BAB 2 LANDASAN TEORI - thesis.binus.ac.idthesis.binus.ac.id/Doc/Bab2/2012-1-00658-STIF Bab 2.pdf ·...
Transcript of BAB 2 LANDASAN TEORI - thesis.binus.ac.idthesis.binus.ac.id/Doc/Bab2/2012-1-00658-STIF Bab 2.pdf ·...
BAB 2
LANDASAN TEORI
Pembahasan pada bab ini, merupakan pembahasan mengenai teori-teori yang
berkaitan dengan penelitian. Teori-teori tersebut meliputi mata uang, pelaku yang
berperan, faktor-faktor yang mempengaruhi kurs, peramalan, logika fuzzy, fuzzy time
series, algoritma automatic clustering, metode automatic clustering and fuzzy logic
relationship dan rekayasa perangkat lunak.
2.1 Metode Automatic Clustering and Fuzzy Logic Relationship
Dalam bagian ini, disajikan metode untuk peramalan pendaftaran didasarkan
pada metode automatic clustering and fuzzy logic relationship.
Langkah 1. Menerapkan metode automatic clustering untuk cluster data historis ke
interval dan untuk menghitung titik tengah tiap interval
Langkah 2. Mengasumsikan bahwa terdapat n interval u1,u2,…,dan un, kemudian
mendefinisikan setiap fuzzy set Ai, dimana 1 ≤ i ≤ n, sebagai berikut:
nnn
nn
nn
nn
uuuuuuA
uuuuuuA
uuuuuuA
uuuuuuA
15.0...0000...
00...5.015.00
00...05.015.0
00...005.01
14321
143213
143212
143211
++++++=
++++++=
++++++=
++++++=
−
−
−
−
7
Langkah 3. Fuzzifikasi setiap data dalam sejarah data menjadi himpunan fuzzy. Jika
milik data u1, dimana 1 ≤ i ≤ n, kemudian data difuzzifikasi ke Ai.
Langkah 4. Membuat relasi logika fuzzy didasarkan pada fuzzifikasi data historis yang
diperoleh t+1 adalah Ai dan Ak, masing-masing kemudian membangun relasi logika
fuzzy “Ai → Ak”, dengan Ai dan Ak berturut-turut disebut keadaan saat ini dan
keadaan berikutnya dari relasi logika fuzzy. Berdasarkan pada keadaan saat ini pada
relasi logika fuzzy, relasi logika fuzzy dibagi ke dalam kelompok relasi logika fuzzy,
di mana relasi logika fuzzy yang memiliki keadaan saat ini yang sama dimasukkan
ke dalam kelompok relasi logika fuzzy yang sama.
Langkah 5. Menghitung perkiraan / peramalan dengan prinsip berikut
Prinsip 1. Jika fuzzifikasi nilai dari tahun t adalah Aj dan hanya ada satu relasi
logika fuzzy pada kelompok relasi logika fuzzy yang memiliki keadaan saat ini
Aj ditunjukkan sebagai berikut :
Ai →Ak,
Kemudian peramalan nilai pada tahun t+1 adalah mk, dimana mk adalah titik
tengah dari interval uk dan nilai keanggotaan maksimum dari himpunan fuzzy Ak
terjadi pada interval uk.
Prinsip 2. Jika fuzzifikasi nilai dari tahun t adalah Aj dan ada relasi logika fuzzy
berikut dalam kelompok relasi logika fuzzy yang memiliki keadaan sekarang Aj,
ditunjukkan sebagai berikut :
Ai →Ak1 (x1), Ak2 (x2), … Akp (xp).
Kemudian peramalan nilai dari tahun t+1 dihitung sebagai berikut :
8
p
kppkk
xxxmxmxmx
+++
×++×+×
......
21
2211
Dimana xi menggambarkan angka dari relasi logika fuzzy “Aj → Aki” pada
kelompok relasi logika fuzzy, 1 ≤ i ≤ p; mk1, mk2,.. dan mkp adalah titik tengah
dari interval-interval uk1,uk2,.. dan ukp berturut-turut, dan nilai keanggotaan
maksimum dari himpunan fuzzy Ak1, Ak2, … dan Akp terjadi pada interval
uk1,uk2,… dan ukp berturut-turut.
Prinsip 3. Jika fuzzifikasi nilai dari tahun t adalah Aj dan ada relasi logika fuzzy
dalam kelompok relasi logika fuzzy yang memiliki keadaan sekarang Aj, yang
digambarkan seperti dibawah ini :
Ai → ≠
Dimana simbol “≠” menunjukkan sebuah nilai yang tidak diketahui, maka
perkiraan nilai pada tahun t+1 adalah mj, dimana mj adalah titik tengah dari
Interval uj dan nilai keanggotaan maksimal dari himpunan fuzzy Aj terjadi pada
uj.
2.2 Algoritma Automatic Clustering
Algoritma Automatic Clustering disajikan sebagai berikut :
Langkah 1. Mengurutkan data numeric dalam urutan menaik memilik n data numeric
yang berbeda. Diasumsikan bahwa data ascending urutan tanpa data ganda akan
ditampilkan sebagai berikut
d1,d2,d3,…,dn.
Berdasarkan barisan di atas, dihitung nilai dari “average_dif” sebagai berikut :
9
1
)(_
1
11
−
−=∑−
=+
n
dddifaverage
n
iii
Langkah 2. Mengambil data angka pertama (data terkecil dalam barisan data terurut
naik) ke dalam pengelompokan sekarang. Berdasarkan nilai dari “average_dif”,
ditentukan apakah data angka mengikuti data pada pengelompokan sekarang pada
barisan data terurut naik dapat diletakkan pada pengelompokan sekarang atau
diletakkan pada pengelompokan baru berdasarkan prinsip berikut :
Prinsip 1. Diasumsikan bahwa saat ini cluster adalah cluster pertama dan hanya
ada satu data d1 di dalamnya dan menganggap bahwa d2 adalah data yang
berdekatan dengan d1, ditampilkan sebagai berikut :
{d1},d2,d3,…,dn.
Jika d2-d1 ≤ average_dif, maka d2 diletakkan ke dalam pengelompokan sekarang
yang mana d2 termasuk. Sebaliknya dibentuk kelompok baru untuk d2 dan
biarkan cluster baru yang baru dibangun dimana d2 termasuk ke dalam cluster
sekarang.
