Rahamini 2010 dalam tulisannya memaparkan algoritma metode automatic clustering relasi logika fuzzy adalah sebagai berikut:
Langkah 1 : Memasukkan data yang akan dilakukan peramalan.
Langkah 2 : Menentukan interval dengan menggunakan algoritma automatic
clustering. Langkah 3
: Membentuk dan menentukan relasi logika fuzzy dari interval yang sudah terbentuk.
Langkah 4 : Menghitung nilai ramalannya dari hasil logika fuzzy.
Langkah 5 : Mencari nilai MSE dari hasil peramalan dibandingkan dengan data
aktual.
2.2 Kegunaan Metode Peramalan
Saat ini banyak teknik-teknik peramalan digunakan. Dengan semakin canggihnya teknik-teknik peramalan yang melibatkan kemampuan komputer, peramalan makin
diterima dan makin mendapat perhatian. Hampir setiap pengambil keputusan saat ini mempunyai kemampuan menggunakan teknik analisis data dalam kegiatan pramalan,
dan pengertian dari teknik tersebut saat ini menjadi suatu hal terpenting bagi para pengambil keputusan dalam kegiatan peramalan.
Sejalan dengan semakin diperlukannya proses peramalan dalam berbagai kegiatan, banyak teknik
–teknik baru untuk peramalan juga dikembangkan. Perhatian khusus dalam pengambangan metode peramalan adalah nilai error yang merupakan
bagian penting pada setiap prosedur peramalan. Prediksi sebagai output masa depan memang jarang di dapat secara akurat. Peramal hanya dapat berusaha membuat
kesalahan yang memang tidak dapat dihindari sekecil mungkin.
Universitas Sumatera Utara
Sehubungan dengan ketidak akuratan dalam suatu proses, peramalan sangat diperlukan karena setiap organisasi bekerja dalam situasi ketidakpastian. Walaupun
demikian keputusan –keputusan harus tetap dibuat untuk keperluan organisasi di masa
yang akan datang. Selain itu dalam dunia organisasi seringkali dihadapkan pada keadaan yang selalu berubah
–ubah, sehingga ramalan juga selalu diperlukan. Metode peramalan merupakan cara memperkirakan apa yang akan terjadi pada
masa depan secara sistimatis dan pragmatis atas dasar data yang relevan pada masa lalu. Selain itu kegunaan metode peramalan adalah untuk membantu dalam
mengadakan pendekatan analisa terhadap tingkah laku atau pola data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistimatis
dan pragmatis serta memberikan tingkat keyakinan atas ketepatan hasil ramalan yang dibuat.
2.3 Keakuratan Metode Peramalan
Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang
dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria performance suatu metode peramalan. Ketepatan atau ketelitian
tersebut dapat dinyatakan sebagai kesalahan peramalan forecast error. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan
hasil peramalan tinggi, begitu pula sebaliknya. Ada beberapa perhitungan yang biasa digunakan untuk membandingkan model peramalan yang berbeda, mengawasi
peramalan, dan untuk memastikan peramalan dengan baik, antara lain: 1.
Deviasi absolut rata-rata mean absolute deviation - MAD Membagi jumlah total kesalahan absolut dengan jumlah periode.
Semakin kecil nilai MAD, maka ramalan semakin akurat.
Universitas Sumatera Utara
∑ | |
dimana: t
= jumlah periode D
t
= data aktual pada perode t F
t
= ramalan forecast n
= total jumlah periode
2. Persentase deviasi absolut rata-rata mean absolute precente deviation - MAPD
Membagi jumlah total kesalahan absolut dengan jumlah data aktual yang ditampilkan dalam bentuk persentase.
Pada umumnya, semakin kecil nilai MAPD maka ramalan semakin akurat. ∑ |
| ∑
dimana: t
= jumlah periode D
t
= data aktual pada perode t F
t
= ramalan forecast
3. Kesalahan kumulatif cummulative error - E
Diperoleh dari total kesalahan. Nilai positif berarti ramalan cenderung lebih rendah dibandingkan data aktual mengalami bias rendah. Sebaliknya, nilai
negatif berarti ramalan cenderung lebih tinggi dibandingkan data aktual mengalami bias tinggi. Tidak digunakan untuk metode regresi garis trend
linier, karena nilai E akan mendekati nol. ∑
dimana: e
t
= D
t
- F
t
Universitas Sumatera Utara
4. Kesalahan rata-rata avverage error - ̅ E bar
Diperoleh dari total kesalahan dibagi dengan jumlah periode. Nilai positif berarti ramalan cenderung lebih rendah dibandungkan data aktual mengalami bias
rendah. Sebaliknya, nilai negatif berarti nilai ramalan cenderung lebih tinggi dibandingkan data aktual mengalami bias tinggi. Tinggi digunakan untuk
peramalan Metode regresi garis tren linier, karena nilai E akan mendekati nol. ̅
∑ dimana:
E = e
t
= D
t
- F
t
n = total jumlah periode
5. Kesalahan kuadrat rata-rata mean square error - MSE
Diperoleh dari jumlah seluuruh nilai kesalahan setiap periode yang dikuadratkan lalu dibagi dengan jumlah periode. Pada umumnya, semakin kecil nilai MSE
maka ramalan semakin akurat. ∑
dimana: e
t
= D
t
- F
t
n = total jumlah periode
2.4 Data Berkala Time Series
