Anggodo, YusufPriyo (2017) Hybrid Fuzzy Logical Relationships Dengan Automatic Clustering Dan Particle Swarm Optimazition Untuk Peramalan Kebutuhan Hidup Minimum (Studi Kasus : Jawa Timur). Sarjana thesis, Universitas Brawijaya.
Abstract
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.
English Abstract
The minimum living needs (KHM) is the standard needs of a worker or single to be worth living physically for one month. Besides the wage effect on drinking KHM province and city. Therefore required a forecasting KHM to find value of KHM out in the coming year. This is useful for forecasting company in planning financial companies next year. In doing forecasting KHM method using automatic clustering, particle swarm optimization and fuzzy logical relationship. Automatic clustering is used to form sub-interval of time series data. Particle swarm optimization is used to establish the value of the interval used for forecasting. While the fuzzy logical relationship used to do forecasting based on fuzzy relation KHM which have been grouped. Automatic clustering can a excellent cluster so in doing forecasting in fuzzy logical relationship provides high accuracy. While the particle swarm optimization is helpful in shaping the resulting interval value is the value of the error that is getting smaller. In calculating the error using the Root Mean Squere Error (RMSE). Using the method of forecasting results presented provide optimal results and some forecasting data have the same value with the actual data. Further research of forecasting using hybrid fuzzy logical relationship with automatic clustering and particle swarm optimization can be applied to other cases of forecasting has more data and to produce a higher accuracy of fuzzy relation optimization can be done to get better accuracy.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/35/051701131 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Kustati |
| Date Deposited: | 13 Feb 2017 09:58 |
| Last Modified: | 22 Oct 2021 06:14 |
| URI: | http://repository.ub.ac.id/id/eprint/147464 |
Preview |
Text
Jurnal_Skripsi-135150201111028-Yusuf_Priyo_Anggodo.pdf Download (2MB) | Preview |
Preview |
Text
Skripsi-135150201111028-Yusuf_Priyo_Anggodo.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |