Hybrid Fuzzy Logical Relationships Dengan Automatic Clustering Dan Particle Swarm Optimazition Untuk Peramalan Kebutuhan Hidup Minimum (Studi Kasus Jawa Timur)
| Main Author: | Anggodo, YusufPriyo |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/147464/1/Jurnal_Skripsi-135150201111028-Yusuf_Priyo_Anggodo.pdf http://repository.ub.ac.id/147464/1/Skripsi-135150201111028-Yusuf_Priyo_Anggodo.pdf http://repository.ub.ac.id/147464/ |
Daftar Isi:
- Kebutuhan hidup minimum (KHM) adalah standar kebutuhan seorang pekerja atau lanjang untuk dapat hidup layak secara fisik untuk kebutuhan satu bulan. Selain itu KHM berpengaruh terhadap upah minum provinsi dan kota. Oleh karena itu diperlukan suatu peramalan KHM untuk mengetahui nilai KHM di tahun yang akan datang. Peramalan ini bermanfaat untuk perusahaan dalam merencanakan keuangan perusahaan tahun depan. Dalam melakukan peramalan KHM menggunakan metode automatic clustering, particle swarm optimization, dan fuzzy logical relationship. Automatic clustering digunakan untuk membentuk sub-interval dari data time series yang ada. Particle swarm optimization digunakan untuk membentuk nilai interval yang digunakan untuk melakukan peramalan. Sedangkan fuzzy logical relationship digunakan untuk melakukan peramalan KHM berdasarkan relasi fuzzy yang telah dikelompokan. Automatic clustering dapat menghasilkan cluster yang sangat baik sehingga dalam melakukan peramalan dalam fuzzy logical relationship memberikan akurasi yang tinggi. Sedangkan particle swarm optimization sangat membantu dalam membentuk nilai interval sehingga menghasilkan nilai kesalahan yang semakin kecil. Dalam menghitung kesalahan menggunakan root mean squere error (RMSE). Hasil peramalan menggunakan metode yang diajukan memberikan hasil yang optimal dan peramalan beberapa data memiliki nilai yang sama dengan data aktual. Penelitian selanjutnya peramalan menggunakan hybrid fuzzy logical relationship dengan automatic clustering dan particle swarm optimization dapat diterapkan pada peramalan kasus lain yang memiliki data lebih banyak dan untuk menghasilkan akurasi yang lebih tinggi relasi fuzzy dapat dilakukan optimasi untuk mendapatkan hasil akurasi yang lebih baik.