Algoritma Fuzzy Time Series Dengan Model Chen Dan Cheng dalam Memprediksi Harga Beras Dunia


Time series merupakan data yang diperoleh dan disusun berdasarkan urutan waktu atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan dapat berupa minggu, bulan, tahun dan sebagainya. time series mempunyai banyak metode untuk melakukan suatu peramalan. Salah satu metodenya yaitu Algorithma fuzzy time series. Pada metode Algorithma fuzzy time series ini mempunyai banyak model, dalam penulisan ini akan dibahas Algorithma fuzzy time series dengan model chen, dan model cheng.

Fuzzy Time Series (FTS) ialah metode peramalan data yang menggunakan prinsip-prinsip fuzzy sebagai dasarnya. Sistem peramalannya menangkap pola dari data yang telah lalu kemudian digunakan untuk memproyeksikan data yang akan datang. Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan samar. Nilai-nilai yang digunakan dalam peramalan Fuzzy Time Series adalah himpunan fuzzy dari bilangan-bilangan real atas himpunan semesta yang sudah ditentukan. Himpunan fuzzy digunakan untuk menggantikan data historis yang akan diramalkan. . Pada metode Algorithma fuzzy time series ini mempunyai banyak model, dalam penulisan ini akan dibahas Algoritma fuzzy time series dengan model chen, dan model cheng. Dalam penulisan ini, data yang digunakan adalah data World Rice price untuk memprediksikan harga beras dunia menggunakan software excel. Sumber data http://foodsecurityportal.org/api/countries/world-rice-price (Harga diberikan dalam dolar AS / kg.)

MENENTUKAN HIMPUNAN SEMESTA PEMBICARAAN

Pada data diatas, kemudian peneliti menghitung nilai minimum, maksimum, panjang kelas, dan jumlah kelas. Untuk nilai minimal dan maksimal peneliti menggunakan fungsi sebagai berikut pada excel

Setelah itu didapatkan nilai minimum sebesar 0.37, dan nilai maksimum sebesar 0.62. Kemudian peneliti menentukan nilai D1 dan D2 yaitu sebesar 0.02, dan 0.03. lalu peneliti menghitung nilai minimum1 dan maksimum1. Pada nilai minimum1 peneliti menghitung dengan cara nilai minimum-D1, sedangkan nilai maksimum1 yaitu maksimum+D2. Maka didapatkan nilai minimum1 sebesar 0.35, dan nilai maksium1 sebesar 0.65.

Setelah itu, peneliti menghitung jumlah kelas dengan fungsi pada gambar dibawah, 83 merupakan jumlah data. Maka didapatkan jumlah kelas sebanyak 7.

Selanjutnya peneliti menghitung panjang kelas atau interval menggunakan fungsi diatas, maka didapatkan nilai sebesar 0.042857143 dan dibulatkan menjadi 0.04.

Kemudian peneliti menghitung batas bawah, batas atas, dan nilai tengah untuk setiap kelas. Pada batas bawah kelas 1 merupakan nilai minimum 1, dan batas bawah kelas 2 yaitu batas bawah kelas 1+panjang kelas lalu drag sampai kelas ke 7. Setelah itu pada batas atas kelas 1 menggunakan rumus batas bawah-0.01, dan pada batas atas kelas 2 yaitu batas atas kelas 1+ panjang kelas kemudian drag sampai kelas ke-7. Lalu untuk menghitung nilai tengah yaitu (batas bawah+batas atas)/2.

FUZZYFIKASI & FUZZY LOGIC RELATIONSHIP

Setelah itu peneliti melakukan fuzzyfikasi, untuk A1 yaitu berada pada interval kelas 1 U1 = [0.35, 0.38], sampai A7 yang berada pada interval kelas 7 U7 = [0.59, 0.62]. dengan menggunakan fungsi =IF(E2>=$I$8;”A7";IF(E2>=$I$7;”A6";IF(E2>=$I$6;”A5";IF(E2>=$I$5;”A4";IF(E2>=$I$4;”A3";IF(E2>=$I$3;”A2";”A1")))))). Kemudian peneliti menentukan FLR (fuzzy logic relationship) .

