan fuzzy yang disajikan oleh parameter
i,
imerupakan nilai tengah (middle value) dari bilangan fuzzy dan
c
i merupakan persebaran (spread) dari nilaitengah bilangan fuzzy. Nilai spread menunjukkan kekaburan (fuzziness) dari suatu fungsi.
Lebih lanjut fungsi keanggotaan dari bilangan fuzzy '
t t
y x
dapat didefinisikan denganmenggunakan fungsi keanggotaan segitiga parameter
i sebagai berikut:1
'
( )
1
0
t t t t ty
y
x α
c x
untuk
untuk
untuk
0
0,
0
0,
0
t t t t t
x
x
y
x
y
(2.7)dengan merupakan vektor parameter dari model dan c nilai penyebaran dari semua parameter, t adalah
banyaknya observasi, t = 1,2,…,k. Sehingga persamaan (2.4) dapat ditulis menjadi :
1 1 1 2 2 2
( , )
( , )
... ( , )
n n n nY
c X
c X
c
X
1 ( , ) '( , ) n i i i i c X c
X (2.8)Untuk meminimalkan tingkat kesamaran (vagueness), S, didefinisikan sebagai penjumlahan dari
penyebaran masing-masing parameter fuzzy dalam model. Minimize 1
'
k t tS
c x
(2.9)sehingga tiap observasi yang mengandung nilai yt diasosiasikan dengan nilai keanggotaan yang lebih besar
dari h, dimana
h
[0,1]
. Sesuai dengan persamaan:( )
y yt h
, untuk t = 1, 2,…,k. (2.10)derajat nilai h ditentukan secara subyektif, nilai h menunjukkan tingkat kekaburan dari parameter fuzzy yang
Tanaka dkk (1982) dengan mengkonversi persamaan tersebut dalam permasalahan linear programming sebagai berikut: Minimize 1
'
k t tS
c x
dengan batasan yang diperoleh dari subtitusi persamaan (2.9) ke persamaan(2.10), diperoleh:
'
(1 ) '
,
'
(1 ) '
,
0
t t t th
y
h
y
c
x α
c x
x α
c x
1,2,..., ,
1,2,..., ,
t
k
t
k
(2.11) dimana 1 ' n i t i ti i c c x c x
dengan
α
' ( , ,..., )
1 2
n danc
' ( , ,..., )
c c
1 2c
n adalah vektor dari variabel yang belum diketahui dan Smenunjukkan total dari tingkat kesamaran (vagueness).
2.4Model Autoregressive Fuzzy Time Series
Model autoregressive fuzzy time series merupakan gabungan dari model AR(p) dengan konsep
regresi fuzzy pada data time series. Jika pada model AR(p) (2.1),
1, ,...,2
padalah koefisien proses dariAR(p) yang menunjukkan parameter berupa himpunan tegas (crisp), maka dalam model ini menggunakan
konsep fuzzy dalam menentukan parameternya dan
1, ,...,
2
psebagai parameter fuzzy dari proses AR(p),sehingga persamaanya menjadi:
.
.
. . 1 1 2 2...
t t t p t p tZ
Z
Z
Z
a
(2.12) Jika(1
)
d t tW
B Z
, (2.13)maka dapat ditulis:
1 1 2 2
...
t t t p t p t
W
W
W
W
a
(2.14)dimana
pmengacu pada regresi fuzzy (2.8) dengan
merupakan parameter optimum dari model AR(p)dan c nilai penyebaran dari semua parameter, diperoleh persamaan:
1
2
1 1 2 2
( , )
( , )
... ( , )
t t t p p t p t
W
c W
c W
c W
a
(2.15)Keuntungan dari menggunakan metode ini adalah dihasilkan interval (upper bound dan lower
bound) pada hasil ramalan, sehingga dapat digunakan dalam pengambilan keputusan baik pada kemungkinan yang terbaik atau terburuk.
