pemodelan data fuzzy time series dengan menggunakan
TRANSCRIPT
JURNAL PENELITIAN
Saintek
Volume 14, Nomor 1, April 2009
penerbit:Lembaga Penelitian Universitas Negeri yogyakarta
Pemimpin Umum/penanggung Jawab:Ketua Lembaga Penelitian Universitas Negeri yogyakarta
Ketua:Sekretaris:
Redaktur Ahli:
Redaktur Pelaksana:Anggota Redaktur:
Redaksi:Dr. Sri AtunRetno Arianingrum, M.Si1. Dr. Wardan-Sryunto, l4.n.2. Dr. dr. BM Wara Kushaftanti, M.S.Retno Hidayah, Ph.D.1. Heru Kuswanto, ph.D.2. Yuli Priyanto, ph.D.3. Slamet Widodo, M.T.4. Agus Bubiman, M.pd., M.T.
Tata Usaha/pe{aksana:Adil Basuki, S.E.
Setling dan Tfr t*rtcAnt- FledaAri hnrsrb, SIp.
A tn Redehi/fG Ur*'.L€rnbaga kneth lfiwrsfx ilEgeri tbgr€b
Gedurg LPll t-ntd tr - eajrErg, VogDeta 552gfTdepon (A274) 586168 ffi Ze,1c-'r,ra,(WC)518617
htb://wrrt.rrwa-il &r erl* tcdn:lna-f, o,m
lrnd brtfr S-tf rrr$r trif, fuilrrrd |HinH&rltnin
F*gri Elt trqiltrfrrnl
1412-3991
JURNAL PENELITIAN
Sernu hlErt p19 d ffifd hh * hthrr nsupatoncerrninan *p dntieu pffihfttrhrrqFrdl brhadap isi
filrahr &dli rr'h - - t hlEtg prrs
Volume 14, Nomor 1, Apr i l 2009 fSSN: 1412-3991
Halaman
DAFTAR ISI
Daftar Isi
Srntesis Hidrogel Superabsorben Berbasis Akrilamidajan Asam Akrilat pada Kondisi Atmosfer')ielt; Agus Salim dan Suwardi
Pemanfaatan Ion Logam Berat Tembaga(Il),r,romium(Ill), Timbal(Il), dan Seng(II) dalam LimbahCair industri Electroplating untuk Pelapisan Logamtsesi,)ieh: Siti Marwati, dkk ..
J1-rpersi TiOz ke dalam SiO2-Montmorillonit: Efek Jenis?:ekursor,t.elt. Is Fatimah
l-1 6
:-:sorbsi Multi Logam (Ag(I'. II t pada Hibrida Etilendia:
t : -''.
: i,. D),ah Purwaningsih
), Pb(II), Cr(IIf, Cu(II) danmino-Silika dari Abu Sekam
t7-40
41-58
59-76
I
JURNAL
SaPENE
tLITIAN
kr
I
ltikrgatbuninuria pada pendrilr fX*anlffi, * _Tipe 2 HipertensifOleh: Evy Yulianti ..... 77-96
97-r28
r29-t44
r45-146
Pengaruh Jenis Kacang Tolo, proees bafuJenis Inokulum terhadap perubahan Z,a,-za.Gizj fd,Fermentasi Tempe Kacang ToloOleh: Nani Ratnaningsih, Mutiora Nugraheni dan FitriRahmawati
Pemodelan Data Fuzzy Time Series denganMenggunakan Dekomposisi Nilai Singular danAplikasinyapada Perkiraan Tingkat Inflasi di IndonesiaOleh: Agus Maman Abadi
Biodata Penulis
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (AgusMaman Abadi)
PEMODELAN DATAFUZZY TIME SERIES DENGAI\MENGGUNAKAN DEKOMPOSISI NILAI SINGULAR DANAPLIKASINYA PADA PERIilRAAII TINGKAT INFLASI DI
INDONESIA
Oleh:Agus Maman Abadi
Staf Pengajar FMIpA IJNy
Abstract
The aims of this research are to constract a new methodfor modelingfuzzy time series data and to apply the method for forecastingIndonesian tnflation rate. The procedure of this reseqrch is done bythe following steps: (1) determine fuzzy relations using table lookupscheme, (2) Apply the singular value decomposition to reduce theunimportqnt fuzzy relations, (3) apply the method to forecastingIndo n es ian infl atio n rate.The result of this research is thqt it was designed a new method toconstruct the fuzzy time series model using singular valuedecomposition method. Then, the method is applied to forecast theIndonesian inflation rate based on fuzzy time series data. Forecastinginflation rate using the proposed method yields a higher accuracythan that using table lookup scheme and neural network methods.
Kewords: fuzzy time series, singular value decomposition, inflationrate.
PENDAHULUAN
Kajian tentang sistem frt"y yang menggunakan fuzzifikasi
singleton, mesin inferensi pergandaan dan defuzzifikasi rata-rata
pusat telah dilakukan oleh Karyati dkk (2003). Kemudian Abadi,
(2003) telah menunjukkan bahwa sistem fu"zy dapat digunakan
untuk mendekati suatu fungsi kontinu pada himpunan kompak.
Selanjutnya Abadi & Muhson (2005) telah membuat model inflasi
129
Jurnal Penelitian Saintek, Vol. 14, No. I, Aprit 2009: 129-144
di Indonesia berdasarkan faktor nilai tukar rupiah dan pendapatan
nasional dengan menggunakan sistem froy.Model regresi fuoyuntuk memperkirakan tingkat inflasi berdasarkan jumlah uang yang
beredar, nilai tukar rupiah, tingkat bunga dan pendapatan nasional
telah dilakukan oleh Abadi,dkk (2006) dan hasilnya lebih baik jika
dibandingkan model inflasi yang menggunakan regresi yang diteliti
oleh Muhson (1999). Penelitian tersebut belum menggunakan data
fur"y time series.
Berdasarkan data fuzzy time series univariat, model frr"yyang didesain menggunakan fuzzifier singleton, mesin inferensi
minimum, implikasi Mamdani dan defuzzifier rata-rata pusat
mempunyai keakuratan yang tinggi untuk memprediksi tingkat
suku bunga Sertifikat Bank Indonesia (Abadi, dkk, 2007).
Selanjutnya Abadi, dkk (2007) telah melakukan pemodelan dan
perkiraan tingkat suku bunga sertifikat Bank Indonesia
berdasarkan data fuzzy time series multivariat, yang mempunyai
ketepatan prediksi lebih baik dibandingkan pemodelan dengan
neural network yang dilakukan oleh Kustono, dkk. (2006).
Pemodelan data fuzzy time series univariat juga telah dilakukan
oleh Chen (2002), Sah dan Degtiarev (2004), Chen dan Hsu
(2004). selanjutnya pemodelan berdasarkan datafuzzy time series
multivariat juga sudah dikembangkan oleh Lee, dkk (2006) dan
Jilani, dkk (2007).
130
i
'j
$tl
F.
$
Pemodelan Data Fuzzy Time series dengan Menggunakan Dekomposisi Nilaisingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (AgusMaman Abadi)
Pemodelan data fuzzy time series yang dilakukan oleh
peneliti-peneliti di atas masih terbatas pada model diskrit dan
belum menentukan banyaknya aturan frtty yang optimal.
Selanjutnya Abadi,dkk. (2008a, 2008b, 2008c) telah memodelkan
data fuzzy time series dengan menggunakan himpunan fuzzykontinu untuk mengkonstruksi relasi fu"y yang lengkap.
Menentukan banyaknya aturan fuzry sangat penting untuk
mendapatkan keakuratan prediksi. Berdasarkan uraian di atas
timbul permasalahan: bagaimana menentukan moder fuzzy time
series yang optimal dan bagaimana menerapkan model tersebut
pada peramalan tingkat inflasi di Indonesia.
METODE PENELITIAN
Penelitian ini merupakan penelitian research and
development. Penelitian ini dilakukan dengan tahap-tahap sebagai
berikut:
1. Menentukan domain dari input dan output data.
2. Mendefinisikan himpunanfuzzy pada domain input-output data
dengan fungsi keanggotaan yang nofinal dan lengkap.
