its undergraduate 13455 paper
TRANSCRIPT
1
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN
METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY
(STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA)
Oleh :
Rahanimi
1205 100 003
Pembimbing :
Dr. M Isa Irawan, M.T
ABSTRAK
Berbagai jenis model peramalan telah banyak dikembangkan untuk meningkatkan akurasi peramalan. Pada tugas akhir
ini diterapkan metode algoritma clustering otomatis dan relasi logika fuzzy untuk memprediksi jumlah pendaftar mahasiswa
PMDK di Institut Teknologi Sepuluh Nopember Surabaya. Tujuan tugas akhir ini adalah untuk mendapatkan hasil prediksi
jumlah mahasiswa pendaftar jurusan matematika ITS melalui jalur PMDK reguler dengan metode automatic clustering dan
relasi logika fuzzy. Hasil peramalan yang diperoleh kemudian dibandingkan dengan metode fuzzy time series. Hasil dari
Tugas akhir ini diharapkan bisa bermanfaat untuk memperkenalkan metode automatic clustering dan relasi logika fuzzy dalam menyelesaikan masalah peramalan, sebagai referensi untuk pengembangan metode peramalan selanjutnya dan untuk
mengetahui gambaran prediksi jumlah pendaftar PMDK jurusan matematika ITS untuk tahun yang akan datang. Berdasarkan
MSE dan rata-rata error dari masing-masing metode dapat disimpulkan bahwa metode peramalan dengan metode automatic
clustering dan relasi logika fuzzy memiliki tingkat akurasi lebih tinggi dari pada metode time series sederhana. Dari hasil
peramalan dengan menggunakan metode automatic clustering dan relasi logika fuzzy didapatkan peramalan jumlah pendaftar
PMDK reguler jurusan matematika pada tahun 2010 adalah sejumlah 113 pendaftar.
Kata Kunci: metode automatic clustering, fuzzy time series, peramalan fuzzy, relasi logika fuzzy.
I. Pendahuluan
Orang-orang telah biasa berhadapan dengan banyak aktivitas meramalkan kehidupan sehari-hari mereka,
seperti ramalan suhu, ramalan persediaan, ramalan gempa
bumi, ramalan cuaca dan lain-lain. Salah satu peramalan
yang penting dan diperlukan dalam sebuah institusi
perguruan tinggi adalah peramalan mengenai jumlah
pendaftar. Membuat perkiraan pendaftaran masa datang
yang akurat sangat penting untuk sebuah perguruan tinggi
karena banyak keputusan yang bisa diambil dari
peramalan tersebut.
Dalam beberapa tahun terakhir, banyak metode telah
diajukan untuk peramalan jumlah pendaftar dengan fuzzy
time series. Namun, tingkat akurasi peramalan dari metode yang ada tidak cukup baik. Metode Time series
tradisional dapat memprediksi masalah musiman, tetapi
gagal untuk meramalkan masalah dengan nilai linguistik.
Selain itu, jika diberikan data dalam istilah linguistik atau
sangat sedikit, metode statistik akan gagal (Song &
Chissom,1993a, 1993b, 1994). Dalam rangka untuk
mengatasi kekurangan tersebut, Song dan Chissom
(1993a) memperkenalkan logika fuzzy masalah klasik dan
mengusulkan konsep dari fuzzy time series, yang mampu
menangani masalah data samar dan tidak lengkap yang
direpresentasikan sebagai nilai-nilai linguistik dalam keadaan tidak tentu.
Penelitian terbaru yang dilakukan oleh Wang, Chen,
dan Pan (2009) memperkenalkan sebuah metode
automatic clustering dan relasi logika fuzzy untuk
memprediksi pendaftaran di Universitas Alabama.
Penelitian tersebut memberikan hasil MSE lebih rendah
dari pada penelitian sebelumnya yang diterapkan pada
kasus yang sama dengan menggunakan teknik berbeda.
Berarti metode tersebut memiliki tingkat akurasi
peramalan lebih tinggi dari pada teknik yang telah dipakai sebelumnya.
Oleh karena itu pada tugas akhir ini akan mengkaji
keakuratan hasil peramalan metode fuzzy time series dan
membandingkannya dengan metode yang diusulkan oleh
Wang, Chen, dan Pan (2009) yang diterapkan pada kasus
pendaftaran mahasiswa matematika melalui jalur PMDK
reguler di Institut Teknologi Sepuluh Nopember
Surabaya.
II. Metode Penelitian
Metode penelitian yang digunakan untuk memecahkan
permasalahan dalam tugas akhir ini adalah sebagai berikut:
2.1 Studi Literatur
Tahap ini dilakukan dengan mengidentifikasi
permasalahan, mengkaji dan memahami teori-teori dasar
yang berkaitan dengan pembahasan Teori-teori yang
dipelajari diantaranya mengenai konsep dasar fuzzy time
series dan algoritma pengelompokan otomatis yang
menjadi metode peramalan. Penelusuran referensi ini
bersumber dari buku, jurnal, maupun penelitian yang telah
ada sebelumnya mengenai hal-hal yang berhubungan
dengan fuzzy time series dan algortma pengelompokan otomatis dan relasi logika fuzzy.
2.2 Pengumpulan data
Pada tahap ini dilakukan pengambilan data jumlah
pendaftar jurusan matematika ITS melalui jalur PMDK
reguler mulai tahun ajaran 2001/2002 sampai dengan
2009/2010 yang diperoleh dari catatan BAAK ITS.
2
2.3 Peramalan jumlah pendaftar dengan algoritma
pengelompokan otomatis dan relasi logika fuzzy
Pada tahap ini dilakukan peramalan jumlah pendaftar
dari tahun ke tahun dengan algoritma pengelompokan
otomatis dan relasi logika fuzzy kemudian dicari MSE
(Mean Square Error) dengan rumus sebagai berikut:
.
2.4 Membandingkan hasil peramalan dengan teknik
pengelompokan otomatis dan relasi logika fuzzy
dengan metode fuzzy time series dilihat dari MSE
Pada tahap ini dilakukan peramalan dengan fuzzy
time series biasa. Keakuratan peramalan dapat dilihat
berdasarkan MSE yang diperoleh dari masing-masing
metode. Jika MSE lebih kecil berarti metode tersebut
lebih akurat.
2.5 Pengambilan kesimpulan Pada tahap ini dilakukan penarikan kesimpulan hasil
analisa data sekaligus memberikan saran yang berkaitan
dengan pengembangan penelitian selanjutnya.
III. Fuzzy Time Series
Konsep dasar fuzzy time series yang diperkenalkan oleh
Song dan Chissom ( 1993a, 1993b, 1994 ) dimana nilai
fuzzy time serie direpresentasikan dengan himpunan
fuzzy (Chen, 1998; Zadeh, 1965). Didefinisikan U adalah
semesta pembicaraan dimana U = {u1, u2, …, un}. Sebuah
himpunan fuzzy dalam semesta pembicaraan U dapat
direpresentasikan sebagai berikut :
A = fA(u1)/u1 + fA(u2)/u2 + … + fA(un)/un,
Dengan fA adalah fungsi keanggotaan dari himpunan fuzzy A, fA : U [0,1], fA(ui) merupakan tingkat
keanggotaan dari ui dalam himpunan fuzzy A, dan 1 ≤ i≤
n.
Definisi pada fuzzy time series:
Definisi 1. Misalkan , sebuah
himpunan bagian dari , semesta pembicaraan pada
himpunan fuzzy didefinisikan dan
adalah koleksi . Maka disebut
fuzzy time series pada .
Andaikan I dan J adalah indeks himpunan dan
berturut-turut.
Definisi 2. Jika ada dimana , ada sebuah
dimana sehingga ada relasi
fuzzy dan
dimana „ ‟ adalah komposisi maks-min, maka
dikatakan disebabkan hanya oleh .
(1) Atau ekuivalen dengan
. (1a)
Definisi 3. Jika ada dimana , ada sebuah
dimana dan sebuah relasi fuzzy
sehingga ,
misalkan dimana „ ‟
adalah operator gabungan. Maka disebut relasi
fuzzy antara dan dan didefinisikan sebagai persamaan relasi fuzzy sebagai berikut:
. (2)
Definisi 4. Andaikan adalah fuzzy time series
dan . Jika ada ada
sebuah sehingga dan
sebaliknya, maka definisikan .