3. Hasil dan Pembahasan
3.1 Kajian Metode Peramalan Autoregressive Fuzzy Time Series
Metode peramalan Autoregressive Fuzzy Time Series merupakan kombinasi dari metode AR, konsep
Fuzzy dan regresi linear (Fuzzy linear regression) dengan harapan memperoleh hasil yang lebih baik. Pada
kajian ini akan dibahas tentang, penentuan parameter model, metode optimasi, dan pemilihan model
Autoregressive Fuzzy Time Series terbaik.
Penentuan parameter model Autoregressive Fuzzy Time Series dilakukan dengan meminimumkan
penyebaran (spread) dari nilai tengah bilangan fuzzy terhadap fungsi-fungsi batasan (constraint) tertentu. Sehingga terbentuk permasalahan program linier dan perlu dilakukan optimasi dengan menggunakan metode tertentu. Pada bahasan ini akan diuraikan proses pembentukan fungsi objektif dan fungsi batasan dari
permasalahan program linier. Jika terdapat regresi fuzzy '
t t
y x
, maka dapat didefinisikan fungsi1
'
( )
1
0
t t t t ty
y
x α
c x
untuk
untuk
untuk
0
0,
0
0,
0
t t t t t
x
x
y
x
y
(3.1)Fungsi keanggotaan dari bilangan fuzzy data time series '
t t i
W W
berdasarkan pada persamaan(3.1) dapat didefinisikan dengan menggunakan fungsi keanggotaan segitiga parameter
i sebagai berikut:1 1
1
( )
0
t p t i t i t i p W t i t i t iW
W
a
W
c W
a
0,
0
yang lain
t ta
W
(3.2) 1, 2, 3,...,k t dan i1, 2, 3,...,pSedemikian hingga S didefinisikan sebagai penjumlahan dari penyebaran masing-masing parameter fuzzy dalam model pada data time series (
c W
'
t i ) adalah :1 ' k t i t S
c W (3.3) karena -1'
t i p i t i ic W
c W
,dan untuk memasukan konsep Box-Jenkins, dilakukan pembobotan nilai positif dari PACF (
ii ) pada'
t ic W
, didapatkan fungsi obyektif dari model, yaitu:1 1 p k i ii t i i t
S
c
W
(3.4) 1, 2, 3,..., .i p adalah ordo dari model AR(p)
1, 2, 3,..., ,
t k adalah banyak data time series
Selanjutnya akan ditentukan fungsi batasan dari data. Jika Faktor h merupakan ukuran yang menentukan besar kecilnya nilai
c
i atau persebaran dari
i, kisaran nilai h adalah 0 h 1, penentuan nilaih tergantung dari besar kecilnya simpangan datanya dan model yang terbentuk harus dapat memuat semua
data yang ada, sehingga tiap observasi Wt diasosiasikan dengan nilai keanggotaan yang lebih besar dari h,
dimana h[0,1], dapat ditulis dengan persamaan:
( )
t
W
W
th
, untuk t = 1, 2,…,k. (3.5)Untuk mendapatkan fungsi batasan dilakukan dengan subtitusi persamaan (3.2) pada persamaan (3.5), diperoleh: ( ) t W Wt h
, subtitusi 1 11
( )
0
t p t i t i t i p W t i t i t iW
W
a
W
c W
a
, diperoleh:1 1
1
p t i t i t i p i t i t iW
W
a
h
c W
a
(3.6)Persamaan (3.6) dapat dibentuk menjadi dua kombinasi persamaan yaitu:
1 1
1
p t i t i t i p i t i t iW
W
a
h
c W
a
, dan 1 11
p t i t i t i p i t i t iW
W
a
h
c W
a
Untuk 1 11
p t i t i t i p i t i t iW
W
a
h
c W
a
diuraikan menjadi: 1 1 1 p p i t i t t i t i t i i p i t i t ic W
a
W
W
a
h
c W
a
1 1 1 p p p i t i t t i t i t i t i t i i i c W a W
