Implementasi Metode Fuzzy Time Series dengan Penentuan Interval

Berbasis Rata-rata untuk Peramalan Data Penjualan Bulanan

1) 2) 3)
M Syauqi Haris Edy Santoso, Ssi.,M.Kom Dian Eka Ratnawati, Ssi.,M.Kom
1)
Mahasiswa Ilmu Komputer
2) 3)
Staf Pengajar Ilmu Komputer
Jurusan Matematika Universitas Brawijaya Malang
E-mail : syauqiharis@gmail.com

Abstrak

Sistem peramalan dengan fuzzy time series menangkap pola dari data yang telah lalu kemudian
digunakan untuk memproyeksikan data yang akan datang. Prosesnya juga tidak membutuhkan suatu sistem
pembelajaran dari sistem yang rumit sebagaimana yang ada pada algoritma genetika dan jaringan syaraf
sehingga mudah untuk dikembangkan. Dalam perhitungan peramalan dengan menggunakan fuzzy time
series, panjang interval telah ditentukan di awal proses 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. Dalam
skripsi ini, penulis mengimplementasikan fuzzy time series untuk meramalkan data penjualan bulanan,
adapun data yang digunakan untuk pengujian adalah data yang berasal dari situs web penyedia data statistic
hasil sensus. Dan dari hasil pengujian yang dilakukan, diketahui bahwa Peramalan data menggunakan Fuzzy
Time Series dengan penentuan interval berbasis rata-rata memiliki tingkat akurasi lebih tinggi dibandingkan
dengan Fuzzy Time Series Standar, dengan selisih rata-rata 52,39 % lebih akurat jika error dihitung
menggunakan AFER dan selisih rata-rata 70,90 % lebih akurat jika error dihitung menggunakan MSE.

Kata Kunci : fuzzy time series, peramalan data penjualan, interval berbasis rata-rata

1. Pendahuluan Metode fuzzy time series oleh Chen [1]

Salah satu hal yang paling penting di
dalam melakukan analisis pasar dan
pemasaran adalah mengukur dan meramalkan
permintaan pasar. Adapun permintaan pasar
(market demand) didefinisikan sebagai jumlah
keseluruhan produk/jasa yang akan dibeli oleh
sekelompok konsumen di dalam suatu daerah
tertentu, dalam waktu tertentu, dalam
lingkungan pemasaran tertentu, dan dalam
suatu program pemasaran tertentu [5].
Permasalahan yang dihadapi dalam
mengadakan analisis permintaan adalah
mengukur permintaan sekarang dan
meramalkan kondisi-kondisi tersebut pada
masa yang akan datang. Mengukur permintaan
sekarang berarti menganalisa kondisi sekarang
dan sebelumnya sebagai sumber informasi
untuk memprediksi keadaan yang akan datang
dengan asumsi keadaan masa lalu akan
berulang lagi di masa depan [4][7].
telah diimplementasikan untuk meramalkan
jumlah pendaftar di Universitas Alabama dari
tahun ke tahun, berdasarkan dari data histori
yang ada. Kemudian metode ini juga
diimplementasikan untuk prediksi temperatur
dalam suatu daerah berdasarkan data-data
temperatur sebelumnya yang tercatat dalam
kurun waktu tertentu [3]. Di mana data kedua
penelitian tersebut adalah sama-sama
berbentuk data time series [2].
Sistem peramalan dengan fuzzy time
series menangkap pola dari data yang telah
lalu kemudian digunakan untuk
memproyeksikan data yang akan datang.
Prosesnya juga tidak membutuhkan suatu
sistem pembelajaran dari sistem yang rumit
sebagaimana yang ada pada algoritma genetika
dan jaringan syaraf sehingga mudah untuk
dikembangkan [8].
Dalam perhitungan peramalan dengan
menggunakan fuzzy time series, panjang
interval telah ditentukan di awal proses

