PERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN

Transkripsi

1 PERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan Metode Fuzzy Time Series dan Holt Double Eksponential Smoothing pada Peramalan Jumlah Mahasiswa Baru Institut Pertanian Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2013 Steven NIM G

4 ABSTRAK STEVEN. Perbandingan Metode Fuzzy Time Series dan Holt Double Exponential Smoothing pada Peramalan Jumlah Mahasiswa Baru Institut Pertanian Bogor. Dibimbing oleh Dr. Ir. Sri Nurdiati, M.Sc dan Dr. Ir. Fahren Bukhari, M.Sc. Peramalan merupakan kegiatan memprediksi nilai suatu variabel di masa yang akan datang. Tujuan penelitian ini adalah memprediksi jumlah mahasiswa baru Institut Pertanian Bogor dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt serta membandingkan kedua metode tersebut dengan cara melihat tingkat ketepatan peramalan Mean Absolute Percentage Error (MAPE). Metode fuzzy time series menggunakan himpunan fuzzy dalam proses peramalannya sedangkan metode pemulusan eksponensial ganda dari Holt menggunakan pemulusan nilai dari serentetan data dengan cara menguranginya secara eksponensial. Dalam meramalkan jumlah mahasiswa baru Institut Pertanian Bogor, metode fuzzy time series menghasilkan tingkat ketepatan peramalan yang lebih baik dengan nilai MAPE sebesar 6.41 % dibandingkan dengan metode pemulusan eksponensial ganda dari Holt dengan nilai MAPE sebesar 7.75 %. Setelah dilakukan studi kasus, metode pemulusan eksponensial ganda dari Holt akan lebih akurat hasil peramalannya jika data yang digunakan lebih banyak. Kata kunci: eksponensial ganda dari Holt, fuzzy time series, jumlah mahasiswa baru Institut Pertanian Bogor, mean absolute percentage error ABSTRACT STEVEN. Comparing Fuzzy Time Series Method and Holt Double Exponential Smoothing Method in Forecasting the Number of New Students at Bogor Agriculture University. Supervised by Dr. Ir. Sri Nurdiati, M.Sc and Dr. Ir. Fahren Bukhari, M.Sc Forecasting is an activity to predict values of a variable in the future. The purposes of this research is predicting the number of new students at Bogor Agriculture University using fuzzy time series method and Holt double exponential smoothing method. This research is also comparing these two methods to find the more appropriate method based on the accuracy of forecasting showed by Mean Absolute Percentage Error (MAPE). Fuzzy time series methods used fuzzy set in the process of forecasting while Holt double exponential smoothing method smooths the value of serial data by reducing them exponentially. In forecasting the number of new students at Bogor Agricultural University, fuzzy time series method, with MAPE as big as 6.412%, shows better forecasting accuracy than Holt double exponential smoothing method which has MAPE as big as 7.75%. After conducting a case study, we conclude that Holt double exponential smoothing method will be more accurate if there are many data available. Keywords: fuzzy time series, Holt double exponential smoothing, mean absolute percentage error, new students of Bogor Agriculture University.

5 PERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

6

7 ludul Skripsi: Perbandingan Metode Fuzzy Time Series dan Holt Double Smoothing Pada Perarnalan lurnlah Mahasiswa Baru Institut Pertanian Bogor Nama : Steven NIM : G Disetujui oleh r. Sri Nurdiati MoSco Pembimbing J Dr. Ir. Fahren Bukhari, MoSco Pembimbing II Tanggal Lulus:

8 Judul Skripsi : Perbandingan Metode Fuzzy Time Series dan Holt Double Exponential Smoothing Pada Peramalan Jumlah Mahasiswa Baru Institut Pertanian Bogor Nama : Steven NIM : G Disetujui oleh Dr. Ir. Sri Nurdiati, M.Sc. Pembimbing I Dr. Ir. Fahren Bukhari, M.Sc. Pembimbing II Diketahui oleh Dr. Dra. Berlian Setiawaty, MS. Ketua Departemen Tanggal Lulus:

9 PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2013 ini ialah peramalan, dengan judul Perbandingan Metode Fuzzy Time Series dan Holt Double Smoothing pada Peramalan Jumlah Mahasiswa Baru Institut Pertanian Bogor. Terima kasih penulis ucapkan kepada ibu Dr. Ir. Sri Nurdiati, M.Sc. dan bapak Dr. Ir. Fahren Bukhari, M.Sc. selaku pembimbing. Di samping itu, penghargaan penulis sampaikan kepada departemen Matematika, kepala departemen Ibu Dr. Dra. Berlian Setiawaty, MS., sekretaris departemen Bapak Dr. Ir. I Wayan Mangku, M.Sc., beserta jajaran staf dosen Matematika lainnya. Staff pendukung Bapak Mulyono, Bapak Acep Komaruddin, Ibu Ade Yustina, dan Ibu Nunik Susilowati serta pihak Tingkat Persiapan Bersama yang telah membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, Agustus 2013 Steven

10 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Ruang Lingkup Penelitian 2 TINJAUAN PUSTAKA 2 Peramalan 2 Fuzzy Time Series 3 Pemulusan Eksponensial Ganda dari Holt 3 Ukuran Kesalahan 4 METODE 4 Metode Fuzzy Time Series 4 Metode pemulusan eksponensial ganda dua parameter dari Holt 6 HASIL DAN PEMBAHASAN 6 Hasil Peramalan dengan Metode Fuzzy Time Series 8 Hasil Peramalan dengan Metode Pemulusan Eksponensial Ganda dari Holt 11 Perbandingan Hasil Peramalan 13 Analisis pada Data Jumlah Penduduk Indonesia 14 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 16 DAFTAR PUSTAKA 16 LAMPIRAN 17 RIWAYAT HIDUP 28

