Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series
|
|
- Doddy Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series BAGUS HANDOKO Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya Abstrak - Tenaga listrik adalah salah satu kebutuhan dasar masyarakat pada era modern ini. Besarnya konsumsi listrik pada suatu waktu tidak dapat dihitung secara pasti. Jumlah konsumsi listrik yang tidak tentu dan tanpa diperkirakan terlebih dahulu dapat berpengaruh pada kesiapan dari unit pembangkit untuk menyediakan pasokan listrik kepada konsumen. Ketidakseimbangan daya listrik antara sisi supply dan sisi demand dapat mengakibatkan kerugian seperti pemborosan pada sisi pembangkit dan pemadaman pada sisi konsumen. Oleh karena itu, peramalan mempunyai peran yang penting dalam pengoperasian dasar suatu sistem tenaga listrik. Untuk dapat meramal dengan tepat, maka diperlukan suatu metode yang andal. Metode yang digunakan pada peramalan beban jangka pendek pada tugas akhir ini adalah fuzzy time series. Kelebihan dari metode fuzzy time series dibandingkan dengan metode peramalan konvensional adalah apabila data yang digunakan berbentuk linguistik. Harapan penggunaan model fuzzy time series ini adalah untuk meningkatkan hasil ketepatan peramalan dalam menanggapi ketidakpastian (uncertainty) dan ketidakjelasan (vagueness). Model ini kemudian digunakan untuk meramalkan beban jangka pendek pada sistem kelistrikan Jawa Timur dan Bali dengan data selama bulan Juni 2009 digunakan untuk meramalkan minggu pertama bulan Juli Hasil peramalan menggunakan metode Song-Chissom menghasilkan error rata-rata yaitu 2.5%, lebih kecil dibandingkan dengan metode Singh yang menghasilkan error rata-rata 2.6% Keywords : Peramalan Beban Jangka Pendek, Fuzzy Relational, Fuzzy Time Series 1. PENDAHULUAN Tenaga listrik merupakan kebutuhan pokok bagi masyarakat. Tenaga listrik digunakan oleh beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Besar konsumsi listrik pada suatu rentang waktu tidak dapat dihitung secara pasti. Oleh karena itu, yang dapat dilakukan adalah meramalkan besar konsumsi listrik. Jika besar konsumsi listrik tidak diperkirakan maka dapat mempengaruhi kesiapan dari unit pembangkit untuk menyediakan pasokan listrik kepada konsumen. Ketidakseimbangan daya listrik antara sisi supply dan sisi demand dapat mengakibatkan kerugian. Pada sisi pembangkit dapat terjadi pemborosan apabila daya yang dibangkitkan lebih besar daripada penggunaan listrik di sisi konsumen. Pada sisi konsumen dapat terjadi pemadaman apabila daya yang dibangkitkan lebih kecil dari kebutuhan listrik konsumen [1]. Peramalan beban jangka pendek bertujuan untuk memperkirakan beban listrik pada jangka waktu menit, jam, hari atau minggu. Peramalan beban jangka pendek mempunyai peran yang penting dalam real-time control dan fungsi-fungsi keamanan dari suatu sistem manajemen energi [2]. Sebuah peramalan beban listrik jangka pendek yang tepat dapat menghasilkan penghematan biaya operasional dan kondisi aman yang memungkinkan utilitas untuk mengolah sumber daya produksi untuk mengoptimalkan harga energi dan pertukaran dengan produsen dan konsumen. Peramalan beban jangka pendek untuk jangka waktu 1-24 jam ke depan berperan penting untuk operasi sehari-hari dari sebuah