BAB 2 LANDASAN TEORI
|
|
- Suhendra Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI Bab ini membahas teori penunjang yang berhubungan dengan penerapan metode average-based fuzzy time series pada sistem peramalan jumlah penjualan distributor telur. 2.1 Peramalan Peramalan (forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. (Ai, 1999). Menurut sifatnya, teknik peramalan terbagi menjadi dua jenis yaitu teknik kualitatif dan teknik kuantitatif. Teknik kualitatif merupakan teknik peramalan berdasarkan pendapat suatu pihak, dan data pada teknik kualitatif tidak dapat direpresentasikan secara tegas ke dalam suatu angka atau nilai. Teknik peramalan tersebut misalnya adalah judgment forecast. Sebaliknya, teknik peramalan kuantitatif merupakan teknik peramalan berdasarkan data masa lalu atau disebut data historis dan dapat dibuat dalam bentuk angka (Jumingan, 2009). Teknik kuantitatif dikelompokkan dalam dua jenis (Ai, 1999) : 1. Model Time Series (Runtun Waktu) Pada model ini peramalan masa mendatang dilakukan berdasarkan nilai data masa lalu atau disebut data historis. Tujuan metode ini adalah menemukan pola dalam deret data historis dan memanfaatkan pola deret tersebut untuk peramalan masa mendatang. Keuntungan dalam menggunakan model ini adalah peramalan dapat dilakukan secara lebih sederhana dibandingkan dengan model kausal.
2 7 2. Model Regresi (Kausal) Model ini merupakan suatu model yang mengasumsikan faktor yang diramalkan menunjukkan suatu hubungan sebab akibat dalam satu atau lebih variabel bebas dan menggunakannya untuk meramalkan nilai mendatang dari suatu variabel tak bebas. Keuntungan dalam menggunakan model ini adalah dapat menghasilkan tingkat keberhasilan yang lebih besar dalam pengambilan keputusan yang bijaksana. Dalam ekonometrika, data dapat dikelompokkan ke dalam tiga jenis menurut waktu pengumpulannya, yaitu data time series (runtun waktu), data cross section (silang), dan data pooled (panel). Data tersebut tentunya sangat diperlukan dalam penelitian, maupun pengambilan keputusan. Pengumpulan data biasanya memerlukan waktu yang lama karena dapat melibatkan banyak aktivitas seperti mendatangi responden, menginput data, menyunting data, maupun menampilkannya dengan suatu alat analisis tertentu. Berikut akan dibahas beberapa jenis data berdasarkan waktu pengumpulannya (Winarno, 2007). a. Data Time Series (Runtun Waktu) Data Time series adalah data yang menggambarkan suatu objek dari waktu ke waktu atau periode secara historis dan terjadi berurutan. Sebagai contoh adalah data harga saham, data ekspor, data nilai tukar (kurs), data produksi, dan lain sebagainya (Winarno, 2007). Pola pergerakan data atau nilai variabel dapat diikuti dengan adanya data time series, sehingga data time series dapat digunakan sebagai dasar untuk (Anwary, 2011): 1. Pembuatan keputusan pada saat ini, 2. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan datang, 3. Perencanaan kegiatan untuk masa depan. Pada beberapa kasus, misalnya data time series produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi harga kopi dunia pada tahun berikutnya. Oleh karena itu diperlukan data selisih produksi kopi
3 8 dunia tiap periode agar tampak apakah produksi kopi pada tahun selanjutnya bertambah atau berkurang. Seperti dapat dilihat pada Tabel 2.1. Tabel 2.1 Produksi dan Selisih Produksi Kopi Dunia Tahun Tahun Produksi Kopi (Ton) Selisih b. Data Cross Section (Silang) Data cross section (silang) terdiri dari beberapa objek data pada waktu tertentu. Misalnya pada suatu restoran terdiri dari data penjualan, data pembelian bahan baku, data jumlah karyawan, dan data relevan lainnya. Seperti dapat dilihat pada Tabel 2.2. Tabel 2.2 Perbandingan antara Penjualan, Pembelian Bahan Baku, dan Jumlah Karyawan Nama Restoran Penjualan Pembelian Bahan Baku Jumlah Karyawan A B C c. Data Pooled (Panel) Data pooled (panel) adalah data yang menggabungkan data time series (runtun waktu) dan data cross section (silang). Oleh karena itu data pooled (panel) terdiri dari beberapa objek dan beberapa periode waktu. Seperti dapat dilihat pada Tabel 2.3.