11 DAFTAR TABEL 1 Jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai dengan tahun Data fuzzifikasi mahasiswa baru Institut Pertanian Bogor 9 3 Second-order fuzzy logical relationship 9 4 Second-order fuzzy logical relationship group 9 5 Second-order fuzzy forecast rules 10 6 Aplikasi metode fuzzy time series pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Aplikasi pemulusan eksponensial ganda dari Holt pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Aplikasi metode fuzzy time series pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Aplikasi metode pemulusan eksponensial ganda dari Holt pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Perbandingan ketepatan metode peramalan Perbedaan karakteristik data jumlah penduduk Indonesia dengan data jumlah mahasiswa baru Institut Pertanian Bogor Hasil peramalan data jumlah penduduk Indonesia dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt. 15 DAFTAR GAMBAR 1 Jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun DAFTAR LAMPIRAN 2 Perhitungan forecasting value di setiap group 17 3 Model regresi linear (Makridakis et al. 1995) 20 4 Perhitungan nilai pemulusan dan nilai trend di setiap periode dengan metode pemulusan eksponensial ganda dari Holt 22 5 Jumlah penduduk Indonesia tahun 1980 sampai dengan tahun

12 1 PENDAHULUAN Latar Belakang Peramalan sangat berperan penting dalam kehidupan sehari-hari. Matematika sebagai salah satu bidang ilmu pengetahuan memiliki peran besar terkait teknik peramalan dengan tingkat akurasi tertentu. Dengan adanya suatu metode peramalan yang mempunyai tingkat keakuratan yang tinggi, seseorang diharapkan dapat lebih awal merancang tindakan yang tepat untuk mencapai hasil yang lebih efisien. Menurut Aritonang (2009), analisis data deret waktu pada dasarnya digunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu. Analisis data deret waktu tidak hanya bisa dilakukan untuk satu variabel (univariate) tetapi juga bisa untuk banyak variabel (multivariate). Beberapa bentuk analisis data deret waktu antara lain: metode pemulusan (smoothing), metode fuzzy time series, metode average, metode moving average, dan lain-lain. Metode pemulusan dapat dilakukan dengan pendekatan pemulusan eksponensial (Exponential Smoothing). Metode pemulusan eksponensial terbagi menjadi beberapa metode yang umum dipakai, antara lain: metode pemulusan eksponensial tunggal, metode pemulusan eksponensial ganda dari Brown (satu parameter), metode pemulusan eksponensial ganda dari Holt (dua parameter), dan metode pemulusan eksponensial ganda dari Winter (tiga parameter). Aritonang (2009) menyatakan bahwa pada metode pemulusan eksponensial, perevisian secara berkelanjutan dilakukan atas ramalan berdasarkan pengalaman yang lebih kini yaitu melalui pemulusan nilai dari serangkaian data yang lalu dengan cara menguranginya secara eksponensial. Hal ini dilakukan dengan memberikan bobot terte sampai satu. Menurut Song dan Chissom (1993), sistem peramalan dengan metode fuzzy time series menangkap pola dari data yang telah lalu kemudian digunakan untuk memproyeksikan data yang akan datang. Prosesnya juga tidak membutuhkan suatu sistem pembelajaran dari suatu sistem yang rumit seperti yang ada pada algoritma genetika dan jaringan syaraf sehingga mudah untuk dikembangkan dan tidak memerlukan adanya pola trend untuk melakukan proses peramalan. Dalam perhitungan peramalan menggunakan fuzzy time series, panjang interval telah ditentukan di awal proses perhitungan. Penentuan panjang interval sangat berpengaruh dalam pembentukan fuzzy relationship yang tentunya akan memberikan dampak perbedaan hasil perhitungan peramalan. Kita sering dihadapkan pada permasalahan dalam memilih metode yang cocok untuk meramalkan data time series (runtut waktu) untuk periode yang akan datang. Dalam karya ilmiah ini, akan dibandingkan antara metode peramalan fuzzy time series dengan metode pemulusan eksponensial ganda dari Holt. Kedua metode peramalan ini akan dibandingkan dengan melihat galat yang dihasilkan dari setiap metode. Oleh karena itu, perbandingan kedua metode ini diharapkan dapat memperlihatkan metode yang lebih akurat dalam meramalkan jumlah mahasiswa baru Institut Pertanian Bogor.

13 2 Tujuan Penelitian Penelitian ini bertujuan meramalkan jumlah mahasiswa baru Institut Pertanian Bogor dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt serta membandingkan kedua metode tersebut dengan melihat tingkat ketepatan peramalan. Ruang Lingkup Penelitian Ruang lingkup penelitian ini antara lain: a. Metode peramalan yang digunakan adalah metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt. b. Data yang digunakan adalah data jumlah mahasiswa baru Institut Pertanian Bogor sejak tahun sebagai fokus penelitian dan data jumlah penduduk Indonesia tahun 1980 sampai tahun 2011 sebagai data pembanding. c. Penghitungan besarnya error menggunakan MSE (Mean Square Error) dan MAPE (Mean Absolute Percentage Error). TINJAUAN PUSTAKA Peramalan Peramalan (forecasting) merupakan kegiatan memprediksi nilai-nilai suatu variabel di masa yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut di masa yang lalu atau sekarang atau berdasarkan variabel yang berhubungan (Makridakis et al. 1995). Tujuan peramalan antara lain untuk memberi gambaran ke depan sehingga dapat dilakukan tindakan yang tepat untuk mendapatkan hasil yang efisien. Berdasarkan metode peramalan yang digunakan, peramalan dibedakan menjadi metode kualitatif dan kuantitatif. Metode kualitatif lebih didasarkan pada intuisi dan penilaian seseorang yang melakukan peramalan. Metode kuantitatif didasarkan pada pengolahan data historis yang tersedia secara memadai dan umumnya didasarkan pada analisis statistik (Makridakis et al. 1995). Peramalan kuantitatif dapat diterapkan bila tiga kondisi berikut terpenuhi: i) informasi mengenai keadaan waktu yang lalu tersedia, ii) informasi itu dapat dikuantitatifkan dalam bentuk data numerik (angka), dan iii) dapat diasumsikan bahwa beberapa aspek dari pola di waktu yang lalu akan berlanjut ke waktu yang akan datang (Makridakis et al. 1983). Kegiatan penerapan model yang telah dikembangkan pada waktu yang lalu dinamakan proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang akan datang dinamakan peramalan. Sehubungan dengan itu, sebelum model yang dikembangkan digunakan untuk peramalan sebaiknya model tersebut diuji terlebih dahulu dengan kegiatan proyeksi untuk mengetahui model itu cukup tepat untuk digunakan atau tidak (Aritonang 2009). Data merupakan unsur utama pada kegiatan peramalan. Berdasarkan dimensi waktunya, data dapat dibedakan menjadi data time series dan data cross sectional. Data time series merupakan data yang dikumpulkan dari suatu waktu ke waktu berikutnya selama jangka waktu tertentu, misalnya data mengenai jumlah penjualan selama dua belas tahun dalam jangka waktu satu tahun. Data cross sectional