1
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 [11].
Dalam penelitian ini dilakukan
implementasi metode Fuzzy Time Series
dengan penentuan interval berbasis rata-rata
untuk peramalan data penjualan bulanan
sehingga diharapkan bisa diketahui bagaimana
langkah-langkah implementasi metode dalam
sistem dan bisa diukur akurasi penggunaan
sistem fuzzy time series untuk peramalan.
2. Dasar Teori
2.1. Data runtun waktu (time series)
Time series merupakan data yang terdiri
atas satu objek tetapi meliputi beberapa
periode waktu misalnya harian, bulanan,
mingguan, tahunan, dan lain-lain. Dapat
dilihat dari contoh data time series pada data
harga saham, data ekspor, data nilai tukar
(kurs), data produksi, dan lain-lain sebagainya.
Jika diamati masing-masing data tersebut
terkait dengan waktu (time) dan terjadi
berurutan. Misalnya data produksi minyak
sawit dari tahun 2000 hingga 2009, data kurs
Rupiah terhadap dollar Amerika Serikat dari
tahun 2000 – 2006, dan lain-lain. Dengan
demikian maka akan sangat mudah untuk
mengenali jenis data ini.
Data time series juga sangat berguna bagi
pengambil keputusan untuk memperkirakan
kejadian di masa yang akan datang. Karena
diyakini pola perubahan data time series
beberapa periode masa lampau akan kembali
terulang pada masa kini. Data time series juga
biasanya bergantung kepada lag atau selisih.
Katakanlah pada beberapa kasus misalnya
produksi dunia komoditas kopi pada tahun
sebelumnya akan mempengaruhi harga kopi
dunia pada tahun berikutnya. Dengan
demikian maka akan diperlukan data
lag produksi kopi, bukan data aktual harga
kopi. Tabel 1 akan memperjelas
2
konsep lag yang mempengaruhi data time
series.
Tabel 1. Produksi dan lag produksi kopi dunia
tahun 2000–2005
Tahun Produksi Kopi Lag
(Ton)
2000 7.562.713 -
2001 7.407.986 -154.727
2002 7.876.893 468.907
2003 7.179.592 -697.301
2004 7.582.293 402.701
2005 7.276.333 -305.960
Data lag tersebut kemudian dapat
digunakan untuk melihat pengaruh lag
produksi terhadap harga kopi dunia [10].
2.2. Himpunan Fuzzy
Sri Kusumadewi dan Hari Purnomo [6]
dalam bukunya menjelaskan bahwa pada
dasarnya himpunan fuzzy merupakan
perluasan dari himpunan klasik (crisp), pada
himpunan klasik A suatu elemen akan
memiliki 2 kemungkinan keanggotaan yaitu
anggota A dinotasikan dengan μA(x). Pada
himpunan klasik ada dua keanggotaan yaitu
μA(x) = 1 apabila x merupakan anggota A dan
μA(x)=0 apabila x bukan anggota A.
Himpunan Fuzzy memiliki 2 (dua) atribut
yaitu :
1. Linguistik, yaitu penamaan suatu group
yang mewakili suatu keadaan atau kondisi
tertentu dengan menggunakan bahasa
alami, seperti : Muda, Parobaya, Tua.
2. Numeris, yaitu suatu nilai (angka) yang
menunjukkan ukuran dari suatu variabel
seperti: 40, 25, 50, dsb.
2.3. Fungsi Keanggotaan Fuzzy
Sri Kusumadewi dan Hari Purnomo [6]
dalam bukunya menjelaskan bahwa fungsi
Keanggotaan (membership function) adalah
suatu kurva yang menunjukkan pemetaan titik-
titik input data ke dalam nilai keanggotaannya
(sering juga disebut dengan derajat
keanggotaan) yang memiliki interval antara 0
sampai 1. Salah satu cara yang digunakan
untuk mendapatkan nilai keanggotaan adalah
dengan melalui pendekatan fungsi. Salah
satunya adalah fungsi keanggotaan segitiga.
Seperti pada Gambar 1.

