Analisis Tingkat Akurasi Metode Neuro Fuzzy dalam Prediksi Data IPM di NTB

Aenul Muhajirah; Eka Safitri; Titin Mardiana; Hartina Hartina; Andi Setiawan

doi:10.31764/jtam.v3i1.769

Analisis Tingkat Akurasi Metode Neuro Fuzzy dalam Prediksi Data IPM di NTB

Aenul Muhajirah, Eka Safitri, Titin Mardiana, Hartina Hartina, Andi Setiawan

Abstract

Abstrak: Penelitian ini dilakukan untuk menganalisis proses forecasting dalam menentukan tipe terbaik yang digunakan pada sistem peramalan (forecast). Pada penelitian ini data yang digunakan yaitu data IPM Provinsi Nusa Tengara Barat (NTB) tahun 2008-2018 untuk memprediksi data Indeks Pembangunan Manusia (IPM) tahun 2019. Penelitian ini menggunakan metode Artificial Intelligence Neuro Fuzzy yaitu Fuzzy Mamdani dan ANFIS Sugeno yang diterapkan pada Matlab. Adapun tipe yang diuji adalah Trimf, Trapmf, Gbellmf, Gaussmf, Gauss2mf, Sigmf, Dsigmf, Psigmf, dan Primf. Tipe tersebut bertujuan untuk melihat tingkat akurasi berdasarkan hasil error. Hasil peramalan terbaik didapatkan pada tipe Gauss2mf karena menghasilkan prediksi sebesar 69.5 dengan error sebesar 0.95947 dan MAD sebesar 0.530.354, MSE sebesar 1.570035, MAPE sebesar 0.049273.

Abstract: This research was conducted to analyze the forecasting process in determining the best type used in the forecasting system. In this study the data used were the data of West Nusa Tenggara Province (HDI) HDI for the years 2008-2018 to predict the 2019 Human Development Index (HDI) data. This study uses Artificial Intelligence Neuro Fuzzy methods namely Fuzzy Mamdani and ANFIS Sugeno applied to Matlab . The types tested were Trimf, Trapmf, Gbellmf, Gaussmf, Gauss2mf, Sigmf, Dsigmf, Psigmf, and Primf. This type aims to see the level of accuracy based on the results of the error. The best forecasting results were obtained on the Gauss2mf type because it produced a prediction of 69.5 with an error of 0.95947 and MAD of 0.530.354, MSE of 1.570035, MAPE of 0.049273.

Keywords

Artificial Intelligence, Metode Neuro Fuzzy, Fuzzy Mamdani, ANFIS Sugeno, Time Series Data, IPM.

Full Text:

PDF

References

Ayu, Iyut Trisna. (2016). Perancangan Kontroler Logika Fuzzy Untuk Tracking Control Pada Robot Sumo. Other thesis, Politeknik Negeri Sriwijaya.

BPS. (2017). Analisis Indikator Makro Sosial dan Ekonomi Kabupaten/Kota Provinsi Jawa Timur. Badan Pusat Statistik Jawa Timur.

Gaurav Kumar Nayak, Swathi J Narayanan, dan Ilango Paramasivam. (2013). Devdelopment and Comparative Analysis of Fuzzy Inference Systems for Predicting Customer Buying Behavior. International Journal of Engineering and Technology. 5 (5), 4093-4108

Gufron, Adhi. (2010). Penerapan Fuzzy Logic dalam Sistem Kenaikan Jabatan (studi kasus: PT Krakatau Daya Listrik Cilegon) [skripsi]. Jakarta: Universitas Islam Negeri Syarif Hidayatullah

Kristianto, Ahmad. (2017). Perancangan Alat Pengendali Suhu Dan Kelembaban Pada Budidaya Cacing Lumbricus Rubellus Menggunakan Metode Anfis (Adaptive Neuro Fuzzy Inference System) [skripsi]. Malang: Universitas Muhammadiyah Malang.

Mujilahwati, S., & Sulistiono, E. (2016). Pemanfaatan Neural Fuzzy Dalam Pemilihan Hotel Di Kota Surabaya Berbasis Android. Joutica Press, ISSN 2503-07103, 28-32

S. Hartati dan S. Kusumadewi. (2006). Neuro-FuzzyIntegrasi SystemFuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.

Sulhan, M. & Kairiah, Rizkiyatul. (2015). Sistem Informasi Peramalan (Forecasting) Produksi Melalui Pendekatan Time Series Pada PT PN XII (Persero Malang). 7(2085-2347),147-152

Syahputra, Ramadoni. (2015). Simulasi Pengendalian Temperatur Pada Heat Exchanger Menggunakan Teknik Neuro Fuzzy Adaptif. Jurnal Teknologi. 8 (2), 161-168

Tjahjono, A., Martiana, E., & Ardhinata, T. H. (2011). Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Sistem Pengambilan Keputusan Distribusi Obat pada Sistem Informasi Terintegrasi Puskesmas dan Dinas Kesehatan. Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, 4(1), 338-344.

DOI: https://doi.org/10.31764/jtam.v3i1.769