Prinsip 2. Diasumsikan bahwa cluster yang sekarang bukan yang pertama cluster
dan hanya ada satu data dj di cluster saat ini. Diasumsikan bahwa dk adalah data
yang berdekatan di sebelah dj dan mengganggap bahwa di adalah data terbesar di
cluster yang merupakan anteseden cluster cluster saat ini, akan ditampilkan
sebagai berikut:
{d1,..},…,…,…{…,d1},{dj},dk,..dn.
10
Jika dk - dj ≤ average_dif dan dk–dj < dj –di, maka taruh dk ke cluster yang saat
ini milik dj. Jika tidak, hasilkan suatu cluster baru untuk dk dan biarkan cluster
yang baru dihasilkan dengan dk termasuk menjadi cluster saat ini.
Prinsip 3. Diasumsikan bahwa cluster yang sekarang bukan cluster yang pertama
dan ada lebih dari satu data dicluster saat ini. Diasumsikan bahwa di adalah data
terbesar di cluster saat ini dan diasumsikan bahwa dj adalah data yang
berdekatan di sebelah dj, yang ditampilkan sebagai berikut:
{d1,…},…,{…},{….,di},dj,…,dn.
Jika dj – di ≤ average_dif dan dj – di < cluster_dif, maka dj diletakkan dalam
cluster yang saat ini terdapat di. Jika tidak, hasilkan cluster baru untuk dj dan
biarkan cluster baru yang dihasilkan sehingga dj termasuk dalam cluster saat ini,
dimana “cluster_dif” menunjukan perbedaan rata-rata jarak antara setiap
pasangan data yang berdekatan dalam cluster dan nilai dari cluster_dif dihitung
sebagai berikut :
∑−
=
+
−−
=1
1
1
1)(
_n
i
ii
nCC
difcluster
Dengan c1,0, c2,0,… dan cn,0 menggambarkan data dalam cluster saat ini.
Langkah 3. Berdasarkan hasil pengelompokan yang diperoleh pada Langkah 2,
sesuaikan isi dari kelompok ini menurut prinsip berikut :
Prinsip 1. Jika sebuah kelompok memiliki lebih dari dua data, maka kita menjaga
data terkecil, menjaga data terbesar dan menghapus yang lain.
11
Prinsip 2. Jika sebuah cluster memiliki tepat dua data, maka kita tinggalkan (tidak
berubah).
Prinsip 3. Jika sebuah cluster hanya memiliki satu data dq, maka kita meletakkan
nilai-nilai dari “dq – averange_dif” dan “dq + average_dif” ke dalam cluster dan
menghapus dq dari cluster ini. Terlebih lagi jika situasi berikut terjadi, cluster
perlu disesuaikan lagi:
Situasi 1. Jika situasi terjadi di cluster pertama, maka kita menghapus nilai
dari “dq – average_dif” sebagai ganti dari dq dari cluster ini.
Situasi 2. Jika situasi terjadi di cluster terakhir, maka kita menghapus nilai
dari “dq + average_dif” sebagai ganti dari dq dari cluster ini.
Situasi 3. Jika nilai dari “dq – average_dif” lebih kecil dari pada nilai
terkecil dalam cluster yang terdahulu, maka semua tindakan dari Prinsip
3 dibatalkan.
Langkah 4. Asumsikan bahwa hasil cluster yang diperoleh pada Langkah 3 adalah
ditampilkan sebagai berikut :
{d1,d2},{d3,d4},{d5,d6},…{dn-1,dn}
Mengubah kelompok ini ke dalam interval yang bersebelahan dengan sub-langkah
berikut :
Langkah 4.1 Merubah cluster pertama {d1,d2} ke dalam interval [d1,d2aaa].
12
Langkah 4.2 Jika interval saat ini adalah [di,djaaa dan cluster saat ini adalah
{dk,dl}, maka
1. Jika dj ≥ dk, maka {dk,dl} dalam cluster saat ini diubah ke dalam interval
[dk, dlaaa. Biarkan [dk, dlaaa menjadi interval saat ini dan biarkan
cluster selanjutnya {dm,dn} menjadi clustIer saat ini.
2. Jika dj < dk, maka ubahlah {dk,dl} ke dalam interval [dk, dlaaa dan bentuk
sebuah interval baru [dj, dkaaa diantara [di, djaaa dan [dk,dlaaa. Biarkan
[dk,dlaaa menjadi interval saat ini dan biarkan cluster selanjutnya {dm,dn}
menjadi cluster saat ini. Jika interval saat ini adalah [di,djaaa dan cluster
saat ini adalah {dk}, kemudian ubahlah interval saat ini [di, djaaa ke
dalam [di, dkaaa. Biarkan [di,dkaaa menjadi interval saat ini dan biarkan
cluster selanjutnya menjadi cluster saat ini.
Langkah 4.3 memeriksa dengan berulang-ulang interval saat ini dan cluster saat
ini sampai semua kelompok telah berubah menjadi interval
Langkah 5. Untuk setiap interval yang diperoleh pada Langkah 4, bagi masing-masing
p diperoleh interval ke sub-interval, dimana p ≥ 1.
2.3 ARIMA
Menurut Aswi (2006, p21) model Auto Regressive / Integrated / Moving
Average (ARIMA) dipelajari oleh George Box dan Gwilym Jenkins (1976) sehingga
nama mereka sering disinonimkan dengan model ini. Model ARIMA terdiri dari dua
aspek yaitu aspek autoregressive dan moving average. Model ARIMA ini dituliskan
13
dengan notasi ARIMA (p,d,q) dimana p adalah orde dari autoregressive (AR), d
menyatakan nilai differencing dan q menyatakan orde moving average (MA).
Boxet al (1994, p92-93) memberikan cara untuk merubah proses time-series
yang tidak stasioner menjadi stasioner yaitu dengan menggunakan operator differencing
sebagai berikut :
1 B
Sehingga model persamaan untuk model ARIMA menjadi :
� B 1 B Z θ B a atau � B Z θ B a
2.4 Identifikasi Model
Identifikasi model dilakukan untuk menemukan orde dari operator AR (p),
order dari operator differencing (d) dan order dari operator MA (q).Untuk dapat mencari
nilai dari (p,d,q) digunakan diagram autocorrelation function (ACF) dan diagram
partial autocorrelationfunction (PACF) dengan cara melakukan plot nilai ACF dan
PACF terhadap lag time.