3. Membentuk aturan frtty dengan table lookup scheme
berdasarkan data training.
4. Mereduksi aturan fuzzy dengan dekomposisi nilai singular.
131
5.
6.
Jurnal Penelitian Saintek, Vol. 14, No. l, April2009; l2g-144
Menentukan banyaknya nilai singular yang harus diambil untuk
mendapatkan modelfuzzy time series yang optimal.
Mengaplikasikan model fr""y time series pada peramalan
tingkat inflasi di Indonesia.
HASIL DAN PEMBAHASAN
Pembentukan model fuzzy time series
Misalkan Y(t) , t : . . . ,0, 1,2, . . . , adalah himpunan bagian
dari R dan f,(t), i : 1,2,3,..., adalah himpunan fuzzy yang
didefinisikan pada y(l). Misalkan F(t)adalah himpunan yang
anggotanya adalah f,(t) , i : l, 2, 3,..., makaF(t) disebutfuzzy time
series padaY(t) , t : . . . , 0, 1,2,3, . . . .
Seperti pada pemodelan data time series tradisional, data
training digunakan untuk menentukan hubungan diantara nilai-nilai
data pada waktu yang berbeda-beda. Di dalam fu"ty time series
hubungan ini berbeda dengan yang ada di time series tradisional.
Pada pemodelan data fuzzy time series, pengalaman ahli dapat
digunakan dalam pemodelan. Pengalaman ahli tersebut dinyatakan
dalam bentuk pernyataan "Jika ... maka ...,,. Bentuk ini disebut
aturan fr""y.selanjutnya langkah utama dalam pemodelan data
futry time series adalah mengidentifikasi data training dengan
menggunakan abxan fuzzy.
132
$:
I
h
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (AgusMaman Abadi)
Misalkan,4,,k(t -i),...,AN,rQ -i) adalah Ni himpunan frtty
dengan fungsi keanggotaan kontinu yang normal dan lengkap pada
ft t "y t ime ser ies FoQ-i) , i : I ,2,3, . . . , f i , k : 1,2, . . . , m) maka
aturanfuzzy
JIKA (x, (l - n) adalah 4,,,(t - n) dan ...dan x^(t - n) adalah A!..^(t - n))
dan(4(r-l) adalah A!,.,(t -l)dan...dan x.(t -t)adalah A!..^(t -t)), MAKA
x,(r) adalah 4,,@ .................. ( l)
ekuivalen dengan relasi frtty dan sebaliknya, sehingga (l) dapat
dipandang sebagai relasi fuzzy pada Uxy dengan
U=Urr. . .xU^,cRn, Vc.R dan
pn(xr( t - n) , . . . ,xr( t - l ) , . . . ,x^( t - n) , . . . ,x^( t - l ) ) =
p^,,@lt - n))...t14.,@,(t -l))...a*.,(x^(t - n)...pr_.^(t -t)
dengan A: A,r , r ( t -n)x. . .* A4,r( t - 1)x . . . , A,^, . ( t -n)x. . . t Ai . ,_( / - l ) .
Misalkan Ft(t -l), F2(t -I),...,F^(/ - 1) -+ F,(t) adalah model
fuzzy time series m-faktor order satu, maka
F,(t -l),F,(t -l),...,F^(t -l) -+ {(r) dapat dipandang sebagai model
frtty time series dengan m input dan satu output. Selanjutnya akan
didesain model frtry time series dengan m input dan satu output
dengan menggunakan metode table lookup scheme dan
133
Jurnal Penelitian Saintek, Vol. 14, No. I, April 2009: 129_144
dekomposisi nilai singular. Tetapi metode ini dapat digeneralisasi
untuk modelfuzzy time series dengan m-faktor order n.
