Metode Automatic Clustering - Fuzzy logic relationships untuk Peramalan Data Univariate

Transkripsi

1 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

2 Latar Belakang Forecasting atau peramalan penting untuk hal: - peramalan cuaca, - pemasaran, - prediksi gempa bumi, dan lain sebagainya. Metode untuk peramalan sangat banyak : - Regresi - TimeSeries Time Series Banyak Macamnya 1. ARIMA 2. Moving Average 3. Exponensial Smoothing 4. Time Series Regression 5. Dengan Konsep Artificial intelligence

3 Latar Belakang Artificial Intelligence : - Fuzzy Time Series - Neural Network - Genetic Algorithm Pada dekade terakhir ini dikembangkan Fuzzy Time Series yang awalnya dikenalkan oleh Song (1993). Chen (1996), memperkenalkan metode fuzzy time series dengan menggunakan operasi aritmatika sederhana.

4 Latar Belakang Chen (2000), menggunakan model fuzzy time series ordo tinggi untuk meramalkan data pendaftaran. Chung (2006), melakukan peramalan dengan menggunakan fuzzy time series dan genetic algorithm. Lee (2007) menggunakan fuzzy logical relationships dan genetic algotithm untuk meramalkan data iklim.

5 Latar Belakang Robandi (2006), sistem peramalan dengan fuzzy time series dapat menangkap pola dari data yang telah lalu untuk memproyeksikan data yang akan datang. Prosesnya juga tidak membutuhkan suatu sistem pembelajaran dari sistem yang rumit. Tahun 2009, Chen dkk mengembangkan metode fuzzy time series dengan menggabungkan antara metode Automatic Clustering Technique dengan Fuzzy Logic Relationships. Sehingga hasil yang diperoleh mempunyai nilai MSE yang minimum dibandingkan dengan metode Song and Chisom, Sullivan and Woodall s method, Huang s method.

6 Perumusan Masalah Bagaimana kinerja metode Automatic Clustering dan Fuzzy Logic Relationships ini bekerja untuk mendapatkan interval yang optimum. Dengan menerapkan ke data BPS dan Data Simulas. Diharapkan dari uji coba dari bermacam data tersebut dapat diaplikasikan ke beberapa data series BPS. Data Series Metode Peramalan Output

7 Tujuan Penelitian Mengkaji algoritma dari metode peramalan Automatic Clustering Technique Fuzzy Logic Relationships menjadi sebuah program perangkat lunak. Membuat Interface dari program perangkat Lunak tersebut untuk memudahkan User dalam penggunaannya. Menerapkan metode untuk Data Kunjungan Wisman ke Indonesia melalui Bandara Ngurah Rai Bali (Januari 1989 Februari 2009) dan Data Simulasi.

8 Manfaat Penelitian Menambah wawasan tentang metode peramalan Automatic Clustering Fuzzy Logic Relationships dan Bagaimana cara mendapatkan sub interval yang optimum untuk memperoleh nilai peramalan yang terbaik dengan kode program yang di kembangkan. Memudahkan User dalam menggunakan program ini untuk memperoleh nilai ramalan dengan interface yang ditampilkan.

9 Batasan Masalah Menyelesaikan masalah ini dengan membuat program komputasionalnya tanpa memperhatikan pengaruh dan fenomena pada data yang digunakan.

10 Tinjauan Pustaka Automatic Clustering Technique pertama kali diperkenalkan oleh M Kamel dan B Hadfield (1990), untuk menyelesaikan kasus pada masalah processing query fuzzy dalam data base dan untuk menangani ketidakjelasan dalam hal permintaan pada sistem informasi. Chen dan Hasio ( 2005), menggunakan automatic clustering technique untuk memperkirakan nilai null dalam system database relasional. Chang dan Chen (2009), menggunakan

11 Tinjauan Pustaka Wang dan Chen (2009), menggunakan automatic clustering technique digabungkan dengan teknik dua faktor tiga order tinggi fuzzy time series untuk memprediksi suhu. Fuzzy Logic adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu output.

12 Tinjauan Pustaka Pada fuzzy time series nilai yang digunakan untuk meramal merupakan himpunan fuzzy dari bilangan-bilangan real atas himpunan semesta yang ditentukan. Huang (2009) menjelaskan beberapa proses peramalan dengan menggunakan fuzzy time series, dengan melalui 6 tahapan: 1. Menentukan himpunan semesta dan membagi menjadi beberapa interval. 2. Menentukan himpunan fuzzy untuk tiap-tiap data yang diamati.

13 Tinjauan Pustaka 4. Membentuk fuzzy relationship dan fuzzy relationship grup. 5. Melakukan proses peramalan. 6. Melakukan proses defuzzifikasi terhadap hasil peramalan.