4 9 Tabel 2.3 Data Pooled (Panel) Ekspor Impor Kopi Indonesia dan Malaysia Tahun Nama Negara Periode Ekspor Impor Indonesia Indonesia Indonesia Malaysia Malaysia Malaysia Adapun pola data pada data time series (runtun waktu) dikelompokkan menjadi empat jenis yaitu (Makridakis et al. 1992) : 1. Pola Horizontal (H) yaitu pola data yang terjadi jika data berfluktuasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk ke dalam jenis pola ini. Contoh pola data seperti ini dapat dilihat pada Gambar 2.1. Gambar 2.1 Data Penjualan Beras per Bulan Tahun 2011 dengan Pola Horizontal (H)
5 10 Pada Gambar 2.1 dapat dilihat bahwa jumlah penjualan beras pada bulan pertama sampai dengan bulan ke-12 Tahun 2011 pada suatu unit usaha pengecer beras berfluktuasi pada nilai rata-rata yang sama yaitu lima karung. Pola data yang sama biasanya juga dapat dijumpai pada jenis barang yang bersifat kebutuhan pokok lainnya seperti minyak goreng, telur,gula dan lain sebagainya. 2. Pola Musiman (S) yaitu pola data yang terjadi jika deret data dipengaruhi faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan produk misalnya seperti es krim, seragam sekolah, atau pemanas ruangan masuk ke dalam pola data ini. Contoh pola data seperti ini dapat dilihat pada Gambar 2.2. Gambar 2.2 Data Penjualan Seragam Sekolah per Bulan Tahun 2011 dengan Pola Musiman (S) Pada Gambar 2.2 dapat dilihat bahwa jumlah penjualan seragam sekolah pada bulan pertama sampai dengan bulan ke-12 Tahun 2011 pada suatu toko penyedia seragam sekolah dipengaruhi oleh faktor musiman. Pada bulan pertama dan ketujuh dari setiap tahun adalah waktu dimulainya semester baru di sekolah sehingga kebutuhan dan permintaan seragam sekolah lebih meningkat dari bulan-bulan lainnya. 3. Pola Siklis (C) yaitu pola data yang terjadi jika data dipengaruhi fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil dan baja masuk ke dalam pola data ini. Contoh pola data seperti ini dapat dilihat pada Gambar 2.3.
6 11 Gambar 2.3 Data Penjualan Mobil per Bulan Tahun pada PT. Jaya Mandiri dengan Pola Siklis (C) Pada Gambar 2.3 dapat dilihat bahwa jumlah penjualan mobil pada PT. Jaya Mandiri dipengaruhi faktor ekonomi Indonesia tiap tahunnya. Tahun 2002 dan 2008 merupakan tahun dimana perekonomian masyarakat Indonesia lebih baik dari tahuntahun lainnya, sehingga penjualan mobil yang merupakan kebutuhan tersier juga ikut meningkat. 4. Pola Data Trend (T) yaitu pola data yang terjadi jika terjadi kenaikan ataupun penurunan sekuler jangka panjang pada data. Contoh pola data seperti ini dapat dilihat pada Gambar 2.4.
7 12 Gambar 2.4 Data Produk Domestik Bruto per Kapita dengan Pola Trend (T) Produk domestik bruto (Gross Domestic Product) merupakan jumlah produk berupa barang dan jasa yang dihasilkan oleh unit-unit produksi di dalam batas wilayah suatu negara (domestik) selama satu tahun. Pada Gambar 2.4 dapat dilihat bahwa jumlah penjualan produk domestik bruto Indonesia mengalami kenaikan jangka panjang pada Tahun Himpunan Fuzzy Menurut Kusumadewi dan Purnomo (2004), himpunan fuzzy merupakan generalisasi dari himpunan klasik (crisp) yang memiliki elemen-elemen dengan derajat keanggotaan yang dibatasi dengan interval [0, 1]. Anggap Х merupakan suatu himpunan semesta yang memiliki elemen-elemen, dengan setiap elemen dinyatakan dengan x, sehingga Х = x. Himpunan fuzzy A dalam Х dinyatakan dengan fungsi keanggotaan µ A (x) yang menghubungkan setiap elemen pada interval [0, 1], dengan nilai µ A (x) pada x menyatakan derajat keanggotaan dari x dalam A. Nilai derajat keanggotaan terbesar dari x dalam A adalah nilai µ A (x) yang paling mendekati nilai 1 (Hernasary, 2007). Himpunan fuzzy dinyatakan sebagai berikut : A = { (x, µ A ) x Х } (2.1)
8 Fungsi Keanggotaan Fungsi Keanggotaan (Membership Function) dalam himpunan fuzzy adalah suatu kurva yang menunjukkan pemetaan elemen-elemen input data ke dalam nilai keanggotaannya (sering juga disebut derajat keanggotaan) yang memiliki interval 0 sampai 1 (Kusumadewi et al. 2004). Beberapa jenis fungsi yang biasa digunakan untuk mendapatkan nilai keanggotaan yaitu (Kusumadewi et al. 2004) : 1. Representasi Linier Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Ada dua jenis himpunan fuzzy yang linier, yaitu linier naik dan linier turun. Linier naik dimulai dari domain yang memilki derajat keanggotaan nol (0) lalu bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan yang lebih tinggi. Gambar 2.5 Grafik Fungsi Keanggotaan pada Representasi Linier Naik Fungsi keanggotaan untuk representasi linier naik : µ[x] = (2.2)