1 waktu yang berbeda. Dan jika F(t) hanya
µ(x
) 1996)
0
a b c
domain
Gambar 1. Fungsi Keanggotaan Segitiga
Adapun Fungsi keanggotaannya adalah
sebagai berikut :
0; 𝑥 ≤ 𝑎 atau 𝑥 ≥ 𝑐
(𝑥 − 𝑎) 𝑏 − 𝑎 ; 𝑎 ≤ 𝑥 ≤ 𝑏
µ 𝑥 = (1)
(𝑐 − 𝑥) 𝑐 − 𝑏 ; 𝑏 ≤ 𝑥 ≤ 𝑐
2.4. Fuzzy Time Series
Perbedaan utama antara fuzzy time series
dan konvensional time series yaitu pada nilai
yang digunakan dalam peramalan, yang
merupakan himpunan fuzzy dari bilangan-
bilangan real atas himpunan semesta yang
ditentukan. Himpunan fuzzy dapat diartikan
sebagai suatu kelas bilangan dengan batasan
yang samar.
Jika U adalah himpunan semesta, U =
{u1, uz, ... , un}, maka suatu himpunan fuzzy A
dari U dedefinisikan sebagai A = fA(u1)/u1 +
fA(u2)/u2 + … + fA(un)/un dimana fA adalah
fungsi keanggotaan dari A, fA : U  [0,1] and
1 ≤ i ≤ n.
Sedangkan definisi dari fuzzy time series
adalah misalkan Y (t) (t= …,0,1,2, …), adalah
himpunan bagian dari R, yang menjadi
himpunan semesta dimana himpunan fuzzy
fi(t) (i=1,2, …) telah didefinisikan sebelumnya
dan jadikan F(t) menjadi kumpulan dari
fi(t)(i=1,2,…). Maka, F(t) dinyatakan sebagai
fuzzy time series terhadap Y(t)(t=…,0,1,2,…).
Dari definisi di atas, dapat dilihat bahwa
F(t) bisa dianggap sebagai variabel linguistik
dan fi(t)(i=1,2,…) bisa dianggap sebagai
kemungkinan nilai linguistik dari F(t), dimana
fi(t)(i=1,2,…) direpresentasikan oleh suatu
himpunan fuzzy. Bisa dilihat juga bahwa F(t)
adalah suatu fungsi waktu dari t misalnya,
nilai-nilai dari F(t) bisa berbeda pada waktu
3
yang yang berbeda bergantung pada kenyataan
bahwa himpunan semesta bisa berbeda pada
disebabkan oleh F(t-1) maka hubungan ini
digambarkan sebagai F(t-1)  F(t). (Chen,
2.5. Metode Peramalan dengan Fuzzy Time
Series
Langkah Pertama : Bagi himpunan semesta U
= [Dmin, Dmax] menjadi sejumlah ganjil interval
yang sama u1, u2, …, um,.
Misalkan U = [13000, 20000] bisa dibagi
menjadi tujuh interval u1, u2, u3, u4, u5, u6, u7
dimana u1 = [13000,14000], u2 =
[14000,15000], u3 = [15000,16000], u4 =
[16000,17000], u5 = [17000,18000], u6 =
[18000,19000], u7 = [19000,20000].
Langkah Kedua : Jadikan A1, A2, … , Ak
menjadi suatu himpunan-himpunan fuzzy yang
variabel linguistiknya ditentukan sesuai
dengan keadaan semesta. Kemudian
definisikan himpunan-himpunan fuzzy
tersebut sebagaimana berikut ini :
A1 = a11 / u1 + a12 / u2 + … + a1m / um
A1 = a21 / u1 + a22 / u2 + … + a2m / um
…
A1 = ak1 / u1 + ak2 / u2 + … + akm / um
Di mana aij  [0,1], 1 ≤ i ≤ k, and 1 ≤ j ≤
m. nilai dari aij menunjukkan derajat
keanggotaan dari uj dalam himpunan fuzzy Ai.
Penentuan derajat untuk masing-masing Ai(i=
1,2,…,m) yaitu jika keanggotaan maximum
dari suatu data dibawah Ak maka nilai
fuzzifikasi-nya dikatakan sebagai Ak.
Kemudian Fuzzy Logical Relationship (FLR)
ditentukan berdasarkan data histori yang ada.
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 ,
