Professional Documents
Culture Documents
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
perhitungan. Sedangkan penentuan panjang konsep lag yang mempengaruhi data time
interval sangat berpengaruh dalam series.
pembentukan fuzzy relationship yang tentunya Tabel 1. Produksi dan lag produksi kopi dunia
akan memberikan dampak perbedaan hasil tahun 2000–2005
perhitungan peramalan. Oleh karena itu,
pembentukan fuzzy relationship haruslah tepat Tahun Produksi Kopi Lag
dan hal ini mengharuskan penentuan panjang (Ton)
interval yang sesuai. Salah satu metode untuk 2000 7.562.713 -
penentuan panjang interval yang efektif adalah 2001 7.407.986 -154.727
dengan metode berbasis rata-rata atau 2002 7.876.893 468.907
average-based fuzzy time series [11]. 2003 7.179.592 -697.301
2004 7.582.293 402.701
Dalam penelitian ini dilakukan
2005 7.276.333 -305.960
implementasi metode Fuzzy Time Series
dengan penentuan interval berbasis rata-rata
untuk peramalan data penjualan bulanan Data lag tersebut kemudian dapat
digunakan untuk melihat pengaruh lag
sehingga diharapkan bisa diketahui bagaimana
langkah-langkah implementasi metode dalam produksi terhadap harga kopi dunia [10].
sistem dan bisa diukur akurasi penggunaan
sistem fuzzy time series untuk peramalan. 2.2. Himpunan Fuzzy
2
yang yang berbeda bergantung pada kenyataan
bahwa himpunan semesta bisa berbeda pada
1 waktu yang berbeda. Dan jika F(t) hanya
disebabkan oleh F(t-1) maka hubungan ini
digambarkan sebagai F(t-1) F(t). (Chen,
µ(x
) 1996)
3
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 penentuan interval berbasis rata-rata bisa
Pada Fuzzy Time Series diimplementasikan sebagaimana berikut:
1. Selisih absolut antar data time series
Dalam perhitungan peramalan dengan diperoleh nilai-nilai 20, 30, 40, 10, dan 40.
menggunakan fuzzy time series standar, Maka bisa diketahui bahwa rata-rata
panjang interval telah ditentukan di awal selisih data adalah 28.
proses perhitungan. Sedangkan penentuan 2. Ditentukan setengah dari rata-rata pada
panjang interval sangat berpengaruh dalam langkah pertama sebagai panjang interval,
pembentukan fuzzy relationship yang tentunya yaitu 14.
akan memberikan dampak perbedaan hasil 3. Sesuai dengan tabel basis interval, maka
perhitungan peramalan. Oleh karena itu, 14 termasuk pada kategori interval
pembentukan fuzzy relationship haruslah tepat berbasis 10.
dan hal ini mengharuskan penentuan panjang 4. Bulatkan nilai 14 dengan menggunakan
interval yang sesuai. Kunci utama dalam basis 10, maka diperoleh angka 10 sebagai
penentuan panjang interval adalah tidak boleh panjang interval.
terlalu besar dan tidak boleh terlalu kecil, [11]
karena jika interval itu terlalu besar maka tidak
akan terjadi fluktuasi dalam proses
3. Implementasi dan Uji Coba
perhitungan fuzzy time series, demikian juga
jika interval tersebut terlalu kecil maka makna
Perangkat lunak peramalan data time
dari fuzzy time series sendiri akan hilang
series dengan menggunakan fuzzy time series
(karena himpunan yang terbentuk cenderung
yang dibuat adalah implementasi metode
ke himpunan tegas/crisp).
peramalan data dengan menggunakan
Salah satu metode untuk penentuan
penentuan interval berbasis rata-rata.