Definisi 5. Andaikan dan
adalah dua relasi fuzzy
antara dan . Jika ada dimana
ada sebuah dimana dan
relasi fuzzy dan sehingga
dan
, Maka definisikan
.
Definisi 6. Jika ada , ada sebuah integer
dan sebuah relasi fuzzy sehingga
Dimana „ ‟ adalah hasil kali kartesian(sistem koordinat),
dan dengan adalah himpunan indeks untuk
, maka dikatakan disebabkan
oleh , , … , dan . Definisikan
sebagai relasi fuzzy
antara . Dinotasikan sebagai berikut
(3)
Atau ekuivalen dengan
, (3a)
Dimana „ ‟ adalah operator irisan dan persamaan relasi fuzzy sebagai berikut
. (4)
Definisi 7. Pada definisi 6, dengan kondisi lain jika ada
sebuah relasi fuzzy sehingga
,
Maka dikatakan disebabkan oleh
. Dinotasikan relasi sebagai berikut
(5)
Atau ekuivalen dengan
(5a)
Dan persamaan relasi fuzzy sebagai berikut:
(6)
Dimana ,
3
Dan didefinisikan relasi fuzzy antara
dan atau .
Langkah-langkah peramalan dengan Fuzzy time series:
1. Mendefinisikan semesta pembicaraan U dengan data
historis dalam himpunan fuzzy yang akan didefinisikan.
Biasanya ketika mendefinisikan semesta, pertama harus
ditemukan data pendaftaran tertinggi Dmax dan terendah Dmin dari data historis. Berdasarkan pada Dmin dan Dmax
definisikan semesta U sebagai [Dmin-D1, Dmax+D2] dengan
D1 dan D2 adalah dua bilangan positif yang tepat.
2. Membagi semesta U ke dalam beberapa panjang
interaval.
3. Mendefinisikan himpunan fuzzy pada semesta U.
Pertama, menentukan beberapa nilai linguistik. Tidak ada
batasan pada angka himpunan fuzzy yang didefinisikan.
Kedua, mendefinisikan himpunan fuzzy pada U. Semua
himpunan fuzzy akan diberi nama dengan nilai linguistik
yang mungkin.
4. Fuzzifikasi data historis, temukan sebuah himpunan fuzzy yang sesuai dengan setiap tahun pendaftaran.
5. Dapatkan pengetahuan historis dari tabel 1 tentang
perkembangan pendaftaran untuk membangun model
peramalan.
6. Menghitung nilai peramalan dengan aturan sebagai
berikut:
Aturan 1: jika himpunan fuzzy sekarang adalah , dan
relasi logika fuzzy kelompok adalah kosong, misal
, maka nilai peramalannya adalah atau titik
tengah interval .
Aturan 2: jika jika himpunan fuzzy sekarang adalah ,
dan relasi logika fuzzy kelompok adalah satu-satu,
misal , atau titik tengah interval .
Aturan 3: jika jika himpunan fuzzy sekarang adalah ,
dan relasi logika fuzzy kelompok adalah lebih dari
satu, misal , maka nilai
peramalannya sama dengan rata-rata
nilai titik tengah dari .
IV. Algoritma Automatic Clustering
Algoritma automatic clustering disajikan sebagai berikut:
Langkah 1: Menyortir data numerik dalam urutan menaik
memiliki n data numerik yang berbeda. Diasumsikan
bahwa data ascending urutan tanpa data ganda akan ditampilkan sebagai berikut
. Berdasarkan barisan di atas, dihitung nilai dari
“average_diff” sebagai berikut:
Langkah 2: Mengambil data angka pertama (data terkecil
dalam barisan data terurut naik) ke dalam pengelompokan
sekarang. Berdasarkan nilai dari “average_diff”,
ditentukan apakah data angka mengikuti data pada
pengelompokan sekarang pada barisan data terurut naik
dapat diletakkan pada pengelompokan sekarang atau
diletakkan pada pengelompokan baru berdasarkan prinsip berikut:
Prinsip 1: Diasumsikan bahwa saat ini cluster adalah
cluster pertama dan hanya ada satu data di dalamnya
dan menganggap bahwa adalah data yang berdekatan
dengan , ditampilkan sebagai berikut:
.