Dalam penulisan ini menggunakan orde 1 maka FLR dimulai dari baris 2. Dengan menggunakan fungsi B2&”->”&B3. Lalu peneliti menentukan LH dan RH dari fuzzifikasi. Batas kiri diperoleh dari data ke-1 sampai terakhir, kemudian batas kanan diperoleh dari data ke-2 sampai seterusnya. Setelah itu peneliti membuat FLRG dengan menggunakan fungsi IF(D3=”A1";”G1";IF(D3=”A2";”G2";IF(D3=”A3";”G3";IF(D3=”A4";”G4";IF(D3=”A5";”G5";IF(D3=”A6";”G6";”G7")))))). Untuk lebih jelasnya dapat dilihat pada gambar berikut:

Untuk membuat fuzzy logic relation group peneliti membuat pivot table terlebih dahulu, dengan mem-blok batas kanan dan batas kiri kemudian klik insert > pivot table setelah itu didapatkan pivot table seperti gambar diatas. Kemudian peneliti menggrup-grupkan menjadi seperti berikut

Pivot table

G1 pada FLRG merupakan A1, pada pivot table A1 terdiri dari A1 dan A2. Begitu juga dengan G2, G3, dan seterusnya. Dapat dilihat pada gambar berikut:

PREDIKSI MODEL CHEN

Dalam prediksi model CHEN dapat dihitung dengan cara: penjumlahan nilai tengah relasi Ai/p, p=yaitu banyaknya state, maka akan didapatkan nilai prediksi dengan model CHEN. Misal:

Prediksi 1: (Median 1+ Median 2)/2

Prediksi 2:(Median 1+ Median 2+Median 3)/3

begitu seterusnya untuk prediksi 3 sampai 7

Dalam prediksi CHEN orde 1diperoleh prediksi harga beras dunia untuk grup 1 sebesar 0.385, grup 2 sebesar 0.405, grup 3 sebesar 0.445, sampai grup 7 yaitu sebesar 0.585.

Setelah dapat prediksi dengan model CHEN, peneliti menghitung nilai MAPE atau nilai kesalahan/error yang digunakan dengan prediksi model CHEN. Sebelum menghitung nilai MAPE, peneliti menghitung:

absolute error : ABS((Data aktual-Prediksi CHEN)/Data Aktual),

sum absolute error: sum(abs error)

MAPE: (Sum ABS ERROR/n)*100.

Maka didapatkan nilai MAPE untuk model Chen sebesar 3.644.

PREDIKSI MODEL CHENG

Untuk menghitung prediksi model CHENG orde 1, maka dapat dilihat berdasarkan pivot table. Misal:

Prediksi grup 1: (8/11*Median A1)+(3/11*Median A2)

8 dan 3 merupakan nilai A1 dan A2 pada pivot table, dan 11 merupakan total dari A1 dan A2

Prediksi grup 2: (=(3/19* Median A1)+(11/19* Median A2)+(5/19* Median A3)

3,11 dan 5 merupakan nilai A1, A2, A3 pada pivot table, dan 19 merupakan total dari A1, A2, dan A3

Begitu juga seterusnya sampai prediksi grup 7.

Dalam prediksi CHENG orde 1diperoleh prediksi harga beras dunia untuk grup 1 sebesar 0.3759, grup 2 sebesar 0.409, grup 3 sebesar 0.440, sampai grup 7 yaitu sebesar 0.597

Setelah dapat prediksi dengan model CHENG, peneliti menghitung nilai MAPE atau nilai kesalahan/error yang digunakan dengan prediksi model CHENG. Sama dengan perhitungan MAPE pada model CHEN sebelumnya yaitu sebelum menghitung nilai MAPE, peneliti menghitung:

absolute error : ABS((Data aktual-Prediksi CHENG)/Data Aktual),

sum absolute error: sum(abs error)

MAPE: (Sum ABS ERROR/n)*100.

Maka didapatkan nilai MAPE sebesar 3.45.

Data aktual dan data prediksi harga beras dunia dengan model CHEN dan CHENG pada orde 1


KESIMPULAN:

Berdasarkan MAPE pada model CHEN dan CHENG diperoleh model terbaik yaitu model CHENG dengan MAPE sebesar 3.45

REFERENCES

Fadhillah, dkk. tt. Perbandingan Model Chen dan Model Cheng pada Algoritma Fuzzy Time Series untuk Prediksi Harga Bahan Pokok. Diambil kembali dari: jurnal.umrah.ac.idms/1-ec61c9cb232a03a96d0947c6478e525e/2017/08/ARIF-FADHILLAH.pdf

primandari, a. (2017). TIME SERIES ANALYSIS 2017. Dipetik 1 8, 2019, dari https://arumprimandari.files.wordpress.com/2017/02/course-1_pengantar1.pdf