9 14 Linier turun merupakan kebalikan dari linier naik. Linier turun dimulai dari domain yang memilki derajat keanggotaan paling tinggi lalu bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan yang lebih rendah. Gambar 2.6 Grafik Fungsi Keanggotaan pada Representasi Linier Turun Fungsi keanggotaan untuk representasi linier turun : µ[x] = (2.3) 2. Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara dua garis (linier). Gambar 2.7 Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga
10 15 Fungsi keanggotaan untuk representasi kurva segitiga : µ[x] = (2.4) 3. Representasi Kurva Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Gambar 2.8 Grafik fungsi keanggotaan pada representasi kurva trapesium Fungsi keanggotaan untuk representasi kurva trapesium : µ[x] = (2.5) 4. Representasi Kurva Bentuk Bahu Contoh representasi kurva bentuk bahu pada pembagian suhu temperatur
11 16 Gambar 2.9 Grafik Fungsi Keanggotaan pada Representasi Kurva Bentuk Bahu Fungsi keanggotaan untuk representasi kurva bentuk bahu pada pembagian suhu temperatur : Dingin : µ[x] = (2.6) Sejuk : µ[x] = (2.7) Normal : µ[x] = (2.8)
12 17 Hangat : µ[x] = (2.9) Panas : µ[x] = (2.10) Notasi Fuzzy Ketika himpunan semesta Х berbentuk diskrit, notasi yang digunakan untuk himpunan fuzzy A adalah (Hernasary, 2007): atau = (2.11) (2.12) Ketika himpunan semesta Х berbentuk kontinu, notasi yang digunakan untuk himpunan fuzzy A adalah : (2.13) Operasi Himpunan Fuzzy Jika dinyatakan terdapat dua himpunan fuzzy di dalam himpunan semesta yaitu A 1 dan A 2, untuk setiap elemen x dari himpunan semesta, maka operasi fungsi untuk
13 18 himpunan operasi gabungan, irisan, dan complement dinyatakan untuk A 1 dan A 2 pada himpunan semesta yaitu : Gabungan : µ A1 A2 (x) = µ A1 (x) µ A2 (x) (2.14) Irisan : µ A1 A2 (x)= µ A1 (x) µ A2 (x) (2.15) Complement : µ A = 1- µ A (2.16) Nilai Linguistik Nilai Linguistik adalah nilai dalam bentuk kata atau kalimat, nilai linguistik dari suatu variabel biasanya dibuat berdasarkan nilai numerik variabel tersebut. Sebagai contoh : Young adalah nilai linguistik dari variabel Umur yang dibuat berdasarkan nilai numerik variabel tersebut yaitu 5 Tahun (Hernasary, 2007). 2.3 Peramalan dengan Metode Fuzzy Time Series Fuzzy time series adalah metode peramalan data yang menggunakan prinsip-prinsip fuzzy sebagai dasarnya. Sistem peramalan dengan fuzzy time series menangkap pola data pada masa lalu kemudian digunakan untuk memproyeksikan data pada masa yang akan datang (Anwary, 2011). Jika diasumsikan Y(t); (t = 1,2,n), adalah himpunan bagian dari U yang menjadi himpunan semesta dimana himpunan fuzzy f i (t); (i=1,2,,n), telah didefinisikan sebelumnya dan jadikan F(t) menjadi kumpulan f i (t); (i=1,2,,n). Maka, F(t) dinyatakan fuzzy time series terhadap Y(t); (t = 1,2,n). Dari defenisi tersebut, dapat dilihat bahwa F(t) bisa dianggap sebagai variabel yang mempunyai nilai linguistik dan f i (t); (i=1,2,,n) bisa dianggap sebagai kemungkinan nilai linguistik dari F(t), dimana f i (t); (i=1,2,,n) direpresentasikan oleh suatu himpunan fuzzy. Bisa dilihat juga bahwa F(t) adalah suatu fungsi waktu dari t
14 19 misalnya, nilai-nilai dari F(t) dapat berbeda bergantung bahwa kenyataan pada himpunan semesta, bisa berbeda pada waktu yang berbeda. Dan jika F(t) hanya disebabkan oleh F(t-1) maka hubungan ini digambarkan dengan F(t-1) F(t). (Chen, 1996). 2.4 Penelitian Terdahulu Model Peramalan time series secara statistik yang telah ada selama ini belum dapat secara efektif diterapkan untuk data historis dalam jumlah yang sedikit, maka metode fuzzy time series dikembangkan. Song dan Chissom (1993) mengusulkan model time invariant untuk fuzzy time series. Mereka melakukan proses fuzzifikasi dalam hal pendaftaran di Universitas Alabama pada tahun Mereka jadi orang pertama yang melakukan peramalan dengan fuzzy time series. Adapun langkah-langkah metode fuzzy time series dengan model time invariant yang dirumuskan oleh Song dan Chissom adalah (Huarng, 2000) : 1. Mendefenisikan himpunan semesta yang diasumsikan sebagai U dari variasi data historis yang ada. 2. Membagi himpunan semesta U menjadi sejumlah subhimpunan dengan panjang interval yang sama dengan jumlah subhimpuan yang ditentukan secara acak. 3. Mendefinisikan himpunan fuzzy A i. 4. Fuzzifikasi data historis yang ada. 5. Menyatakan Fuzzy Logical Relationship (FLR). 6. Menjadikan relasi fuzzy orde pertama menjadi satu Fuzzy Logical Relationship Group (FLRG) dan menghitung relasi R i untuk setiap fuzzy ke-i. 7. Meramalkan output peramalannya dan melakukan defuzzifikasi. 8. Menghitung peramalan. Pada Tahun 1996, Chen melakukan penelitian lanjutan dan merumuskan model Arithmetic Operation dengan langkah :