W a h c W a
1 1 1 p p p i t i t t i t i t i t i t ic W
a
W
iW
a
h
ic W
a
1 1 1 p p p i t i t i t i t i t i t t i i iW
a
c W
a
h
c W
a
W
1 11
p p i t i t i t i t t iW
a
h
ic W
a
W
1 11
p p i t i t i t i t t iW
a
h
ic W
a
W
(3.7) Sedangkan 1 11
p t i t i t i p i t i t iW
W
a
h
c W
a
, juga diuraikan menjadi:1 1 1 p p i t i t t i t i t i i p i t i t i
c W
a
W
W
a
h
c W
a
1 1 1 p p p i t i t t i t i t i t i t i i i c W a W
W a h c W a
1 1 1 p p p i t i t t i t i t i t i t i
c W
a
W
iW
a
h
ic W
a
1 1 1 p p p i t i t i t i t i t i t t i i iW
a
c W
a
h
c W
a
W
1 11
p p i t i t i t i t t iW
a
h
ic W
a
W
1 11
p p i t i t i t i t t iW
a
h
ic W
a
W
(3.8)Dari persamaan (3.4), (3.7), dan (3.8) digunakan untuk menentukan parameter dari model regresi
fuzzy, persamaan tersebut dalam permasalahan linear programming ditulis sebagai berikut:
Minimize 1 1 p k i ii t i i t
S
c
W
untuk : 1 1 1(1 )
,
p p i t i t i t t i tW
a
h
c W
W
1 1 1(1 )
,
0, 1, 2, 3,..., . 1,2,..., ,
p p i t i t i t t i t iW
a
h
c W
W
c
i
p t
k
(3.9) dengan:S = total tingkat kesamaran (vagueness).
(1
)
dt t
W
B Z
ii
= koefisien PACF lag ke-ii
,c
i = parameter fuzzyt
a
= error pada waktu ke-tKriteria terbaik dalam model Autoregressive Fuzzy Time Series adalah model yang memiliki nilai
proporsi error terkecil, dalam hal ini data yang terletak di luar area batas bawah dan batas atas model
dikategorikan sebagai error model. Nilai proporsi error ditentukan dengan membagi antara banyaknya data
yang terdapat di luar area batas bawah dan batas atas model dengan banyak data secara keseluruhan [8]. Pemilihan model terbaik dilakukan terhadap model yang terbentuk pada masing-masing fungsi keanggotaannya (h) yang terletak antara 0 dan 1. Selain itu juga dapat ditentukan dengan melihat sempit atau lebarnya interval yang terbentuk, jika interval yang dihasilkan terlalu lebar tentu akan menyulitkan dalam mengambil keputusan dan ketidakpercayaan dalam peramalan [5].
3.2 Aplikasi pada Data
Sesuai dengan tujuan ke dua, maka akan diaplikasikan untuk mendapatkan model dan dilakukaan
peramalan pada data mingguan permintaan arc tube daya listrik rendah tahun 2000 sampai tahun 2005, dari
keseluruhan data diambil 136 data sebagai in sampel dan 4 data sebagai data out sample, dengan
langkah-langkah sebagai berikut:
Jika didapatkan model ARIMA (1, 1, 0) dari data mingguan permintaan arc tube daya listrik rendah
tahun 2000 sampai tahun 2005 adalah :
1 2
0,4499
0,5501
t t t t
Z
Z
Z
a
(3.10)Setelah didapatkan model AR(p) dari proses di atas, langkah berikutnya adalah menentukan nilai 1 2
' ( , ,..., )
pα
danc
' ( , ,..., )
c c
1 2c
p , pada proses di atas didapatkan nilai PACF pada lag ke-1sebesar -0.5459 dan pada lag ke-2 sebesar -0.0901. Kemudian nilai PACF pada lag ke-1 sebesar -0.5459 dan pada lag ke-2 sebesar -0.0901 disubtitusikan ke dalam persamaan (3.9) menjadi:
k k
Untuk :