Jika , maka diletakkan ke
dalam pengelompokan sekarang yang mana termasuk.
Sebaliknya dibentuk kelompok baru untuk dan biarkan
cluster baru yang baru dibangun yang mana termasuk ke dalam cluster sekarang.
Prinsip 2: Diasumsikan bahwa cluster yang sekarang
bukan yang pertama cluster dan hanya ada satu data di
cluster saat ini. Diasumsikan bahwa adalah data yang
berdekatan di sebelah dan menganggap bahwa
adalah data terbesar di cluster yang merupakan anteseden
cluster cluster saat ini, akan ditampilkan sebagai berikut:
.
Jika dan ,
maka taruh ke cluster yang saat ini milik . Jika tidak,
hasilkan suatu cluster baru untuk dan biarkan cluster
yang baru dihasilkan dengan termasuk menjadi cluster saat ini.
Prinsip 3 : Diasumsikan bahwa cluster yang sekarang
bukan cluster yang pertama dan ada lebih dari satu data di
cluster saat ini. Diasumsikan bahwa adalah data
terbesar di cluster saat ini dan diasumsikan bahwa
adalah data yang berdekatan di sebelah ,yang
ditampilkan sebagai berikut:
.
jika , dan
,maka diletakkan dalam
cluster yang saat ini terdapat . Jika tidak, hasilkan
cluster baru untuk dan biarkan cluster baru yang
dihasilkan sehingga termasuk dalam cluster saat ini, di
mana ''cluster_dif " menunjukkan perbedaan rata-rata
jarak antara setiap pasangan data yang berdekatan dalam
cluster dan nilai dari cluster_dif dihitung sebagai berikut:
Dengan c1,0,c2,0,…dan cn,0 menggambarkan data dalam cluster saat ini.
Langkah 3: Berdasarkan hasil pengelompokan yang
diperoleh pada Langkah 2, sesuaikan isi dari kelompok ini
menurut prinsip berikut:
Prinsip 1: Jika sebuah kelompok memiliki lebih dari dua
data, maka kita menjaga data terkecil, menjaga data
terbesar dan menghapus yang lain.
Prinsip 2: Jika sebuah cluster memiliki tepat dua data, maka kita tinggalkan (tidak merubah).
Prinsip 3: Jika sebuah cluster hanya memiliki satu data
, maka kita meletakkan nilai-nilai dari
“ ” dan “ ” ke
dalam cluster dan menghapus dari cluster ini. Terlebih
4
lagi, jika situasi berikut terjadi, cluster perlu disesuaikan
lagi:
Situasi 1: Jika situasi terjadi di cluster pertama, maka kita
menghapus nilai dari “ ” sebagai
ganti dari dari cluster ini.
Situasi 2: Jika situasi terjadi di cluster terakhir, maka kita
menghapus nilai dari “ ” sebagai
ganti dari dari cluster ini.
Situasi 3: Jika nilai dari “ ” lebih
kecil dari pada nilai terkecil dalam cluster yg terdahulu,
maka semua tindakan dalam Prinsip 3 dibatalkan.
Langkah 4: Asumsikan bahwa hasil cluster yang
diperoleh pada Langkah 3 adalah ditampilkan sebagai
berikut:
.
Mengubah kelompok ini ke dalam interval yang
bersebelahan dengan
sub-langkah berikut:
Langkah 4.1: Merubah cluster pertama ke dalam
interval .
Langkah 4.2: Jika interval saat ini adalah dan
cluster saat ini adalah , maka
(1) Jika , maka dalam cluster saat ini
diubah ke dalam interval . Biarkan
menjadi interval saat ini dan biarkan cluster selanjutnya
menjadi cluster saat ini.
(2) Jika , maka ubahlah ke dalam
interval dan bentuk sebuah interval baru
diantara dan . Biarkan
menjadi interval saat ini dan biarkan cluster
selanjutnya menjadi cluster saat ini. Jika interval
saat ini adalah dan cluster saat ini adalah ,
kemudian ubahlah interval sat ini ke dalam
. Biarkan menjadi interval saat ini
dan biarkan cluster selanjutnya menjadi cluster saat ini.
Langkah 4.3: memeriksa dengan berulang-ulang interval saat ini dan cluster saat ini sampai semua kelompok telah
berubah menjadi interval.