15 20 1. Mendefenisikan himpunan semesta yang diasumsikan sebagai U dari variasi data historis yang ada. 2. Membagi himpunan semesta U menjadi sejumlah subhimpunan dengan panjang interval yang sama dengan jumlah subhimpuan yang ditentukan secara acak. 3. Mendefinisikan himpunan fuzzy A i. 4. Fuzzifikasi data historis yang ada. 5. Menyatakan Fuzzy Logical Relationship (FLR). 6. Peramalan. Selanjutnya Huarng (2000) melakukan penelitian lanjutan tentang apa yang telah diteliti Song dan Chissom pada data pendaftaran di Universitas Alabama. Dari penelitiannya, Huarng berhasil merumuskan model peramalan fuzzy time series baru yaitu model Heuristic. Adapun langkah-langkah metode fuzzy time series yang dirumuskan oleh Huarng adalah : 1. Mendefenisikan himpunan semesta yang diasumsikan sebagai U dari variasi data historis seperti yang dirumuskan oleh Song dan Chissom. 2. Membagi himpunan semesta U menjadi sejumlah subhimpunan dengan panjang interval yang sama dengan jumlah subhimpuan yang ditentukan secara acak. 3. Mendefinisikan himpunan fuzzy dengan persamaan A 1 = 1 / u / u / u / u / u i A 2 = 0.5 / u / u / u / u / u i... A i = 0 / u / u / u / u / u (i-1) + 1 / u i (2.17)
16 21 Dimana 0 atau 1 adalah derajat keanggotaan himpunan u i pada himpunan fuzzy A i, dan apabila derajat keanggotaan maksimum suatu data berada dalam himpunan fuzzy A i, maka nilai linguistik atau hasil fuzzifikasi data tersebut adalah A i (Haris, 2010). 4. Fuzzifikasi data historis yang ada. 5. Menetapkan Heuristic Fuzzy Logical Relationship Group. 6. Peramalan. 2009) Adapun penelitian sebelumnya dirangkum pada Tabel 2.4 (Stevenson et al. Tabel 2.4 Penelitian Fuzzy Time Series Terdahulu pada Peramalan Pendaftaran Universitas Alabama No. Peneliti Model Fuzzy Time Series yang digunakan Tingkat Error AFER 1. Song dan Chissom Time Invariant 4.3 % 2. Chen Arithmetic Operation 3.11% 3. Huarng Heuristic 1.5% Adapun perbedaan metode fuzzy time series yang telah diteliti sebelumnya dengan metode average-based fuzzy time series yang akan diimplementasikan pada penelitian ini, terletak pada proses penentuan jumlah himpunan fuzzy yang akan digunakan. Pada penelitian ini jumlah himpunan fuzzy yang digunakan akan ditentukan menurut interval berbasis nilai rata-rata. Dan untuk peramalan, model yang diterapkan pada metode average-based fuzzy time series menerapkan model yang hampir sama dengan model yang diterapkan Chen pada Arithmetic Operation. 2.4 Peramalan dengan Metode Average-Based Fuzzy Time Series Pada penelitian tentang peramalan dengan metode fuzzy time series sebelumnya disimpulkan bahwa semakin banyak himpunan fuzzy yang digunakan maka tingkat error akan semakin kecil. Akan tetapi metode untuk menentukan jumlah himpunan
17 22 fuzzy yang efektif belum ada, sehingga jumlah himpunan fuzzy ditentukan secara acak (Hernasary, 2007). Xihao dan Yimin (2007) melakukan penelitian untuk menentukan jumlah himpunan fuzzy yang efektif, yaitu dengan penentuan interval berbasis nilai rata-rata. Proses penentuan interval inilah yang diterapkan dalam metode averagebased fuzzy time series dan menjadi keunggulannya dibanding metode fuzzy time series sebelumnya. Adapun proses dalam metode average-based fuzzy time series dapat dilihat pada Gambar 2.10 Menentukan himpunan semesta dari data historis lalu membaginya menjadi beberapa subhimpunan sesuai interval berbasis nilai rata-rata..mendefinisikan himpunan fuzzy dengan persamaan (2.17) Menentukan derajat keanggotaan tiap data dan merubah data ke dalam nilai linguistik fuzzy Menentukan Fuzzy Logical Relationship (FLR) Menentukan Fuzzy Logical Relationship Group (FLRG) Peramalan menurut FLRG dan defuzzifikasi peramalan. Gambar 2.10 Proses dalam Metode Average-Based Fuzzy Time Series Interval Berbasis Nilai Rata- rata ( Average-Based Lengths) Interval berbasis nilai rata-rata berpengaruh dalam penentuan jumlah himpunan fuzzy yang akan digunakan dalam proses peramalan dengan metode average-based fuzzy
18 23 time series, Adapun langkah-langkah untuk menentukan interval berbasis nilai ratarata adalah (Xihao et al. 2007): 1. Kalkulasikan seluruh selisih absolute antara D t+1 dan D t (t=1,.., n). Dimana D adalah data aktual dan t adalah periode. Lalu hitung nilai rata-ratanya. 2. Ambil setengah dari nilai rata-rata selisih absolute (langkah 1). 3. Sesuai nilai yang diperoleh (langkah 2) tetapkan basis nilai tesebut menurut Tabel 2.5. Tabel 2.5 Pemetaan Basis Peramalan (Xihao et al. 2007). Range Basis Bulatkan nilai yang diperoleh (langkah 2) sesuai dengan tabel pemetaan basis yang ada pada Tabel 2.5 untuk mendapatkan interval berbasis nilai rata-rata. Sebagai contoh misalkan terdapat data time series penjualan telur dalam hitungan papan yaitu : 30, 50, 80, 120, 110, dan 70. Maka langkah-langkah untuk mendapatkan interval berbasis nilai rata-rata dari data time series tersebut adalah : 1. Selisih absolute tiap data adalah 20,30,40,10, dan 40 maka rata-ratanya adalah Ambil setengah dari nilai 28, maka diperoleh nilai Menurut Tabel 2.5 nilai 14 termasuk ke dalam basis Bulatkan 14 dengan basis 10, maka didapatkan interval berbasis nilai rata-rata yaitu 10.
19 Fuzzy Logical Relationship (FLR) Jika terdapat relasi R (t, t+1 ) sehingga A i (t+1) = A i (t) R (t,t+1) dengan simbol adalah suatu operator maka A i (t+1) disebabkan oleh A i (t). fuzzy logical relationship (FLR) yang ada antara A i (t+1) dan A i (t) dinotasikan dengan (Xihao et al, 2007) : A i (t) A i (t+1) (2.18) Dimana A i (t) disebut sebagai sisi kiri dan A i (t+1) disebut sisi kanan Fuzzy Logical Relationship Group (FLRG) Fuzzy logical relationship group (FLRG) pada metode average based fuzzy time series adalah proses mengeliminasi fuzzy logical relationship (FLR) yang berulang dan menggabungkan FLR dengan sisi kiri yang sama kedalam satu grup (Xihao et al. 2007) Contoh : Untuk sisi kiri A i yang sama dan berulang, FLRG dinyatakan sebagai berikut : A i A (i+1) A i A (i+1) A i A (i+1), A (i+2) (2.19) A i A (i+2) Peramalan dan Defuzzifikasi
20 25 Pada peramalan dengan metode average-based fuzzy time series, peramalan ditentukan dari fuzzy logical relationship group (FLRG). Jika terdapat FLRG A i A (i+1), A (i+2) Maka dapat ditentukan data aktual pada periode t fuzzified pada himpunan fuzzy A i, dan untuk peramalan pada periode t+1 diramalkan data akan fuzzified di sekitar himpunan fuzzy A (i+1) dan A (i+2) (Xihao et al. 2007). Defuzzifikasi adalah cara untuk mendapatkan hasil nilai tegas (crisp) dari himpunan fuzzy (Hernasary, 2007). Proses defuzzifikasi pada metode average-based fuzzy time series diasumsikan (Xihao et al. 2007) : u i U ; (i =1,2,,n) (2.20) u i A i ; (i =1,2,,n) (2.21) Dimana U adalah himpunan semesta, u i merupakan subhimpunan ke- i dari U dan A i adalah himpunan fuzzy dari u i., maka defuzzifikasi pada metode peramalan averagebased fuzzy time series adalah sebagai berikut (Xihao et al. 2007) : 1. Jika hasil fuzzifikasi data pada periode t adalah A i dan hanya ada satu fuzzy logical relationship (FLR) dengan sisi kiri adalah A i pada fuzzy logical relationship group (FLRG) sebagaimana berikut : A i A (i+1) Dimana A i dan A (i+1) adalah himpunan fuzzy dan nilai maksimum derajat keanggotaan fuzzy A (i+1) terdapat pada himpunan u (i+1), dan midpoint atau nilai tengah dari u (i+1) adalah m 1, maka hasil peramalan untuk periode t +1 adalah m 1.
21 26 2. Jika hasil fuzzifikasi data pada periode t adalah A i dan terdapat beberapa fuzzy logical relationship (FLR) dengan sisi kiri adalah A i pada fuzzy logical relationship group (FLRG) sebagaimana berikut : A i A (i+1), A (i+2), A (i+3) Dimana A i, A (i+1), A (i+2), A (i+3) adalah himpunan fuzzy dan nilai maksimum keanggotaan fuzzy A (i+1) terdapat pada himpunan u (i+1), nilai maksimum keanggotaan fuzzy A (i+2) terdapat pada himpunan u (i+2), dan nilai maksimum keanggotaan fuzzy A (i+3) terdapat pada himpunan u (i+3) dan midpoint atau nilai tengah dari u (i+1), u (i+2), u (i+3) adalah m 1, m 2, dan m 3 maka hasil peramalan untuk periode t+1 adalah nilai rata-rata dari m 1, m 2, dan m 3 atau (m 1 +m 2 +m 3 )/ Jika hasil fuzzifikasi pada periode t adalah A i dan tidak terdapat logical relationship (FLR) dengan sisi kiri adalah A i pada fuzzy logical relationship group (FLRG) dimana A i nilai maksimum keanggotaan fuzzy-nya terdapat pada himpunan u i dan midpoint atau nilai tengah dari u i adalah m, maka hasil peramalan untuk periode t +1 adalah m. Dari teori yang telah dibahas sebelumnya, sistem komputasi untuk peramalan fuzzy time series dapat dilakukan secara lebih mudah dengan metode average-based fuzzy time series, karena metode ini mempunyai model interval berbasis nilai rata-rata yang secara terstruktur dapat menentukan jumlah himpunan fuzzy yang akan digunakan sistem, dibandingkan dengan fuzzy time series pada penelitian sebelumnya yang menentukan himpunan fuzzy secara acak dan tidak terstruktur yang menjadikan sistem komputasi menjadi agak rumit. Oleh karena itu pada Bab 3 tentang analisis dan perancangan sistem, penulis akan mengimplementasikan metode average-based fuzzy time series.
PERAMALAN JUMLAH PENJUALAN DISTRIBUTOR TELUR TERHADAP PERMINTAAN PASAR MENGGUNAKAN METODE AVERAGE-BASED FUZZY TIME SERIES (ABFTS) SKRIPSI
PERAMALAN JUMLAH PENJUALAN DISTRIBUTOR TELUR TERHADAP PERMINTAAN PASAR MENGGUNAKAN METODE AVERAGE-BASED FUZZY TIME SERIES (ABFTS) SKRIPSI IKA HASNITA TANJUNG 081402037 PROGRAM STUDI TEKNOLOGI INFORMASI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang
Lebih terperinciBAB 3 METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL BERBASIS RATA-RATA
BAB 3 METODE FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS PADA METODE CHEN DENGAN PENENTUAN INTERVAL BERBASIS RATA-RATA 3.1 Konsep Dasar Peramalan Peramalan merupakan bagian awal dari suatu proses
Lebih terperinciDAFTAR ISI. ABSTRAK...ii. KATA PENGANTAR...iv. DAFTAR TABEL...xi. DAFTAR GAMBAR...xiii BAB I PENDAHULUAN Latar Belakang...