1 2 1 2 1 2 1 2 1 2 1 2 66700 106310 (1 ) 66700 106310 62160 62160 + 66700 + (1 ) 62160 66700 75030 . . . 117484 111235 (1 ) 1174846 111235 131745 h c c h c c h c c dan (3.11)
1 2 1 2 1 2 1 2 1 2 1 2 1 2 66700 106310 (1 ) 66700 106310 62160 62160 66700 (1 ) 62160 66700 75030 . . . 117484 - 111235 (1 ) 1174846 111235 131745 0, 0, h c c h c c h c c c c dengan menggunakan perangkat lunak Matlab 2008a didapatkan parameter bilangan fuzzy, yaitu:
Tabel 1. Parameter model Autoregressive Fuzzy Time Series
h = 0 h = 0,25 h = 0,5 h = 0,75 1
1,7191 1,9118 2,2353 3,0705 2
2,6728 2,8789 3,2192 4,1896 1c
0.1507 0,1987 0,2930 0,6222 2c
0,0253 0,0331 0,0482 0,0746Sesuai dengan persamaan (2.15) didapatkan model Autoregressive Fuzzy Time Series dan model untuk batas
bawah interval dan batas atas interval masing-masing pada tabel 2 dan tabel 3 di bawah ini:
Tabel 2. Model Autoregressive Fuzzy Time Series
Model Autoregressive Fuzzy Time Series
h = 0
t(0.4499, 0.1507)
t 1(0.5501,0.0253)
t 2 tZ
Z
Z
a
h = 0,25
t(0.4499, 0.1987)
t 1(0.5501,0.0331)
t 2 tZ
Z
Z
a
h = 0,5
t(0.4499, 0.2930)
t 1(0.5501,0.0482)
t 2 tZ
Z
Z
a
h = 0,75
t(0.4499, 0.6222)
t 1(0.5501,0.0746)
t 2 tZ
Z
Z
a
Tabel 3. Model Autoregressive Fuzzy Time Series untuk batas bawah interval dan batas atas interval.
Model Autoregressive Fuzzy Time
Series untuk batas bawah interval. Model SeriesAutoregressive Fuzzy Time untuk batas atas interval.
h = 0
1 20.2991
+0.5248
t t t tZ
Z
Z
a
Z
t
0.6006
Z
t1
0.5754
Z
t2
a
t h = 0,25
1 20.2512
+0.5170
t t t tZ
Z
Z
a
Z
t
0.6486
Z
t1
0.5832
Z
t2
a
t h = 0,5
1 20.2109
+0.5019
t t t tZ
Z
Z
a
Z
t
0.6889
Z
t1+0.5983
Z
t2
a
t H = 0,75
1 20.1723
+0.4755
t t t tZ
Z
Z
a
Z
t
1.0721
Z
t1+0.6247
Z
t2
a
tTabel 6. Nilai proporsi error model
h = 0 h = 0,25 h = 0,5 h = 0,75
masing-masing model disajikan dalam grafik berikut ini:
a b
c d
Gambar 2 Plot batas bawah, data real, dan batas atasdengan a. h = 0; h = 0,25; c. h = 0,5; d. h = 0,75
Dilakukan perbandingan Metode Autoregressive Fuzzy Time Series dengan interval konfidensi
ARIMA Box-Jenkins pada data out sample, dengan melihat plot antara batas atas (Ub ARF) dan batas bawah
(Lb ARF) Metode Autoregressive Fuzzy Time Series, plot data real dan interval konfidensi ARIMA
Box-Jenkins pada taraf kepercayaan 95% (Ub AR dan Lb AR).
a b
c d
Gambar 3 Plot antara batas atas, batas bawah Metode AutoregressiveFuzzy Time Series, data real dan
interval konfidensi ARIMA Box-Jenkins dengan a. h = 0; b. h = 0,25; c. h = 0,5 dan d. h = 0,75
Dari plot di atas dapat jelaskan bahwa untuk h = 0; 0,25 dan h = 0,5 model Autoregressive Fuzzy
Time Series memiliki karakter yang sama, dimana mempunyai interval yang lebih sempit dari pada interval
konvidensi ARIMA. Berbeda dengan untuk h = 0,75; karakter model Autoregressive Fuzzy Time Series
lebih luas dari pada pada interval konvidensi ARIMA, sehingga sesuai dengan konsep awal dimana semakin besar nilai h mengakibatkan semakin lebar interval model yang terbentuk.