14 Definisi fuzzy time series menurut Song dan Chissom (1993) sebagai berikut: Definisi 1: U adalah sebuah semesta bilangan, dimana Sebuah Fuzzy set A dalam semesta U dapat dinyatakan sebagai berikut: dimana adalah fungsi keanggotaan dari fuzzy set A, dan : U [0,1], adalah nilai keanggotaan dari dalam fuzzy set A, dan Definisi 2 :, adalah sebuah subset dari R, dimana di dalam semesta

15 Definisi 3 : F(t) hanya disebabkan oleh F(t-1) dan di notasikan dengan F(t-1) F(t), dan ada hubungan antara F(t) dengan F(t-1), sehingga dapat dituliskan dengan notasi: dan symbol o adalah operator komposisi max min. Dan hubungan R disebut model order pertama dari F(t). Definisi 4 : Jika, dimana adalah fuzzy set, kemudian fuzzy logical relationships antara dapat ditunjukkan dengan

16 Algoritma Peramalan dengan Metode Automatic Clustering - Fuzzy Logic Relationships Langkah 1 : Memasukkan data yang akan dilakukan peramalan. Langkah 2 : Menentukan interval dengan menggunakan automatic clustering technique. Langkah 3 : Membentuk dan menentukan fuzzy logic relationships-nya dari interval yang sudah terbentuk. Langkah 4 : Menghitung nilai ramalannya dari hasil hubungan fuzzy logic-nya. Langkah 5 : Mencari nilai MSE dari hasil peramalan dibandingkan dengan data aktual.

17 Sumber Data dan Alat Data yang digunakan dalam penelitian ini adalah Data Kunjungan Wisatawan Manca Negara melalui Bandara Ngurah Rai Bali (Januari 1989 Februari 2009) dan data simulasi. Untuk membantu menyelesaikan perhitungan secara komputasional, diperlukan program Matlab dan Minitab 15.

18 Start Data Menentukan Interval dengan menggunakan Automatic Clustering Technique Membentuk dan Menentukan Fuzzy Logic Relationships Menghitung Nilai Peramalan Menghitung nilai MSE Mencari sampai sub interval ke p sampai MSE konvergen Untuk Diagram Alur secara lengkap sebagai berikut: Flow Chart End

19 GUI (Guide User Interface): HASIL dan PEMBAHASAN

20 Penerapan Data Simulasi Data Simulasi dibangkitkan dari skript makro minitab dengan model AR(1) dengan parameter yang berbeda yaitu dan Dengan jumlah data bangkitan sebanyak 100, 150, 200, 500, dan Masing-Masing data dengan parameter yang berbeda setelah di lakukan pengolahan dengan Metode ACFLR memperoleh hasil sebagai berikut:

21 MSE per Sub Interval per Data Simulasi MSE Data Simulasi p=1 0, , , , ,21519 p=2 0, ,3485 0, ,1772 0,18552 p=3 0, , , , ,10711 p=4 0, , , , , p=5 0, , , , , p=6 0, ,3041 x , , , p=7 0, ,702 x ,6259 x , , p=8 0, ,4257 x ,9028 x , p=9 0, , p=10 7,998 x 10-9

22 AFER per Sub Interval per Data Simulasi AFER Data Simulasi p=1 27, ,989 67, , ,8342 p=2 16, , , , ,0533 p=3 6, , , , ,0271 p=4 5, ,6526 2, , ,0088 p=5 5, ,8035 0, , ,9212 p=6 4,3236 0, , ,3565 3,2819 p=7 1,8737 0, , ,8072 1,5805 p=8 1,5254 0, , ,3255 p=9 1,5101 1,3233 p=10 0,005797

23 1000 0,981 0, PERFORMA ACFLR Dibandingkan dengan ARIMA phi = 0,7 N MSE ARIMA MSE ACFLR 100 1,078 7,998 x ,919 2,702 x ,038 9,4257 x 10-9 Tabel ini menunjukkan adanya perbedaan yang signifikan antara metode ACFLR dengan ARIMA yang ditunjukkan oleh nilai MSE dari ACFLR yang lebih kecil nilainya dibandingkan dengan nilai MSE dari ARIMA ,022 1,9028 x ,97 0, phi = - 0,7 N MSE ARIMA MSE ACFLR 100 1,24 1,6803 x ,957 1,2985 x 10-7 Gambar dari hasil pengolahan dengan metode ACFLR sebagai berikut 200 0,861 1,1361 x ,015 0,010885

24 PENERAPAN pada DATA REAL MSE dan AFER untuk data wisman bandara ngurah rai p MSE AFER ,11 2, ,58 1, ,667 0, ,594 0, ,36 0, ,361 0, ,5912 0, ,4184 0, ,0043 0, , , Hasil pengolahan data menggunakan metode AFCLR diperoleh hasil MSE dan AFER yang optimum pada sub interval p =10, yaitu sebesar 0,57997 dan 0, Hasil Pengolahan dengan Metode ARIMA dari data Kunjungan Wisman di Bandara Ngurah Rai dengan model ARIMA (1,1,1)(0,1,1) 12 diperoleh nilai MSE sebesar 301,5

