PERBANDINGAN TINGKAT AKURASI METODE AUTOMATIC CLUSTERING, AVERAGE BASED, DAN MARKOV CHAIN FUZZY TIME SERIES PADA NILAI TUKAR (KURS) RUPIAH

  • hengky tri ikhsanto hengky tri ikhsanto Universitas Negeri Semarang
  • Sugiman Sugiman Universitas Negeri Semarang
  • Putriaji Hendikawati Universitas Negeri Semarang
Keywords: Peramalan, Automatic Clustering, Average Based, Fuzzy Time Series, Markov Chain, Nilai Tukar

Abstract

Penelitian ini membahas perbandingan keakurasian model peramalan fuzzy time series dengan automatic clustering dan average based untuk membentuk interval dan proses defuzzifikasi menggunakan konsep markov chain. Model tersebut digunakan untuk meramalkan data nilai tukar (KURS) mata uang Rupiah terhadap US Dolar dan Euro. Pemilihan metode terbaik dalam menentukan interval berpengaruh terhadap hasil peramalan, serta menggabungkan kelebihan dari rantai markov dapat meningkatkan keakurasian dari hasil ramalan. Tujuan dari penelitian ini adalah pemilihan metode terbaik dalam menentukan interval serta mengetahui pengaruh adanya penggabungan dengan rantai markov. Berdasarkan penerapan metode fuzzy time series pada data nilai tukar Rupiah terhadap US Dolar dan Euro periode Januari-Maret 2016 diperoleh kesimpulan Automatic Clustering lebih baik daripada Average Based dalam pembentukan interval, dengan nilai MSE 1.065 dan MAPE 0,15% pada data nilai tukar rupiah terhadap US Dolar dan pada nilai tukar rupiah terhadap Euro dengan nilai MSE 694 dan MAPE 0,09%. Adanya penggabungan rantai markov pada metode Automatic clustering memberikan peningkatan akurasi sebesar 60,65% pada data nilai tukar rupiah terhadap US Dolar dan pada nilai tukar rupiah terhadap Euro meningkat sebesar 14,99%.

References

Chen, S. M. 1996. Forecasting Enrollments Based on Fuzzy Time Series. Fuzzy Sets and System 81: 311-319.

Chen, S. M., Wang, N. Y., & Pan, J. S. 2009. Forecasting Enrollments Using Automatic Clustering Thechniques and Fuffy Logical Relationship. Expert System with Applications 36: 11070-11076.

Hendikawati, P. 2014. Bahan Ajar Analisis Runtun Waktu. Semarang. FMIPA Universitas Negeri Semarang.

Huarng, K. 2001. Effective Lengths of Intervals To Improve Forecasting in Fuzzy Time Series. Fuzzy Sets and Systems 123: 387-394.

Kusumadewi, S., & Purnomo. 2003. Artifical Inteligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

Kusumadewi, S., & Purnomo. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

Langi, Y. 2011. Penentuan Klasifikasi State Pada Rantai Markov Dengan Menggunakan Nilai Eigen Dari Matriks Peluang Transisi. Jurnal Ilmiah Sains, Vol. 11 No. 1: 124-130.

Makridakis, S., Wheelwright, S., & McGee, V. E. 1999. Metode dan Aplikasi Peramalan edisi ke-2. Jakarta : Erlangga.

Muchlas, Z., & Alamsyah, A. R. 2015. Faktor-faktor yang Mempengaruhi Kurs Rupiah Terhadap Dolar Amerika Pasca Krisis (2000-2010). Jurnal JIBEKA, Vol. 6: 76-86.

Noh, J., Wijono, & Yudaningtyas, E. 2015. Model Average Based FTS Markov Chain untuk Peramalan Penggunaan Bandwidth Jaringan Komputer. Jurnal EECCIS, Vol. 9. No. 1: 31-36.

Nurkhasanah, L. A., Suparti, & Sudarno. 2015. Perbandingan Metode Runtun Waktu Fuzzy-Chen dan Fuzzy-Markov Chain Untuk Meramalkan Data Inflasi di Indonesia. Jurnal Gaussian, Vol. 4, No. 4: 917-926.

Saxena, P., Sharma, K., & Easo, S. 2012. Forecasting Enrollments Based on Fuzzy Time Series with Higher Forecast Accuracy Rate. IJCTA, Vol. 3 (3): 957-961.

Setiaji. 2009. Himpunan Dalam Logika Samar Serta Aplikasinya. Yogyakarta: Graha Ilmu.

Song, Q., & Chissom, B. S. 1993. Fuzzy Time Series and its Models. Fuzzy Sets and System 54: 269-277.

Sugiartawan, P., & Arta, G. S. 2015. Peramalan Kunjungan Wisatawan dengan Metode Average Based Fuzzy Time Series dan Markov Chain Model di Sriphala Resort & Hotel. SEMINASKIT: 159-164.

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. ICIC International. Vol. 8, No. 7(B): 4931-4942.

Xihao, S., & Yimin, L. 2008. Average-based Fuzzy Time Series Models For Forecasting Shanghai Compound Index*. World Journal of Modelling and Simulation Vol. 4 No. 2, pp: 104-111.

Published
2018-11-30
Section
Articles