Peningkatan Akurasi Metode Weighted Fuzzy Time Series Forecasting Menggunakan Algoritma Evolusi Differensial dan Fuzzy C-Means

Abstract

Prediksi adalah suatu pendekatan yang digunakan untuk mengantisipasi ketidakpastian masa depan. Metode prediksi konfensional terkendala pada penyesuaian data terhadap asumsi yang digunakan sehingga diperlukan Metode Weighted Fuzzy Time Series. Meskipun metode WFTS telah terbukti efektif terdapat tantangan dalam meningkatkan akurasi peramalan yang dihasilkan. Dua teknik yang sering digunakan dalam konteks ini adalah Algoritma Evolusi Differensial (ED) dan Fuzzy C-Means (FCM). Data yang digunakan pada penelitian ini adalah Jakarta Islamic Index (JKII) per bulan dari bulan Agustus 2018 hingga Juli 2023. Data yang digunakan adalah data sekunder yang diperoleh dari situs www.yahoo.finance.com. Analisis dilakukan untuk meningkatkan akurasi dari metode peramalan WFTS dengan klasifikasi FCM dan proses optimalisasi menggunakan hasil forecasting dengan Algoritma Evolusi Diffensial (DE).Hasil klasifikasi dengan Fuzzy C-Means, ditemukan 7 klaster dengan jumlah keanggotaan yang berbeda. Perhitungan nilai peramalan dilkakukan dengan defuzzyfikasi dengan mengubah variabel linguistik menjadi bilangan real. Proses transformasi ini melibatkan perkalian antara bobot yang diperoleh dari estimasi Fuzzy C Means dengan nilai titik tengah pada setiap cluster. Proses optimalisasi hasil dilakukan dengan menggunakan algoritma DE dapat meningkatkan akurasi dari forecasting. Kesimpulan yang didapat yaitu algoritma evolusi differensial dapat meningkatkan akurasi forecasting dari metode weighted fuzzy time series dengan kombinasi pembentukan kelas interval menggunakan metode fuzzy c-means. Hal ini dikarenakan nilai MAPE yang dihasilkan dari algoritma evolusi differensial lebih kecil daripada model weighted fuzzy time series. Abstract Prediction is a form of approach in anticipating future uncertainties. Conventional prediction methods encounter difficulties in adapting data with the assumptions used, necessitating the application of the Weighted Fuzzy Time Series (WFTS) method. Although the WFTS method has proven effective, there are challenges in improving the accuracy of the generated forecasts. There are two commonly applied approaches: the Differential Evolution (DE) algorithm and Fuzzy C-Means (FCM). The data used in this research is the Jakarta Islamic Index (JKII) on a monthly basis from August 2018 to July 2023. The information collected is secondary data obtained from the website www.yahoo.finance.com. The analysis conducted involves performing FCM classification to form interval classes and optimizing the forecasting results of the WFTS method with DE. The Fuzzy C-Means classification resulted in finding 7 clusters with different membership counts. Forecasting values are calculated through defuzzification by converting linguistic variables into real numbers. This transformation process involves multiplying the weights obtained from the Fuzzy C-Means estimation with the mid-point values of each cluster.The optimization process is performed using the DE algorithm. The research findings conclude that the use of the differential evolution algorithm improves the accuracy of the forecasting from the Weighted Fuzzy Time Series method with the approach of combining interval class formation through the Fuzzy C-Means method. The DE algorithm works by seeking the best solution in a complex parameter space through iterations and performance evaluations, thereby significantly enhancing the performance of the forecasting model.