Jika diberikan If dalrr
(xrr( t - l ) ,xro(t- l ) , . . . , x_o(t - I ) ;xr,( t )) , p =1,2,3,. . . ,N
misalkan U =la, f , lc R dan t/ - la,, f , f c. R,i =2,3,.. . ,m
berturut-turut adalah universes of discourse untuk faktor utama dan
faktor sekunder. Jika Ar,oQ-i),...,A*,,0Q-i) adalah N; himpunan
fu"zy pada fuzzy time series FkQ-i) yang kontinu, normal dan
lengkap di lao, Folc R,k =2,3,...,m, i : 0,1, maka dengan table
lookup scheme diperoleh sebanyak M relasj logika f*ry yang
berbentuk:
( . { . , , ( t - l ) ,A, . , { t - l ) , . . . ,1._(t_1)) _+A,. . ,1t) , l : I ,2,3, . . . ,M. . - . . . . . . (2)
Kemudian jika diberlkan input himpunan fuzzy A,(t_I),
maka fungsi keanggotaan dari perkiraan output A,(t) adalah
Pu',u(xr(t)) =
Mm
Tqx (sup(/r ,@Q -r))lIaa,.,<,-s(x, (t -rDpn .,(",(r)))) . .......... (3)
Selanjufirya jika output yang diinginkan adalah real, makadilakukan defuzzifikasi, sebagai contoh, jika diberikan input
himpunan fuzzyA'(t-l) dengan fungsi keanggotaan Gaussian
134
training:
dan
P_emodelan Data Fuzzy Time series dengan Menggunakan Dekomposisi Nilaisingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di IndonLsia (AgusMaman Abadi)
Ito,1,-,,(x(t- l)) = exol-f (x'(r - t) -r' (r - t))'\ ,'P\-L-, maka perkiraan
output dengan defuzzifi er rata-rata pusat adalah
f ,, "*01-f@'(t - D--,xi-(t - r)f
,xr(t) = f (xr(t -I), . . . ,x^(t- l)) =
-tr"
= o; *,?;.t .
t *or-i (+(t - I - x"-(r - t))' ,
;;;"; ;; ;;";;; ;,.*,,,",* :j;j ;,,1' I l:: @
Jika banyaknya data training besar, maka banyaknya relasi
logika fu""y mungkin besar sehingga akan menambah
kekomplekkan dalam perhitungan. untuk mengatasi hal ini, akan
dilakukan pengurangan relasi logika fuz"y dengan menggunakan
metode dekomposisi nilai singular. pengertian dekomposisi nilai
singular diacu dad' Scheick (1997). Langkah-langkah untuk
mengurangi banyaknya relasi logika "fuzzy dengan metode
dekomposisi nilai singular dapat dilihat pada Gambar l.
r35
Jurnal Penelitian Sqintek, Vol. 14, No. I, April 2A09: 129_144
Gambar l. Prosedur pembentukan modelfuzzy time series dengandekomposisi nilai singular
136
Tiltukn frring strength relzrJ fwzy
Bentuk mariks lnrg strength F
Idmtifi kasi nilai singuluSt=sa=.. . :st=0
Ambil s =j nilai singular terbesar
Bentuk ir = ( v,,t vr,t )
Tentukan faktorisasi eRpada Vr
Bentuk mariks permutasi E dmgan VtS : en
Tentukan posisi entri I pada s kolom per.tama E
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (AgusMaman Abadi)
Aplikasi modelfuzzy time series pada perkiraan tingkat inflasi
Di dalam subbab ini akan diberikan aplikasi dari model frtty
time series 6-faktor order satu dalam peramalan tingkat inflasi.
Faktor utamanya adalah tingkat inflasi dan faktor sekundernya
adalah suku bunga sertifikat Bank Indonesia, suku bunga deposito,
persediaan uang, jumlah deposito dan nilai tukar rupiah. Data
diambil dari Januari 1999 sampai Februari 2003. Data dari Januari
1999 samapai Januari 2002 digunakan untuk training dan data dari
Februari 2002 sampai Februari 2003 digunakan untuk testing.
