FORECASTING WITH FUZZY TIME SERIES

Forecasting

Peramalan ( forecasting ) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan diperkirakan akan terjadi pada masa yang akan datang.

Fuzzy Time Series (FTS)

Fuzzy Time Series (FTS) adalah metode yang diperkenalkan oleh Song dan Chissom (1993) yang merupakan suatu konsep yang digunakan untuk meramalkan masalah di mana data aktual dibentuk dalam nilai-nilai linguistik. Banyak metode FTS yang dikembangkan, diantaranya metode FTS Chen, FTS using percentage change, weighted FTS, FTS Sah dan Degtiarev, FTS Cheng (Kusumadewi dan Purnomo, 2013).

Peramalan Menggunakan Fuzzy Time Series Pada Data Gasoline

Untuk contoh peramalan menggunakan Fuzzy Time Series yaitu menggunakan data gasoline, pada data gasoline ini berupa data bulanan dari tahun 2004 Januari sampai Agustus 2017.

Tabel 1. Data Gasoline
Tabel 2.

Setelah mengurutkan data gasoline maka didapat nilai terkecil dan nilai terbesar dari data tersebut yaitu (Min =0.9, Max = 3.81). Pada tabel 2 didapatkan hasil jumlah interval dengan menggunakan rumus =ROUND(1+3.322*LOG10(164),0) Fungsi ROUND untuk membulatkan angka ke jumlah digit yang ditentukan, sehingga di dapatkan interval kelas yaitu 5.

Hasil panjang interval didapatkan yaitu menggunakan rumus= (Max1-Min1)/Jumlah Kelas sehingga di dapatkan 0.582 atau di bulatkan menjadi 0.58.

Kemudian menetukan nilai batas bawah dan batas atas. Untuk menentukan batas bawah interval ke-1 yaitu dimana di ambil dari nilai Min1 yaitu 0.9, untuk inetrval kelas ke 2,3,4 dan 5 yaitu dapt menggunakan rumus =Batas bawah kelas ke-1+0.58. Untuk menetukan batas atas kelas ke-1 yaitu rumus=batas bawah kelas ke-1–1, dan untuk batas atas keals ke-2,3,4, dan 5 yaitu menggnakan rumus= batas atas kelas ke-1+0.58.Selanjutnya untuk menetukan Nilai Tengah kelas ke-1 menggunakan rumus =(batas bawah+batas atas)/2 . Untuk hasil perhitungan menggunakan rumus tersebut dapat di lihat dari tabel 3 di atas.

Identifikasi Fuzzikasi

Tabel 3. Identifikasi Fuzzy

Pada tabel 3untuk menentukan fuzzikasi menggunakan rumus =IF(C2>$H$6,”A5",IF(C2>$H$5,”A4",IF(C2>$H$4,”A3",IF(C2>$H$3,”A2",”A1")))) Fungsi IF memungkinkan untuk membuat perbandingan logis antara nilai dan apa yang diharapkan dengan menguji kondisi dan mengembalikan hasil jika True atau False. Sehingga di dapatkan hasil seperti pada tabel 4 di atas.

Menentukan FLR dan FLRG

Tabel 4.

Pada tabel 4 untuk menentukan FLR (Fuzzi Logical Relantionship) menggunakan rumus =A2&”->”&A3 dimana A2 (fuzzyfikasi ke-1 (A1)) dan A3 (fuzzyfikasi ke-2 (A1)) yang merupakan hubungan antara setiap urutan data terhadap data berikutnya dalam bentuk interval, untuk data ke 1 yaitu A1 dan data ke 2 yaitu A1 maka FLR dari yang diperoleh A1->A1. Lalu didrak sampe data ke-164.

Selanjutnya untuk menentukan LH ke-1 yaitu di kosongkan, untuk LH ke-2 sampai data ke-164, sebagai contoh LH ke-2 menggunakan rumus = fuzzyfikasi ke-1 kemudian didrak sampe data ke-164. Sedangkan untuk menentukan RH ke-2 menggunakan rumus =fuzzyfikasi ke-2 kemudian didrak sampe data ke-164.

Kemudian untuk menentukan FLRG menggunakan rumus ==(IF(AND(C3=”A1"),”G1",IF(AND(C3=”A2"),”G2",IF(AND(C3=”A3"),”G3",IF(AND(C3=”A4"),”G4",IF(AND(C3=”A5"),”G5",IF(AND(C3=”A6"),”G6",IF(AND(C3=”A7"),”G7",IF(AND(C3=”A8"),”G8"))))))))) Lalu didrak sampe data ke-164.

Tabel 5. Tabel Pivot

Pada tabel 5 terdapat tabel pivot untuk menentukan hubungan grup dari fuzzi logic, Fuzzy Logic adalah suatu cabang ilmu Artificial Intellegence, yaitu suatu pengetahuan yang membuat komputer dapat meniru kecerdasan manusia sehingga diharapkan komputer dapat melakukan hal-hal yang apabila dikerjakan manusia memerlukan kecerdasan.

Pivot Table dapat digunakan sebagai alternatif untuk melakukan analisis data terkait mengelompokan dan meringkas data. Pada studi kasus ini penulis mengelompokan atau meringkas data pada tabel LH dan RH sehingga menghasilkan hasil seperti tabel 5 di atas.

Tabel 6.

Pada tabel 6 terdapat tabel next state digunakan untuk pengelompokan state selanjutnya dimana tabel tersebut diperoleh dari pengelompokkan row labels tabel pivot. Kemudian tabel total didapatkan dari Count of LH dan Count of RH.

Tabel 7. Prediksi

Pada tabel 7 terdapat tabel prediksi yang diperoleh dengan menggunakan rumus =AVERAGE(Next State tiap kelas), salah satu contoh yaitu memprediksi kelas ke-1 yaitu rumus=AVERAGE(L2) dimana average yaitu fungsi rata-rata dan O2 merupkan nilai tengah dari A1. Pada tabel prediksi ini, nilai prediksi dilakukan sesuai dengan kelompok yang ada pada tabel next state, jika next state adalah A1,A2,A3 maka (Prediksi = Average (Nilai A1 pada tabel Nilai Tengah ; Nilai A2 pada tabel Nilai Tengah; Nilai A3 pada tabel Nilai Tengah ) sehingga didapatkan nilai prediksi pada tabel 7.

Fuzzy Time Series Cheng

Metode Cheng mempunyai cara yang sedikit berbeda dalam penentuan interval, menggunakan Fuzzy Logical Relationship (FLR) dengan memasukkan semua hubungan (all relationship) dan memberikan bobot berdasarkan pada urutan dan perulangan FLR yang sama.

Tabel 8. Prediksi Cheng

Selanjutnya pada tabel 8 terdapat tabel prediksi cheng yang merupakan prediksi dengan menggunakan model cheng pada fuzzy time series, untuk memperoleh nilai prediksi cheng yaitu dengan rumus =1/P2*L3 dimana 1 merupakan nilai dari kolom Count of LH dari A2 dibagi dengan Total kelas ke-1 kemudian di bagi dengan nilai tengah kelaas ke-1. Untuk prediksi cheng kelas ke-2 yaitu menggnakan rumus ==1/P3*L2+65/P3*L3+6/P3*L4, dimana 1 merupakan nilai dari kolom Count of LH dari A2, 65 merupakan nilai dari kolom Count of LH dari A3, dan 6 merupakan nilai dari kolom Count of LH dari A4, kemudian masing-masing di bagi dengan dibagi dengan Total tiap kelas yang bersangkutan.