Main Article Content

Abstract

Penelitian ini bertujuan untuk membandingkan metode ARIMA dan Fuzzy Time Series Markov Chain dalam meramalkan prediksi hasil panen kopi pada studi kasus Kabupaten Bengkulu Tengah tahun 2012-2022. Langkah-langkah yang dilakukan dalam penelitian ini meliputi pengumpulan data, analisis data, pemodelan data, uji model, evaluasi model, dan kesimpulan. Model ARIMA digunakan untuk memodelkan komponen linear dari data hasil panen kopi, sedangkan metode Fuzzy Time Series Markov Chain digunakan untuk memodelkan komponen non-linear. Uji model dilakukan dengan membandingkan hasil peramalan dari kedua model dengan data aktual. Evaluasi dilakukan dengan menggunakan metrik evaluasi seperti Mean Absolute Percentage Error (MAPE) dan Root Mean Square Error (RMSE). Berdasarkan hasil penelitian, diperoleh kesimpulan bahwa model ARIMA memberikan hasil peramalan yang lebih baik dibandingkan dengan metode Fuzzy Time Series Markov Chain. Namun, perlu diingat bahwa pemilihan model terbaik tidak hanya ditentukan oleh nilai error dan akurasi saja. Terdapat beberapa faktor lain yang perlu dipertimbangkan, seperti karakteristik data, kompleksitas model, dan interpretasi hasil peramalan.

Keywords

Hasil Panen ARIMA Fuzzy Time Series Markov Chain Peramalan

Article Details

How to Cite
Saragih, E. S., Fridz Meryatdas Gumay, Meisya Fajriyanti, Samuel Eurico Siregar, & Winalia Agwil. (2024). PERBANDINGAN ARIMA DAN FUZZY TIME SERIES MARKOV CHAIN UNTUK MERAMALKAN PREDIKSI HASIL PANEN KOPI (Studi kasus Kabupaten Bengkulu Tengah Tahun 2012-2022). Diophantine Journal of Mathematics and Its Applications, 3(2), 118–125. https://doi.org/10.33369/diophantine.v3i2.32049

References

  1. Anonim. 2018. Estimasi Parameter Model ARIMA. Bali: Universitas Udayana.
  2. Bera, S. et al. 2014. Uncertainty Analysis on Neutron Diffusion Equation Using Fuzzy ɑ-cut Approach. International Journal of Computer Scinece and Application. 11(2), pp.105-113.
  3. Bernadette, B. M. et al. 2010. Foundations of reasoning under uncertainty, Studies in fuzziness and soft computing, vol. 249. Springer.
  4. Chen, S., Hsu, C. 2004. A new method to forecasting enrollments using fuzzy time series. International journal of apllied Scinece and angineering, 2(3), pp.234-244.
  5. Fariza, A. 2018. Modul Analisis Deret Waktu. Surabaya: Politeknik Elektronika Negeri Surabaya.
  6. Fauzani, S. P., dan Rahmi, D. 2023. Penerapan Metode ARIMA dalam Peramalan Harga Produksi Karet di Provinsi Riau. Jurnal Teknologi dan Manajemen Industri Terapan, 2(4).
  7. Heizer, J. & Render, B., 2011. Manajemen Operasi. Edisi Sembilan ed. Jakarta: Salemba Empat.
  8. Hendikawati, P., 2015. Peramalan Data Runtut Waktu: Metode dan Aplikasinya dengan Minitab dan Eviews. Semarang: FMIPA Universitas Negeri Semarang.
  9. Indriati, Kumala. 2019. Matriks, vector dan program linier. Jakarta: penerbit Universitas Katolik Indonesia Jaya.
  10. Jasim, H. T., Salim, A. G. J. 2012. A Novel Algorithm to Forecast Enrollment Based on Fuzzy Time Series, 7(1), pp. 385-397.
  11. Kulkarni, V.G. 2011. Introduction to Modeling And Analysis Of Stochastic Systems Second Edition. New York: Springers.
  12. Lamusa, F. 2017. Peramalan Jumlah Penumpang pada PT. Angkasa Pura I (Persero) Kanttor Cabanbg Udara Internasional Sultan Hasanuddin Makssar dengan Menggunakan Metode Holt Winters Expopnential Smoothing. Universitas Islam Negeri Alauddin.
  13. Pongdatu, G., Abinowi, E. dan Wahyuddin. 2020. Peramalan Transaksi Penjualan dengan Metode Holt Winters’s Exponential Smoothing. Jurnal Ilmiah Teknologi Informasi Terapan, Vol. 6, No. 3, 288-233
  14. Purnomo, F. S., 2015. Penggunaan Metode ARIMA untuk Prakiraan Beban Konsumsi Listrik Jangka Pendek. Semarang: Universitas Negeri Semarang.
  15. Rusdi, 2011. Deteksi Stasioneritas Data Runtun Waktu Melalui Uji Akar-Akar Unit. Jurnal Sainstek. 3(1):78-89.
  16. Saxena, P., Sharma, K., Easo, S. 2012. Forecasting enrollments based on fuzzy time series with higher forecast accuracy rate. International journal computer technology and application, 3(3), pp. 957-961.
  17. Tsaur, R. C., et al. 2005. Fuzzy relation analysis in fuzzy time series model. Computer and mathematics with applications, 49(4), pp.539-548.