Wang (2009,pp2-3) menunjukkan bahwa ACF dan PACF didasarkan pada
covariance. Untuk time-series , , … , , covariance pada lagk, dinotasikan
sebagai dan dapat diestimasi dengan cara :
γ1n w w
untuk k = 0,1, … , M
untuk k = 0, γ variance
Madalah jumlah lag paling besar yang didapat dari :
14
Mn4
Maka ACF dan PACF pada lagk yang dinotasikan menjadi dan dapat
diestimasi dengan cara :
ργγ
α ρ
α ,ρ ∑ ρ α
1 ∑ ρ α
α , α α , α ,
( j =1,2, … , k )
Untuk k = 1,2, … , M
Menurut Wang (2009,p3) untuk mendapatkan nilai orde d pada proses time-
series yang dinotasikan , , … , dapat menggunakan langkah - langkah berikut:
a. Beri nilai awal d = 0
b. Buat proses time-series yang didifferencing dan dinotasikan sebagai :
1
Untuk t = d + 1, d + 2, … , N
c. Hitung ACF untuk , , … ,
d. Jika nilai ACF turun sangat lambat menuju 0 maka d = d + 1 dan kembali ke
langkah a, lainnya maka nilai d sudah didapat.
Setelah mendapat nilai d maka deret , , … , telah dirubah menjadi
deret stasioner , , … , dan kita dapat mengestimasi rata – ratanya dengan :
15
z1
N d zN
Lalu kita dapat mendapatkan deret dengan rata – rata kosong
, , … , dimana sehingga permasalahan model ARIMA (p,d,q)
untuk , , … , dirubah menjadi permasalahan model ARMA (p,q) untuk
, , … , dan dapat menggunakan permodelan ARMA yaitu :
� B x θ B a
Untuk mengetahui nilai orde p dan q yaitu dengan melihat plot ACF dan
PACF. Nilai p didapat dari banyaknya nilai PACF yang signifikan tidak sama dengan 0
dan nilai q didapat dari banyaknya nilai ACF yang signifikan tidak sama dengan 0.
2.5 Rekayasa Perangkat Lunak (RPL)
Menurut Pressman (2002, p28), Rekayasa Perangkat Lunak adalah :
“Pengembangan dan penggunaan prinsip rekayasa untuk memperoleh perangkat
lunak secara ekonomis yang reliable dan bekerja secara efiesien pada mesin
nyata.”
2.5.1 Model Proses Rekayasa Perangkat Lunak (RPL)
System Development Life Cycle (SDLC) adalah kerangka kerja yang
terstruktur yang terdiri dari urutan proses oleh sistem informasi yang dikembangkan.
Model-model pengembang menggunakan pendekatan waterfall ke SDLC, dimana
tugas-tugas dalam satu tahap telah selesai sebelum melanjutkan pekerjaan ke tahap
berikutnya.
16
Gambar 2.1 Waterfall Model
a. Systems Investigation
Pengembangan sistem professional setuju bahwa semakin banyak waktu yang
diinvestasikan dalam usaha memahami program yang harus dipecahkan, dalam
memahami pilihan teknis untuk sistem dan pemahaman masalah yang mungkin
terjadi selama perkembangan, semakin besar kesempatan untuk benar-benar
berhasil memecahkan masalah.
b. Systems Analysis
Systems analysis adalah pemeriksaan bisnis organisasi terencana untuk
memecahkan masalah dengan sistem informasi. Tahap ini mendefinisikan masalah
bisnis, mengidentifikasi penyebabnya, menentukan solusi dan mengidentifikasi
persyaratan informasi bahwa solusi harus terpenuhi.
c. Systems Design
17
Systems design menggambarkan apa yang harus dilakukan untuk memecahkan
masalah bisnis, dan systems design yang menggambarkan bagaimana sistem akan
menyelesaikan tugas ini.
d. Programming
Programming melibatkan terjemahan spesifikasi design ke dalam kode computer.
e. Testing
Testing akan memeriksa apakah kode computer akan menghasilkan hasil yang
diharapkan dan mengalami kondisi tertentu. Testing membutuhkan sejumlah besar
waktu, tenaga dan biaya untuk melakukannya dengan benar
f. Implementation
Implementation adalah proses konversi dari sistem lama ke sistem baru.
g. Operation dan Maintenance
Setelah konversi, sistem baru akan beroperasi selama jangka waktu tertentu sampai
itu tidak lagi memenuhi tujuannya. Sistem memerlukan beberapa jenis
maintenance. Tipe pertama adalah debugging, sebuah proses yang berlanjut
sepanjang hidup sistem. Tipe kedua adalah memperbaharui sistem untuk
mengakomodasi perubahan dalam kondisi bisnis.
2.5.2 Flowchart / Diagram Alir
Diagram ini adalah skema yang merepresentasikan sebuah algoritma atau
sebuah proses. Adapun simbol-simbol dari Flowchart yang digunakan dalam ilmu
computer seperti pada gambar berikut :
18
Gambar 2.2 Bentuk-bentuk Pada Flowchart
Keterangan gambar :
a. Simbol yang menyatakan awal dan akhir
b. Simbol yang menyatakan proses
c. Simbol yang menyatakan input ataupun output
d. Simbol yang menyatakan aliran data
e. Simbol yang menyatakan sebuah kondisi atau keputusan. Biasanya berisi
pernyataan benar atau salah.
2.5.3 Structured Design
Struktur desain dibuat oleh Ed Yourdon dan Larry Constantine. Teknik ini
berhubungan dengan ukuran dan kompleksitas dari program dengan memecah suatu
program menjadi hierarki modul-modul yang memudahkan untuk diimplementasikan
dan di-maintenance. Tool utama yang digunakan pada structured design adalah
structure chart. Structure chart digunakan untuk menggambarkan desain modul
19
program. Pendekatan yang digunakan untuk melakukan transformasi data flow diagram
(DFD) menjadi structure chart, yaitu:
Transaction analysis, yaitu memeriksa DFD untuk mengidentifikasi yang mewakili
pusat transaksi. Transaction center adalah proses yang sebenarnya tidak melakukan
transformasi pada data yang masuk, namun ia menyediakan rute data menjadi dua atau
lebih proses seperti pada Gambar 2.3, dan Gambar 2.4, merupakan hasil dari structure
chart dengan transaction center.