utilitas daya. Peramalan beban ini digunakan untuk pengoperasian sistem tenaga listrik, antara lain unit commitment, energy transfer scheduling dan load dispatch [3,4]. Fuzzy time series adalah sebuah konsep yang diusulkan oleh Song dan Chissom untuk menyelesaikan masalah peramalan apabila data historis adalah nilai-nilai linguistik. Dalam penelitian sebelumnya, berdasarkan teori himpunan fuzzy, logika fuzzy dan penalaran perkiraan, Song dan Chissom mengajukan fuzzy time series dan garis besar pemodelan dengan cara persamaan fuzzy relational dan penalaran perkiraan. Fuzzy time series juga dikembangkan oleh Singh berdasarkan konsep Song dan Chissom dengan metode komputasional untuk menggantikan proses penghitungan persamaan fuzzy relational dan penalaran perkiraan. Metode fuzzy time series ini diusulkan untuk dapat digunakan dalam menyelesaikan permasalahan peramalan beban jangka pendek pada pengoperasian sistem tenaga listrik. 2. DASAR TEORI 2.1 Fuzzy Time Series Fuzzy time series adalah sebuah konsep baru yang diusulkan oleh Song dan Chissom berdasarkan teori fuzzy set dan konsep variabel linguistik dan aplikasinya oleh Zadeh. Fuzzy time series digunakan untuk menyelesaikan masalah peramalan yang mana data historis adalah nilai-nilai linguistik. Misalnya, dalam
2 masalah peramalan, data historis tidak dalam bentuk angka real, namun berupa data linguistik. Dalam hal ini, tidak ada model time series konvensional yang dapat diterapkan, akan tetapi model fuzzy time series dapat diterapkan dengan lebih tepat. Pada penelitian sebelumnya, berdasarkan teori himpunan fuzzy, logika fuzzy dan penalaran perkiraan, Song dan Chissom mengajukan definisi fuzzy time series dan garis besar pemodelan dengan cara persamaan relasional fuzzy dan penalaran perkiraan. Kemudian oleh Chen (pada tahun 1996) diperkenalkan sebuah metode peramalan fuzzy time series menggunakan operasi arithmetic. Huarng (pada tahun 2001), menyajikan model heuristic untuk peramalan time series menggunakan heuristic increasing and decreasing relations untuk memperbaiki peramalan enrollments dan exchange di Taiwan. Kemudian oleh Singh tahun 2007, diajukan algoritma komputasi sederhana, sehingga dapat mengurangi waktu untuk menghasilkan persamaan relational dengan menggunakan operasi komposisi max-min yang kompleks dan mengurangi waktu untuk proses defuzzifikasi pada metode Song dan Chissom. Metode Singh dapat menyelesaikan masalah dalam mencari prosedur defuzzifikasi yang cocok untuk menghasilkan nilai output crisp dengan akurasi yang lebih baik. 2.2 Definisi Fuzzy Time Series [5,6] Beberapa definisi tentang fuzzy time series dari metode yang diajukan oleh Singh adalah sebagai berikut : Definisi 1. Sebuah fuzzy set adalah sebuah kelas atau golongan dari obyek dengan sebuah rangkaian kesatuan (continuum) dari derajat keanggotaan (grade of membership). Misalkan U adalah himpunan semesta dengan U = {u 1,u 2,u 3,.u n } dengan u i adalah nilai yang mungkin dari U, kemudian variable linguistic A i terhadap U dapat dirumuskan pada persamaan 2.1: A u1) u2) u3) un ) i... (2.1) u1 u2 u3 un μ Ai adalah membership function dari fuzzy set A i., sedemikian hingga μ Ai : U [0,1]. Jika u i adalah keanggotaan dari A i, maka μ Ai (u i ) adalah derajat keanggotaan u i