14 3 merupakan data yang dikumpulkan pada satu waktu tertentu, tanpa memiliki variasi dimensi waktu, misalnya data mengenai jumlah penjualan beberapa perusahaan pada tahun Dalam konteks peramalan dan proyeksi, data yang lebih relevan adalah data runtut waktu (Aritonang 2009). Menurut Makridakis et al. (1995), hal yang harus diperhatikan dalam analisis metode time series adalah menentukan jenis pola data historisnya. Pola data pada umumnya dapat dibedakan menjadi pola horizontal (pola ini terjadi bila nilai berfluktuatif di sekitar nilai rata-rata yang konstan), pola data musiman (pola ini menunjukkan perubahan yang berulang secara periodik dalam deret waktu), pola data siklis (pola ini menunjukkan gerakan naik turun dalam jangka panjang dari suatu kurva trend), dan pola data trend (pola ini menunjukkan kenaikan atau penurunan jangka panjang dalam data). Fuzzy Time Series Menurut Chen et al. (1996), perbedaan utama antara fuzzy time series dan konvensional time series yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan fuzzy dari bilangan-bilangan real atas himpunan semesta yang ditentukan. Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan yang samar. Jika U adalah himpunan semesta, U = {u 1, u 2,..., u n }, maka suatu himpunan fuzzy A dari U didefinisikan sebagai A = f 1 (u 1 )/u 1 + f 2 (u 2 )/u f A (u n )/u n di mana f A adalah fungsi keanggotaan dari A, f A : U [0,1]. Misalkan X(t) (t=...,0,1,2,...), adalah himpunan bagian dari R, yang menjadi himpunan semesta di mana himpunan fuzzy f i (t) (i=1,2,...) telah didefinisikan sebelumnya dan jadikan F(t) menjadi kumpulan dari f i (t) (i=1,2,...). maka, F(t) dinyatakan sebagai fuzzy time series terhadap X(t) (t=...,1,2,...). Dari definisi ini, dapat dilihat bahwa F(t) bisa dianggap sebagai variabel linguistik dan f i (t) (i=1,2,...) bisa dianggap sebagai kemungkinan nilai linguistik dari F(t), di mana f i (t) (i=1,2,...) direpresentasikan oleh suatu himpunan fuzzy. Dapat dilihat juga bahwa F(t) adalah suatu fungsi waktu dari t misalnya, nilai-nilai dari F(t) dapat berbeda pada waktu yang berbeda bergantung pada kenyataan bahwa himpunan semesta dapat berbeda pada waktu yang berbeda dan jika F(t) hanya disebabkan oleh F(t-1) maka hubungan ini digambarkan sebagai F(t-1) F(t). Metode fuzzy time series memakai second-order fuzzy logical relationship dalam prosesnya sehingga tidak bisa meramalkan data dua tahun pertama (Hsu et al. 2010). Hal ini dikarenakan proses pembuatan second-order fuzzy logical relationship yang nantinya akan dibentuk menjadi forecast rules memerlukan data aktual dari dua tahun sebelumnya untuk dijadikan suatu himpunan fuzzy. Pemulusan Eksponensial Ganda dari Holt Pada metode ini revisi dilakukan berdasarkan pengalaman yang lebih kini, yaitu melalui pemulusan nilai dari serentetan data yang lalu dengan cara menguranginya secara eksponensial. Hal itu dilakukan dengan memberikan bobot yang lebih besar pada data yang lebih kini, yaitu untuk data yang kini (1 - ) dan untuk data yang lebih kini (1 - ) 2 dan seterusnya. Ramalan dari pemulusan eksponensial ganda dari Holt didapat dengan menggunakan dua parameter pemulusan dan (dengan nilai antara 0 dan 1) yang perlu dioptimalkan sehingga didapatkan kombinasi terbaik di antara dua parameter

15 4 tersebut. Kombinasi terbaik di antara dua parameter diukur dengan melihat nilai Mean Square Error (MSE) yang dihasilkan. Semakin kecil nilai MSE yang dihasilkan semakin baik kombinasi nilai dua parameter tersebut. Proses inisialisasi untuk pemulusan eksponensial ganda dari Holt memerlukan dua nilai taksiran, yang satu mengambil nilai pemulusan pertama untuk S 0 dan yang lain mengambil trend b 0. Untuk syarat nilai awal S 0 dan b 0 dapat diperoleh dengan menyesuaikan sebuah model regresi linear, kemudian titik potong dan kemiringan yang didapat digunakan sebagai nilai awal pada S 0 dan b 0 (Montgomery et al. 2008) Ukuran Kesalahan Terdapat berbagai macam ukuran kesalahan yang dapat diklasifikasikan menjadi ukuran standar dalam statistik dan ukuran relatif. Menurut Makridakis et al. (1995), ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai rata-rata kesalahan (Mean Error), nilai rata-rata kesalahan absolut (Mean Absolute Error), dan nilai rata-rata kesalahan kuadrat (Mean Square Error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (Mean Percentage Error) dan nilai rata-rata kesalahan persentase absolut (Mean Absolute Percentage Error). Persamaan-persamaan yang dapat digunakan untuk menghitung masing-masing ukuran kesalahan di atas dapat dilihat sebagai berikut: 1. Mean Error (ME) 2. Mean Absolute Error (MAE) 3. Mean Square Error (MSE) 4. Mean Absolute Percentage Error (MAPE) dengan: PE i = X i : data aktual pada periode ke-t F i : nilai ramalan pada periode ke-t n : banyaknya periode waktu METODE Metode Fuzzy Time Series Metode fuzzy time series menggunakan himpunan fuzzy dalam proses peramalannya. Himpunan fuzzy adalah suatu kelas bilangan dengan batasan samar yang terbentuk dari proses fuzzifikasi. Adapun langkah-langkah peramalannya sebagai berikut (Hsu et al. 2010): 1. Himpunan semesta Himpunan semesta U = [D min, D max ] ditentukan sesuai data historis yang ada, dan membaginya menjadi sejumlah ganjil sub-interval dengan lebar interval yang sama besar.

16 5 2. Proses fuzzifikasi A 1, A 2,..., A k merupakan suatu himpunan-himpunan fuzzy yang variabel linguistiknya ditentukan sesuai dengan keadaan semesta, di mana k adalah jumlah interval yang didapatkan dari langkah pertama kemudian definisikan himpunan-himpunan fuzzy tersebut menurut model berikut ini (Song and Chissom): x/u k = x merupakan derajat keanggotaan interval u k dalam himpunan fuzzy A k. Pada k = 1, didapatkan himpunan fuzzy A 1 (himpunan fuzzy jumlah mahasiswa yang paling sedikit). Pada saat k = n, didapatkan A n (himpunan fuzzy jumlah mahasiswa yang paling banyak). Semakin besar nilai k, himpunan fuzzy jumlah mahasiswa akan bergerak dari yang paling sedikit menjadi himpunan fuzzy jumlah mahasiswa yang paling banyak. 3. Second-order fuzzy logical relationship A i, A j A k Jika hasil fuzzifikasi jumlah mahasiswa pada tahun i-2 adalah A i, jumlah mahasiswa pada tahun i-1 adalah A j maka jumlah mahasiswa pada tahun i adalah A k, di mana A i, A j sebagai sisi kiri relationship disebut sebagai current state dan A k sebagai sisi kanan relationship disebut sebagai next state. Fuzzy logical relationship group terbentuk dengan membagi fuzzy logical relationship yang telah diperoleh menjadi beberapa bagian berdasarkan sisi kiri dari fuzzy logical relationship (current state). 4. Proses defuzzifikasi Proses defuzzifikasi mengubah suatu besaran fuzzy menjadi besaran tegas. Keluaran dalam proses ini yaitu suatu nilai peramalan (forecasting value) yang ditentukan dengan menggunakan aturan-aturan berikut: (1) Jika dalam group didapatkan tepat satu next state, sebagaimana fuzzy logical relationship berikut: A i, A j A k di mana nilai maksimum derajat keanggotaan dari A k terdapat pada interval u k, dan midpost (nilai tengah) dari u k adalah m k, maka forecasting value untuk group yang dimaksud adalah m k. (2) Jika dalam group didapatkan lebih dari satu next state, sebagaimana fuzzy logical relationship berikut: A i, A j A k1, A k2,..., A kn di mana nilai maksimum derajat keanggotaan dari A k1, A k2,..., A kn terdapat pada interval u k1, u k2,..., u kn, dan midpost (nilai tengah) dari u k1, u k2,..., u kn adalah m k1, m k2,..., m kn, maka forecasting value untuk group tersebut adalah (m k1 + m k m kn )/n. (3) Jika dalam group tidak didapatkan next state, sebagaimana fuzzy logical relationship berikut: A i, A j # di mana # melambangkan unknown value dan nilai maksimum derajat keanggotaan dari A i dan A j terdapat pada interval u i dan u j dan midpost (nilai tengah) dari u i dan u j adalah m i dan m j, maka forecasting value untuk group tersebut adalah m j + ((m j m i )/2). 5. Forecast rules

17 6 Tahap ini terdiri atas dua bagian, yaitu matching part(current state dari fuzzy logical relationship group) dan forecasted value. Penentuan forecast value ditentukan dengan mencocokkan current state fuzzy logical relationship tahun ke-i dengan matching part. Apabila current state dengan rules yang telah terbentuk match, maka forecast value tahun ke- i sama dengan forecast value dari matching part yang bersangkutan. Metode Pemulusan Eksponensial Ganda dari Holt Peramalan dari pemulusan eksponensial ganda dari Holt didapat dengan menggunakan dua parameter pemulusan dan, pencarian kombinasi nilai parameter terbaik didapat dengan menggunakan bantuan software microsoft excel Untuk syarat nilai awal S 0 dan b 0 dapat diperoleh dengan menyesuaikan sebuah model regresi linear, kemudian titik potong dan kemiringan yang didapat digunakan sebagai nilai awal pada S 0 dan b 0 (Montgomery et al. 2008). Perhitungan hasil peramalan didapat dengan menggunakan tiga persamaan: Keterangan : S t : nilai pemulusan pada periode ke-t S t-1 : nilai pemulusan pada periode ke-(t-1) X t : data aktual time series periode ke-t b t : nilai trend periode ke-t b t-1 : nilai trend periode ke-(t-1) F t+m : hasil peramalan untuk m jumlah periode ke depan : perameter pemulusan dengan nilai antara 0 dan 1 Persamaan (1) menyesuaikan S t secara langsung untuk trend periode sebelumnya, yaitu b t+1 dengan menambah nilai pemulusan yang terakhir, yaitu S t+1. Hal ini membantu untuk menghilangkan kelambatan dan menempatkan S t ke nilai data saat ini. Kemudian persamaan (2) meremajakan trend, yang ditunjukkan sebagai perbedaan antara dua nilai pemulusan yang terakhir. Hal ini tepat karena jika terdapat kecenderungan di dalam data, nilai yang baru akan lebih tinggi atau lebih rendah daripada nilai yang sebelumnya. Karena mungkin masih terdapat sedikit keacakan, maka hal ini dihilangkan oleh pemulusan trend pada periode terakhir (S t S t+1 ) dengan (gamma), dan menambahkannya dengan taksiran trend sebelumnya dikalikan dengan (1- ). Akhirnya persamaan (3) digunakan untuk ramalan, trend b t dikalikan dengan jumlah periode ke muka yang diramalkan (m) dan ditambahkan pada nilai dasar (S t ). HASIL DAN PEMBAHASAN Penelitian ini menerapkan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt untuk meramalkan jumlah mahasiswa baru Institut