Langkah 5: Untuk setiap interval yang diperoleh pada
langkah 4, bagi masing-masing p diperoleh interval ke
sub-interval, di mana .
V. Metode Automatic clustering dan Relasi logika
Fuzzy
Dalam bagian ini, disajikan metode untuk peramalan
pendaftaran didasarkan pada metode automatic clustering
dan hubungan logis fuzzy.
Langkah 1: Menerapkan metode automatic clustering
untuk cluster pendaftaran historis ke interval dan untuk menghitung titik tengah setiap interval.
Langkah 2: Mengasumsikan bahwa terdapat n interval
, kemudian
mendefinisikan setiap fuzzy set Ai, di mana , sebagai berikut:
,
,
,
.
.
.
,
Langkah 3: Fuzzifasi setiap data dalam sejarah
pendaftaran menjadi himpunan fuzzy. Jika milik data ,
di mana , kemudian data difuzzifikasi ke Ai.
Langkah 4: Membuat relasi logika fuzzy didasarkan
pada fuzzifikasi data historis pendaftaran yang diperoleh
pada Langkah 3. Jika fuzzifikasi pendaftaran tahun dan
adalah dan , masing-masing kemudian
membangun relasi logika fuzzy “ ”, dengan
dan berturut-turut disebut keadaan saat ini dan keadaan berikutnya dari relasi logika fuzzy. Berdasarkan pada keadaan saat ini pada relasi logika fuzzy , relasi logika
fuzzy dibagi ke dalam kelompok relasi logika fuzzy, di
mana relasi logika fuzzy yang memiliki keadaan saat ini
yang sama dimasukkan ke dalam kelompok relasi logika
fuzzy yang sama.
Langkah 5: Menghitung perkiraan pendaftaran dengan
prinsip berikut ini.
Prinsip 1: Jika fuzzifikasi pendaftaran dari tahun adalah
dan hanya ada satu relasi logika fuzzy pada kelompok
relasi logika fuzzy yang memiliki keadaan saat ini
ditunjukkan sebagai berikut:
,
Kemudian perkiraan pendaftaran pada tahun adalah
, dimana adalah titik tengah dari interval dan
nilai keanggotaan maksimum dari himpunan fuzzy
terjadi pada interval .
Prinsip 2: Jika fuzzifikasi pendaftaran dari tahun adalah
dan ada relasi logika fuzzy berikut dalam kelompok
relasi logika fuzzy yang memiliki keadaan sekarang ,
ditunjukkan sebagai berikut:
,
Kemudian perkiraan pendaftaran dari tahun dihitung sebagai berikut:
Di mana menggambarkan angka dari relasi logika
fuzzy pada kelompok relasi logika fuzzy,
; dan adalah titik tengah dari
interval-interval dan berturut-turut, dan
nilai keanggotaan maksimum dari himpunan fuzzy
dan terjadi pada interval dan
bereturut-turut.
Prinsip 3: Jika fuzzifikasi pendaftaran dari tahun adalah
dan ada relasi logika fuzzy dalam kelompok relasi
logika fuzzy yang memiliki keadaan sekarang , yang
digambarkan sebagai berikut:
5
,
Dimana simbol “ ” menunjukkan sebuah nilai yang tak
diketahui, maka perkiraan pendaftaran pada tahun
adalah , dimana adalah titik tengah dari interval
dan nilai keanggotaan maksimal dari himpunan fuzzy
terjadi pada .
VI. Hasil dan Pembahasan
Peramalan dengan metode automatic clustering dan Relasi
logika Fuzzy.
Interval yang terbentuk adalah sebagai berikut:
=[64,67)
=[67,110),
=[110,120)
=[120,122)
=[122,130]
Membagi masing-masing interval ke dalam p sub-interval,
di mana . Jika diambil p=2 maka interval yang didapatkan adalah sebagai berikut:
=[64,65.5)
=[65.5,67)
=[67,88.5)
=[88.5,110)
=[110,115)
=[115,120)
=[120,121)
=[121,122)
=[122,126)
=[126,130]
Titik tengah interval yang didapatkan pada adalah sebagai
berikut:
= 64.75
= 66.25
= 77.75
= 99.25
= 112.5
= 117.5
= 120.5
= 121.5
= 124
= 128
Tabel 6.1: Hasil fuzzifikasi jumlah pendaftar dengan
metode automatic clustering dan relasi logika fuzzy
Dari tabel 6.1 dapat dilihat bahwa jumlah
pendaftar pada tahun 2001/2002 adalah 130 yang berada
pada interval =[126,130 maka jumlah pendaftar
pada tahun 2001/2002 difuzzifikasi ke dalam .