A7 = 0/ u1 + 0/ u2 + 0/ u3 + 0/ u4 + 0/ u5 + enam fuzzy logical relationship group
0.5/ u6 + 1/ u7 , sebagaimana pada Tabel 4.
Adapun data histori yang digunakan dalam
Tabel 4. fuzzy logical relationship groups
contoh perhitungan ditampilkan pada Tabel 2.
Group 1 A1  A1 A1  A2
Group 2 A2  A3
Tabel 2. Data Fuzzifikasi Historis Enrollment
Group 3 A3  A3 A3  A4
Actual Fuzzified Group 4 A4  A3 A4  A6
Year Enrollment Enrollment Group 5 A6  A6
1971 13055 A1 Group 6 A7  A7 A7  A6
1972 13563 A1
1973 13867 A1 Langkah Keempat : Hitung hasil keluaran
1974 14696 A2 peramalan dengan menggunakan beberapa
1975 15460 A3 prinsip berikut :
1976 15311 A3 (1) jika hasil fuzzifikasi enrollment pada tahun
1977 15603 A3 i adalah Aj dan hanya ada satu fuzzy logical
1978 15861 A3 relationship pada fuzzy logical relationship
1979 16807 A4 group yaitu dengan posisi current state adalah
1980 16919 A4 Aj sebagaimana rumusan berikut :
1981 16388 A4
Aj  Ak
1982 15433 A3
1983 15497 A3 Di mana Aj dan Ak adalah himpunan fuzzy dan
1984 15145 A3 nilai maksimum keanggotaan fuzzy-nya
1985 15163 A3 terdapat pada interval uk, dan midpoint (nilai
1986 15984 A3 tengah) dari uk adalah mk, maka hasil
1987 16859 A4 peramalan untuk tahun i+1 adalah mk.
1988 18150 A6 (2) jika hasil fuzzifikasi enrollment pada tahun
1989 18970 A6 i adalah Aj dan terdapat beberapa fuzzy logical
1990 19328 A7 relationship dengan current state adalah Aj
1991 19337 A7 yang ditunjukkan juga pada fuzzy logical
1992 18876 A6 relationship group yang telah dibentuk
sebelumnya. Sebagaimana rumusan berikut :
Dari Tabel 2 maka bisa diperoleh fuzzy Aj  Ak1, Ak2, … , Akp
logical relationship, dimana fuzzy logical Di mana Aj , Ak1, Ak2, … , Akp adalah
relationship Aj  Ak berarti jika nilai himpunan-himpunan fuzzy dan nilai
enrollment pada tahun i adalah Aj maka pada keanggotaan maksimum dari Ak1, Ak2, … , Akp
tahun i+1 adalah Ak. Aj sebagai sisi kiri terjadi pada interval u1, u2, …, up dan nilai
relationship disebut sebagai current state dan tengah dari u1, u2, …, up adalah m1, m2, …, mp
Ak sebagai sisi kanan relationship disebut maka nilai hasil peramalan untuk tahun i+1
sebagai next state. Dan jika terjadi perulangan dirumukan (m1 + m2 + … + mp)/p.
hubungan maka tetap dihitung sekali. Adapun
fuzzy logical relationship ditampilkan pada (3) jika hasil fuzzifikasi enrollment pada tahun
Tabel 3. i adalah Aj dan tidak ada sama sekali fuzzy
logical relationship dengan current state
Tabel 3. fuzzy logical relationship berupa Aj dimana nilai keanggotaan
maksimum dari himpunan fuzzy Aj terjadi
A1  A1 A1  A2 A2  A3 A3  A3
pada interval uj dan nilai tengah uj adalah mj,
A3  A4 A4  A4 A4  A3 A4  A6
maka nilai hasil peramalan untuk tahun i+1
A6  A6 A6  A7 A7  A7 A7  A6
adalah mj.
[1]
Langkah Ketiga : Bagi fuzzy logical
relationship yang telah diperoleh menjadi
beberapa bagian berdasarkan sisi kiri (current
state). Sebagaimana Tabel 3 maka diperoleh

4
2.6. Penentuan Interval Berbasis Rata-rata
Pada Fuzzy Time Series
Dalam perhitungan peramalan dengan
menggunakan fuzzy time series standar,
panjang interval telah ditentukan di awal
proses 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. Kunci utama dalam
penentuan panjang interval adalah tidak boleh
terlalu besar dan tidak boleh terlalu kecil,
karena jika interval itu terlalu besar maka tidak
akan terjadi fluktuasi dalam proses
perhitungan fuzzy time series, demikian juga
jika interval tersebut terlalu kecil maka makna
dari fuzzy time series sendiri akan hilang
(karena himpunan yang terbentuk cenderung
ke himpunan tegas/crisp).
Salah satu metode untuk penentuan
panjang interval yang efektif adalah dengan
metode berbasis rata-rata (average-based),
yang memiliki algoritma sebagaimana berikut:
1. Hitung semua nilai absolute selisih antara
Ai+1 dan Ai (i=1…, n-1) sehingga diperoleh
rata-rata nilai absolute selisih.
2. Tentukan setengah dari rata-rata yang
diperoleh dari langkah pertama untuk
kemudian dijadikan sebagai panjang
interval.
3. Berdasarkan panjang interval yang
diperoleh dari langkah kedua, ditentukan
basis dari panjang interval sesuai dengan
tabulasi basis berikut.
Tabel 4. Tabel Basis Interval
Jangkauan Basis
0.1 – 1.0 0.1
1.1 – 10 1 series [12].
11 – 100 10
101 – 1000 100
4. Panjang interval kemudian dibulatkan
sesuai dengan tabel basis interval.
Sebagai contoh bagaimana cara
menghitung panjang interval berbasis rata-rata,
maka akan diberikan sebuah contoh. Misalkan
terdapat data time series sebagai berikut : 30,
50, 120, 110, dan 70. Maka algoritma dari
5
penentuan interval berbasis rata-rata bisa
diimplementasikan sebagaimana berikut:
1. Selisih absolut antar data time series
diperoleh nilai-nilai 20, 30, 40, 10, dan 40.
Maka bisa diketahui bahwa rata-rata
selisih data adalah 28.
2. Ditentukan setengah dari rata-rata pada
langkah pertama sebagai panjang interval,
yaitu 14.
3. Sesuai dengan tabel basis interval, maka
14 termasuk pada kategori interval
berbasis 10.
4. Bulatkan nilai 14 dengan menggunakan
basis 10, maka diperoleh angka 10 sebagai
panjang interval.
[11]
3. Implementasi dan Uji Coba
Perangkat lunak peramalan data time
series dengan menggunakan fuzzy time series
yang dibuat adalah implementasi metode
peramalan data dengan menggunakan
penentuan interval berbasis rata-rata.
Perangkat lunak ini menerima inputan berupa
serangkaian data time series yang terdiri dari
timeline dan nilai dari suatu rekap data aktual
dalam kurun waktu tertentu. Data input
tersebut kemudian diproses secara fuzzy, yaitu
tahap fuzzifikasi, inferensi atau kalkulasi, dan
defuzzifikasi untuk mendapatkan nilai akhir
peramalan berupa bilangan tegas(crisp).
Adapun gambaran global tentang perangkat
lunak bisa dilihat pada Gambar 2.
Untuk keperluan pengujian, maka
diambil 5 (lima) contoh data time series dari
situs internet Biro Sensus Amerika Serikat
http://www.census.gov/svsd/www/adseries
old.html yang menyediakan data-data time
series riil hasil proses sensus. Kemudian data-
data tersebut dijadikan sebagai data sumber
program untuk proses peramalan fuzzy time
Dari pengujian terhadap data-data
tersebut, kemudian ditampilkan error yang
diperoleh dalam suatu tabel sehingga bisa
diperoleh rata-rata error yang terjadi dalam
MSE dan AFER dan diketahui seberapa efektif
metode fuzzy time series dengan interval
berbasis rata-rata untuk peramalan data
penjualan bulanan dengan menggunakan
perbandingan metode fuzzy time series
standar.
 Adapun perhitungan AFER dan MSE
dapat dilihat pada Rumus 2.1 dan Rumus 2.2. Data-Data FLR
(Fuzzy Logic
Start
Relationship)
sebanyak m-1

