Peramalan Fuzzy Time Series-Markov Chain dengan Algoritma Particle Swarm Optimization

Abstract

Konsep peramalan dengan fuzzy time series semakin banyak dikembangkan untuk menyelesaikan berbagai masalah. Panjang interval dan proses defuzzifikasi merupakan dua faktor penting yang mempengaruhi keakuratan hasil peramalan. Dalam penelitian ini, penulis menggabungkan metode fuzzy time series-markov chain dengan algoritma particle swarm optimization. Aturan rantai markov digunakan pada proses defuzzifikasi untuk mengatasi himpunan fuzzy yang berulang dan menentukan pembobotan yang tepat. Sementara itu, algoritma particle swarm optimization digunakan untuk mengoptimalkan panjang interval fuzzy time series dengan menganggap semesta pembicaraan sebagai ruang pencarian dan interval sebagai partikel. Penulis menggunakan nilai Average Forecasting Error Rate (AFER) untuk melihat tingkat akurasi dari peramalan. Modifikasi tersebut diterapkan untuk meramalkan harga saham pembukaan PT. Astra International Tbk dan menunjukkan performa yang sangat baik dengan nilai AFER sebesar 0,9555%.