Berdasarkan tabel 4.1 dapat ditentukan relasi logika fuzzy.
Misalnya, karena fuzzifikasi data jumlah pendaftar pada
tahun 2001/2002 adalah dan fuzzifikasi data jumlah
pendaftar pada tahun 2002/2003 adalah maka relasi
logika fuzzy antara tahun 2001/2002 dan 2002/2003
adalah , dengan disebut keadaan sekarang
dari relasi logika fuzzy dan disebut keadaan
mendatang pada relasi logika fuzzy. dari relasi logika
fuzzy dan disebut keadaan mendatang pada relasi
logika fuzzy.
Didapatkan hasil sebagai berikut:
,
,
,
,
,
,
,
,
,
Berdasarkan pada keadaan saat ini pada relasi
logika fuzzy , relasi logika fuzzy dibagi ke dalam
kelompok relasi logika fuzzy, di mana relasi logika fuzzy
yang memiliki keadaan saat ini yang sama dimasukkan ke
dalam kelompok relasi logika fuzzy yang sama.
Sehingga diperoleh hasil pengelompokan relasi logika
fuzzy sebagai berikut:
Kelompok 1 :
Kelompok 2 :
Kelompok 3:
Kelompok 4 :
Kelompok 5 :
Kelompok 6 :
Kelompok 7 :
Relasi logika fuzzy “ ” (kelompok 1)
menggambarkan bahwa ada relasi logika fuzzy berikut ini:
,
.
Menghitung peramalan pendaftaran dengan prinsip sebagai berikut:
Tahun Data jumlah
pendaftar
Fuzzifikasi
jumlah pendaftar
2001/2002 130
2002/2003 120
2003/2004 122
2004/2005 67
2005/2006 64
2006/2007 64
2007/2008 66
2008/2009 129
2009/2010 110
6
Prinsip 1: Jika fuzzifikasi pendaftaran dari
tahun adalah dan hanya ada satu relasi
logika fuzzy pada kelompok relasi logika fuzzy
yang memiliki keadaan saat ini ditunjukkan
sebagai berikut:
,
Kemudian perkiraan pendaftaran pada tahun
adalah , dimana adalah titik tengah
dari interval dan nilai keanggotaan
maksimum dari himpunan fuzzy terjadi pada
interval .
Prinsip 2: Jika fuzzifikasi pendaftaran dari tahun adalah
dan ada relasi logika fuzzy berikut dalam kelompok
relasi logika fuzzy yang memiliki keadaan sekarang ,
ditunjukkan sebagai berikut:
,
Kemudian perkiraan pendaftaran dari tahun dihitung
sebagai berikut:
Di mana menggambarkan angka dari relasi logika
fuzzy pada kelompok relasi logika fuzzy,
; dan adalah titik tengah dari
interval-interval dan berturut-turut, dan
nilai keanggotaan maksimum dari himpunan fuzzy
dan terjadi pada interval dan
bereturut-turut.
Prinsip 3: Jika fuzzifikasi pendaftaran dari tahun adalah
dan ada relasi logika fuzzy dalam kelompok relasi
logika fuzzy yang memiliki keadaan sekarang , yang
digambarkan sebagai berikut:
,
Dimana simbol “ ” menunjukkan sebuah nilai yang tak
diketahui, maka perkiraan pendaftaran pada tahun
adalah , dimana adalah titik tengah dari interval
dan nilai keanggotaan maksimal dari himpunan fuzzy
terjadi pada .