Gambar 2.3 DFD dengan Transaction Center
20
Gambar 2.4 Structure Chart dengan Transaction Center
Pada Gambar 2.3 DFD dibagi menjadi 3 bagian, yaitu input, transaction dan output.
Sedangkan pada Gambar 2.4, menunjukkan hasil transformasi DFD menjadi structure
chart.
2.5.4 Interaksi Manusia dan Komputer
Ini prinsip-prinsip dasar desain antarmuka, heuristic berasal dari pengalaman,
harus divalidasi dan halus (Shneiderman, 1998), yang dikenal dengan eight golden
rules, yaitu :
a. Strive for consistency
Prinsip ini yang paling sering dilanggar, karena ada banyak bentuk konsistensi yang
bisa dibentuk, yang umumnya sulit untuk diikuti semuanya. Konsisten urutan
tindakan harus diminta dalam situasi yang mirip. Terminology identik yang
digunakan untuk prompt, menu, layar bantu, konsistensi warna, tata letak, huruf
besar dan kecil, dan sebagainya harus diterapkan diseluruh halaman. Untuk
21
pengecualian, seperti bagian password atau konfirmasi dari perintah menghapus
dapat dimaklumi namun terbatas jumlahnya.
b. Enable frequent users to use shortcuts
Karena frekuensi penggunaan yang semakin meningkat, pengguna menginginkan
adanya fitur yang bisa dipakai untuk mengurangi jumlah interaksi dan untuk
meningkatkan kecepatan interaksi. Shortcuts, tombol khusus, perintah tersembunyi
dan fasilitas makro sering dicari oleh pengguna untuk kemudahan. Waktu respon
yang cepat dan kecepatan tampilan adalah atraksi lainnya bagi frequent users.
c. Offer informative feedback
Untuk setiap tindakan pengguna, sistem harus ada umpan balik. Untuk tindakan
yang sering dilakukan atau tindakan kecil mendapat respon sederhana, sedangkan
untuk tindakan yang jarang dan tindakan-tindakan besar, respon yang diberikan
harus lebih baik.
d. Design dialogs to yield closure
Urutan tindakan harus diatur dalam kelompok-kelompok yang memilik awal,
tengah dan akhir. Umpan balik yang informatif pada kelompok penyelesaian
tindakan operator memberikan kepuasan prestasi, rasa lega, sinyal untuk
menurunkan rencana kontingensi dan pilihan dari pikiran mereka, dan suatu
indikasi cara yang jelas untuk mempersiapkan kelompk tindakan berikutnya.
e. Offer error prevention and simple error handling
Desain sistem yang dibuat harus sebaik mungkin sehingga pengguna tidak
membuat kesalahan yang serius, misalnya memilih pilihan menu yang salah atau
memasukkan isian huruf karakter abjad di bagian numerik. Jika pengguna membuat
22
kesalahan, sistem harus mendeteksi kesalahan dan menawarkan konstruksi
sederhana atau khusus untuk pemulihan.
f. Permit easy reversal of actions
Tindakan yang diambil harus dapat dikembalikan ke tindakan sebelumnya. Hal ini
bertujuan untuk mengurangi kecemasan, karena pengguna tahu bahwa kesalahan
dapat dibatalkan, sehingga mendorong eksplorasi lebih lanjut.
g. Support internal locus of control
Operator berpengalaman menginginkan bahwa mereka yang memegang kendali
atas sistem dan sistem menanggapi tindakan mereka. Sistem yang rusak, kesalahan
entry-data, ketidakmampuan atau kesulitan dalam memperoleh informasi yang
diperlukan, dan ketidakmampuan untuk menghasilkan tindakan yang diinginkan
membuat kecemasan dan ketidakpuasan pengguna.
h. Reduce short-term memory load
Keterbatasan pemrosesan informasi manusia dalam memori jangka pendek
memerlukan tampilan tetap sederhana, tampilan beberapa halaman dapat
dikonsolidasikan, jendela-gerak frekuensinya dikurangi, dan waktu pelatihan yang
cukup, serta adanya urutan tindakan. Jika sesuai, akses online ke sintaks perintah-
bentuk, singkatan, kode, dan informasi lainnya harus disediakan.
2.6 Fuzzy Time Series (FST)
Konsep dasar FST yang diperkenalkan oleh Song dan Chissom (1993a, 1993b,
1994) dimana nilai FST direpresentasikan dengan himpunan fuzzy (Chen, 1998; Zadeh,
1965). Didefinisikan U adalah semesta pembicaraan dimana U = {u1, u2, … , un}.
23
Sebuah himpunan fuzzy dalam semesta pembicaraan U dapat direpresentasikan sebagai
berikut :
A = fA(u1)/u1 + fA(u2)/u2 + …. + fA(un)/un
Dengan fA adalah fungsi keanggotaan dari himpunan fuzzy A, fA : U→ [0,1],
fA(ui) merupakan tingkat keanggotaan dari ui dalam himpunan fuzzy A, dan 1 ≤ i ≤ n.
Definisi pada fuzzy time series :
Definisi 1. Misalkan Y(t) (t = …, 0, 1, 2, …), sebuah himpunan bagian dari R1, semesta
pembicaraan pada himpunan fuzzy fi (t) (t = 1,2,…) didefinisikan dan F(t) adalah
koleksi fi (t) (t = 1,2, … ). Maka F(t) disebut fuzzy time series pada Y(t) (t = … , 0,1,2
…)
Andaikan i dan j adalah indeks himpunan F(t-1) dan F(t) berturut-turut.
Definisi 2. Jika ada fi(t)∈F(t) dimana j∈J, ada sebuah fi(t-1)∈F(t-1) dimana i∈ I
sehingga ada relasi fuzzy Rij(t,t-1) dan fi(t) = fi (t-1) o Rij(t,t-1) dimana o adalah
komposisi maks-min, maka F(t) dikatakan disebabkan hanya oleh F(t-1).
fi(t-1) → fi(t)
atau ekuivalen dengan
F(t-1)→F(t).