18 7 Pertanian Bogor. Data jumlah mahasiswa baru Institut Pertanian Bogor sejak tahun 1992 sampai tahun 2012 dapat dilihat pada Tabel 1. Tabel 1 Jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun 2012 Tahun Jumlah Mahasiswa Sumber: IPB (2012) Gambar 1 menunjukkan trend data jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun Gambar 1 Jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun 2012

19 8 Hasil Peramalan dengan Metode Fuzzy Time Series Peramalan jumlah mahasiswa baru Institut Pertanian Bogor dengan metode fuzzy time series dilakukan dengan menggunakan proyeksi untuk 17 data pertama, yaitu data jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun Data mahasiswa baru Institut Pertanian Bogor tahun 2008 sampai tahun 2012 digunakan untuk mengukur tingkat ketepatan hasil peramalan. Proses peramalan dilakukan menurut langkah-langkah berikut: 1. Berdasarkan Tabel 1 dapat ditentukan himpunan semesta U = [1600, 3900] dan membaginya menjadi 23 sub-interval dengan panjang interval yang sama besar. u 1 = [1600, 1700) u 13 = [2800, 2900) u 2 = [1700, 1800) u 14 = [2900, 3000) u 3 = [1800, 1900) u 15 = [3000, 3100) u 4 = [1900, 2000) u 16 = [3100, 3200) u 5 = [2000, 2100) u 17 = [3200, 3300) u 6 = [2100, 2200) u 18 = [3300, 3400) u 7 = [2200, 2300) u 19 = [3400, 3500) u 8 = [2300, 2400) u 20 = [3500, 3600) u 9 = [2400, 2500) u 21 = [3600, 3700) u 10 = [2500, 2600) u 22 = [3700, 3800) u 11 = [2600, 2700) u 23 = [3800, 3900) u 12 = [2700, 2800) 2. Proses fuzzifikasi Himpunan fuzzy A 1, A 2,..., A k dapat ditentukan berdasarkan sub-interval yang telah terbentuk pada langkah sebelumnya dengan menyesuaikan model dibawah ini (Song and Chissom) : Diperoleh: A 1 = 1/u /u 2 A 16 = 0.5/u /u /u 17 A 2 = 0.5/u 1 + 1/u /u 3 A 17 = 0.5/u /u /u 18 A 3 = 0.5/u 2 + 1/u /u 4 A 18 = 0.5/u /u /u 19 A 4 = 0.5/u 3 + 1/u /u 5 A 19 = 0.5/u /u /u 20 A 5 = 0.5/u 4 + 1/u /u 6 A 20 = 0.5/u /u /u 21 A 6 = 0.5/u 5 + 1/u /u 7 A 21 = 0.5/u /u /u 22 A 7 = 0.5/u 6 + 1/u /u 8 A 22 = 0.5/u /u /u 23 A 8 = 0.5/u 7 + 1/u /u 9 A 23 = 0.5/u /u 23 A 9 = 0.5/u 8 + 1/u /u 10 A 10 = 0.5/u 9 + 1/u /u 11 A 11 = 0.5/u /u /u 12 A 12 = 0.5/u /u /u 13 A 13 = 0.5/u /u /u 14 A 14 = 0.5/u /u /u 15 A 15 = 0.5/u /u /u 16

20 9 Data fuzzifikasi jumlah mahasiswa baru Institut Pertanian Bogor dapat dilihat pada Tabel 2. Tabel 2 Data fuzzifikasi jumlah mahasiswa baru Institut Pertanian Bogor Tahun Jumlah Mahasiswa Fuzzifikasi A A A A A A A A A A A A A A A A Second-order fuzzy logical relationship Berdasarkan hasil fuzzifikasi pada langkah kedua, dapat ditentukan secondorder fuzzy logical relationship yang dapat dilihat pada Tabel 3 dan Tabel 4. Tabel 3 Second-order fuzzy logical relationship A 1, A 4 A 3 A 4, A 3 A 4 A 3, A 4 A 6 A 4, A 6 A 9 A 6, A 9 A 11 A 9, A 11 A 10 A 11, A 10 A 14 A 10, A 14 A 13 A 14, A 13 A 12 A 13, A 12 A 12 A 12, A 12 A 13 A 12, A 13 A 13 A 13, A 13 A 13 A 13, A 13 A 15 A 13, A 15 # Tabel 4 Second-order fuzzy logical relationship group Group label Fuzzy Logical Relationship Group 1 A 1, A 4 A 3 2 A 3, A 4 A 6 3 A 4, A 3 A 4 4 A 4, A 6 A 9 5 A 6, A 9 A 11 6 A 9, A 11 A 10 7 A 10, A 14 A 13 8 A 11, A 10 A 14 9 A 12, A 12 A A 12, A 13 A A 13, A 12 A A 13, A 13 A 13, A A 14, A 13 A A 13, A 15 #

21 10 4. Proses defuzzifikasi Untuk group 1, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 1, A 4 A 3 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 3 jatuh pada interval u 3 = [1800, 1900), serta nilai tengah dari interval u 3 adalah 1850 maka forecasting value untuk group 1 adalah Untuk group 12, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 13, A 13 A 13, A 15 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 13 jatuh pada interval u 13 = [2800, 2900), dan himpunan fuzzy A 15 jatuh pada interval u 15 = [3000, 3100) serta nilai tengah dari interval u 13 adalah 2850 dan u 15 adalah 3050 maka forecasting value untuk group 12 adalah ( )/2 yaitu Untuk group 14, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 13, A 15 # di mana nilai maksimum derajat keanggotaan dari A 13 dan A 15 jatuh pada interval u 13 = [2800, 2900) dan u 15 = [3000, 3100) dan midpost (nilai tengah) dari u 13 dan u 15 adalah 2850 dan 3050, maka forecasting value untuk group yang dimaksud adalah (( )/2) yaitu Untuk group yang lain perhitungan terlampir pada Lampiran Forecast rules Berdasarkan hasil defuzzifikasi pada langkah keempat, dapat ditentukan beberapa rules yang dapat dilihat pada Tabel 5. Tabel 5 Second-order fuzzy forecast rules Rule Matching Part Forecasting Value 1 Jika fuzzifikasi tahun i-2 adalah A 1 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 3 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 4 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 4 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 6 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 9 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 10 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 11 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 12 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 12 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 13 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 13 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 14 dan tahun i-1 adalah A Jika fuzzifikasi tahun i-2 adalah A 13 dan tahun i-1 adalah A Untuk tahun 1994, terdapat second-order fuzzy logical relationship group dengan current state match dengan group 1 maka forecast value untuk tahun 1994 sebesar Untuk kecocokan current state pada fuzzy logical relationship dan nilai peramalan pada tahun 1995 sampai tahun 2007 dapat dilihat dalam Tabel 6.