DAFTAR ISI ABSTRAK...ii KATA PENGANTAR...iv DAFTAR TABEL...xi DAFTAR GAMBAR...xiii BAB I PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...4 1.3 Batasan Masalah...5 1.4 Tujuan Penelitian...6
Lebih terperinciBAB 3 METODE FUZZY TIME SERIES DENGAN FAKTOR PENDUKUNG UNTUK MERAMALKAN DATA SAHAM
BAB 3 METODE FUZZY TIME SERIES DENGAN FAKTOR PENDUKUNG UNTUK MERAMALKAN DATA SAHAM 3.1 Pengertian Dasar Peramalan Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi
Lebih terperinciBAB 2 LANDASAN TEORI. Himpunan fuzzy adalah bentuk umum himpunan biasa yang memiliki tingkat
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Himpunan fuzzy adalah bentuk umum himpunan biasa yang memiliki tingkat keanggotaan dari tiap-tiap elemen yang dibatasi dengan interval [ 0, 1 ]. Oleh karena itu
Lebih terperinciBAB III METODE TIME-INVARIANT FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS
BAB III METODE TIME-INVARIANT FUZZY TIME SERIES BERDASARKAN SELISIH DATA HISTORIS 3.1 Model Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI Pada Bab 2 ini akan diuraikan teori-teori yang berhubungan dengan peramalan menggunakan Metode Automatic Clustering-Relasi Logika Fuzzy. Teori-teori tersebut diantaranya ialah metode
Lebih terperinciAnalisis dan Peramalan Kepadatan Jalan Raya Kodya Malang dengan FTS Average Based
14 Analisis dan Peramalan Kepadatan Jalan Raya Kodya Malang dengan FTS Average Based Anggri Sartika Wiguna Abstrak -Kemacetan saat ini menjadi persoalan serius di Kodya Malang. Berbagai penelitian yang
Lebih terperinciANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM
ANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM Reny Fitri Yani 1, Luh Kesuma Wardhani 2, Febi Yanto 3 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas
Lebih terperinciPERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES
PERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES Nurmalitasari STMIK Duta Bangsa Surakarta nurmal_ita@yahoo.com ABSTRAK Penelitian ini bertujuan
Lebih terperinciBAB 3 METODE PENELITIAN
10 BAB 3 METODE PENELITIAN 3.1 Metode Fuzzy Time Series yang dikembangkan oleh Song dan Chissom Song dan Chissom merupakan orang yang pertama kali memperkenalkan teori fuzzy time series yaitu dalam peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciPeramalan Menggunakan Metode Fuzzy Time Series Cheng. Forecasting Using Fuzzy Time Series Cheng Method
Jurnal EKSPONENSIAL Volume 8, Nomor, Mei 07 ISSN 085-789 Peramalan Menggunakan Metode Fuzzy Time Series Cheng Forecasting Using Fuzzy Time Series Cheng Method Sumartini, Memi Nor Hayati, dan Sri Wahyuningsih
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi di suatu daerah dalam suatu periode tertentu, baik atas
Lebih terperinciPeramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Peramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP Harjono 1, Malim Muhammad 2, Lukmanul Akhsani 3 Universitas Muhammadiyah Purwokerto
Lebih terperinciLEMBAR PENGESAHAN PERNYATAAN ABSTRAK...
DAFTAR ISI LEMBAR PENGESAHAN PERNYATAAN ABSTRAK... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iv DAFTAR ISI... vi DAFTAR TABEL... viii DAFTAR GAMBAR... ix DAFTAR SIMBOL... x BAB I PENDAHULUAN... 1 1.1
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Relasi antara himpunan barisan dari data lalu diukur berdasarkan waktu untuk meramal nilai masa depan, di investigasi dengan peramalan time series, banyak alat statistika
Lebih terperinciBAB 1 PENDAHULUAN. Sebagai pembuka dari penulisan skripsi, pada bab ini berisikan hal-hal yang
BAB 1 PENDAHULUAN Sebagai pembuka dari penulisan skripsi, pada bab ini berisikan hal-hal yang langsung berkaitan dengan penelitian meliputi latar belakang masalah, rumusan masalah, pembatasan masalah,
Lebih terperinciPERAMALAN MENGUNAKAN FUZZY TIME SERIES CHEN (STUDI KASUS: CURAH HUJAN KOTA SAMARINDA)
PERAMALAN MENGUNAKAN FUZZY TIME SERIES CHEN (STUDI KASUS: CURAH HUJAN KOTA SAMARINDA) 1 Normalita Fauziah, 2 Sri Wahyuningsih, 3 Yuki Novia Nasution 2 1,2 Program Studi Statistika, Fakultas Matematika
Lebih terperinciPENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA
PENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA Khanty Intan Lestari 1, Tine Soemartini 2, Resa Septiani Pontoh 3. Mahasiswa Program Studi Statistika Universitas
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Permintaan 2.1.1 Pengertian Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat pendapatan tertentu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan ilmu pengetahuan dan teknologi dewasa ini dapat membantu teknik peramalan suatu kejadian berdasarkan faktor faktor yang sudah diketahui sebelumnya. Hasil peramalan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 1.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari penulis sebagai berikut: Tabel 2.1 Perbandingan Metode Penelitian
Lebih terperinciPERBANDINGAN TINGKAT AKURASI METODE AUTOMATIC CLUSTERING, AVERAGE BASED, DAN MARKOV CHAIN FUZZY TIME SERIES PADA NILAI TUKAR (KURS) RUPIAH
PERBANDINGAN TINGKAT AKURASI METODE AUTOMATIC CLUSTERING, AVERAGE BASED, DAN MARKOV CHAIN FUZZY TIME SERIES PADA NILAI TUKAR (KURS) RUPIAH Skripsi disusun sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
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
Lebih terperinciPERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY
PERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY oleh MARISA RAMDHAYANTI M0110054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPENGEMBANGAN SISTEM INFORMASI PERAMALAN PENJUALAN DI PT. TRIMITRA BUANA ENGINEERING MENGGUNAKAN METODE FUZZY TIME SERIES
PENGEMBANGAN SISTEM INFORMASI PERAMALAN PENJUALAN DI PT. TRIMITRA BUANA ENGINEERING MENGGUNAKAN METODE FUZZY TIME SERIES Gebyar Faisyal Beni Pranata 1, Indra Dharma 2, Erfan Rohadi 3 1,2,3 Program Studi
Lebih terperinciImplementasi Algoritme Average Time Based Fuzzy Time Series Untuk Peramalan Tingkat Inflasi Berdasarkan Kelompok Pengeluaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3533-3537 http://j-ptiik.ub.ac.id Implementasi Algoritme Average Time Based Fuzzy Time Series
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT. 1. Pendahuluan
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT Dennis Frisca Ayudya, Dewi Retno Sari Saputro, Santoso Budi Wiyono Program Studi Matematika FMIPA UNS Abstrak. Indeks harga
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinciPenerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi Konsumsi Energi Listrik Indonesia
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1283-1289 http://j-ptiik.ub.ac.id Penerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi
Lebih terperinciModel Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA
Model Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA Solikhin 1, Martono 2, Puji Nugroho 3) 1,3 Program Studi Sistem Informasi, STMIK Himsya
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS Sylvia Swidaning Putri, Winita Sulandari dan Muslich Program Studi Matematika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih terperinciPERAMALAN PERMINTAAN JAMU DENGAN MENGIMPLEMENTASIKAN METODE AVERAGE-BASED FUZZY TIME SERIES (STUDI KASUSS PT. PAYUNG PUSAKA MANDIRI KEDIRI) SKRIPSI
PERAMALAN PERMINTAAN JAMU DENGAN MENGIMPLEMENTASIKAN METODE AVERAGE-BASED FUZZY TIME SERIES (STUDI KASUSS PT PAYUNG PUSAKA MANDIRI KEDIRI) SKRIPSI Oleh: DIAN NUR RAHMAWATI NIM 09650012 JURUSAN TEKNIK INFORMATIKA
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciSaintia Matematika ISSN: Vol. 2, No. 2 (2014), pp
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 2 (2014), pp. 115 126. PERENCANAAN JUMLAH PRODUKSI MIE INSTAN DENGAN PENEGASAN (DEFUZZIFIKASI)CENTROID FUZZY MAMDANI (Studi Kasus: Jumlah Produksi Indomie
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang STKIP Tapanuli Selatan merupakan perguruan tinggi yang legal dibawah Yayasan Al-Iman Padangsidimpuan berdiri berdasarkan akta notaris pada tanggal 31 Agustus 1981.
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN DI INDONESIA
PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY-MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA SKRIPSI Disusun Oleh : LINTANG AFDIANTI NURKHASANAH NIM. 24010211120004 JURUSAN STATISTIKA
Lebih terperinciPERENCANAAN JUMLAH PRODUKSI MEJA ALUMUNIUM UNTUK MEMINIMALKAN BIAYA PRODUKSI DENGAN METODE FUZZY MAMDANI Di UD. Meubel Alumunium, Mojokerto
PERENCANAAN JUMLAH PRODUKSI MEJA ALUMUNIUM UNTUK MEMINIMALKAN BIAYA PRODUKSI DENGAN METODE FUZZY MAMDANI Di UD. Meubel Alumunium, Mojokerto SKRIPSI Oleh : MUISA OCTAVIA NPM : 0632010185 JURUSAN TEKNIK
Lebih terperinciPERAMALAN (FORECASTING)
PERAMALAN (FORECASTING) Jenis Peramalan Peramalan (forecasting) : Adalah seni dan ilmu memprediksi peristiwa-peristiwa yang akan terjadi, dengan menggunakan data historis dan memproyeksikannya ke masa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciBab II LANDASAN TEORI
Bab II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan
Lebih terperinciJURNAL TEKNIK DINTEK, Vol. 10 No. 02, September 2017 : 21-31
ANALISIS PERBANDINGAN TINGKAT AKURASI METODE AVERAGE BASED FTS MARKOV CHAIN DENGAN AUTOMATIC CLAUSTERING FTS MARKOV CHAIN DALAM PERAMALAN DATA TIMESERIES Junaidi Noh Dosen Program Study Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas
BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forecasting) Peramalan merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciPERAMALAN DATA PRODUK DOMESTIK BRUTO DENGAN FUZZY TIME SERIES MARKOV CHAIN
PERAMALAN DATA PRODUK DOMESTIK BRUTO DENGAN FUZZY TIME SERIES MARKOV CHAIN Maria Titah Jatipaningrum Jurusan Statistika, Fakultas Sains Terapan Institut Sains & Teknologi AKPRIND Yogyakarta titahjp@akprind.ac.id
Lebih terperinciSiska Ernida Wati, Djakaria Sebayang, Rachmad Sitepu
Saintia Matematika Vol. 1, No. 3 (2013), pp. 273 24. PERBANDINGAN METODE FUZZY DENGAN REGRESI LINIER BERGANDA DALAM PERAMALAN JUMLAH PRODUKSI (Studi Kasus Produksi Kelapa Sawit di PT. Perkebunan III (PERSERO)
Lebih terperinciKata Kunci: Peramalan; metode Automatic Clustering And Fuzzy Logic Relationship Markov Chain;MAPE. 1. PENDAHULUAN
ISSN: 2528-463 PERAMALAN JUMLAH PENDAFTAR MAHASISWA BARU STMIK DUTA BANGSA SURAKARTA MENGGUNAKAN METODE AUTOMATIC CLUSTERING AND FUZZY LOGIC RELATIONSHIP MARKOV CHAIN Nurmalitasari¹ ), Sri Sumarlinda²
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciPeramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series
Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series BAGUS HANDOKO 2206 100 125 Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto
18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciBAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Peramalan (Forecasting) Menurut Kusuma (2004:13), peramalan (forecasting) adalah perkiraan tingkat permintaan satu atau lebih produk selama beberapa periode mendatang.