Definisi 3. Jika ada fi(t)∈F(t) dimana j∈J, ada sebuah fi(t-1)∈F(t-1) dimana i∈ I
sehingga ada relasi fuzzy Rij(t,t-1) dan fi(t) = fi (t-1) o Rij(t,t-1). Misalkan R(t,t-
1)=UijRij(t,t-1) dimana ‘U’ adalah operator gabungan. Maka R(t,t-1) disebut relasi
24
fuzzy antara F(t) dan F(t-1) dan didefinisikan sebagai persamaan relasi fuzzy sebagai
berikut :
F(t)= F(t-1) o R(t,t-1).
Definisi 4. Andaikan F(t) adalah fuzzy time series (t = …,0,1,2,…) dan t1 ≠ t2. Jika ada
fi(t1) ∈F(t1) ada sebuah fj(t2) ∈F(t2) sehingga fi(t1) = fj(t2) dan sebaliknya, maka
definisikan F(t1)=F(t2).
Definisi 5. Andaikan dan )1,()1,( 11 −=−= ttRUttR ijij adalah dua relasi fuzzy antara
F(t) dan F(t-1). Jika ada fj(t) ∈F(t) dimana j ∈J ada sebuah fi(t-1) ∈F(t-1) dimana i
∈I dan relasi fuzzy )1,(1 −ttRij dan )1,(2 −ttRij sehingga fj(t)= fi(t-1) o )1,(1 −ttRij dan
fj(t)= fi(t-1) o )1,(2 −ttRij . Maka definisikan )1,(1 −ttR = )1,(2 −ttR .
Definisi 6. Jika ada fj(t) ∈F(t), ada sebuah integer m > 0 dan sebuah relasi fuzzy
)1,( −ttR pa sehingga ),())(...)2()1(()(
21mttRmtxfxtxftftf p
aiiij m−−−−= o .
Dimana ‘x’ adalah hasil kali kartesian (sistem koordinat), j ∈J dan ik ∈Ik adalah
himpunan indeks untuk F(t-1)(k = 1, … , m), maka F(t) dikatakan disebabkan oleh
F(t-1), F(t-2),… dan F(t-m). Definisikan ),(),( mttRUmttR papa −=− sebagai relasi
fuzzy antara F(t), F(t-1),F(t),…, dan F(t-m).
Dinotasikan sebagai berikut
)()(...)2()1(21
tfmtftftf jiii m→−∩∩−∩−
Atau ekuivalen dengan
25
)()(...)2()2()1( tFmtFtFtFtF →−∩∩−∩−∩−
Dimana ‘∩’ adalah operator irisan dan persamaan relasi fuzzy sebagai berikut
),())(...)3()2()1(()( mttRmtxFxtxFtxFtFtF a −−−−−= o
Definisi 7. Pada definisi 6, dengan kondisi lain jika ada sebuah relasi fuzzy
),( mttR pa − sehingga ),())(...)2()1(()(
21mttRmtftftftf p
aiiij m−−∪∪−∪−= o .
Maka F(t) dikatakan disebabkan oleh F(t-1) atau F(t-2) atau …. atau F(t-m).
Dinotasikan relasi sebagai berikut
)()(...)2()1(21
tfmtftftf jiii m→−∪∪−∪−
Atau ekuivalen dengan
)()(...)2()1( tFmtFtFtF →−∪∪−∪−
Dan persamaa relasi fuzzy sebagai berikut :
),())(...)2()1(()( mttRmtFtFtFtF o −−∪∪−∪−= o
Dimana ).,(),( mttRUmttR papo −=− Dan ),( mttRo − didefinisikan relasi fuzzy
antara F(t) dan F(t-1) atau F(t-2) atau … atau F(t-m).
Langkah-langkah peramalan dengan Fuzzy Time Series :
a. Mendefinisikan semesta pembicaraan U dengan data historis dalam himpunan
fuzzy yang akan didefinisikan. Biasanya ketika mendefinisikan semesta, pertama
26
harus ditemukan data pendaftaran tertinggi Dmax dan terendah Dmin dari data
historis. Berdasarkan pada Dmin dan Dmax definisikan U sebagai [Dmin-D1,
Dmax+D2] dengan D1 dan D2 adalah dua bilangan positif yang tepat.
b. Membagi semesta U ke dalam beberapa panjang interval.
c. Mendefinisikan himpunan fuzzy pada semesta U. Pertama, menentukan beberapa
nilai linguistik. Tidak ada batasan pada angka himpunan fuzzy yang didefinisikan.
Kedua, mendefinisikan himpunan fuzzy pada U. semua himpunan fuzzy akan diberi
nama dengan nilai linguistic yang mungkin.
d. Fuzzifikasi data historis, temukan sebuah himpunan fuzzy yang sesuai dengan
setiap tahun pendaftaran.
e. Dapatkan pengetahuan historis dari perkembangan data untuk membangun model
peramalan.
f. Menghitung nilai peramalan dengan aturan sebagai berikut:
Aturan 1 : Jika himpunan fuzzy sekarang adalah Ai, dan relasi logika fuzzy
kelompok Ai adalah kosong, missal Ai → ≠, maka nilai peramalannya adalah mi
atau titik interval ui.
Aturan 2 : jika jika himpunan fuzzy sekarang adalah Ai, dan relasi logika fuzzy
kelompok Ai adalah satu-satu, missal Ai → Aj, maka peramalannya adalah mj
atau titik tengah interval uj.
Aturan 3 : jika jika himpunan fuzzy sekarang adalah Ai, dan relasi logika fuzzy
kelompok Ai adalah lebih dari satu, maka Ai → Aj1,Aj2,Aj3,..Ajm. maka nilai
peramalannya sama dengan rata-rata mj1.mj2,..mjn atau nilai titik tengah dari uj1, uj2,
… ujn.
27
2.7 Logika Fuzzy
Pada penalaran di kehidupan sehari-hari logika yang biasanya dipakai maupun
pada penalaran ilmiah ialah logika dwinilai, dimana setiap pernyataan mempunyai dua
kemungkinan nilai, yaitu benar atau salah dan tidak kedua-duanya.
