Perbandingan Panjang Interval dan Window Base yang Berbeda pada Metode Fuzzy Time Series untuk Peramalan Jumlah Pendaftar Mahasiswa Baru di Universitas Islam Bandung

Nurfitryana Kanya Dhewi, Lisnur Wachidah

Abstract


Abstract. The method used in this research is the fuzzy time series method developed by Hao Tien Liu in 2009 based on the fuzzy time series method by Hwang et al. in 1998. This method revised Hwang's fuzzy time series method to overcome the weaknesses of interval length (l) and number of intervals, determination of window base (w), membership degree values in fuzzy sets, and the existence of outliers. This study uses data on the number of registrants at Unisba in the years 2006-2019 to predict the number of registrants in 2020. Data is free from outliers on the 3rd Rstudent test. MAPE is used as a measure of forecasting accuracy. The best forecasting results obtained using the fuzzy time series method at l = 90 and w = 3 with a MAPE of 9.51%, namely the number of new student registrants at Unisba in 2020 of 12,248 people. It is known that the actual data on the number of new student registrants at Unisba in 2020 is 11,654. The forecast value obtained is quite close to the actual value so that it can be said that this method is quite good in predicting the number of new student applicants at Unisba in 2020.

Keywords: fuzzy time series, forecasting, window base, outliers, interval length.

Abstrak. Metode yang digunakan dalam penelitian ini merupakan metode fuzzy time series yang dikembangkan oleh Hao Tien Liu pada tahun 2009 berdasarkan metode fuzzy time series oleh Hwang dkk. pada tahun 1998. Metode ini merevisi metode fuzzy time series Hwang untuk mengatasi kelemahan panjang interval (l) dan jumlah interval, penentuan window base (w), nilai-nilai derajat keanggotaan dalam himpunan fuzzy, dan keberadaan pencilan. Penelitian ini menggunakan data jumlah pendaftar di Unisba pada tahun 2006-2019 untuk meramalkan jumlah pendaftar pada tahun 2020. Didapat data yang bebas pencilan pada tes Rstudent ke-3. Sebagai ukuran ketepatan peramalan digunakan MAPE. Diperoleh hasil peramalan terbaik menggunakan metode fuzzy time series pada l = 90 dan w = 3 dengan MAPE sebesar 9,51% yaitu jumlah pendaftar mahasiswa baru di Unisba pada tahun 2020 sebesar 12.248 orang. Diketahui data aktual jumlah pendaftar mahasiswa baru di Unisba tahun 2020 yaitu sebesar 11.654. Nilai peramalan yang diperoleh cukup mendekati nilai aktualnya sehingga bisa dikatakan metode ini cukup baik dalam meramalkan jumlah pendaftar mahasiswa baru di Unisba pada tahun 2020.

Kata Kunci: fuzzy time series, peramalan, window base, pencilan, panjang interval.


Keywords


fuzzy time series, peramalan, window base, pencilan, panjang interval.

Full Text:

PDF

References


Azis, Anifuddin. (2019). Himpunan Fuzzy dan Operasi Dasar, (Online) (https://slideplayer.info/slide/10575854/) diakses pada tanggal 23 Oktober 2019

Huarng, K. H. (2001b). Effective Lengths of Intervals to Improve Forecasting in Fuzzy Time Series. Fuzzy Sets and Systems, 123, 387–394.

Huarng, K. H.,&Yu, H. K. (2006). Ratio-Based Lengths of Intervals to Improve Fuzzy Time Series Forecasting. IEEE Transcations on Systems, Man, and Cybernetics, Part B: Cybernetics, 36, 328–340.

Hwang, Jeng-Ren, Shyi-Ming Chen, dan Chia-Hoang Lee. (1998). Handling Forecasting Problems Using Fuzzy Time Series. Taiwan: Elsevier Science.

Liu, Hao Tien, Nai-Chieh Wei, Chiou-Goei Yang. (2009). Improved Time-Variant Fuzzy Time Series Forecast. Taiwan: Springer Science.

Makridakis, Spyros, Steven C. Wheelwright, & Victor E. McGee. (1999). Metode dan Aplikasi Peramalan. Jakarta: Penerbit Erlangga.

Pojokbandung.com. (2019). Tembus 3067 Pendaftar, Minat Calon Mahasiswa Unisba Meningkat, (Online) (http://bandung.pojoksatu.id/read/2019/09/02/tembus-3-067-pendaftar-minat-calon-mahasiswa-unisba-meningkat/) diakses pada tanggal 2 Oktober 2019

Song, Qiang, & Brad S. Chissom. (1993). Fuzzy Forecasting Enrollments With Fuzzy Time Series-Part I. North Holland: Elsevier Science.

Song, Qiang, & Brad S. Chissom. (1994). Fuzzy Forecasting Enrollments With Fuzzy Time Series-Part II. North Holland: Elsevier Science.

Spiegel, Murray R. dan Larry J. Stephens. (2007). Teori dan Soal-Soal Statistik Edisi Ketiga. Jakarta: Penerbit Erlangga.

Sutikno. (2012). Perbandingan Metode Defuzzifikasi Aturan Mamdani pada Sistem Kendali Logika Fuzzy (Studi Kasus pada Pengaturan Kecepatan Motor DC). Makalah Seminar Tugas Akhir Jurusan Teknik Elektro. Universitas Diponegoro.

Wahyuni, Sri, Budi Darma Setiawan, Marji. (2018). Optimasi Fuzzy Times Series Untuk Memprediksi Besar Nilai Penjaminan Kredit KUR dengan Algoritme Genetika (Studi Kasus : Perum Jamkrindo Cabang Kendari). Universitas Brawijaya.

Wicaksana, Andhi Surya, Budi Darma Setiawan, & Bayu Rahayudi. (2018). Algoritma Genetika Untuk Optimasi Fuzzy Time Series Dalam Memprediksi Kepadatan Lalu Lintas di Jalan Tol. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 2, No. 3, Maret 2018, hlm. 1063-1071. Universitas Brawijaya.

Yanti, Teti Sofia. (2010). Analisis Deret Waktu. Jakarta-Bandung: Pustaka Ceria.




DOI: http://dx.doi.org/10.29313/.v7i1.25967

Flag Counter