Bagi data sebanyak

𝐴 𝑖 − 𝐹𝑖 / 𝐴 𝑖 interval dan tampilkan For i=1 to m-1
𝐴𝐹𝐸𝑅 = 𝑛
× 100% (2) pada datagrid (himpunan
crisp)

i > m-1 ?
𝑛
𝑖=1
𝐴 𝑖 − 𝐹𝑖 2 Sejumlah m
𝑀𝑆𝐸 = 𝑛
(3) himpunan crisp

Kumpulkan FLR-FLR
yang terbentuk
berdasarkan LHS (Left
Di mana 𝐴𝑖 adalah nilai aktual pada data Rubah himpunan crisp
yang terbentuk menjadi
Hand Side) / Current
State yang sama.
sejumlah interval
ke-i dan 𝐹𝑖 adalah nilai hasil peramalan untuk himpunan fuzzy

data ke-i. Adapun n adalah banyaknya data Data-Data

FLRG
time series [9] . Sejumlah m
himpunan
sebanyak g

fuzzy

For i=1 to g
Hitung nilai keanggotaan
tiap-tiap data time series
berdasarkan himpunan
Tampilkan nilai pada fuzzy yang terbentuk
Start
array pada sebuah Chart i>g?

Tentukan nilai fuzzifikasi

tiap data dengan nilai
Tentukan lokasi database keanggotaan terbesar
terhadap himpunan fuzzy Lakukan proses
yang akan di-load pada
Lakukan Proses peramalan berdasarkan
program FLRG
Peramalan dengan Fuzzy
Time Series Data-data hasil
Database fuzzifikasi A1 s.d.
Am
time series Lakukan proses
pada defuzzifikasi berdasarkan
sebuah FLRG
Simpan nilai-nilai hasil
tabel For i=1 to m-1
peramalan pada array
dan tampilkan pada suatu
chart
Jalankan query count, Nilai hasil
i > m-1 ?
peramalan
min, dan max pada
database
For i=1 to n

Hubungkan data-data
hasil fuzzifikasi
Return
banyak data berdasarkan runtun
(n), nilai waktunya (currentnext)
i>n?
maksimum,
dan nilai
minimum data Gambar 3. Flowchart Peramalan Fuzzy
Bandingkan nilai hasil
Time Series
peramalan dengan data
Hitung Interval Efektif
aktual time series
untuk Peramalan Fuzzy
Time Series Dengan Dalam pengujian oleh program digunakan
Metode Berbasis Rata-
rata 5 data time series yaitu data “Retail and food
Nilai error
service”, data “MotorVehicle”, data
Tampilkan data time
series pada datagrid dan
peramalan
dalam MSE
“Furniture”, data “Electronics”, dan data
juga simpan pada suatu
array dinamis
dan AFER “Auto other-motor”, yang masing-masing
terdiri dari 60 data penjualan perbulan
terhitung mulai bulan Januari tahun 2001
End
Array dinamis sampai dengan bulan Desember tahun 2005.
yang berisi
data time
Dari peramalan data “Retail and Food
series
Service” dengan menggunakan fuzzy time
series standar diperoleh nilai AFER sebesar
Gambar 2. Flowchart Perangkat Lunak 1,61 dan nilai MSE sebesar 3472,69.
Sedangkan dengan menggunakan fuzzy time
series dengan interval berbasis rata-rata
Adapun flowchart untuk proses diperoleh nilai AFER sebesar 0,37 dan nilai
peramalan dengan fuzzy time series MSE sebesar 312,53.
digambarkan pada Gambar 3.
Dari nilai AFER dan MSE yang diperoleh,
maka untuk data “Retail and Food Service”
metode fuzzy time series dengan penentuan
interval berbasis rata-rata terbukti lebih akurat
dalam meramalkan data yang ditunjukkan