terhadap A i. Definisi 2. Misalkan Y(t)(t =.0,1,2,3,.) adalah subset dari R yang merupakan himpunan semesta dari fuzzy set f i (t)(i = 1,2,3.) dirumuskan dan F(t) adalah kumpulan dari f i, maka F(t) dirumuskan sebagai fuzzy time series pada Y(t) Definisi 3. Andaikan F(t) adalah disebabkan hanya oleh F(t-1) F(t), maka ada hubungan fuzzy antara F(t) dan F(t-1) dan dapat dinyatakan dalam persamaan 2.2 : R( t, (2.2) Tanda adalah operator komposisi max-min. Relation R disebut sebagai model orde pertama dari F(t). Jika fuzzy relation R (t,t-1) dari F(t) adalah tidak tergantung waktu t, dapat dikatakan untuk perbedaan waktu t 1 dan t 2, R (t 1,t 1-1) = R (t 2,t 2-1), maka F(t) disebut time-invariant fuzzy time series Definisi 4. Jika F(t) disebabkan oleh lebih kecil dari beberapa fuzzy sets F(t-n),F(t-n+1),...F(t-1), maka fuzzy relationship-nya diwakili oleh persamaan 2.3 : A, A 2,... A t1 t tn A j (2.3) Dengan F(t-n)=A t1, F(t-n+1)=A t2,... F(t-1)=A tn, hubungan ini disebut nth-order fuzzy time series model Definisi 5. Misalkan F(t) disebabkan oleh sebuah F(t-1),F(t-2),..., dan F(t-m) (m > 0) secara simultan dan hubungannya adalah time variant. F(t) dikatakan time-variant fuzzy time series dan hubungan ini dapat dinyatakan sebagai fuzzy relation pada persamaan 2.4. w R ( t, (2.4) w>1 adalah parameter waktu mempengaruhi peramalan F(t). Berbagai metode-metode komputasi sulit telah tersedia untuk komputasi berhubungan terhadap R w (t,t-1). 3. Metode Penelitian Tahapan penelitian untuk melakukan penelitian tugas akhir ini diuraikan sebagai berikut : Tahap 1. Studi literatur dilakukan dengan cara mencari dan membaca sumber referensi yang memuat aplikasi fuzzy time series dalam bentuk buku, paper dan website di internet Tahap 2. Melakukan pengumpulan data beban listrik harian selama bulan Juni-Juli 2009, pada sistem kelistrikan wilayah Jawa Timur dan Bali (region IV) di PT. PLN (Persero) P3B Region Jawa Timur dan Bali. Kemudian melakukan pengelompokan data untuk masing-masing hari (Senin, Selasa, Rabu, Kamis, Jum at, Sabtu, Minggu)
3 Tahap 3. Pemodelan peramalan beban listrik jangka pendek pada sistem kelistrikan Jawa Timur-Bali menggunakan fuzzy time series. Model fuzzy time series yang digunakan pada penelitian ini adalah model fuzzy time series Song-Chissom dan Singh. Untuk model fuzzy time series Song-Chissom, orde dan model basis (w) yang digunakan adalah orde-1 dan model basis (w) = 4, maka F(t) dihitung dengan persamaan 3.1 [7]: w R ( t, (3.1) Untuk model fuzzy time series Singh, orde yang digunakan adalah orde 3. Dengan F(t) disebabkan oleh F(t-1),F(t-2), dan F(t-3). F(t) dihitung dengan persamaan 3.2 [5] : R( t 1, t 2, t 3) (3.2) Pada metode fuzzy time series yang diajukan oleh Song-Chissom F(t) dihasilkan dari penentuan dan penghitungan matrix fuzzy relationship R. Berbeda denga metode fuzzy time series oleh Singh, proses penentuan dan penghitungan matrix fuzzy relationship R diganti dengan parameter difference. Prosedur (step) bertahap metode yang diusulkan untuk fuzzy time series forecasting didasarkan pada data deret waktu historis, yaitu : Step 1. Menentukan universe discourse (U) didasarkan pada kisaran yang tersedia data deret waktu historis, menurut aturan : U = D min D 1, D max D 2 (3.3) dengan D min adalah nilai minimum beban listrik D max adalah nilai maksimum beban listrik D 1 dan D 2 adalah dua bilangan positif yang tepat. Dari data beban harian diperoleh nilai maksimum adalah MW dan nilai minimum adalah MW. Kemudian dipilih suatu bilangan D 1 =290.8 dan D 2 =112.3 sehingga diperoleh interval universe discourse (U) = [2000,4000] Step 2. Pemisahan universe discourse ke interval dengan panjang yang sama: u 1, u 2,..., u m. Jumlah interval yang akan sesuai dengan jumlah variabel linguistik (fuzzy set) A 1, A 2,...A m harus diperhatikan. Pada tugas akhir ini U dipartisi menjadi 10 bagian, range ui adalah sebagai berikut : u 1 = [2000,2200] u 2 = [2200,2400] u 6 = [2000,3200] u 7 = [2000,3400] u 3 = [2000,2600] u 4 = [2000,2800] u 5 = [2000,3000] u 8 = [2000,3600] u 9 = [2000,3800] u 10 = [3800,4000] Step 3. Membangun fuzzy set A i sesuai dengan interval di langkah 2 dan menerapkan aturan keanggotaan segitiga (triangular membership) untuk setiap interval di setiap fuzzy set yang dibangun. Step 4. Fuzzifikasi data historis dan menetapkan hubungan logika fuzzy oleh aturan: Jika A i adalah produksi fuzzy hari n-1 dan A j adalah produksi hari fuzzifikasi n, maka hubungan logis fuzzy dinyatakan sebagai A i A j. Pada metode fuzzy time series oleh Song-Chissom, step ke-5 berbeda untuk menghitung F(t), berbeda dengan metode fuzzy time series oleh Singh. Step 5. Untuk metode fuzzy time series oleh Song- Chissom. Digunakan persamaan 3.4 untuk menghitung R w (t,t-1) dan menggunakan R untuk menghitung F(t). Dan selanjutnya adalah proses defuzzifikasi untuk memperoleh nilai aktual dari peramalan. f w R ( t, f T ( t w) f ( t w 1) T ( t 2) f (... (3.4) Untuk metode fuzzy time series oleh Singh, dijelaskan sebagai berikut. Beberapa notasi yang digunakan yaitu : [*A j ] adalah interval yang sesuai u j keanggotaan dengan Aj adalah supremum (yaitu 1) L [*A j ] adalah batas bawah dari interval u j U [*A j ] adalah batas atas dari interval u j l[*a j ] adalah panjang interval u j yang keanggotaannya di A j adalah supremum (yaitu 1) M [*A j ] adalah nilai pertengahan uj interval memiliki nilai Supremum A j. Untuk hubungan logis fuzzy A i A j : A i adalah fuzzifikasi nilai beban hari n-1 A j adalah fuzzifikasi nilai beban hari n E i adalah nilai beban sebenarnya hari n-1 E i-1 adalah nilai beban sebenarnya hari n-2 E i-2 adalah nilai beban sebenarnya hari n-3 F j adalah nilai beban crips yang diramalkan pada hari n Model orde tiga memanfaatkan data historis hari n- 3, n-2, n-1 untuk membingkai aturan implementasi fuzzy logical relation A i A j, dengan A i adalah fuzzifikasi data beban hari n-1 dan A j adalah fuzzifikasi data beban hari n. Metode yang diusulkan untuk peramalan disebutkan sebagai rule
4 (aturan) untuk menghasilkan hubungan antara data time series hari n-3, n-2, n-1 untuk meramalkan enrollments pada hari n. Rules : meramalkan untuk hari n dan seterusnya. A i A j Compute Di = (E i - E i-1 ) - (E i-1 E i-2 ) X i = E i + D i /2 XX i = E i - D i /2 Y i = E i + D i YYi = E i - D i For I = 1 to 4 If X i L [*A i ] And X i U [*A i ] Then P1 = X i ; n = 1 Else P1 = 0; n = 0 Next I If XX i L [*A i ] And XX i U [*A i ] Then P2 = XX i ; m = 1 Else P2 = 0; m = 0 Next I If Y i L [*A i ] And Y i U [*A i ] Then P3 = Y i ; o = 1 Else