2.7.1 Variabel dan Pengubah Linguistik
Suatu variabel adalah suatu lambang atau kata yang menunjuk kepada suatu
yang tidak tertentu dalam semesta wacananya (Frans Susilo, 2006).
Untuk semesta yang anggota himpunannya merupakan bilangan-bilangan,
maka variabel tersebut disebut variabel numeris, sedangkan yang anggota himpunannya
berupa kata-kata atau istilah disebut variabel linguistik. Variabel linguistik adalah suatu
interval numeric dan mempunyai nilai-nilai linguistik, yang semantiknya didefinisikan
oleh fungsi keanggotaannya. Contoh : untuk suhu yang merupakan suatu variabel
linguistik dapat didefinisikan pada interval [-5oC,35oC], dengan nilai linguistik seperti
“Dingin”, “Hangat”, “Panas” yang semantiknya didefinisikan oleh fungsi-fungsi
keanggotaan tertentu.
2.7.2 Himpunan Fuzzy
Sri Kusumadewi dan Hari Purnomo (2004) dalam bukunya menjelaskan
bahwa dasarnya himpunan fuzzy adalah himpunan klasik (crisp), pada himpunan klasik
A satu elemen akan memiliki 2 kemungkinan keanggotaan yaitu anggota A dinotasikan
dengan µA(x). Pada himpunan klasik ada dua anggota yaitu µA(x) = 1 apabila x
merupakan anggota A dan µA(x) = 0 apabila x bukan anggota A.
Ada beberapa hal yang perlu diketahui dalam sistem fuzzy :
28
a. Variabel Fuzzy, merupakan variabel yang hendak dibahas dalam satu sistem fuzzy.
Contoh : temperature, permintaan, dsb.
b. Himpunan Fuzzy, merupakan satu kelompok yang mewakili satu kondisi atau
keadaan tertentu dalam satu variabel fuzzy. Contoh suhu terbagi menjadi 5
himpunan fuzzy, yaitu : Dingin, Sejuk, Normal, Hangat, dan Panas dapat dilihat
pada gambar dibawah :
Gambar 2.5 Grafik Himpunan Fuzzy
c. Semesta Pembicaraan, merupakan keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam satu variabel fuzzy. Semesta pembicaraan merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.
Nilai semesta pembicaraan dapat berupa bilangan positif dan negatif, adakalanya
juga tidak memiliki batas. Contoh : Semesta pembicaraan untuk variabel umur [0
+∞] dan untuk variabel suhu [0 40].
2.7.3 Sistem Berbasis Aturan Fuzzy
Sistem yang berbasiskan aturan fuzzy terdiri dari tiga komponen utama, yaitu :
29
a. Fuzzification, mengubah masukan-masukan yang bernilai kebenarannya bersifat
tegas atau pasti (crisp input) ke dalam bentuk Fuzzy input, yang berupa nilai
linguistik yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu.
b. Inference, yang bertugas untuk melakukan penalaran menggunakan fuzzy input dan
Fuzzy rule yang telah ditentukan sehingga menghasilkan Fuzzy output.
c. Deffuzzification, tahapan ini mengubah fuzzy output menjadi crisp value kembali
berdasarkan fungsi keanggotaan yang telah ditentukan.
Gambar 2.6 Diagram Blok Sistem Berbasiskan Aturan Fuzzy
2.8 Peramalan
2.8.1 Pengertian Peramalan
Definisi peramalan menurut para ahli :
a. Peramalan merupakan prediksi nilai-nilai sebuah peubah berdasarkan kepada nilai
yang diketahui dari variabel tersebut atau variabel yang berhubungan. Meramal
30
juga dapat didasarkan pada keahlian keputusan (judgement), yang pada gilirannya
didasarkan pada data historis dan pengalaman (Makridakis et al., 1999, p24).
b. Peramalan adalah menduga atau memprediksi peristiwa yang akan datang atau
terjadi di masa depan dan bertujuan untuk memperkecil resiko yang mungkin
terjadi akibat keputusan yang kita ambil, dengan tidak menghilangkan secara penuh
faktor-faktor ketidakpastian yang secara eksplisit diperhitungkan dalam
perhitungan (Djauhari, 1986, p12).
c. Peramalan adalah sebuah teknik yang dapat digunakan untuk memprediksi trend
bisnis dalam usaha membantu perencanaan pengambilan keputusan terbaik untuk
kebutuhan masa depan berdasarkan data historik (Hanke et al.,2005,p1).
Jadi dapat disimpulkan bahwa peramalan adalah suatu kegiatan atau usaha
untuk menduga atau memprediksi nilai di masa yang akan datang, dengan
menggunakan data yang sebelumnya dan kemampuan prediksi ahli, sehingga dapat
mengambil keputusan terbaik.
2.8.2 Jenis - Jenis Peramalan
Menurut Sofjan Assauri (2004), jenis-jenis peramalan berdasarkan sifatnya
terbagi menjadi dalam 2 buah kategori, yaitu :
a. Teknik peramalan kuantitatif
Teknik peramalan kuantitatif adalah suatu metode peramalan yang dapat diterapkan
apabila terdapat informasi atau data tentang masa lalu dan informasi atau tersebut
dapat dikuantitatifkan serta informasi atau data tersebut dapat dianggap terus
31
menerus berlanjut dimasa yang akan datang. Teknik peramalan kuantitatif ini
sendiri dapat dibagi menjadi 2 metode lagi, yaitu :
1) Metode deret berkala (time series)
Metode deret berkala memperhatikan serangkaian variabel yang diamati pada
suatu interval ruang waktu.
2) Metode kausal atau eksplanatoris (regresi)
Metode kausal adalah suatu pemodelan dari variabel yang tak bebas Y
(independent variable) sebagai fungsi dari sejumlah variabel bebas Xi sampai
dengan Xk (dependent variable), metode ini juga digunakan bila ingin
mengetahui seberapa kuat variabel-variabel X mempengaruhi variabel Y.
b. Teknik peramalan kualitatif
Metode kualitatif atau dikenal juga sebagai metode teknologi digunakan apabila
asumsi pola data konstan tidak dipenuhi (pola yang terdapat di dalam masa lalu
tidak dapat dianggap berlanjut terus di masa yang akan datang), serta pula
informasi atau data tentang masa lalu tidak dapat diperoleh atau bilamana
ramalannya mengenai suatu masalah atau peristiwa tidak dapat diharapkan di masa
mendatang.