6
dengan nilai AFER dan MSE yang lebih kecil
dibandingkan dengan fuzzy time series
standar.
Gambar 4. Hasil Peramalan Data “Retail and
Food Service”
Pada Gambar4 dapat dilihat juga bahwa
metode fuzzy time series standar tidak mampu
memprediksi perubahan nilai atau fluktuasi
pada kurun waktu November 2001 sampai
dengan Januari 2003, ditunjukkan dengan
tetapnya data nilai hasil peramalan pada tabel
dan garis mendatar pada grafik.
Dari hasil percobaan menggunakan lima
data time series dapat dirangkum dan
dilakukan perhitungan prosentase optimasi,
dalam hal ini optimasi adalah peningkatan
akurasi peramalan oleh sistem. Dan bisa
dihitung juga rata dari rekap data sebagaimana
ditampilkan pada Tabel 4.
Peramalan data menggunakan Fuzzy Time
Series dengan penentuan interval berbasis rata-
rata memiliki tingkat akurasi lebih tinggi
dibandingkan dengan Fuzzy Time Series
Standar, dengan selisih rata-rata 52,39 %
lebih akurat jika error dihitung menggunakan
AFER dan selisih rata-rata 70,90 % lebih
akurat jika error dihitung menggunakan MSE.
Penentuan panjang interval yang tidak
sesuai (terlalu lebar) pada pembentukan
himpunan awal dalam proses peramalan
menggunakan metode fuzzy time series dapat
mengakibatkan tidak terjadinya fluktuasi
dalam proses peramalan, hal ini yang
menyebabkan metode fuzzy time series
standar dengan jumlah interval tetap memiliki
akurasi peramalan lebih rendah.
5. Daftar Pustaka
[1] Chen, S. M. 1996. Forecasting
enrollments based on fuzzy time series -
Fuzzy Sets and Systems. International
Journal of Applied Science and
Engineering.
[2] Chen, S. M., Hsu C.-C. 2004. A new
method to forecasting enrollments using
fuzzy time series. International Journal of
Applied Science and Engineering.

Tabel 4. Tabel Perbandingan Nilai Error [3] Chen, S., Hwang, J. 2000. Temperature
Peramalan Hasil Pengujian Prediction Using Fuzzy Time Series. IEEE
Trans Syst Man Cybern Vol. 30 pp 263-
FTS Standar FTS Rata-rata
Peningkatan 275.
data Akurasi (%)
AFER MSE AFER MSE AFER MSE [4] Jumingan. 2009. Studi Kelayakan Bisnis –
1 1.61 3472.69 0.37 312.53 77.00 91.00 Teori dan Pembuatan Proposal
2 3.02 746.06 1.84 307.90 39.22 58.73 Kelayakan. Bumi Aksara. Jakarta.
3 1.44 2.14 0.69 0.61 52.16 71.65
[5] Kotler, P. 2002. Manajemen Pemasaran,
4 1.60 2.09 0.42 0.17 73.53 92.03 Jilid 1. Prehallindo. Jakarta.
5 2.94 621.29 2.35 366.10 20.02 41.07
Rata-
2.12 968.85 1.13 197.46 52.39 70.90
[6] Kusumadewi, S., Purnomo,H. 2004.
rata Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu. Yogyakarta.

4. Kesimpulan [7] Makridakis, S., Wheelright, S.C., dan

Metode Fuzzy Time Series baik standar
maupun yang menggunakan penentuan
interval berbasis rata-rata, bisa digunakan
untuk meramalkan data penjualan bulanan.
McGee, V.E. 1992. Metode dan Aplikasi
Peramalan - edisi ke-2, jilid I. Alih
Bahasa : Andriyanto, U.S., dan Basith, A.
Erlangga. Jakarta.

7
[8] Robandi, I. 2006. Desain Sistem Tenaga
Modern – Optimasi – Logika Fuzzy –
Algoritma Genetika. Andi. Yogyakarta.

[9] T. A. Jilani, S. M. A., Burney, C., Ardil.

2007. Fuzzy Metric Approach for Fuzzy
Time Series Forecasting based on
Frequency Density Based Partitioning.
Proceedings of World Academy of
Science, Engineering and Technology Vol.
23, pp.333-338.

[10]Winarno, W.W. 2007. Analisis

Ekonometrika dan Statistika dengan
Eviews. UPP STIM YKPN. Yogyakarta.

[11]Xihao, S., Li Yimin. 2008. Average-based

fuzzy time series models for forecasting
shanghai compound index. World Journal
of Modelling and Simulation Vol.4 pp.
104-111.

[12]http://www.census.gov/svsd/www/ads
eriesold.html tanggal akses : 15 Mei
2010