Pertama, akan dikonstruksikan relasi logika frrty dengan
menggunakan table lookup scheme dan kemudian dekomposisi
nilai singular digunakan untuk menetukan relasi logika fuzzy yang
optimal. Di dalam penelitian ini, akan diprediksi tingkat inflasi
bulan ke-k berdasarkan data tingkat inflasi, suku bunga sertifikat
Bank Indonesia, suku bunga deposito, persediaan uang, jumlah
deposito dan nilai tukar rupiah pada bulan ke- (ft-l). Universes of
discourse dari suku bunga sertifikat Bank Indonesia, suku bunga
deposito, nilai tukar rupiah, jumlah deposito, persediaan uang,
tingkat inflasi beturut-turut adalah [l0, 407, [0, 40], [6000,
120001, [360000, 460000], 40000, 900001, [-2,4]. Didefinisikan l6
himpttnan fuzzy Bt, B 2,..., B tu, I 6 himpun an fuzzy C1, C 2,..., Crc, 25
himpttnan fuzzy D t, Dz, ..., D zr, 2 | himpunan fuzzy E t, E z, ..., E z\, Zl
L37
Jurnal Penelitian Saintek, Vol. 14, No. I, April 2009: 129-144
himpunan fuzzy Ft,F2,... ,Frr, 13 himpunan fur"y 4,4,.. . ,A'
berturut-turut pada universes of discourse dai suku bunga sertifikat
Bank Indonesia, suku bunga deposito, nilai tukar rupiah, jumlah
deposito, persediaan uang, tingkat inflasi.
Di dalam penelitian ini, didefinisikan fungsi keanggotaan
Gaussian untuk semua himpunanfuzzy yang dibentuk. Selanjutnya
terdapat 36 relasifuzzy yang berbentuk:
(Btj,Q - l), cj, (t - r), Dt,^ (t - \, nt,, (t - l), F j,(l - 1), I,,(, -1)) -+ d, . (t)
Perkiraan output dapat dilakukan dengan persamaan (3) atau (4).
Untuk mengetahui relasi logika fr""y yang optimal,
diterapkan metode dekomposisi nilai singular dengan prosedur
sebagai berikut:
Langkah 1. Tentukanfiring strength dari relasi logikafuzzy dalam
Tabel I untuk setiap data training. Perhitungan firing strength
suatu relasi fuzzy mengacu pada Abadi, dkk. (2008b).
Langkah 2. Bentuk matriks F berukuran 36 x 36, F :
( F,(r) F,(r) 4,(l)')
I nrzl F,(2) F,ue) L^__^I r : : : l , dengan Fi( i ) , i i : 1,2, " ' ,36,t l(4(36) F,(36) 46Q6))
dihitung menggunakan Langkah 1.
138
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Thgkat Inflasi di Indonesia (AgusMaman Abadi)
Langkah 3. Tentukan dekomposisi nilai singular dari F yaitu
F =USVT. Ada 34 nllai singular taknol dari F. Distribusi nilai
singular F dapat dilihat padaGambar 2.
Langkah 4. Tentukan banyaknya relasi logika frtry yang akan
diambil, misalkan s dengan s ( rank(F). Berdasarkan pada
Gambar 2, nilai singular turun tegas setelah 29 nilai singular
pertama. Oleh karena itu diambll 29 nllai singular pertama dan
dengan menerapkan faktorisasi QR didapat matriks permutasi Z'
dan dengan menandai posisi entri-entri I pada s kolom pertama
dari matriks E mengindikasikan posisi s relasi logika fu""y
terpenting.
Sebagai hasil pengambilan 29 nilai singular terbesar, maka
diperoleh penurunan banyaknya relasi logika fwy dari 36 ke 29.
Posisi dari 29 relasi logika fu""y terpenting diidentifikasi pada
posis i 1,2,3, 4, 5, 6, 7, 8,9, 10, 12, 13, 15, 16, 17, 18, 19, 20, ZZ,
25,26,27,28,30, 31, 32,33,34,36. Relasi logika fu""y yang
dihasilkan digunakan untuk pembentukan model peramalan data
futry time series (3) dan (a).
139
Jurnal Penelitian Saintek, Vol. 14, No. I, Aprit 2009; I29_144
Gambar 2. Distribusi nilai singular matriks F
Mean square error (MSE) dari data training dan data testing
untuk prediksi tingkat inflasi dari berbagai metode dapat
ditunjukkan pada Tabel l. Berdasarkan Tabel l, prediksi tingkat
inflasi dengan metode dekomposisi nilai singular mempunyai
keakuratan yang lebih tinggi dibandingkan prediksi tingkat inflasi
dengan table lookup scheme danneural network.
Tabel l. Perbandingan MSE data training dan data testing untukmenggunakan berbagai metode
t40
Metode Banyaknyarelasi fuzm
MSE datatrainins
MSE datatestins
Dekomposisi nilaisinzular 29 0.191000 0.21162Table lookup scheme 36 0.063906 0.30645Neural network 0.757744 0.42400
i
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (Agus
Maman Abadi)
Gambar 3. Nilai-nilai tingkat inflasi yang sebenarnya danprediksinya dengan: (a) metode dekomposisi nilaisingular, (b) table loolwp scheme
SIMPULAN
Di dalam penelitian ini telah dikonstruksikan metode untuk
pemodelan data fuzzy time series dengan dekomposisi nilai
singular. Metode dekomposisi nilai singular digunakan untuk
mereduksi relasi logkafuzzy yang kurang penting dengan melihat
nilai-nilai singular dari matriks firing strength. Posisi dari entri-
entri I dari matriks permutasi menunjukkan posisi relasi logika
frr"y terpenting. Metode ini diterapkan untuk peramalan tingkat
inflasi yang menghasilkan keakuratan yang lebih baik
dibandingkan dengan metode neural network dan table lookup
scheme.
Ketepatan peramalan juga tergantung pada ketepatan
pengambilan variabel-variabel input. Oleh karena itu pada
(b)
L4l
r#
::t
Jurnal Penelitian Saintek, Vol. 14, No. I, Aprit 20A9; 129-144
penelitian selanjutnya akan diteliti bagaimana menentukan
sensitivitas variabel-variabel input unfuk meningkatkan keakuratan
prediksi berdasarkan datafuzzy times series.
DAFTAR PUSTAKA
Abadi, A.M., 2003, Penggunaan sistem samar untuk pendekatansuatu fungsi. Makalah dalam seminar Nasional Matematikatanggal 18 Maret 2003 diUniversitas Sebelas Maret.
Abadi, A,M., Muhson, A.. 2005. pemodelan tingkat inflasi diIndonesia dengan menggunakan sistem finzy. JurnalEkonomi dan Pendidikan FIS (INy, Z(2),ll3-121.
Abadi, A.M, Subanar, Widodo & Saleh, S.. 2006. Fuzzy model forforecasting inflation rate, Procceeding of InternationalConference on Mathematics and Natural Sciences ITB.Bandung.
Abadi, A.M, Subanar, Widodo & Saleh, S.. 2007. Forecastinginterest rate of Bank Indonesia certificate based on univariatefuzzy time series. International Conference on Mathematicsand lts applications SEAMS. Gadjah Mada University.Yogyakarta.
Abadi, A.M, Subanar, Widodo & Saleh, S.. 2008a. Constructingcomplete fuzzy rules of fuzry model using singular valuedecomposition, Proceeding of International Conference onMathematics, Statistics and Applications (ICMSA). SyiahKuala University. Banda Aceh.
Abadi, A.M, Subanar, Widodo & Saleh, S.. 2008b. Designingfuzzy time series model and its application to forecasting
r42
Pemodelan Data Fuzzy Time Series dengan Menggunakan Dekomposisi NilaiSingular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (AgusMaman Abadi)
inflation rate. 7rh llorld Congress in Probability andStatis tics. National University of Singapore. Singapore.
Abadi, A.M, Subanar, Widodo & Saleh, S.. 2008c. A new methodfor generating fuzzy rule from training . data and itsapplication in finacial problems. The 3'o InternationalConference on Mathematics and Statistics (ICoMS-3).Institut Pertanian Bogor. Bogor.