P3 = 0; o = 0 Next I If YY i L [*A i ] And YY i U [*A i ] Then P4 = YY i ; p = 1 Else P4 = 0; p = 0 B = P1 + P2 + P3 + P4 If B = 0 Then F j = M [*A j ] Else F j = (B + M [*A i ])/(m + n + o + k + 1) Next k Tahap 4. Menghitung error peramalan dengan persamaan 3.5 dan persamaan 3.6: forecast actual Forecasting Error (%) = 100% (3.5) actual Average Forecasting Error (%) = sum of forecasting error (3.6) numberof error START PENGELOMPOKAN DATA BERDASARKAN HARI PEMODELAN PERAMALAN MENGGUNAKAN FUZZY TIME SERIES SIMULASI DAN ANALISIS APAKAH MODEL SUDAH SESUAI? ya IMPLEMENTASI FUZZY TIME SERIES UNTUK PERAMALAN STOP Gambar 3.1 Tahapan Iteratif Penelitian. START INPUT DATA BEBAN STEP 1. PENENTUAN UNIVERSE DISCOURSE (U) STEP 2. PARTISI UNIVERSE DISCOURSE (U) STEP 3. FUZZYFIKASI DATA BEBAN STEP 4. PENENTUAN PERSAMAAN FUZZY LOGICAL RELATIONSHIP (R) STEP 5. MENGGUNAKAN PERSAMAAN FUZZY LOGICAL RELATIONSHIP UNTUK FORECASTING tidak Tahap 5. Membandingkan hasil peramalan, dokumentasi serta kesimpulan. Hasil simulasi menggunakan fuzzy time series dibuat dalam suatu tabel dan gambar, kemudian dianalisis untuk menarik kesimpulan. STEP 6. DEFUZZYFIKASI DATA BEBAN STOP Gambar 3.2 Langkah-Langkah Simulasi Peramalan Menggunakan Fuzzy Time Series. 4. HASIL DAN ANALISA Dari keseluruhan simulasi peramalan beban jangka pendek menggunakan fuzzy time series pada hari kerja dan akhir minggu, secara umum dapat dikatakan
5 Beban dalam MW metode fuzzy relational yang diajukan oleh Song- Chissom menghasilkan data peramalan yang lebih baik daripada metode komputasional parameter difference oleh Singh. Rata-rata keseluruhan error untuk metode yang diajukan oleh Song-Chissom adalah 2.5%, sedangkan untuk metode yang diajukan oleh Singh menghasilkan error keseluruhan 2.6%. Bahkan, dapat dilihat pada tabel 4.1, hasil dari peramalan beban menggunakan metode dari Song-Chissom adalah error minimum yang mencapai 0% pada hari Jum at dan Minggu serta error maksimum 9.79% pada hari Minggu. Sedangkan untuk metode yang diajukan oleh Singh diperoleh error minimum 0.01% pada hari Jum at dan error maksimum 10.38% pada hari Selasa. Namun selain itu, dari hasil simulasi peramalan beban dengan menggunakan metode fuzzy time series yang diajukan oleh Singh, pada gambar 4.4 dan 4.5 dapat dilihat bahwa output metode Singh menghasilkan output crips yang lebih baik daripada metode Song-Chissom. Output crips dari metode Singh lebih mendekati nilai sebenarnya dari data real daripada output crips dari metode Song-Chissom. Tabel 4.1. Perbandingan Error pada hari Senin sampai dengan Minggu Perbandingan Error Peramalan Hasil Simulasi (dalam %) Hari Singh Song-Chissom maksimum Senin minimum rata-rata maksimum Selasa minimum rata-rata maksimum Rabu minimum rata-rata maksimum Kamis minimum rata-rata maksimum Jum'at minimum rata-rata maksimum Sabtu minimum rata-rata maksimum Minggu minimum rata-rata Gambar 4.1 Perbandingan Error Maksimum Peramalan Selama 1 Minggu. Gambar 4.2 Perbandingan Error Minimum Peramalan Selama 1 Minggu Gambar 4.3 Perbandingan Error Rata-Rata Peramalan Selama 1 Minggu Perbandingan antara data real dan data prediksi Data real Data prediksi (metode Singh) Waktu dalam 30 menit selama 24 jam Gambar 4.4 Contoh Hasil Peramalan Pada Hari Senin Dengan Metode Singh.
6 Beban dalam MW Perbandingan antara data real dan data prediksi Data real Data prediksi (metode Song-Chissom) Waktu dalam 30 menit selama 24 jam Gambar 4.5 Contoh Hasil Peramalan Pada Hari Senin Dengan Metode Song-Chissom. 5. KESIMPULAN DAN SARAN Dari hasil serangkaian simulasi peramalan beban jangka pendek menggunakan fuzzy time series dperoleh kesimpulan dan saran untuk pengembangan lebih lanjut. 5.1 Kesimpulan 1. Untuk peramalan beban jangka pendek, fuzzy time series menggunakan metode persamaan fuzzy relational yang diajukan oleh Song-Chissom menghasilkan peramalan yang lebih baik daripada metode parameter difference yang diajukan oleh Singh. Keseluruhan error rata-rata untuk metode yang diajukan oleh Song-Chissom adalah 2.5% sedangkan untuk metode yang diajukan oleh Singh adalah 2.6%. 2. Metode fuzzy time series menggunakan parameter difference lebih sederhana,mudah dipahami dan diterapkan dibandingkan dengan menggunakan persamaan fuzzy relational. 3. Metode fuzzy time series yang diajukan oleh Singh menghasilkan output crips yang lebih baik dari yang diajukan oleh Song-Chissom. 4. Metode yang diajukan oleh Singh tidak dapat diaplikasikan untuk data linguistik karena untuk menghitung parameter difference diperlukan data kuantitatif sebenarnya. 5.2 Saran Untuk penelitian lebih lanjut dapat dilakukan studi tentang model orde ataupun rasio interval yang sesuai untuk peramalan beban jangka pendek sehingga dapat menghasilkan peramalan yang lebih akurat. [2] Dipti Srinivasan. Evolving Artificial Neural Networks for Short Term Load Forecasting Neurocomputing, Volume 23, Issues 1-3, 7 December 1998, Pages [3] EI-Sharkawi M, Niebur D. Short-term Load Forecasting With Artificial Neural Networks: the international activities, IEEE power engineering society: tutorial course on artificial neural networks with applications to power systems, pp , [4] Kandil Nahi, René Wamkeue, Maarouf Saad, Semaan Georges. An Eefficient Approach for Short Term Load Forecasting Using Artificial Neural Networks. International Journal of Electrical Power & Energy Systems, Volume 28, Issue 8, October 2006, Pages [5] Singh S.R.. A Simple Method of Forecasting Based on Fuzzy Time Series. Applied Mathematics and Computation, in press. [6] Singh S.R.. A Robust Method of Forecasting Based on Fuzzy Time Series. Applied Mathematics and Computation, 188(1), [7] Q.Song, B.S.Chissom, Forecasting Enrollments With Fuzzy Time Series, Part II, Fuzzy Sets Syst. 64 (1994) 1 8. RIWAYAT PENULIS Bagus Handoko, lahir di Madiun 3 Nopember Merupakan anak ke-3 dari pasangan Bapak Sudarsono dan Ibu Sriatun. Menempuh jenjang pendidikan di SDN Babat VI mulai dan melanjutkan di SDN Klegen II Madiun mulai , SMPN 1 Madiun tahun dan SMAN 3 Madiun tahun Setelah lulus dari SMA, penulis melanjutkan sekolah ke jenjang strata 1 di Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Surabaya. Penulis mengambil bidang studi Teknik Sistem Tenaga, dan aktif dalam berbagai kegiatan di Laboratorium Power System Operation And Control. Selain itu, penulis juga aktif dalam organisasi kampus lainnya yaitu UKM Badminton dan Eureka TV. 6. DAFTAR REFERENSI [1] Dharma Agus. Indrawan P.E.W. Imam Robandi, (2008), Peramalan Beban Listrik Jangka Pendek Untuk Hari Libur Menggunakan Metode Artificial Neural Network dan Fuzzy Inference System Studi Kasus Di Pulau Bali. Symposium RAPI VII UMS, Surakarta, hal. E91-99, 12 Desember 2008.