25 KESIMPULAN DAN SARAN Kesimpulan Dari Algoritma metode ACFLR menghasilkan program perangkat lunak untuk memudahkan penghitungan dalam memperoleh nilai ramalan. Interface yang dibuat untuk metode ACFLR untuk memudahkan user dalam penghitungan angka ramalan disajikan sekaligus dengan menampilkan grafik dari tiap-tiap sub interval. Metode ACFLR lebih baik daripada Metode ARIMA Saran

26 Daftar Pustaka Badan Pusat Statistik (2009), Statistik Kunjungan Wisatawan Mancanegara Tahun 2009, BPS, Jakarta. Chang, S.T, dan Chen.S.M. (2009). Automatic Clustering and Multiple Regression Techniques. Expert System with Applications. 36. Pp Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3), Chen, S. M., dan Hwang, J. R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, 30(2), Chen, S. M. (2002), Forecasting enrollment based on high-order fuzzy time series, Cybernetics and System: An International Journal, Vol.33, No.1, pp Chen, S.M. dan Hasio, H.R. (2005). A new method to estimate null values in relational database systems based on automatic clustering techniques. Information Sciences pp Chen, S. M., dan Chung, N.I. (2006), Forecasting Enrollment of Students by Uzing Fuzzy Time Series and Genetic Algorithms, Information and Management Sciences. Vol. 17, No. 3, pp Chen, S. M., Wang, N.Y. dan Pan. J.S. (2009), Forecasting enrollment automatic clustering techniques and fuzzy logical relationships, Cybernetics and System: An International Journal, Vol.33, No.1, pp Cheng, C. H., Cheng, G. W., dan Wang, J. W. (2008). Multi-attribute fuzzy time series method based on fuzzy clustering. Expert Systems with Application, 34(2), Damousis, I.G. dan DokoPoulos, P. (2001), A fuzzy expert system for the forecasting of wind speed and power generation in wind farm, Proceeding of the 22 nd IEEE

27 Huang, K. (2001). Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 123(3), Ju, Y. J., Kim, C. E., dan Shim, J. C. (1997), Genetic-based fuzzy models: Interest rate forecasting problem, Computers and Industrial Engineering, Vol.33, pp Kamel, M., Hadfield, B., dan Ismail, M. (1990). Fuzzy Query Processing Using Clustering Technique. Information Processing dan Management. Vol. 26, No. 2, pp Kusrini., dan Luthfi. E.T., (2009). Algoritma Data Mining. Andi. Yogyakarta. Kusumadewi, S., dan Purnomo, H. (2004). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta. Lee. W.L., Wang. L.H., dan Chen. S.M., (2007), Temperature prediction and TAIFEX forecasting based on fuzzy logical relationships and genetic algorithm, Expert Systems with Applications.,33. pp Makridakis, S., Wheelwright, S.C., dan McGee, V.E. (1999), Jilid 1 edisi kedua, Terjemahan Ir. Untung S. Andriyanto dan Ir. Abdul Basith, Metode dan Aplikasi Peramalan, Penerbit Erlangga, Jakarta. Muhammad, A. dan King, G. A. (1997), Foreign exchange market forecasting using evolutionary fuzzy networks, Proceedings of the IEEE/IAFE 1997 Computational Intelligence for financial Engineering, New York, pp Nguyen, H.T. dan Wu, B. (2006). Fundamentals of Statistics with Fuzzy Data, StudFuzz, 198. pp Springer Verlag Berlin Heidelberg.

28 Nuvitasari, Eka. (2009). Analisis Intervensi Multi Input Fungsi Step dan Pulse Untuk Peramalan Kunjungan Wisatawan ke Indonesia. Thesis M.Si., Institute Teknologi Sepuluh Nopember, Surabaya. Robandi, I. (2006). Design Sistem Tenaga Modern Optimasi Logika Fuzzy Algoritma Genetika. Andi. Yogyakarta. Singh. S.R. (2009), A Computational Method of Forecasting Based on High-Order Fuzzy Time Series, Expert System with Applications, Song, Q. dan Chissom, B.S. (1993), Fuzzy time series and its models, Fuzzy Sets and System, Vol.54, No.3, pp Susianto, Y. (2008). Model Regresi Semiparametrik Kernel Untuk Menduga Produksi Padi Sawah Di Jawa Tengah, Tesis M.Si., Institut Teknologi Sepuluh Nopember, Surabaya. Wang, N.Y, dan Chen, S.M., (2009). Temperature prediction and TAIFEX forecasting based on automatic clustering technique and two-factors high-order fuzzy time series. Expert System with Applications. 36. pp Wei, W.W.S (1990), Time Series Analysis: Univariate and Multivariate Methods. Addison-Wesley Publishing Co., USA

29 ~TERIMAKASIH ~