Menurut Assauri (2004), pada umumnya peramalan dibedakan dari beberapa
segi tergantung dari cara melihatnya. Berdasarkan sifat penyusunannya, maka
peramalan dapat dibedakan menjadi 2 macam yaitu :
a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau
intuisi dari orang yang menyusunnya. Dalam hal ini, pandangan dari orang yang
menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.
32
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang relevan
pada masa lalu, dengan menggunakan teknik-teknik dan metode dalam
penganalisaan data tersebut.
Menurut Heizer dan Render (2006), peramalan berdasarkan horizon waktu
dapat dibedakan atas beberapa kategori, yaitu:
a. Peramalan jangka panjang, yaitu peramalan yang mencakup perencanaan dalam
jangka waktu diatas 3 tahun atau lebih.
b. Peramalan jangka pendek, yaitu peramalan yang mencakup jangka waktu hingga 1
tahun tetapi umumnya tidak lebih dari 3 bulan.
c. Peramalan jangkah menengah, yaitu peramalan yang mencakup batas 3 tahun.
2.8.3 Langkah-Langkah Peramalan
Peramalan terdiri dari beberapa langkah dasar. Haming dan Nurnajamuddin
(2007, p139) merumuskan tujuh langkah untuk memulai, mendesain dan menerapkan
sistem peramalan. Apabila sistem tersebut digunakan untuk menghasilkan ramalan
berkala, maka data harus dikumpulkan secara rutin. Tujuh teknik peramalan tersebut
yaitu :
a. Menetapkan tujuan peramalan
b. Memilih unsure apa yang diramal
c. Menentukan horizon waktu peramalan
d. Memilih tipe model peramalan
e. Mengumpulkan data yang diperlukan untuk melakukan peramalan
f. Membuat peramalan
33
g. Memvalidasi dan menerapkan hasil peramalan
2.8.4 Pemilihan Teknik dan Metode
Menurut Hanke et al., (2005, p74), untuk memilih teknik peramalan yang tepat
secara benar, seorang peramal harus mampu untuk :
a. Mendefinisikan sifat dari masalah yang diramalkan.
b. Menjelaskan sifat data/pola data yang digunakan.
c. Menjelaskan kelebihan dan keterbatasan teknik peramalan yang digunakan.
d. Menentukan beberapa kriteria dimana pemilihan keputusan dapat dibuat.
Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah
identifikasi dan pemahaman akan pola data histori. Jika pola-pola tersebut diketahui,
maka teknik yang mampu digunakan secara efektif dipilih. Jenis-jenik pola data beserta
teknik peramalan yang sesuai (Hanke et al., 2005, p75) :
a. Teknik peramalan untuk data yang stasioner
Suatu data deret waktu ini, merupakan suatu serial data yang nilai rata-ratanya tidak
berubah sepanjang waktu.
Gambar 2.7 Grafik Data Stasioner
34
b. Teknik peramalan untuk data yang trend
Suatu data deret waktu yang menunjukkan pertumbuhan dan penurunan dalam data
tersebut sepanjang suatu periode waktu jangka panjang.
Gambar 2.8 Grafik Data Trend
c. Teknik peramalan untuk data yang musiman
Data deret waktu ini mempunyai pola perubahan yang berulang secara tahunan /
juga bulanan, tergantung pada index musimannya.
Gambar 2.9 Grafik Data Musiman
d. Teknik peramalan untuk data yang siklus
Pola ini didefinisikan sebagai fluktuasi seperti gelombang disekitar garis trend.
Pola ini cenderung berulang setiap dua, tiga tahun atau lebih. Pola siklus sulit untuk
dibuat modelnya karena polanya tidak stabil.
35
Gambar 2.10 Grafik Data Siklus
2.8.5 Ketepatan Metode Peramalan
Makridakis, et.al. (1999) menyatakan bahwa dalam banyak hal, kata
”ketepatan” (accuracy), tapi pada akhirnya menunjukkan seberapa model peramalan
tersebut mampu memperoleh data yang telah diketahui. Makridakis, et,al. (1999)
mempunyai beberapa ukuran statistik standar untuk mengukur ketepatan hasil
peramalan. Ukuran berikut menunjukkan pencocokan suatu model terhadap data historis.
Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan terdapat
n buah galat dan ukuran statistik standar berikut yang dapat didefinisikan sebagai
berikut (Makridakis, et.al., 1999, p61):
Nilai Tengah Galat Absolut (Mean Absolute Error) MAE = ||11∑=
n
iie
n
Nilai Tengah Galat Kuadrat (Mean Squared Error) MSE = nen
ii /
1
2∑=
Galat Persentase (Percentage Error) PE = %100||x
XFX
i
ii −
Nilai Tengah Galat Persentase Absolut MAPE = ||11∑=
n
iiPE
n
36
iii FXe −=
dimana :
e = galat untuk periode ke-i.
Xi = data aktual untuk periode ke-i
Fi = ramalan untuk periode ke-i.
2.9 Mata Uang
Sebelum manusia menggunakan uang ataupun alat pertukaran lainnya,
manusia memenuhi semua kebutuhan dari alam. Setelah sumber daya alam habis,
manusia berpindah dan mencari sumber daya alam untuk memenuhi kebutuhannya.
Pada peradaban kuno, manusia mulai menukar barang miliknya dengan milik orang lain,
pertukaran ini yang disebut barter. Setelah manusia menguasai penggunaan tulisan dan
huruf, uang mulai digunakan. Beberapa wilayah maupun Negara memiliki mata uang
yang sama, tetapi ada juga yang berbeda. Mata uang menjadi alat pembayaran pada
transaksi ekonomi yang digunakan di suatu negara. Mata uang Negara Indonesia adalah
rupiah dan mata uang Negara Amerika adalah dolar Amerika.
2.9.1 Rupiah
Perkataan “rupiah” berasal dari perkataan “Rupee”, satuan mata uang india.
Indonesia telah menggunakan mata uang Gulden Belanda dari tahun 1610 hingga 1817.
Setelah tahun 1817, dikenalkan mata uang Gulden Hindia-Belanda. Mata uang rupiah
pertama kali diperkenalkan secara resmi pada waktu pendudukan Jepang waktu Perang
Dunia ke-2, dengan nama rupiah Hindia Belanda. Setelah berakhirnya perang, Bank
37
Jawa (Javaans Bank, selanjutnya menjadi Bank Indonesia) memperkenalkan mata uang
Rupiah Jawa sebagai pengganti. Mata uang Gulden NICA yang dibuat oleh sekutu dan
beberapa mata uang yang dicetak kumpulan gerilya juga berlaku pada masa itu.
Pada tanggal 2 November 1949 merupakan hari ditetapkannya rupiah sebagai
mata uang resmi Negara Indonesia dan mata uang rupiah dicetak serta diatur
penggunaannya oleh Bank Indonesia.
2.9.2 Dolar Amerika
Mata uang Amerika Serikat bermula pada tahun 1960 sebelum kelahiran
Negara Amerika, ketika wilayah masih terbagi-bagi dalam koloni. Koloni
Massachussetts Bay menggunakan catatan kertas untuk ekspedisi militer. Setelah
perkenalkan mata uang kertas di Massachusetts, koloni lainnya dengan cepat mengikuti.
Namun, mata uang tidak berlangsung lama karena ada dukungan finansial yang cukup
dan catatan kertas itu mudah dipalsukan.
Pihak kongres kemudian mendirikan bank nasional pertama di Philadelphia –
the Bank of North America, untuk membantu pengaturan uang pemerintahan. Dolar
terpilih menjadi mata uang Amerika Serikat pada tahun 1785. Pada saat ini, penerbitan
uang dolar Amerika dikendalikan oleh perbankan Federal Reserve.
2.10 Pelaku yang Berperan
Berikut ini adalah para pelaku yang berperan penting :
a. Bank Indonesia
Fungsi Bank Indonesia dalam pasar valuta asing umumnya sebagai stabilator nilai
tukar mata uang lokal. Tujuan dan Tugas Bank Indonesia yaitu mencapai dan
38
memelihara kestabilan nilai rupiah. Kestabilan nilai rupiah ini mengandung dua
aspek, yaitu kestabilan nilai mata uang terhadap barang dan jasa, serta kestabilan
terhadap mata uang negara lain.
b. Aspek pertama tercermin pada perkembangan laju inflasi, sementara aspek kedua
tercermin pada perkembangan nilai tukar rupiah terhadap mata uang negara lain.
Perumusan tujuan tunggal ini dimaksudkan untuk memperjelas sasaran yang harus
dicapai Bank Indonesia serta batas-batas tanggung jawabnya. Dengan demikian
tercapai atau tidaknya tujuan Bank Indonesia ini kelak akan dapat diukur dengan
mudah.
c. Perusahaan atau individu
Perusahaan atau individu memanfaatkan pasar valuta asing untuk memperlancar
bisnisnya. Yang termasuk dalam kelompok ini adalah eksportir, importir, investor
internasional, perusahaan multinasional, dan sebagainya.
d. Spekulan dan Arbitrator
Spekulan dan arbitrator bertindah atas kehendak mereka sendiri untuk mendapat
keuntungan dari perubahan atau fluktuasi harga umum (capital gain).
e. Dealer
Biasanya yang bertindak sebagai dealer adalah pihak Bank, meskipun ada juga
beberapa dari non-bank. Mereka mendapatkan keuntungan dari selisi hara jual dan
harga beli valuta asing.
f. Pialang
39
Pialang bertindak sebagai perantara yang mempertemukan penawaran dan
permintaan terhadap mata uang tertentu.
2.11 Faktor – Faktor yang Mempengaruhi Kurs Valuta Asing
Secara umum, faktor yang mempengaruhi nilai kurs valuta asing (Hady, 1997)
adalah sebagai berikut :
a. Permintaan dan penawaran valuta asing
Sesuai dengan hukum permintaan dan penawaran, harga valuta asing dapat menjadi
lebih mahal dari nilai nominalnya bila permintaan melebihi jumlah yang
ditawarkan sedangkan penawaran berkurang, begitu pula sebaliknya.
b. Tingkat inflasi
Tingginya angka inflasi yang terjadi pada suatu negara mengindikasikan mahalnya
harga barang (tertentu) di negara tersebut.
c. Tingkat suku bunga
Isu mengenai tingginya tingkat bunga dapat menarik para spekulan uang untuk
memanfaatkan selisih nilai bunga pinjaman dan simpanan. Ketika mata uang asing
masuk ke suatu negara dalam jumlah banyak, permintaan mata uang lokal akan
makin tinggi sehingga nilai mata uang lokal akan naik, sedangkan nilai mata uang
asing relatif akan menurun.
d. Tingkat pendapatan dan produksi
Makin besar nilai barang yang diimpor, makin besar juga permintaan mata uang
asing tersebut sehingga harganya relatif naik dari harga semula terhadap mata uang
lokal.
e. Neraca perdagangan
40
Cadangan devisa adalah total valuta asing yang dimiliki oleh pemerintah dan
swasta dari suatu negara. Cadangan devisa yang bernilai positif mengindikasikan
bahwa penawaran mata uang asing lebih besar daripada permintaannya, sehingga
nilai mata uang lokal menguat, begitu juga sebaliknya.
f. Pengawasan pemerintah
Cara yang sering dilakukan pemerintah dalam mengawasi nilai mata uangnya yaitu
dengan cara kebijakan fiskal dan kebijakan moneter. Kebijakan fiskal dilakukan
dengan cara menaikkan nilai pajak, mengetatkan belanja negara, dan sebagainya
dengan tujuan jumlah mata uang lokal makin sedikit. Kebijakan moneter biasanya
berupa pengetatan uang beredar (atau sebaliknya), menaikkan atau menurunkan
tingkat suku bunga, dan sebagainya.
g. Perkiraan / spekulasi
Perkiraan, terutama dari orang-orang yang dianggap berpengalaman dalam bidang
perdagangan uang dan bidang politik, apabila sifatnya positif bagi negara yang
bersangkutan, kemungkinan besar menyebabkan naiknya permintaan uang lokal
dari negara tersebut.