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih terperinciBAB 2 LANDASAN TEORI. diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciBAB I PENDAHULUAN. pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung)
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan proses perkiraan tentang sesuatu yang terjadi pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung) merupakan data yang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciKata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa
SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan
Lebih terperinciBAB I PENDAHULUAN. berkembang. Indonesia mempunyai luas hutan ,98 ha. Ini
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Kayu merupakan salah satu komoditas perdagangan yang cukup menjanjikan ditengah permintaan kayu untuk industry furniture yang semakin berkembang. Indonesia
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 SEJARAH SINGKAT PT. GMF AEROASIA Dimulai pada tahun 1949, GMF AeroAsia berasal dari Divisi Teknik Garuda Indonesia Airlines di Kemayoran dan Bandara Halim Perdana Kusuma di Jakarta,
Lebih terperinciMATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang
HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi
Lebih terperinciPeramalan (Forecasting)
Peramalan (Forecasting) Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video
Lebih terperinciTINJAUAN PUSTAKA. di seluruh dunia, dimana kecap merupakan produk cair berwarna coklat atau
II. TINJAUAN PUSTAKA 2.1 Pengertian Kecap Kecap merupakan jenis makanan fermentasi yang paling banyak dikonsumsi di seluruh dunia, dimana kecap merupakan produk cair berwarna coklat atau hitam gelap yang
Lebih terperinciJARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI
JARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI Winita Sulandari 1, Titin Sri Martini 1, Nughthoh Arfawi Kurdhi 1, Hartatik 2, Yudho Yudhanto 2
Lebih terperinciPerancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani
Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani 23 Sathya Adi Dharma Program Studi Teknik Informatika Fakultas Teknologi Informasi Institut Informatika
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciBAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy
BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL 4.1 Pengenalan konsep fuzzy logic Konsep mengenai fuzzy logic bukanlah merupakan sesuatu yang baru dan asing. Dalam pengalaman keseharian kita,
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciBAB II. KAJIAN PUSTAKA. A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto
BAB II. KAJIAN PUSTAKA A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto Masalah kinerja pegawai di Universitas Muhammadiyah Purwokerto sangat mendapat perhatian. Hal ini dibuktikan dengan diadakannya
Lebih terperinciIMPLEMENTASI FUZZY TIME SERIES PADA PERAMALAN PENJUALAN TABUNG GAS LPG DI UD. SAMUDERA LPG LHOKSEUMAWE
IMPLEMENTASI FUZZY TIME SERIES PADA PERAMALAN PENJUALAN TABUNG GAS LPG DI UD. SAMUDERA LPG LHOKSEUMAWE Dwi Auji Fyanda 1, Mutammimul Ula 2,Asrianda 3 Teknik Informatika, Sistem Informasi Universitas Malikussaleh
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciMODEL ANALISIS MENENTUKAN ALAT KONTRASEPSI BAGI ASEPTOR KELUARGA BERENCANA DENGAN LOGIKA FUZZY
MODEL ANALISIS MENENTUKAN ALAT KONTRASEPSI BAGI ASEPTOR KELUARGA BERENCANA DENGAN LOGIKA FUZZY Isworo Nugroho; Sri Eniyati Abstract Data yang sulit diketahui nilai kepastiannya seperti faktor kesehatan
Lebih terperinciPERAMALAN PERSENTASE PERUBAHAN DATA INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN FUZZY TIME SERIES
PERAMALAN PERSENTASE PERUBAHAN DATA INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN FUZZY TIME SERIES Endah Puspitasari 1, Lilik Linawati 2, Hanna Arini Parhusip 3 1,2,3 Progam Studi Matematika Fakultas Sains
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN
ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN SUPRIYONO Sekolah Tinggi Teknologi Nuklir BATAN Jl. Babarsari Kotak Pos 6101/YKBB Yogyakarta. Email : masprie_sttn@yahoo.com
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN METODE BERBASIS RATA-RATA FUZZY TIME SERIES MARKOV CHAIN FUJI KURNIA NINGSIH
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN METODE BERBASIS RATA-RATA FUZZY TIME SERIES MARKOV CHAIN FUJI KURNIA NINGSIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinci