IMPLEMENTASI METODE FUZZY TIME SERIES UNTUK PERAMALAN KANDUNGAN PARTICULATE MATTER (PM2,5) DI UDARA

Abstract

Polusi udara adalah masalah yang banyak dialami berbagai negara di dunia. Polusi
udara terjadi karena adanya kandungan zat pencemar atau polutan dalam udara, salah satunya
yaitu Particulate Matter (PM2,5) atau disebut juga partikel debu yang berukuran kurang dari
2,5µm. Jika zat tersebut terhirup dan terakumulasi dalam jumlah banyak maka akan
menyebabkan banyak gangguan kesehatan atau bahkan kematian. Untuk dapat melakukan
pencegahan sebelum terlambat, digunakan teknologi peramalan untuk mengetahui kandungan
PM2,5 dimasa mendatang. Penelitian ini menerapkan metode Fuzzy Time Series untuk
meramalkan kandungan PM2,5 dengan langkah pertama yaitu menentukan himpunan semesta,
kemudian pembentukan interval, fuzzifikasi, bentuk FLR dan FLRG, didefuzzifikasi, lalu
hitung nilai hasil peramalan, dan terakhir ukur ketepatan hasil peramalan menggunakan
MAPE, kemudian diimplementasikan pada sebuah sistem berbasis Web. Penelitian ini
menggunakan 2 skenario pengujian sistem yaitu variasi periode data yang berpengaruh
terhadap jumlah interval dan variasi nilai input konstanta D2 yang berpengaruh pada panjang
interval pada tahap pembentukan interval. Berdasarkan pengujian tersebut, kandungan PM2,5
pada tanggal 1 Januari 2015 jam 00.00 WIB menggunakan periode data 6 bulan sebelumnya
dan input konstanta D2 sebesar 10 adalah 12,884 µg/m3 dengan jumlah interval yang
terbentuk sebanyak 17 interval dan panjang setiap intervalnya sebesar 31,3. Kemudian tingkat
kesalahan MAPE yang dihasilkan sebesar 17,9164%. Karena memiliki tingkat kesalahan
MAPE kurang dari 20%, maka peramalan pada penelitian ini termasuk peramalan yang baik.
Kemudian untuk peramalan periode tahunan, grafik yang dibentuk mengandung pola data
musiman.

Air pollution is a problem experienced by many countries in the world. Air pollution
occurs because of the pollutants presence or pollutants in the air, one of them is Particulate Matter
(PM2.5) or also known as dust particles that are less than 2.5µm in size. If these substances are
inhaled and accumulate in large quantities, it will cause many health problems or even death. To
be able to take precautions before it is too late, forecasting technology is used to determine the
future PM2.5 content. This research applies the Fuzzy Time Series method to predict the PM2.5
content with the first step, namely determining the set of universes, then interval formation,
fuzzification, FLR and FLRG forms, defuzzification, then calculating the value of forecasting
results, and finally measuring the accuracy of forecasting results using MAPE, then implemented
on a Web-based system. This study uses 2 system testing scenarios, namely the variation of the
data period that affects the number of intervals and the variation in the input value of the constant
D2 which affects the length of the interval at the interval formation stage. Based on this test, the
PM2.5 content on January 1, 2015 at 00.00 WIB uses the previous 6 months data period and the
D2 constant input of 10 is 12.884 µg / m3 with the number of intervals formed as many as 17
intervals and the length of each interval is 31.3. Then the resulting MAPE error rate is 17.9164%.
Because it has an MAPE error rate of less than 20%, the forecasting in this study is a good
forecast. Then for forecasting the annual period, the graph that is formed contains seasonal data
patterns.