PEMODELAN TREN LINIER BERBASIS REGRESI FUZZY UNTUK DATA KEMISKINAN DI SUMATERA UTARA DENGAN KETIDAKPASTIAN TINGGI
DOI:
https://doi.org/10.31004/jrpp.v8i4.55252Keywords:
Regresi Fuzzy, OLS, Centre of Gravity, Ketidakpastian, RMSE.Abstract
Ketidakpastian dan volatilitas data seringkali menjadi hambatan utama dalam menghasilkan peramalan yang akurat menggunakan model statistik konvensional. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa metode Analisis Regresi Fuzzy dengan metode Regresi Linier Klasik (Ordinary Least Squares/OLS) dalam melakukan peramalan masa depan. Proses peramalan pada model fuzzy dilakukan melalui penghitungan output menggunakan koefisien fuzzy yang kemudian ditransformasikan menjadi nilai titik (crisp) melalui metode defuzifikasi Centre of Gravity (CoG). Hasil analisis menunjukkan bahwa Regresi Fuzzy memiliki tingkat kesesuaian data (goodness of fit) yang lebih unggul dengan nilai Root Mean Square Error (RMSE) sebesar 0,52, jauh lebih rendah dibandingkan model OLS yang menghasilkan RMSE sebesar 2,11. Selain itu, dari sisi pengelolaan ketidakpastian, Regresi Fuzzy terbukti lebih efisien dengan rata-rata lebar pita prediksi (fuzzy spread) sebesar 2,62, yang lebih presisi dan dinamis dibandingkan interval kepercayaan OLS sebesar 4,2. Penelitian ini menyimpulkan bahwa Analisis Regresi Fuzzy mampu mengakomodasi kekaburan data secara lebih efektif dan memberikan hasil proyeksi yang lebih representatif bagi pengambilan keputusan dibandingkan pendekatan linier klasik.References
Applied_Regression_Analysis__Wiley_Series_in_Probability_and_Statistics_Draper&Smith. (n.d.).
Al-Sabri, E. H. A. (2020). THE FUZZY LINEAR REGRESSION. Asia Pacific Journal of Mathematics, 7. https://doi.org/10.28924/APJM/7-7
Badan Pusat Statistik (BPS) Provinsi Sumatera Utara. (Tahun Publikasi Data Terbaru, misalnya 2024). Statistik Kesejahteraan Rakyat Sumatera Utara [Tahun Data] ( Koleksi Data Runtun Waktu). Medan: BPS Provinsi Sumatera Utara.
Groner, G. F., Heafner, J. F., Robinson, T. W., Tanaka, H., & Uejima, S. (n.d.). On-line recognition of hand-printed characters. In Japanese. Trans. Inist. Electron. Communi. Eng. Japan (Vol. 59, Issue 6).
Ishibuchi, H., & Tanaka, H. (1992). Fuzzy regression analysis using neural networks. In Fuzzy Sets and Systems (Vol. 50).
Kahraman, C., Cebi, S., Cevik, S., Basar, O., & Tolga, O. A. C. (2019). Advances in Intelligent Systems and Computing 1029 Intelligent and Fuzzy Techniques in Big Data Analytics and Decision Making. http://www.springer.com/series/11156
Pasha, E., Razzaghnia, T., Allahviranloo, T., Yari, G., & Mostafaei, H. R. (2007). Fuzzy Linear Regression Models with Fuzzy Entropy. In Applied Mathematical Sciences (Vol. 1, Issue 35).
Ramadya, A. L., Dwi, T., Purba, L., Andani, E. W., Sinaga, B. F., Asido, V., Tunas Bangsa, S., & Artikel, G. (2025). Prediksi Tingkat Kemiskinan di Indonesia Menggunakan Metode Logika Fuzzy Tsukamoto Prediction of Poverty Levels in Indonesia Using the Tsukamoto Fuzzy Logic Method Article Info ABSTRAK. JOMLAI: Journal of Machine Learning and Artificial Intelligence, 4(1), 2828–9099. https://doi.org/10.55123/jomlai.v4i1.5955
Sawitri, S., & Alisah, E. (2024). Penerapan Metode Fuzzy Weighted Product untuk Mengukur Tingkat Kemiskinan di Wilayah Provinsi Sumatra Barat. Jurnal Riset Mahasiswa Matematika, 3(4), 188–199. https://doi.org/10.18860/jrmm.v3i4.27119
Zadeh_FuzzySetTheory_1965. (1965)
Zimmermann, H.-J. (2001). Fuzzy Set Theory—and Its Applications. In Fuzzy Set Theory—and Its Applications. Springer Netherlands. https://doi.org/10.1007/978-94-010-0646-0
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Puteri Fajar Addini, Desi Vinsensia, Risa Kartika Lubis, Angel Nurfadila, Sri Atika Sitinjak
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
