Analisis Pengembangan Model Peramalan Fuzzy Time Series Menggunakan Algoritma Self-Updating Clustering dan Bi-directional Long Short Term Memory (Bi-LSTM)
Total View This Week0
Total View This Week0
Institusion
Universitas Diponegoro
Author
Rahmawati, Yayuk
Subject
Sciences and Mathemathic
Datestamp
2025-02-07 04:04:24
Abstract :
Peramalan adalah aspek ilmiah yang penting dan diterapkan di berbagai sektor, seperti pendidikan, kesehatan, pembangunan, ekonomi, dan bisnis. Proses peramalan bertujuan untuk memprediksi kejadian, hasil, atau tren di masa depan berdasarkan informasi yang tersedia, data historis, dan analisis pola-pola relevan. Fuzzy time series (FTS) merupakan model peramalan adaptif yang mampu merepresentasikan data deret waktu dalam bentuk linguistik tanpa memerlukan asumsi tertentu. Penelitian ini mengembangkan model FTS dengan mengintegrasikan algoritma self-updating clustering dan Bi-directional Long Short-Term Memory (Bi-LSTM). Algoritma self-updating clustering secara otomatis menentukan jumlah klaster optimal melalui pembaruan iteratif, yang kemudian digunakan untuk membangun aturan fuzzy. Aturan ini diterapkan dalam model Bi-LSTM untuk meramalkan nilai masa depan. Studi kasus dilakukan pada data harga saham IHSG (close price). Hasil menunjukkan bahwa Bi-LSTM dengan ukuran batch 100, jumlah epoch 1000, dan unit lapisan tersembunyi 500 menghasilkan MAPE sebesar 0,79%. Hal ini menunjukkan bahwa model memiliki tingkat kesalahan yang sangat rendah dalam melakukan peramalan, sehingga menghasilkan prediksi yang cukup akurat. Namun, akurasi model masih perlu ditingkatkan lebih lanjut melalui penyesuaian parameter Bi-LSTM.
Peramalan adalah aspek ilmiah yang penting dan diterapkan di berbagai sektor, seperti pendidikan, kesehatan, pembangunan, ekonomi, dan bisnis. Proses peramalan bertujuan untuk memprediksi kejadian, hasil, atau tren di masa depan berdasarkan informasi yang tersedia, data historis, dan analisis pola-pola relevan. Fuzzy time series (FTS) merupakan model peramalan adaptif yang mampu merepresentasikan data deret waktu dalam bentuk linguistik tanpa memerlukan asumsi tertentu. Penelitian ini mengembangkan model FTS dengan mengintegrasikan algoritma self-updating clustering dan Bi-directional Long Short-Term Memory (Bi-LSTM). Algoritma self-updating clustering secara otomatis menentukan jumlah klaster optimal melalui pembaruan iteratif, yang kemudian digunakan untuk membangun aturan fuzzy. Aturan ini diterapkan dalam model Bi-LSTM untuk meramalkan nilai masa depan. Studi kasus dilakukan pada data harga saham IHSG (close price). Hasil menunjukkan bahwa Bi-LSTM dengan ukuran batch 100, jumlah epoch 1000, dan unit lapisan tersembunyi 500 menghasilkan MAPE sebesar 0,79%. Hal ini menunjukkan bahwa model memiliki tingkat kesalahan yang sangat rendah dalam melakukan peramalan, sehingga menghasilkan prediksi yang cukup akurat. Namun, akurasi model masih perlu ditingkatkan lebih lanjut melalui penyesuaian parameter Bi-LSTM.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
