Algoritme Average Based Fuzzy Time SeriesMarkov Chain

Article Sidebar

PDF
Published Feb 12, 2022

Main Article Content

Azzahra Alif Tama
Universitas Sebelas Maret
Dewi Retno Sari Saputro
Universitas Sebelas Maret

Abstract

Analisis data time seriesterdiri dari data linguistik dan numerik. Metode yang digunakan pada analisis data salah satunya ialahfuzzy time series. Fuzzytime series adalah metode yang menangani permasalahan operasi dinamik berdasarkan suatu variabel fuzzy yang mana nilai fuzzyialah anggota himpunan fuzzy. Variabel linguistik adalah anggota dari himpunan fuzzy sedangkan variabel aktual adalah angka real sesuai dengan data yang diperoleh, Dalam metode fuzzy time series variabel aktual akan diubah menjadi variabel linguistik. Keakuratan metode fuzzy time series cenderung rendah, oleh karena itu dikembangkan sebuah algoritme yang dapat meningkatkan akurasi darifuzzy time series, yaitu Markov chain. Fuzzy time seriesMarkov chain menggunakan fuzzy logic group yang diperoleh untuk matriks transisi rantai Markov. Fuzzy time seriesdigabung dengan Markov chainmempunyaitujuan untukmenghasilkanpeluangyang optimaldengan matriks probabilitas transisi.Average based digunakan dalam menentukan panjang interval pada penentuan matriks probabilitas transisi dalam konsep Markov chain karena berbasis pada nilai rata-rata sehingga dapat digunakan untuk menyesuaikan panjang interval yang ditentukan. Hasil kajian diperoleh algoritme metodeaverage basedfuzzy time seriesMarkov chainbergunauntuk mendapatkan hasil setengah fluktuasi yang mengakibatkan panjang interval yangefektif dan probabilitas yang optimalmenggunakan MPT.

Article Details

How to Cite
Tama, A., & Saputro, D. (2022). Algoritme Average Based Fuzzy Time SeriesMarkov Chain. PRISMA, Prosiding Seminar Nasional Matematika, 5, 711-715. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/54593
Issue
Vol 5 (2022): PRISMA, Prosiding Seminar Nasional Matematika XV
Section
Articles

References

Aladag, C. H., Yolcu, U., Egrioglu, E., & Dalar, A. Z. (2012). A new time invariant fuzzy time series forecasting method based on particle swarm optimization. Applied Soft Computing Journal, 12(10), 3291–3299.
Arnita, Afnisah, N., & Marpaung, F. (2020). A Comparison of the Fuzzy Time Series Methods of Chen, Cheng and Markov Chain in Predicting Rainfall in Medan. Journal of Physics: Conference Series, 1462(1).
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. In Proceedings - 2013 International Conference on Machine Intelligence Research and Advancement, ICMIRA 2013.
Kusumadewi, S., & Purnomo, H. (2013). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu.
McNeill, F. M., & Thro, E. (1994). Fuzzy Logic A Practical Approach. Academic Press Limited.
Qiang, S., & Brad S., C. (1993). Fuzzy Time Series and Its Models. Fuzzy Sets and Systems, 54, 269–277.
Ross, S. M. (2003). Introduction to Probability Models. Academic Press.
Safitri, Y., Wahyuningsih, S., & Goejantoro, R. (2018). Peramalan dengan Metode Fuzzy Time Series Markov Chain ( Studi Kasus : Harga Penutupan Saham PT . Radiant Utama Interinsco Tbk Periode Januari 2011 – Maret 2017 ) Forecasting with Fuzzy Time Series Markov Chain Method ( Case Study : Closing Stock Price of. Jurnal Eksponensial, 9(1), 51–58.
Saniman, & Fathoni, M. (2008). Algoritma Dan Pemrograman. 4(1), 120–133.
Song, Q., & Chissom, B. S. (1993). Forecasting enrollments with fuzzy time series - Part I. Fuzzy Sets and Systems, 54(1), 1–9.
Tsaur, R. C. (2012). A fuzzy time series-Markov chain model with an application to forecast the exchange rate between the Taiwan and us Dollar. International Journal of Innovative Computing, Information and Control, 8(7 B), 4931–4942.
Xihao, S., & Yimin, L. (2008). Average-based fuzzy time series models for forecasting Shanghai compound index. UK World Journal of Modelling and Simulation, 387(2), 2857–3862.
Zadeh, L. A., Hirota, K., Klir, G. J., Sanchez, E., Wang, P.-Z., & Yager, R. R. (1996). Fuzzy Sets, Fuzzy Logic, Fuzzy Systems. Applications and Theory, 6.