22 11 Tabel 6 Aplikasi metode fuzzy time series pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Tahun Jumlah Mahasiswa Fuzzy Logical Matched Relationship rule No. Peramalan A 1, A 4 A A 4, A 3 A A 3, A 4 A A 4, A 6 A A 6, A 9 A A 9, A 11 A A 11, A 10 A A 10, A 14 A A 14, A 13 A A 13, A 12 A A 12, A 12 A A 12, A 13 A A 13, A 13 A A 13, A 13 A Hasil Peramalan dengan Metode Pemulusan Eksponensial Ganda dari Holt Metode pemulusan eksponensial ganda dari Holt dapat digunakan untuk meramalkan jumlah mahasiswa baru Institut Pertanian Bogor di masa mendatang. Holt memuluskan nilai trend secara terpisah dengan menggunakan dua parameter yaitu dan (dengan nilai antara 0 dan 1) yang perlu dioptimalkan sehingga didapatkan kombinasi terbaik di antara dua parameter tersebut. Dengan cara trial and error dengan bantuan software Microsoft Excel 2007, nilai parameter dan berturut-turut adalah 0.71 dan 0.01 yang menghasilkan MSE sebesar Proses inisialisasi untuk pemulusan eksponensial ganda dari Holt memerlukan dua nilai taksiran yaitu, mengambil nilai pemulusan pertama untuk S 0 dan mengambil trend b 0. Untuk syarat nilai awal S 0 dan b 0 dapat diperoleh dengan menyesuaikan model regresi linear. Didapatkan titik potong b 1 dan kemiringan b 2 sebagai nilai awal S 0 dan b 0 berturut-turut adalah dan (Lampiran 2). Tahap selanjutnya adalah perhitungan nilai pemulusan dan nilai trend di setiap periode. Untuk t = 0, = (1) = Untuk t = 1, = 0.71(1631) ( + ) = = 0.01( ) ( ) =

23 12 = (1) = Untuk t = 2, = 0.71(1939) ( ) = = 0.01( ) (85.449) = = (1) = Untuk t = 2, 3,..., 17 terlampir pada Lampiran 3, sehingga diperoleh model peramalan jumlah mahasiswa baru Institut Pertanian Bogor untuk periode di masa yang akan datang sebagai berikut: Hasil perhitungan nilai pemulusan dan nilai trend jumlah mahasiswa baru Institut Pertanian Bogor setiap tahunnya dapat dilihat pada Tabel 7. Tabel 7 Aplikasi pemulusan eksponensial ganda dari Holt pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Tahun Jumlah Mahasiswa S t b t

24 13 Perbandingan Hasil Peramalan Setelah mendapatkan hasil peramalan dari metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun 2007, dilakukan perbandingan ketepatan hasil peramalan pada data jumlah mahasiswa Institut Pertanian Bogor tahun 2008 sampai tahun Data jumlah mahasiswa baru Insitut Pertanian Bogor tahun 2008 sampai tahun 2015 akan dicocokkan dengan second-order fuzzy forecast rules yang telah didapat pada Tabel 5. Jika tidak terdapat rules yang match dengan second-order fuzzy logical relationship yang bersangkutan seperti pada tahun 2009 sampai dengan tahun 2015 maka hasil peramalan dihitung berdasarkan rules yang ada (Lampiran 1). Untuk tahun 2014, fuzzy logical relationship ditentukan dengan menjadikan hasil peramalan pada tahun 2013 menjadi himpunan fuzzy baru. Untuk tahun 2015, hasil peramalan pada tahun 2013 dan tahun 2014 dijadikan himpunan fuzzy yang akan dibentuk menjadi fuzzy logical relationship. Hasil peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun 2008 sampai tahun 2015 dengan metode fuzzy time series dapat dilihat dalam Tabel 8. Tabel 8 Aplikasi metode fuzzy time series pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Tahun Jumlah Fuzzy Logical Mahasiswa Relationship Matched Rule No. Peramalan A 13, A 15 # A 15, A 16 # A 16, A 17 # A 17, A 18 # A 18, A 19 # A 19, A 20 # A 20, A 21 # A 21, A 22 # Setelah didapatkan model peramalan dengan menggunakan data jumlah mahasiswa baru Institut Pertanian Bogor tahun 1992 sampai tahun 2007, model ini akan digunakan untuk meramalkan jumlah mahasiswa baru Institut Pertanian Bogor tahun 2008 sampai tahun Hasil peramalan dengan metode pemulusan eksponensial ganda dari Holt untuk tahun 2008 sampai tahun 2015 dapat dilihat dalam Tabel 9. Adapun model peramalan yang telah didapat sebagai berikut: Tabel 9 Aplikasi metode pemulusan eksponensial ganda dari Holt pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor tahun Tahun Jumlah Mahasiswa Peramalan

25 14 Pada penulisan karya ilmiah ini penulis menggunakan MAPE (Mean Absolute Percentage Error) untuk menganalisis ketepatan metode yang digunakan. Metode peramalan yang tepat adalah metode yang menghasilkan MAPE yang minimum. Dari Tabel 10 dapat dilihat bahwa dalam peramalan jumlah mahasiswa baru Institut Pertanian Bogor dengan metode fuzzy time series didapatkan nilai MAPE sebesar % dan dengan metode pemulusan eksponensial ganda dari Holt didapatkan nilai MAPE sebesar 7.75 %. Dari hasil tersebut dapat disimpulkan bahwa metode fuzzy time series memiliki nilai MAPE lebih kecil dibandingkan dengan metode pemulusan eksponensial ganda dari Holt. Oleh karena itu, dalam meramalkan jumlah mahasiswa baru Institut Pertanian Bogor lebih tepat menggunakan metode fuzzy time series karena nilai kesalahan peramalan yang dihasilkan lebih kecil. Berdasarkan perhitungan yang telah dilakukan, dapat dilihat tingkat ketepatan dari kedua metode peramalan tersebut tercantum pada Tabel 10. Tabel 10 Perbandingan ketepatan metode peramalan. Tahun Jumlah Fuzzy Time series Metode Holt Mahasiswa Forecast % Error Forecast % Error % % % % % % % % % % MAPE % 7.75 % Analisis pada Data Jumlah Penduduk Indonesia Data jumlah penduduk Indonesia sejak tahun 1980 sampai tahun 2011 (Lampiran 4) akan digunakan untuk melihat jenis data seperti apa yang dapat menghasilkan tingkat ketepatan peramalan yang lebih baik untuk kedua metode. Data jumlah penduduk Indonesia tahun 1980 sampai tahun 2006 digunakan untuk proyeksi dan data jumlah penduduk Indonesia tahun 2007 sampai tahun 2011 digunakan untuk mengukur tingkat ketepatan hasil peramalan. Proses peramalan dilakukan dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt. Perbedaan karakteristik data jumlah penduduk Indonesia dengan data jumlah mahasiswa baru Institut Pertanian Bogor dapat dilihat dalam Tabel 11. Tabel 11 Perbedaan karakteristik data jumlah penduduk Indonesia dengan data jumlah mahasiswa baru Institut Pertanian Bogor. Data Jumlah Data Trend Selisih Data Pertahun Jumlah Mahasiswa Baru Institut Pertanian Bogor 21 Naik Positif dan Negatif Jumlah Penduduk Indonesia 32 Naik Positif Hasil peramalan data jumlah penduduk Indonesia dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt dapat dilihat pada Tabel 12.

26 15 Tabel 12 Hasil peramalan data jumlah penduduk Indonesia dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt. Tahun Jumlah Fuzzy Time series Metode Holt Penduduk Forecast % Error Forecast % Error % % % % % % % % % % MAPE 5,206 % % Peramalan data jumlah penduduk Indonesia dengan menggunakan metode pemulusan eksponensial ganda dari Holt menghasilkan nilai MAPE yang lebih kecil yaitu sebesar %. Berdasarkan hasil peramalan jumlah mahasiswa baru Institut Pertanian Bogor (Tabel 10) dan jumlah penduduk Indonesia (Tabel 12), dan perbedaan karakteristik data jumlah penduduk Indonesia dengan data jumlah mahasiswa baru Institut Pertanian Bogor (Tabel 11). Dapat disimpulkan, metode pemulusan eksponensial ganda dari Holt akan lebih akurat hasil peramalannya jika data yang digunakan lebih banyak dan selisih data pertahunnya selalu positif atau selalu mengalami kenaikan setiap tahunnya dengan kata lain mengalami trend. Metode fuzzy time series tidak bergantung kepada jumlah data dan pola data historis, karena metode ini dalam proses peramalannya hanya membutuhkan data dua tahun sebelumnya. SIMPULAN DAN SARAN Simpulan Berdasarkan hasil perbandingan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt dalam peramalan jumlah mahasiswa baru Institut Pertanian Bogor, metode fuzzy time series meramalkan jumlah mahasiswa baru Institut Pertanian Bogor untuk tahun 2013 sampai tahun 2015 berturut-turut sebanyak 3600, 3700, 3800 orang dengan nilai Mean Absolute Percentage Error sebesar %, sedangkan metode pemulusan eksponensial ganda dari Holt meramalkan jumlah mahasiswa baru Institut Pertanian Bogor untuk tahun 2013 sampai tahun 2015 berturut-turut sebanyak 3519, 3604, 3690 orang dengan nilai Mean Absolute Percentage Error sebesar 7.75 %. sehingga dapat disimpulkan bahwa metode fuzzy time series lebih tepat untuk meramalkan jumlah mahasiswa baru Institut Pertanian Bogor tahun 2013 sampai tahun 2015, karena tingkat kesalahan (Mean Absolute Percentage Error) yang dihasilkan lebih kecil dibandingkan dengan metode pemulusan eksponensial ganda dari Holt. Berdasarkan hasil studi kasus pada peramalan jumlah mahasiswa baru Institut Pertanian Bogor dan peramalan jumlah penduduk Indonesia dapat disimpulkan bahwa metode pemulusan eksponensial ganda dari Holt akan lebih akurat hasil peramalannya jika data yang digunakan lebih banyak dan pola data historisnya mengandung trend sedangkan metode fuzzy time series tidak bergantung kepada jumlah data dan pola data historis.

27 16 Saran Untuk penelitian berikutnya mengenai metode peramalan time series disarankan menggunakan penerapan metode peramalan time series pada data historis yang berbeda dari apa yang telah dipaparkan dalam tulisan ini serta analisis perbandingan dengan metode peramalan konvensional yang lain. Penggunaan data historis untuk peramalan sebaiknya lebih banyak sehingga tingkat ketepatan suatu metode akan lebih efisien. DAFTAR PUSTAKA Aritonang LR Peramalan Bisnis. Edisi Kedua. Bogor: Ghalia Indonesia. Chen SM Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems. 81: Taiwan: National Taiwan University of Science and Technology. Hsu LY, Horng SJ, Kao TW, Chen YH, Run RS, Chen RJ, Lai JL, Kuo IH Temperature prediction and TAIFEX forecasting based on fuzzy relationships and MTPSO techniques. Expert Systems with Applications 37: [IPB] Institut Pertanian Bogor TPB Dalam Angka. Bogor: IPB. Kuo IH, Horng SJ, Chen YH, Run RS, Kao TW, Chen RJ, Lai JL, Lin TL Forecasting TAIFEX based on fuzzy time series and particle swarm optimization. Expert Systems with Applications 37: Makridakis S, Wheelwright SC, McGee VE Metode dan Aplikasi Peramalan. Adriyanto US dan Basith A, penerjemah. Jakarta (ID): Erlangga. Terjemahan dari: Forecasting 2 nd Edition. Montgomery DC, et al Introduction to Time Series Analysis and Forecasting. Canada: John Wiley and Sons, Inc. Peter JB, Richard AD Introduction to Time Series and Forecasting, Second Edition, New York: Springer. Hlm Song Q, Chissom BS Forecasting enrollments with fuzzy time series-part I. Fuzzy Sets and Systems 54:1 9..

