Penerapan Metode Fuzzy Time Series Model Lee pada Peramalan Jumlah Pendaftaran Siswa SMA Negeri 1 Senayang Kepulauan Riau

  • Regina Maulisya Prodi Statistika, Fakultas MIPA, Universitas Islam Bandung
  • Nur Azizah Komara Rifai
Keywords: Fuzzy Time Series, Model Lee, Peramalan, Siswa

Abstract

Abstract. The Fuzzy Time Series method was first developed by Song and Chissom in 1993 which is a data forecasting method using the concept of fuzzy sets as the basis for calculation, the forecasting system by capturing patterns from past data is then used to project future data. In 1996, Chen found that the model had a poor error rate so he refined the model. Then in 2009, Lee found a model better than Chen's model with the least error rate. There are several schools that have an increasing or decreasing number of prospective students, as well as at SMA Negeri 1 Senayang. The purpose of this study was to obtain the results of forecasting the number of enrollments of SMA Negeri 1 Senayang students for the next period using Lee's Fuzzy Time Series model with sturgess rules and calculating the error rate of forecasting results. This study used data on the number of enrollments of SMA Negeri 1 Senayang students for the period 2002/2003 to 2022/2023 as many as 21 data. The forecasting results for the 2023/2024 period using Lee's Fuzzy Time Series model are 48 students with a forecasting result error rate of 13.9883 or 14% with good forecasting model criteria and can be used for forecasting the next period.

Abstrak. Metode Fuzzy Time Series pertama kali dikembangkan oleh Song dan Chissom pada tahun 1993 yang merupakan metode peramalan data menggunakan konsep himpunan fuzzy sebagai dasar perhitungan, sistem peramalannya dengan menangkap pola dari data masa lampau kemudian digunakan untuk memproyeksi data yang akan datang. Pada tahun 1996, Chen menemukan bahwa model tersebut mempunyai tingkat kesalahan yang kurang baik sehingga ia menyempurnakan modelnya. Kemudian tahun 2009, Lee menemukan model yang lebih baik dari model Chen dengan tingkat kesalahan paling kecil. Terdapat beberapa sekolah yang mempunyai jumlah calon siswa yang mengalami peningkatan maupun penurunan, begitu pun di SMA Negeri 1 Senayang. Tujuan penelitian ini adalah mendapatkan hasil peramalan jumlah pendaftaran siswa SMA Negeri 1 Senayang untuk satu periode berikutnya menggunakan Fuzzy Time Series model Lee dengan aturan sturgess serta menghitung tingkat kesalahan hasil peramalan. Penelitian ini menggunakan data jumlah pendaftaran siswa SMA Negeri 1 Senayang periode 2002/2003 sampai 2022/2023 sebanyak 21 data. Hasil peramalan untuk periode 2023/2024 dengan menggunakan Fuzzy Time Series model Lee yaitu sebesar 48 siswa dengan tingkat kesalahan hasil peramalan sebesar 13.9883 atau 14% dengan kriteria model peramalan baik dan dapat digunakan untuk peramalan periode berikutnya.

References

Anggriani, Darni. (2012). Perbandingan Model Chen dan Model Lee Pada Metode Fuzzy Time Series Untuk Prediksi Harga Emas. Skripsi. Pekanbaru: Program Studi Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Batam.Tribunnews.com. (2017, 15 Juli). Ruang Labor SMPN 36 Terpaksa Disulap Jadi Ruang Kelas, Tapi Kursi Tidak Ada. Diakses pada 11 Juni 2022, dari https://batam.tribunnews.com/2017/07/15/ruang-labor-smpn-36-terpaksa-disulap-jadi-ruang-kelastapi-kursi-tak-ada?page=all.

Batam.Tribunnews.com. (2022, 31 Maret). Jumlah Calon Siswa Terus Turun, Tidak Ada Tambahan Ruang Kelas Baru di Bintan Tahun Ini. Diakses pada 11 Juni 2022, dari https://batam.tribunnews.com/2022/03/31/jumlah-calon-siswa-terus-turun-tak-ada-tambahan-ruang-kelas-baru-di-bintan-tahun-ini.

Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. International Journal of Fuzzy Sets and System, 81, 311 – 319.

Herjanto, Eddy. (2010). Manajemen Operasi. Jakarta: Grasindo.

Khusna, S.A. (2018). Analisis Jumlah Siswa Baru dengan Metode Peramalan Smoothing di MTs Abdulloh Mojo. Skripsi. Kediri: Jurusan Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Nusantara PGRI Kediri.

Song, Q. & Chissom, B.S. (1993). Forecasting enrollments with fuzzy time series – part I. Fuzzy Sets and System, 54, 1 – 9.

Wiladibrata, M.I., & Rifai, N.A.K. (2022). Peramalan Produksi Mobil Menggunakan Metode Double Exponential Smoothing dengan Algoritma Golden Section. ISSN: 2828-206X. 2(2), 507-511.

W. Qiu, X. Liu, & H. Li. (2011). A Generalized Method for Forecasting Based on Fuzzy Time Series. International Journal of Expert System with Applications, 38, 10446- 10453.

Y. Wang, Y. Lei, & Y. Wang. (2015). Intuitionistic Fuzzy Time Series Forecasting Model Based on Intuitionistic Fuzzy Reasoning. International Journal of Mathematical Problems in Engineering, 2016, 1 – 12.

Zadeh L. A. (1965). Fuzzy Sets. Information and Control, 8, 338-353.

Fatmawati, & Rifai, N. A. K. (2023). Klasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector Machine dengan Algoritma Grid Search Cross-validation. Jurnal Riset Statistika, 79–86. https://doi.org/10.29313/jrs.v3i1.1945

Inas Azizah, P. D. (2022). Penerapan Probabilistic Neural Network pada Klasifikasi Berat Bayi Baru Lahir. Jurnal Riset Statistika, 1(2), 152–159. https://doi.org/10.29313/jrs.v1i2.524

Susilawati, R., & Sunendiari, S. (2022). Peramalan Jumlah Penumpang Kereta Api Menggunakan Metode Arima dan Grey System Theory. Jurnal Riset Statistika, 1–13. https://doi.org/10.29313/jrs.vi.603

Published
2023-08-02