panjang interval yang efektif adalah dengan
Perangkat lunak ini menerima inputan berupa
metode berbasis rata-rata (average-based),
serangkaian data time series yang terdiri dari
yang memiliki algoritma sebagaimana berikut:
timeline dan nilai dari suatu rekap data aktual
dalam kurun waktu tertentu. Data input
1. Hitung semua nilai absolute selisih antara
tersebut kemudian diproses secara fuzzy, yaitu
Ai+1 dan Ai (i=1…, n-1) sehingga diperoleh
tahap fuzzifikasi, inferensi atau kalkulasi, dan
rata-rata nilai absolute selisih.
defuzzifikasi untuk mendapatkan nilai akhir
2. Tentukan setengah dari rata-rata yang
peramalan berupa bilangan tegas(crisp).
diperoleh dari langkah pertama untuk
Adapun gambaran global tentang perangkat
kemudian dijadikan sebagai panjang
lunak bisa dilihat pada Gambar 2.
interval.
3. Berdasarkan panjang interval yang Untuk keperluan pengujian, maka
diperoleh dari langkah kedua, ditentukan diambil 5 (lima) contoh data time series dari
basis dari panjang interval sesuai dengan situs internet Biro Sensus Amerika Serikat
tabulasi basis berikut. http://www.census.gov/svsd/www/adseries
Tabel 4. Tabel Basis Interval old.html yang menyediakan data-data time
series riil hasil proses sensus. Kemudian data-
Jangkauan Basis data tersebut dijadikan sebagai data sumber
0.1 – 1.0 0.1 program untuk proses peramalan fuzzy time
1.1 – 10 1 series [12].
11 – 100 10
101 – 1000 100 Dari pengujian terhadap data-data
tersebut, kemudian ditampilkan error yang
4. Panjang interval kemudian dibulatkan diperoleh dalam suatu tabel sehingga bisa
sesuai dengan tabel basis interval. diperoleh rata-rata error yang terjadi dalam
Sebagai contoh bagaimana cara MSE dan AFER dan diketahui seberapa efektif
menghitung panjang interval berbasis rata-rata, metode fuzzy time series dengan interval
maka akan diberikan sebuah contoh. Misalkan berbasis rata-rata untuk peramalan data
terdapat data time series sebagai berikut : 30, penjualan bulanan dengan menggunakan
50, 120, 110, dan 70. Maka algoritma dari perbandingan metode fuzzy time series
standar.
5
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
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
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?
Hubungkan data-data
hasil fuzzifikasi
Return
banyak data berdasarkan runtun
(n), nilai waktunya (currentnext)
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 Peramalan data menggunakan Fuzzy Time
dibandingkan dengan fuzzy time series Series dengan penentuan interval berbasis rata-
standar. 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
Gambar 4. Hasil Peramalan Data “Retail and dalam proses peramalan, hal ini yang
Food Service” menyebabkan metode fuzzy time series
standar dengan jumlah interval tetap memiliki
Pada Gambar4 dapat dilihat juga bahwa akurasi peramalan lebih rendah.
metode fuzzy time series standar tidak mampu
memprediksi perubahan nilai atau fluktuasi 5. Daftar Pustaka
pada kurun waktu November 2001 sampai
dengan Januari 2003, ditunjukkan dengan [1] Chen, S. M. 1996. Forecasting
tetapnya data nilai hasil peramalan pada tabel enrollments based on fuzzy time series -
dan garis mendatar pada grafik. Fuzzy Sets and Systems. International
Dari hasil percobaan menggunakan lima Journal of Applied Science and
data time series dapat dirangkum dan Engineering.
dilakukan perhitungan prosentase optimasi,
dalam hal ini optimasi adalah peningkatan [2] Chen, S. M., Hsu C.-C. 2004. A new
akurasi peramalan oleh sistem. Dan bisa method to forecasting enrollments using
dihitung juga rata dari rekap data sebagaimana fuzzy time series. International Journal of
ditampilkan pada Tabel 4. 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.
7
[8] Robandi, I. 2006. Desain Sistem Tenaga
Modern – Optimasi – Logika Fuzzy –
Algoritma Genetika. Andi. Yogyakarta.
[12]http://www.census.gov/svsd/www/ads
eriesold.html tanggal akses : 15 Mei
2010