0 20 40 60 80 100 120 140 0 0.5 1 1.5 2 2.5 3x 10 5 Ub data Lb 0 20 40 60 80 100 120 140 0 0.5 1 1.5 2 2.5 3x 10 5 Ub data Lb 0 20 40 60 80 100 120 140 0 0.5 1 1.5 2 2.5 3x 10 5 Ub data Lb 0 20 40 60 80 100 120 140 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4x 10 5 Ub data Lb 1 1.5 2 2.5 3 3.5 4 1 1.2 1.4 1.6 1.8 2 2.2x 10 5 Ub ARF data Lb ARF Lb AR Ub AR 1 1.5 2 2.5 3 3.5 4 0.8 1 1.2 1.4 1.6 1.8 2 2.2x 10 5 Ub ARF data Lb ARF Lb AR Ub AR 1 1.5 2 2.5 3 3.5 4 0.8 1 1.2 1.4 1.6 1.8 2 2.2x 10 5 Ub ARF data Lb ARF Lb AR Lb AR 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5x 10 5 Ub ARF data Lb ARF Lb AR Ub AR
4. Kesimpulan dan Saran
Metode Autoregressive Fuzzy Time Series merupakan kombinasi dari metode ARIMA, dan Fuzzy
regresi linear (Fuzzy linear regression) dengan hasil ramalan berupa interval, parameter model
Autoregressive Fuzzy Time Series diperoleh dengan melakukan optimasi pada permasalahan program linier.
Pada data mingguan permintaan arc tube daya listrik rendah tahun 2000 sampai tahun 2005 didapatkan
model dengan interval lebih sempit untuk h = 0; 0,25; 0,5 dari pada interval konfidensi ARIMA
Box-jenkins pada taraf 95 %. Terdapat dua dasar dalam pemilihan model, yaitu nilai proporsi error model dan
lebarnya interval yang diperoleh, jika nilai proporsi error semakin kecil maka akan terbetuk interval yang
lebih lebar, atau sebaliknya jika proporsi error semakin besar maka akan didapatkan interval model yang
semakin sempit.
Saran dalam penelitian ini adalah Perlu dilakukan penelitian lebih lanjut dapat dikembangkan
tentang model Autoregressive musiman baik pada Box-jenkins maupun algoritma genetika pada identifikasi
parameternya atau dengan metode lain. Selain itu untuk model yang bersifat nonlinier.
5. Daftar Pustaka
[1]. Astuti, D.R., (2007), Peramalan Beban Jangka Pendek untuk Hari-Hari Libur Menggunakan Fuzzy
Linear Regression (FLR) yang dioptimisasi dengan Artificial Immune System (AIS) (Studi Kasus di Kalimantan Selatan-Tengah), Tesis, Institut Teknologi Sepuluh Nopember Surabaya.
[2]. Box, G.E.P. Jenkins, G.M, (1976), Time Series Analysis: Forecasting and Control, Holden-day Inc., San
Francisco, CA.
[3]. Song, Q., B.S. Chissom, (1993), Fuzzy time series and its models, Fuzzy Sets and Systems, Vol. 54, Hal.
269 - 277.
[4]. Tanaka, H.,(1987), Fuzzy data analysis by possibility linear models, Fuzzy Sets and Systems, Vol. 24,
Hal. 363 – 375.
[5]. Tseng, F.M., Tzeng, G.H., Yu, H.C., Yuan, B.J.C., (2001), Fuzzy ARIMA Model for Forecasting the
Foreign Exchange Market, Fuzzy Sets and Systems, Vol. 118, Hal. 9 - 19.
[6]. Wei, W.W.S., (1990), Time Series Analysis, Addison-Wesley Publishing Company, Inc, California.
[7]. Zadeh, L. A., (1965), “Fuzzy Sets”. Information Control, Vol. 8, Hal. 338-353.
[8]. Ozawa, K., Nikimora T., Nakashima T., (2000), Fuzzy Time Series Model of Electric power