A Computing Procedure Combining Fuzzy Clustering with Fuzzy Inference System for Financial Index Forecasting

2015 ◽  
pp. 79-90 ◽  
Author(s):  
Bui Cong Cuong ◽  
Pham Van Chien
Keyword(s):  
Fuzzy Clustering ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Financial Index ◽  
Computing Procedure

scholarly journals Optimizing the Membership Degree of Fuzzy Inference System (FIS) and Fuzzy Clustering Means (FCM) in Weather Data Using Firefly Algorithm

CAUCHY ◽  
2021 ◽  
Vol 6 (4) ◽  
pp. 169-180
Author(s):  
Dinita Rahmalia
Keyword(s):  
Fuzzy Clustering ◽  
Fuzzy Inference System ◽  
Firefly Algorithm ◽  
Fuzzy Inference ◽  
Minimum Mean Square Error ◽  
Weather Data ◽  
Membership Degree ◽  
Trial And Error ◽  
Inference System ◽  
Sunlight Intensity

In weather clustering, there are many variables which can be observed such as air temperature, humidity, sunlight intensity, and so on. In this research, Takagi-Sugeno Fuzzy Inference System (FIS) will be used for forecasting the sunlight intensity based on temperature and humidity and Fuzzy Clustering Means (FCM) will be used for clustering them based on fuzzy set. From the data consisting of temperature, humidity, and sunlight intensity, we will forecast sunlight intensity and cluster them into two clusters, three clusters, and four clusters by FCM method. In FIS method, the membership degree are often generated by trial and error. Also, the optimization of the initial of membership degree are required in FCM. Because the initial of membership degree are often generated by trial and error, in this research, we use heuristic method like Firefly Algorithm to optimize the membership degree. From the simulations, Firefly Algorithm can optimize the membership degree of FIS for forecasting the data with minimum Mean Square Error (MSE) and the initial of membership degree of FCM with two clusters, three clusters, and four clusters with minimum objective value.

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

Sign in / Sign up

Export Citation Format

Share Document