Sehingga jika akan meramalkan jumlah pendaftar
pada tahun 2004/2005, maka berdasarkan tabel 4.1 dapat
dilihat bahwa hasil fuzzifikasi jumlah pendaftar pada
tahun 2003/2004 adalah dan terdapat pada kelompok 6
relasi logika fuzzy yaitu . Oleh karena itu hasil
peramalan jumlah pendaftar pada tahun 2004/2005 adalah
nilai tengah dari interval yaitu = 77.75 78
Dengan cara berdasarkan 3 prinsip tersebut maka
peramalan jumlah pendaftar yang lainnya dapat
ditemukan.
Tabel 6.2: Hasil peramalan jumlah pendaftar dengan
metode automatic clustering dan relasi logika fuzzy
Tahun Data jumlah Hasil
Peramalan
Error
pendaftar jumlah
pendaftar
2001/2002 130
2002/2003 120 117 3
2003/2004 122 124 2
2004/2005 67 78 11
2005/2006 64 65 1
2006/2007 64 66 2
2007/2008 66 66 0
2008/2009 129 128 1
2009/2010 110 117 7
2010/2011 113
Peramalan dengan metode fuzzy time series
Peramalan jumlah pendaftar dengan metode fuzzy
time series dilakukan dengan langkah-langkah sebagai
berikut:
1. Mendefinisikan semesta pembicaraan U dengan data
historis dalam himpunan fuzzy yang akan didefinisikan.
Biasanya ketika mendefinisikan semesta, pertama
temukan data pendaftaran tertinggi Dmax dan terendah Dmin
dari data historis. Berdasarkan pada Dmin dan Dmax
definisikan semesta U sebagai [Dmin-D1, Dmax+D2] dimana
D1 dan D2 adalah dua bilangan positif yang tepat.
Dmin =64
Dmax = 130 D1 = 4
D2 = 10
U = [60,140]
2. Membagi semesta U ke dalam beberapa panjang
interval.
Pada kasus ini U dibagi menjadi 8 interval.
= [60,70]
= [70,80]
= [80,90]
= [90,100]
= [100,110]
= [110,120]
= [120,130]
= [130,140]
3. Mendefinisikan himpunan fuzzy pada semesta U.
Pertama, tentukan beberapa nilai linguistik. Tidak ada
batasan pada angka himpunan fuzzy yang didefinisikan. Kedua, definisikan himpunan fuzzy pada U. Semua
himpunan fuzzy akan diberi nama dengan nilai linguistik
yang mungkin.
Semua himpunan fuzzy diekspresikan sebagai berikut:
7
,
,
,
,
,
,
,
,
4. Fuzzifikasi data historis, temukan sebuah himpunan
fuzzy yang sesuai dengan setiap tahun pendaftaran.
Tabel 6.3: Hasil fuzzifikasi jumlah pendaftar dengan
metode fuzzy time series
Tahun Data jumlah
pendaftar
Fuzzifikasi
data
2001/2002 130
2002/2003 120
2003/2004 122
2004/2005 67
2005/2006 64
2006/2007 64
2007/2008 66
2008/2009 129
2009/2010 110
5. Mendapatkan pengetahuan historis dari tabel 1
tentang perkembangan pendaftaran untuk membangun
model peramalan.
Relasi logika fuzzy dari jumlah pendaftar
,
,
,
,
,
,
,
,
Kelompok relasi logika fuzzy
Kelompok 1: , ,
Kelompok 2:
Kelompok 3: , , ,
Kelompok 4: ,
Relasi logika fuzzy “ , ” (kelompok 1)
menggambarkan bahwa ada relasi logika fuzzy berikut ini:
,
.
6. Menghitung nilai peramalan dengan aturan sebagai
berikut:
Aturan 1: jika himpunan fuzzy sekarang adalah , dan
relasi logika fuzzy kelompok adalah kosong, misal
, maka nilai peramalannya adalah atau titik
tengah interval .
Aturan 2: jika jika himpunan fuzzy sekarang adalah ,
dan relasi logika fuzzy kelompok adalah satu-satu,
misal , atau titik tengah interval .
Aturan 3: jika jika himpunan fuzzy sekarang adalah ,
dan relasi logika fuzzy kelompok adalah lebih dari
satu, misal , maka nilai
peramalannya sama dengan rata-rata
nilai titik tengah dari .
Tabel 6.4: Hasil peramalan jumlah pendaftar dengan
metode fuzzy time series
8
Tabel 6.5: Perbandingan hasil peramalan
Tahun Data jumlah
pendaftar
Hasil
Peramalan
dengan
metode
automatic
clustering
dan relasi
logika fuzzy
(metode 1)
Hasil
Peramalan
dengan fuzzy
time series
(metode 2)
2001/
2002
130
2002/
2003
120 117 125
2003/
2004
122 124 102
2004/
2005
67 78 102
2005/ 2006
65 65 95
2006/
2007
64 66 95
2007/
2008
66 66 95
2008/
2009
129 128 95
2009/
2010
110 117 102
MSE 23.625 696.5
Rata-rata
error
0.04048 0.3071
Gambar 6.1 Perbandingan Jumlah Pendaftar Aktual
dengan hasil Peramalan
VII. Kesimpulan dan Saran
1. Kesimpulan
Berdasarkan pengolahan data dan pembahasan
sebelumnya, maka dapat disimpulkan beberapa hal yaitu:
1. Peramalan jumlah pendaftar PMDK reguler jurusan
matematika 2010/2011 dengan metode automatic
clustering dan relasi logika fuzzy adalah 113.
Tahun Data jumlah
pendaftar
Hasil
Peramalan
jumlah
pendaftar
Error
2001/2002 130
2002/2003 120 125 5
2003/2004 122 102 20
2004/2005 67 102 35
2005/2006 64 95 30
2006/2007 64 95 31
2007/2008 66 95 29
2008/2009 129 95 34
2009/2010 110 102 8
2010/2011 115
9
2. Berdasarkan MSE dan rata-rata error dari masing-
masing metode dapat disimpulkan bahwa metode
peramalan dengan metode automatic clustering dan relasi
logika fuzzy memiliki tingkat akurasi lebih tinggi dari
pada metode time series sederhana.
2. Saran Adapun saran-saran yang dapat diberikan berkenaan
dengan penelitian selanjutnya adalah sebagai berikut :
1. Penelitian selanjutnya dapat dilakukan dengan
memperluas lingkup peramalan.
2. Penelitian lebih lanjut perlu dilakukan dengan
implementasi pada program tertentu sehingga lebih
aplikatif.
DAFTAR PUSTAKA
Kusumadewi, Sri. 2002. Analisis dan Desain Sistem Fuzzy
menggunakan Tool Box Matlab. Graha Ilmu,
Jogjakarta.
Sivanandam, S. N., Sumathi, S. and Deepa, S. N. 2006–
2007. Introductiont to Fuzzy Logic Using
Matlab. Coimbatore, India.
Chen, S. M., & Hsu, C. C. (2004) . A new method to
forecast enrollments using fuzzy time series.
International Journal of Applied Science and
Engineering, 2(3), 234–244.
Cheng, C. H., Cheng, G. W., & Wang, J. W. (2008).
Multi-attribute fuzzy time series method based on fuzzy clustering. Expert Systems with
Application, 34(2), 1235–1242.
Huarng, K. (2001). Effective lengths of intervals to
improve forecasting in fuzzy time series. An
International Journal of Fuzzy Sets and Systems,
123(3), 387–394.
Song, Q., & Chissom, B. S. (1993a). Fuzzy time series
and its model. An International Journal of Fuzzy
Sets and Systems, 54(3), 269–277.
Song, Q., & Chissom, B. S. (1993b). Forecasting
enrollments with fuzzy time series –Part I. An International Journal of Fuzzy Sets and Systems,
54(1), 1–9.
Song, Q., & Chissom, B. S. (1994). Forecasting
enrollments with fuzzy time series –Part II. An
International Journal of Fuzzy Sets and Systems,
62(1), 1–8.
Wang, N. Y, Chen, S. M, & Pan, J. S.(2009). Forecasting
Enrollments Using Automatic Clustering
Techniques and Fuzzy Logic Relationships. An
International Journal of Expert Systems With
Applications. 36 (2009),11070-11076.
Singh, S.R. (2008). A Computational Method of
Forecasting Based on Fuzzy Time Series.
International Journal of Mathematics and
Computers in Simulation 79 (2008) 539–554
Cheng,Y.C, Sheng. (2007). Deterministic fuzzy time
series model for forecasting enrollments. An International Journal of Computers and
Mathematics with Applications 1904–1920.
10