Chen, S.M.. 2002. Forecasting enrollments based on high-orderfiizzy time series . Cybernetics and Systems Journal 33, l-16.
Chen, S.M., Hsu, C.C.. 2004. A new method to forecastingenrollments using fuzzy time series. International Journal ofApp lied Scienc es and Engineering, 2(3), 23 4-244.
Jilani, T.A., Burney, S.M.A. & Ardil, C.. 2007. Multivariate highorder fuzzy time series forecasting for car road accidents.International Journal of Computational Intelligence, 4(l),15-20.
Karyati, Sukirman, Rosnawati, R. & Abadi, A.M.. 2003.Konstrulcsi fuzztfier dan defuzzifier suatu sistem samar.Research Grant Due-Like Jurusan Pendidikan MatematikaFMIPA Universitas Negeri Yogyakarta. Yogyakarta.
Kustono, Supriyadi & Sukisno, T..2006. Peramalan sulat bungasertifikat Bank Indonesia dengan menggunakan jaringansyaraf tiruan. Laporan Penelitian Dosen Muda. UniversitasNegeri Yogyakarta. Yogyakarta.
Lee, L.W., W*9, L.H., Chen, S.M. & Leu, Y.H.. 2006. Handlingforecasting problems based on two-factors high order finzytime series. IEEE Transactions on Fuzzy Systems, l4(3),468-477.
143
2.
3.
4.
Ketentuan Naskah Jurnal Penelitian Saintek
l .
KETENTUAII NASKAHJURNAL PENELITIAN SAINTEK (JPS)
Naskah merupakan naskah asli yang berkaitan denganpengembangan sain dan teknologi berdasar hasil penelitian yangbelum pernah diterbitkan baik di dalam maup'n di luar negeri.Naskah ditulis dalam bahasa Indonesia dengan jarak 1,5 spasi,sepanjang 10-15 halaman kuarto. Naskah dikirim atau diserahkan kesekretariat JURNAL PENELITIAI\ SAINTEK rangkap duadisertai disket dilengkapi biodata penulis dan alamat lengkap (kantordan rumah).
Judul naskah menggambarkan isi pokok tulisan, ditulis secararingkas dan jelas.
Nama Penulis disertai profesi dan lembaga tempat bekerja.
Abstrak naskah diketik 1 spasi dalam bahasa Indonesia dan Inggris.Abstrak menggambarkan intisari dari permasalahan, metode, hasil,dan simpulan.
Pendahuluan meliputi uraian tentang latar belakang masalah, ruanglingkup penelitian, dan telaah pustaka yang terkait denganpermasalahan yang dikaji serta rumusan hipotesis fiika ada).
Metode Penelitian meliputi uraian rinci tentang bahan yangdigunakan, metode yang dipilih, teknik, dan cakupan penelitian.
Hasil dan Pembahasan merupakan uraian objektif tentang hasil-hasil penelitian dan pembahasannya.
Simpulan dirumuskan berdasarkan hasil-hasil penelitian.
Daftar Pustaka disusun berdasarkan abjad, dan disesuaikan denganrincian berikut.a. Buku: nama penulis, tahun penerbitan, judul lengkap buku,
penyunting fika ada), nama penerbit, dan kota penerbitan.b. Artikel dalam buku: nama penulis, tahun penerbitan, judul
artikeVtulisan, judul buku, nama penyunting, kota penerbitan,nama penerbit, dan halaman.
5.
7.
8.
9.
Jurnal Penelitian Saintek, Vol. 14, No. I, Aprtl 2009
c. Terbitan beikala: nlrrna p€nulis; tahun penerbitan, judulartikeVtulisan, judul terbitan, volutEe, notrnor, dan halaman.
d. Artikel dalam internet: nama penulis, judul artikel/tulisan, dansitusnya.
10. Tabel diberi nomor urut dan judul yang ditulis di tepi kiri atas.
I 1. Ilustrasi dapat berupa gambar, grafik, diagram, peta, dan foto yangdiberi nomor urut dan judul di bagian tepi kiri bawah.