28 17 Lampiran 1 Perhitungan forecasting value di setiap group Untuk group 2, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 3, A 4 A 6 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 6 jatuh pada interval u 6 = [2100, 2200) serta nilai tengah dari interval u 4 adalah 2150 maka forecasting value untuk group 2 adalah Untuk group 3, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 4, A 3 A 4 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 4 jatuh pada interval u 4 = [1900, 2000) serta nilai tengah dari interval u 4 adalah 1950 maka forecasting value untuk group 3 adalah Untuk group 4, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 4, A 6 A 9 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 9 jatuh pada interval u 9 = [2400, 2500), serta nilai tengah dari interval u 9 adalah 2450 maka forecasting value untuk group 4 adalah Untuk group 5, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 6, A 9 A 11 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 11 jatuh pada interval u 11 = [2600, 2700) serta nilai tengah dari interval u 11 adalah 2650 maka forecasting value untuk group 5 adalah Untuk group 6, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 9, A 11 A 10 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 10 jatuh pada interval u 10 = [2500, 2600) serta nilai tengah dari interval u 10 adalah 2550 maka forecasting value untuk group 6 adalah Untuk group 7, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 10, A 14 A 13 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 13 jatuh pada interval u 13 = [2800, 2900) serta nilai tengah dari interval u 13 adalah 2850 maka forecasting value untuk group 7 adalah Untuk group 8, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 11, A 10 A 14 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 14 jatuh pada interval u 14 = [2900, 3000) serta nilai tengah dari interval u 14 adalah 2950 maka forecasting value untuk group 8 adalah 2950.

29 18 Untuk group 9, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 12, A 12 A 12 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 12 jatuh pada interval u 12 = [2700, 2800) serta nilai tengah dari interval u 12 adalah 2750 maka forecasting value untuk group 9 adalah Untuk group 10, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 12, A 13 A 13 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 13 jatuh pada interval u 13 = [2800, 2900) serta nilai tengah dari interval u 13 adalah 2850 maka forecasting value untuk group 10 adalah Untuk group 11, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 13, A 12 A 12 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 12 jatuh pada interval u 12 = [2700, 2800) serta nilai tengah dari interval u 12 adalah 2750 maka forecasting value untuk group 11 adalah Untuk group 13, dari Tabel 4 dapat dilihat bahwa terdapat fuzzy logical relationship group sebagai berikut : A 14, A 13 A 12 di mana nilai keanggotaan maksimum untuk himpunan fuzzy A 12 jatuh pada interval u 12 = [2700, 2800) serta nilai tengah dari interval u 12 adalah 2750 maka forecasting value untuk group 11 adalah Untuk tahun 2009, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2009 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 15, A 16 # Di mana nilai maksimum derajat keanggotaan dari A 15 dan A 16 jatuh pada interval u 15 = [3000, 3100) dan u 16 = [3100, 3200) dan midpost (nilai tengah) dari u 15 dan u 16 adalah 3050 dan 3150, maka forecasting value untuk tahun 2009 adalah (( )/2) yaitu Untuk tahun 2010, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2010 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 16, A 17 # Di mana nilai maksimum derajat keanggotaan dari A 16 dan A 17 jatuh pada interval u 16 = [3100, 3200) dan u 17 = [3200, 3300) dan midpost (nilai tengah) dari u 16 dan u 17 adalah 3150 dan 3250, maka forecasting value untuk tahun 2010 adalah (( )/2) yaitu 3300.

30 19 Untuk tahun 2011, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2011 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 17, A 18 # Di mana nilai maksimum derajat keanggotaan dari A 17 dan A 18 jatuh pada interval u 17 = [3200, 3300) dan u 18 = [3300, 3400) dan midpost (nilai tengah) dari u 17 dan u 18 adalah 3250 dan 3350, maka forecasting value untuk tahun 2011 adalah (( )/2) yaitu Untuk tahun 2012, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2012 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 18, A 19 # Di mana nilai maksimum derajat keanggotaan dari A 18 dan A 19 jatuh pada interval u 18 = [3300, 3400) dan u 19 = [3400, 3500) dan midpost (nilai tengah) dari u 18 dan u 19 adalah 3350 dan 3450, maka forecasting value untuk tahun 2012 adalah (( )/2) yaitu Untuk tahun 2013, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2013 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 19, A 20 # Di mana nilai maksimum derajat keanggotaan dari A 19 dan A 20 jatuh pada interval u 19 = [3400, 3500) dan u 20 = [3500, 3600) dan midpost (nilai tengah) dari u 19 dan u 20 adalah 3450 dan 3550, maka forecasting value untuk tahun 2013 adalah (( )/2) yaitu Untuk tahun 2014, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2014 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 20, A 21 # Di mana nilai maksimum derajat keanggotaan dari A 20 dan A 21 jatuh pada interval u 20 = [3500, 3600) dan u 21 = [3600, 3700) dan midpost (nilai tengah) dari u 20 dan u 21 adalah 3550 dan 3650, maka forecasting value untuk tahun 2014 adalah (( )/2) yaitu Untuk tahun 2015, fuzzy logical relationship tidak match dengan rules yang sudah terbentuk, oleh karena itu untuk hasil peramalan tahun 2015 dapat dilakukan perhitungan sesuai proses dan aturan yang ada. Proses perhitungan sebagai berikut: A 21, A 22 # Di mana nilai maksimum derajat keanggotaan dari A 21 dan A 22 jatuh pada interval u 21 = [3600, 3700) dan u 22 = [3700, 3800) dan midpost (nilai tengah) dari u 21 dan u 22 adalah 3650 dan 3750, maka forecasting value untuk tahun 2015 adalah (( )/2) yaitu 3800.