ALGORITMA INTUITIONISTIC FUZZY TIME SERIES FUNCTION
Main Article Content
Abstract
Time series adalah serangkaian proses pengamatan yang terurut berdasarkan waktu dengan jarak yang sama. Salah satu metode yang digunakan pada analisis time series adalah fuzzy time series (FTS). FTS merupakan metode peramalan yang didasarkan pada logika fuzzy dengan mengubah nilai numerik kedalam himpunan fuzzy. Metode FTS secara umum adalah fuzzyfikasi, menentukan relasi fuzzy, dan defuzzyfikasi. Pada Langkah fuzzyfikasi Metode FTS tidak mempertimbangkan nilai non-keanggotaan fuzzy, dengan menggunakan model Intuitionistic fuzzy set maka dapat diperoleh nilai keanggotaan dan nilai non-keanggotaan pada himpunan fuzzy yang berguna sebagai informasi baru untuk menambah kinerja peramalan. Metode Intuintionistic Fuzzy C-means (IFCM) digunakan sebagai representasi dari intuitionistic fuzzy set untuk mendapatkan nilai keanggotaan dan non-keanggotaan pada model. Pada tahap menentukan relasi fuzzy digunakan metode Fuzzy regression function sebagai skema penalaran pendekatan fuzzy dan untuk mendefinisikan relasi fuzzy dengan mengunakan fungsi regresi least square. Fuzzy inference systems ini disebut intuitionistic fuzzy time series function (IFTSF). Hasil kajian diperoleh algoritma IFTSF berguna untuk memperoleh nilai fuzzy dengan pendekatan intuitionictic fuzzy regression function yang dibentuk berdasarkan Intuitionistic fuzzy set yang diperoleh menggunakan intuintionistic fuzzy C-means untuk tujuan peramalan.
Article Details
References
Atanassov, K. T. (1999). Intuitionistic fuzzy sets. Dalam Intuitionistic fuzzy sets (hal. 1–137). Springer.
Bas, E., Yolcu, U., & Egrioglu, E. (2021, July). Intuitionistic fuzzy time series functions approach for time series forecasting. Granular Computing, 6(3), 619-629. doi:10.1007/s41066-020-00220-8
Chaira, T. (2011, March). A novel intuitionistic fuzzy C means clustering algorithm and its application to medical images., 11, hal. 1711-1717. doi:10.1016/j.asoc.2010.05.005
Chen, S.-M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems, 81, 311–319.
Cheng, C. H., Chen, T. L., Teoh, H. J., & Chiang, C. H. (2008, February). Fuzzy time-series based on adaptive expectation model for TAIEX forecasting. Expert Systems with Applications, 34(2), 1126-1132. doi:10.1016/j.eswa.2006.12.021
Gitman, L. J. (2009). Introduction to managerial finance. Prentice Hall, a division of Pearson Education, Inc.
Kocak, C., Egrioglu, E., & Bas, E. (2021). A new explainable robust high-order intuitionistic fuzzy time-series method. Soft Computing, 1–14.
Peramalan, U., Si, S., & Si, M. (2011). Metode Autoregressive Fuzzy Time Series. Metode Autoregressive Fuzzy Time Series.
Santoso, H., Hariyadi, I. P., & Prayitno, P. (2016). Data Mining Analisa Pola Pembelian Produk Dengan Menggunakan Metode Algoritma Apriori. Semnasteknomedia Online, 4(1), 3-7.
Song, Q., & Chissom, B. S. (1993). Forecasting enrollments with fuzzy time series—Part I. Fuzzy sets and systems, 54, 1–9.
Türkşen, I. B. (2008, June). Fuzzy functions with LSE. Applied Soft Computing Journal, 8(3), 1178-1188. doi:10.1016/j.asoc.2007.12.004
Wei, W. W. (2018). Multivariate time series analysis and applications. John Wiley & Sons.
Yolcu, O. C., Bas, E., Egrioglu, E., & Yolcu, U. (2020, June). A new intuitionistic fuzzy functions approach based on hesitation margin for time-series prediction. Soft Computing, 24(11), 8211-8222. doi:10.1007/s00500-019-04432-2
Zadeh, L. A., Klir, G. J., & Yuan, B. (1996). Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers (Vol. 6). World Scientific.