Oleh : 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 terperinciBAB I PENDAHULUAN. berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi
BAB I PENDAHULUAN 1.1 Latar Belakang Operasi sistem tenaga listrik yang modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan
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
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
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 terperinciDielektrika, ISSN Vol. 3, No. 1 : 45-52, Pebruari 2016
Dielektrika, ISSN 2086-9487 45 Vol. 3, No. 1 : 45-52, Pebruari 2016 PERAMALAN BEBAN LISTRIK JANGKA PENDEK PADA SISTEM KELISTRIKAN LOMBOK DENGAN FUZZY TIME SERIES (FTS) Short-Term Load Forecasting on Lombok
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciAPLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB
52 APLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB (Hansi Effendi) *) ABSTRACT This research is conducted to apply Fuzzy Logic which is implemented in short term load
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciPeramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy
13 Peramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy Maryantho Masarrang, Erni Yudaningtyas, dan Agus Naba Abstract Long-term load forecasting is intended to estimate
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciAPLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR
APLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Stratum-1 (S1)
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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
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 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
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 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 terperinciPeramalan Inflasi dengan Metode Weighted Fuzzy Time Series
Peramalan Inflasi dengan Metode Weighted Fuzzy Time Series Oleh: Dwi Ayu Lusia (1307 100 013) Pembimbing: Dr. Suhartono, M.Sc 1 seminar hasil Tugas Akhir S1 Statistika 24 Juni 2011 Latar belakang masalah
Lebih terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
Lebih terperinciPrediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series
Prediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series Arfinda Setiyoutami a, Wiwik Anggraeni b, Renny Pradina Kusumawardani c Jurusan Sistem Informasi
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 terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciPERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Jurnal Reka Elkomika 2337-439X Oktober 2013 Jurnal Online Institut Teknologi Nasional TeknikElektro Itenas Vol.1 No.4 PERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
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 terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
Lebih terperinciMenentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 13 Menentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani Ghulam Abdul Malik, Agus Maman Abadi Prodi Matematika, Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciMetode Automatic Clustering - Fuzzy logic relationships untuk Peramalan Data Univariate
Metode Automatic Clustering - Fuzzy logic relationships untuk Peramalan Data Univariate Oleh. ROBERT KURNIAWAN Pembimbing: Drs. Slamet Mulyono, M.Sc., P.hD Co. Pembimbing: Dr. Irhamah, M.Si Latar Belakang
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 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 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 terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 3 NO. 1 MARET 2011
APLIKASI LOGIKA FUZZY PADA PERKIRAAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 Heru Dibyo Laksono 1 Hansi Effendi 2 ABSTRACT In the process of power system development
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
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 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 terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
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 terperinciMODEL ANALISIS PREDIKSI MENGGUNAKAN METODE FUZZY TIME SERIES
46 MODEL ANALISIS PREDIKSI MENGGUNAKAN METODE FUZZY TIME SERIES Kristiawan Nugroho AMIK JTC Semarang Abstrak Prediksi atau peramalan merupakan kegiatan yang memperkirakan kejadian di masa yang akan datang,
Lebih terperinciANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN REGRESI LINEAR PADA PERAMALAN KONSUMSI ENERGI LISTRIK DI RAYON SEMARANG BARAT TAHUN
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN REGRESI LINEAR PADA PERAMALAN KONSUMSI ENERGI LISTRIK DI RAYON SEMARANG BARAT TAHUN 2015-2019 Wisnu Prayogo *), Bambang Winardi, and Agung Nugroho Departemen
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 5 NO. 2 SEPTEMBER 2012
PERKIRAAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2021 DENGAN LOGIKA FUZZY CLUSTERING Heru Dibyo Laksono 1 Abraham Arief 2 ABSTRACT In the process of planning the
Lebih terperinciEstimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM)
Estimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM) Yadi Mulyadi 1) Ade Gafar Abdullah 2) Risman Nurjaman 3) Electric Power System Research Group Program Studi Teknik Tenaga Elektrik
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 terperinciPERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV
PERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV oleh ERIKHA AJENG CHISWARI NIM. M0111028 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
