Peramalan Butuhan Hidup Minimum Menggunakan Automatic Clustering dan Fuzzy Logical Relationship

Abstract

Abstrak Kebutuhan hidup minimum (KHM) adalah standar kebutuhan seorang pekerja atau lanjang untuk dapat hidup layak secara fisik untuk kebutuhan satu bulan. Selain itu KHM berpengaruh terhadap upah minum provinsi dan kota. Oleh karena itu diperlukan suatu peramalan KHM untuk mengetahui nilai KHM di tahun yang akan datang. Peramalan ini bermanfaat untuk perusahaan dalam merencanakan keuangan perusahaan tahun depan. Dalam melakukan peramalan KHM menggunakan metode automatic clustering dan fuzzy logical relationship. Automatic clustering digunakan untuk membentuk sub-interval dari data time series yang ada. Sedangkan fuzzy logical relationship digunakan untuk melakukan peramalan KHM berdasarkan relasi fuzzy yang telah dikelompokan. Automatic clustering dapat menghasilkan cluster-cluster yang sangat baik sehingga dalam melakukan peramalan dalam fuzzy logical relationship memberikan akurasi yang tinggi. Dalam menghitung kesalahan menggunakan mean squere error (MSE), nilai kesalahan semakin berkurang ketika diterapkan automatic clustering dalam fuzzy logical relationship. Hasil peramalan memiliki nilai koefisien korelasi yang hampir mendekati satu. Kata Kunci: kebutuhan hidup minimum, automatic clustering, dan fuzzy logical relationship. Abstract Minimum living needs (KHM) is a standard requirement for a worker or naked physically can live well for the needs of one month. Additionally KHM effect on the wages of provincial and municipal drinking. Therefore we need a forecasting MIC to determine the value of the MIC in the coming year. Forecasting is beneficial for the company in the financial planning company next year. In forecasting the KHM using automatic clustering and fuzzy logical relationship. Automatic clustering is used to form a sub-interval of the existing time series data. While fuzzy logical relationship is used for forecasting KHM based fuzzy relationships that have been grouped. Automatic clustering clusters can produce very good so doing forecasting in fuzzy logical relationship provides high accuracy. In calculating errors using squere mean error (MSE), the error decreases when applied to automatic clustering in the fuzzy logical relationship. Forecasting results have a correlation coefficient values close to one.