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 I PENDAHULUAN. Kemunculan minimarket yang begitu banyak membuat manajemen
BAB I PENDAHULUAN 1.1. Pendahuluan Kemunculan minimarket yang begitu banyak membuat manajemen perusahaan minimarket harus berfikir kreatif agar dapat bersaing dengan usaha sejenis dalam merebut pangsa
Lebih terperinciEstimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM)
SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT S EDUCATIONS 2009 Estimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM) Yadi Mulyadi 1) Ade Gafar Abdullah 2) Risman Nurjaman 3) Electric
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 917-96 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN
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 terperinciPREDIKSI KONSUMSI LISTRIK BANGUNAN MENGGUNAKAN METODE STASTIK
PREDIKSI KONSUMSI LISTRIK BANGUNAN MENGGUNAKAN METODE STASTIK T. Iqbal Faridiansyah Dosen Teknik Elektro Universitas Malikussaleh Abstrak Persoalan untuk memperoleh prediksi yang akurat dari konsumsi listrik
Lebih terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih terperinciPERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( )
TUGAS AKHIR PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati (1207 100 031) Dosen Pembimbing: Drs. I G Ngurah Rai Usadha, M.Si Dra. Nuri
Lebih terperinciDesain Sistem Kontrol Functional Electrical Stimulation menggunakan Fuzzy orde 2
Desain Sistem Kontrol Functional Electrical Stimulation menggunakan Fuzzy orde 2 Hendi Wicaksono Agung D 1,3, Achmad Arifin, Ph.D 2. (1) Program Pasca Sarjana Jurusan Teknik Elektro Bidang Studi Elektronika
Lebih terperinciAnalisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA)
Analisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA) Khairul Saleh, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika,
Lebih terperinciKontrol Kecepatan Motor DC Berbasis Logika Fuzzy (DC Motor Speed Control Based on Fuzzy Logic)
Terry Intan Nugroho., et al., Kontrol Kecepatan Motor DC Berbasis Logika 1 Kontrol Kecepatan Motor DC Berbasis Logika (DC Motor Speed Control Based on Logic) Terry Intan Nugroho, Bambang Sujanarko, Widyono
Lebih terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciPERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN
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
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 terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
Lebih terperinciPengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII)
Pengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII) Rizkaa Zulfikar, Prihatini Ade`Mayvita 1,2) Universitas Islam Kalimantan
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul
Lebih terperinciOPTIMASI ECONOMIC DISPATCH PEMBANGKIT SISTEM 150 KV JAWA TIMUR MENGGUNAKAN METODE MERIT ORDER
1/6 OPTIMASI ECONOMIC DISPATCH PEMBANGKIT SISTEM 150 KV JAWA TIMUR MENGGUNAKAN METODE MERIT ORDER SURIYAN ARIF WIBOWO 07100044 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS,
Lebih terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025 Jenggo Dwyana Prasaja *), Hermawan, and Susatyo Handoko Jurusan
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 terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciSISTEM PREDIKSI HARGA MOBIL AVANZA (BEKAS) MENGGUNAKAN FUZZY INFERENCE SYSTEM DENGAN METODE MAMDANI
SISTEM PREDIKSI HARGA MOBIL AVANZA (BEKAS) MENGGUNAKAN FUZZY INFERENCE SYSTEM DENGAN METODE MAMDANI Normalisa, 2013, Jurnal Teknik Informatika Universitas Pamulang ABSTRAKSI Menentukan harga beli untuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciPeramalan Beban Jangka Pendek untuk Hari-hari Libur Menggunakan Fuzzy Linear Regression (FLR) yang dioptimisasi dengan Artificial Immune System
Peramalan Beban Jangka Pendek untuk Hari-hari Libur Menggunakan Fuzzy Linear Regression (FLR) yang dioptimisasi dengan Artificial Immune System (AIS) ( Studi Kasus di Kalimantan Selatan - Tengah ) Oleh:
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciPeramalan Permintaan Daging Sapi Nasional Menggunakan Metode Multifactors High Order Fuzzy Time Series Model
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1764-1770 http://j-ptiik.ub.ac.id Peramalan Permintaan Daging Sapi Nasional Menggunakan Metode
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 terperinciKENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE
KENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE Fitria Suryatini Program Studi Teknik Elektro Fakultas Teknik Universitas Islam 45 (UNISMA) E-mail: fitriasuryatini88@gmail.com
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 terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perekonomian yang terjadi saat ini menjadikan persaingan bisnis semakin kompetitif, konsumen semakin kritis dalam memilih produk berkualitas tinggi sehingga
Lebih terperinciPROYEKSI KEBUTUHAN ENERGI LISTRIK APJ PEKALONGAN TAHUN DENGAN METODE LOGIKA FUZZY
PROYEKSI KEBUTUHAN ENERGI LISTRIK APJ PEKALONGAN TAHUN 2014-2018 DENGAN METODE LOGIKA FUZZY Muhammad Hasnan Albab *), Bambang Winardi, and Karnoto Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro
Lebih terperinciModel Average Based FTS Markov Chain untuk Peramalan Penggunaan Bandwidth Jaringan Komputer
31 Model Average Based FTS Markov Chain untuk Peramalan Penggunaan Bandwidth Jaringan Komputer Junaidi Noh, Wijono, dan Erni Yudaningtyas Abstract This paper discusses the problem of modeling the computer
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinci