Article Per Year (5 Year)
p-Index From 2020 - 2025
2.873
P-Index
This Author published in this journals
All Journal Publikasi Pendidikan Jurnal Sains Dasar Indonesian Journal of Mathematics and Natural Sciences Abdimas Jurnal Penelitian Pendidikan Kreano, Jurnal Matematika Kreatif-Inovatif Lembaran Ilmu Kependidikan Scientific Journal of Informatics Phenomenon : Jurnal Pendidikan MIPA Jurnal TAM (Technology Acceptance Model) CARADDE: Jurnal Pengabdian Kepada Masyarakat JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Symmetry: Pasundan Journal of Research in Mathematics Learning and Education JISKa (Jurnal Informatika Sunan Kalijaga) Vygotsky: Jurnal Pendidikan Matematika dan Matematika J-PiMat : Jurnal Pendidikan Matematika Range : Jurnal Pendidikan Matematika Jurnal Statistika dan Matematika (Statmat) Primatika : Jurnal Pendidikan Matematika Griya Journal of Mathematics Education and Application Jurnal PKM Manajemen Bisnis Unnes Journal of Mathematics Education Unnes Journal of Mathematics Edukasia: Jurnal Pendidikan dan Pembelajaran Journal of Multidisciplinary Inquiry in Science, Technology and Educational Research Jurnal Pendidikan MIPA Jurnal TAM (Technology Acceptance Model) Unnes Journal of Mathematics SJME (Supremum Journal of Mathematics Education)
Putriaji Hendikawati
Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang
Arts Humanities Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Physics Social Sciences Other

Published : 79 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 79 Documents
Search

 2   3   4   5   6 
ANALISIS MODEL ANTRIAN PADA PERBAIKAN SEPEDA MOTOR DENGAN MNGGUNAKAN PROGRAM VISUAL BASIC Purnawan, Dedy; Hendikawati, Putriaji; Muslim, Much Aziz
Unnes Journal of Mathematics Vol 2 No 1 (2013)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v2i1.1732

Abstract

Penelitian dilakukan di Bengkel Yamaha Motor Dewi Sartika Sampangan Semarang, dengan mengambil data primer selama 3 hari pada hari dan waktu sibuk yang dipilih secara random yaitu pada tanggal 12 Juni, 15 Juni, dan 16 Juni 2012. Variabel yang digunakan adalah  data waktu kedatangan pelanggan dan data lama pelayanan mekanik. Sistem antrian pada Bengkel Yamaha Motor pada ketiga tanggal tersebut mengikuti model (M/G/5//). Nilai faktor kegunaan pelayanan sebesar 0,8. Waktu tunggu rata-rata dalam antrian yang terlama yaitu sebesar 34 menit 48 detik. Banyaknya pelanggan terbanyak dalam antrian sebesar 4 pelanggan. Banyaknya pelanggan terbanyak dalam sistem sebesar 9 pelanggan. Waktu tunggu rata-rata yang dihabiskan seorang pelanggan terlama di dalam sistem sebesar  93 menit 30 detik. Perhitungan model antrian dapat dilakukan lebih cepat dengan bantuan program visual basic
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Anggriningrum, Dwi Prisita; Hendikawati, Putriaji; Abidin, Zaenal
Unnes Journal of Mathematics Vol 2 No 2 (2013)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v2i2.3249

Abstract

ARIMA merupakan metode yang umum digunakan untuk memprediksi suatu data. Seiring dengan perkembangan ilmu, ada metode lain yang dapat digunakan memprediksi, salah satunya adalah JSTbackpropagation. Tulisan ini bertujuan mengetahui arsitektur jaringan syaraf tiruan yang optimal serta mengkomparasikanantara model ARIMA dan JSTbackpropagation. Metode yang digunakan adalah studi pustaka, perumusan masalah, pemecahan masalah, analisis data dengan bantuan GUI MATLAB dan Minitab, dan penarikan kesimpulan. Berdasarkan hasil simulasi data harga saham PT. Asuransi Bina Dana Arta (ABDA).Tbk dengan menggunakan JSTbackpropagation diperoleh nilai MSE dari proses training sebesar 0,000206 dan proses testing sebesar 0,00140. Arsitektur jaringan yang optimal adalah 1 neuron input layer, 1 neuron hidden layer dan 1 neuron input layer. Sedangkan model terbaik ARIMA, yaitu ARIMA (1,1,0) dengan nilai MSE sebesar 0,001145. Namun, karena selisih nilai MSE dari kedua metode tidak terlalu besar, maka kedua metode dapat digunakan untuk prediksi harga saham
ANALISIS MARKOV CHAIN UNTUK FORECASTING PANGSA PASAR HANDPHONE DAN PEMROGRAMNNYA Nofiyah, Noni; Hendikawati, Putriaji; Mariani, Scolastika
Unnes Journal of Mathematics Vol 2 No 2 (2013)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v2i2.3250

Abstract

Saat ini banyak merek handphone bermunculan dengan berbagai variasi, sehingga para produsen handphone harus melakukan survey pasar jika tidak ingin produknya terlempar dari persaingan pasar. Dari permasalahan tersebut penulis tertarik untuk meneliti faktor apa saja yang mempengaruhi konsumen dalam memilih merek handphone, bagaimana pola perpindahan merek handphone dan bagaimana prediksi pangsa pasar handphone untuk dua periode yang akan datang serta bagaimana periode kesetimbangan terhadap prediksi pangsa pasar. Markov Chain merupakan salah satu metode yang digunakan untuk memprediksi pangsa pasar suatu produk pada periode saat ini sebagai dasar untuk memprediksi pangsa pasar yang akan datang. Dari hasil penelitian diketahui bahwa faktor yang mempengaruhi konsumen dalam memilih merek Handphone yaitu fitur yang lengkap dan harganya murah. Merek Blackberry merupakan merek yang mampu mempertahankan jumlah konsumennya sebesar 76,9% dan mempunyai peluang terbesar dalam memperoleh konsumen sehingga pada periode yang akan datang Blackberry menguasai pangsa pasar sebesar 33,2% sedangkan merek Mito merupakan merek yang mempunyai peluang terkecil dalam mempertahankan kosumennya yaitu 0% dan merupakan merek yang mempunyai peluang terbesar kehilangan konsumen sehingga pada periode yang akan datang Mito mempunyai pangsa pasar terkecil sebesar 0,7%. Periode kesetimbangan terjadi pada periode ke-24.
The mathematical problem solving ability of student on learning with Thinking Aloud Pair Problem Solving (TAPPS) model in term of student learning style Mashuri, Mashuri; Nitoviani, Nindy Dwi; Hendikawati, Putriaji
Unnes Journal of Mathematics Education Vol 7 No 1 (2018): Unnes Journal of Mathematics Education
Publisher : Department of Mathematics, Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujme.v7i1.18870

Abstract

The purposes of this research were to find out the mathematical problem solving ability on learning with TAPPS model and to find out how the description of mathematical problem solving ability on TAPPS model in terms of learning style. This mixed methods research used concurrent embedded design. The population in this research was eighth-grade students of SMP N 4 Kudus in the academic year of 2016/2017. The sample was chosen by using random sampling technique, it obtained that VIIIA as experimental class and VIIIB as control class. The results of the research showed that (1) the mathematical problem solving ability on learning with TAPPS model achieved classical mastery, (2) the mathematical problem solving ability on learning with TAPPS model was better than expository model, (3) the students' ability in mathematical problem solving with a visual learning style had good category at the stage of devising a plan and the other stage had enough category, otherwise students with an auditorial learning style had enough category at the stage of looking back and another stage had good category, and students with a kinesthetic learning style had good category at the stage of understanding the problem and the other stage had enough category and less category.
ESTIMASI PARAMETER BOOTSTRAP PADA PROSES ARMA DAN APLIKASINYA PADA HARGA SAHAM Karomah, Yuliyanti; Hendikawati, Putriaji
Unnes Journal of Mathematics Vol 3 No 2 (2014)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v3i2.4343

Abstract

Peramalan adalah salah satu cara yang dapat digunakan untuk memperkirakan harga saham waktu mendatang. Agar sebuah peramalan memberikan hasil yang akurat diperlukan residual yang white noise dan berdistribusi normal.Namun kadangkala data tidak memenuhi asumsi-asumsi dalam analisis statistik klasik. Untuk mengatasi masalah tersebut diperlukan suatu pendekatan non parametrik yang bebas asumsi, salah satunya adalah metode bootstrap.Tujuan dari penelitian ini adalah mengetahui cara mengestimasi parameter bootstrap pada proses ARMA serta membandingkannya dengan model ARMA.Estimasi parameter dalam penelitian ini adalah dengan menggunakan program R. Cara yang digunakan untuk mengestimasi adalah dengan melakukan pemusatan pada data,mengestimasi berdasarkan model ARMA, mencari dan meresampling residual untuk mendapatkan nilai data bootstrap serta melakukan  pemusatan kedua dari data bootstrap yang diperoleh agar data lebih stasioner, dari data baru tersebut dicariestimasi parameter berdasarkan model ARMA. Berdasarkan hasil penelitian kedua metode yaitu ARMA maupun bootstrap pada proses ARMA diperoleh hasil yang signifikan. Namun jika dilihat dari nilai , log likelihood, dan AIC nya, diperoleh estimasi parameter bootstrap ARMA lebih baik. Hal ini akan berdampak untuk hasil peramalan data saham AALI.JK dimana hasil peramalan bootstrap pada proses ARMA cenderung lebih mendekati data asli jika dibanding model ARMA.
KLASIFIKASI TINGKAT KESEJAHTERAAN KELUARGA PROVINSI JAWA TENGAH TAHUN 2015 MENGGUNAKAN METODE REGRESI LOGISTIK ORDINAL DAN SUPPORT VECTOR MACHINE AGUSTINA, SELY; AGOESTANTO, ARIEF; HENDIKAWATI, PUTRIAJI
Unnes Journal of Mathematics Vol 6 No 1 (2017)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v6i1.11678

Abstract

Tahapan keluarga sejahtera dibagi menjadi 3 kategori, untuk menentukan kategori yang cocok dari data yang kombinasinya rumit dapat menggunakan teknik klasifikasi. Tujuan dari penelitian ini adalah untuk mengetahui metode yang memberikan ketepatan hasil klasifikasi yang lebih baik antara Regresi Logistik Ordinal dan Support Vector Machine (SVM). Data yang digunakan adalah data tingkat kesejahteraan keluarga Jawa Tengah yang diperoleh dari hasil survei Pendataan Keluarga (PK) 2015 oleh BKKBN Provinsi Jawa Tengah, sejumlah 322 data keluarga dan dibagi menjadi data training 80% sejumlah 259 dan data testing 20% sejumlah 64. Metode Regresi Logistik Ordinal dilakukan dengan estimasi data training untuk menentukan model logit awal, uji signifikansi menggunakan uji rasio Likelihood dan uji Wald, model logit yang signifikan digunakan untuk mengklasifikasi data testing. Metode SVM dilakukan dengan memodelkan data training menggunakan fungsi kernel Linear, Polynomial, dan Gaussian RBF, fungsi kernel terbaik digunakan untuk mengklasifikasi data testing. Hasil analisis metode Regresi Logistik Ordinal diperoleh nilai ketepatan klasifikasi sebesar 81,25%. Metode SVM dengan kernel Linear sebagai fungsi kernel terbaik menghasilkan nilai ketepatan klasifikasi sebesar 95,31% . Artinya metode SVM melakukan klasifikasi lebih baik jika dibandingkan dengan klasifikasi metode Regresi Logistk Ordinal. Sehingga untuk penelitian mengenai klasifikasi selanjutnya disarankan menggunakan metode SVM. Stages of a prosperous family is divided into three categories, to determine the appropriate category of complicated combinations of data can use classification techniques. The purpose of this study was to determine the accuracy of the method provides a better classification between Ordinal Logistic Regression and Support Vector Machine (SVM). The data used is the data rate of the family welfare in Central Java were obtained from the survey of Family Data Collection (PK) in 2015 by BKKBN of Central Java province, some 322 family data and is divided into a number of training data 80% 259 20% testing data and number 64. Regression Methods Ordinal logistic done with the estimated training data to determine initial logit model, the significance test using the likelihood ratio test and Wald test, significant logit models were used to classify the data testing. SVM method is done by modeling the training data using Linear kernel function, polynomial, and Gaussian RBF, the kernel function is best used to classify the data testing. The results of the analysis method Ordinal Logistic Regression values obtained classification accuracy of 81.25%. Linear SVM method with the kernel as the kernel function best yield value of classification accuracy of 95.31%. This means SVM classification method is better than the classification Logistk Ordinal Regression method. So to study further recommended the classification using SVM method.
MODEL HYBRID ARIMA-GARCH UNTUK ESTIMASI VOLATILITAS HARGA EMAS MENGGUNAKAN SOFTWARE R FAUSTINA, RIZA SILVIA; AGOESTANTO, ARIEF; HENDIKAWATI, PUTRIAJI
Unnes Journal of Mathematics Vol 6 No 1 (2017)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v6i1.11681

Abstract

Model Hybrid ARIMA-GARCH merupakan model penggabungan dari model ARIMA dan GARCH, yang dapat digunakan untuk mengatasi masalah residual model ARIMA yang terindikasi adanya heteroskedastik dalam variansi residual (volatilitas). Tujuan dari penelitian ini adalah untuk menemukan model terbaik Hybrid ARIMA-GARCH untuk data harga emas dan meramalkan data emas periode Juni sampai Oktober 2016. Metode penelitian meliputi perumusan masalah, pengumpulan data, pengolahan dan analisis data, serta penarikan kesimpulan. Tahapan dalam analisis dan pembahasan yaitu statistika deskriptif, pengujian stasioneritas, pembentukan model kondisional mean (ARIMA), pembentukan model kondisional varian (GARCH), penggabungan model hybrid ARIMA-GARCH, menentukan model terbaik hybrid ARIMA-GARCH, melakukan pengukuran akurasi peramalan hybrid ARIMA-GARCH, dan peramalan. Hasil dari penelitian ini diperoleh model terbaik untuk harga emas adalah hybrid ARIMA(2,1,3)-GARCH(1,1) dengan nilai MAPE = 2,2685% dan nilai MPE = -0,01543. Berdasarkan model terbaik tersebut diperoleh hasil peramalan untuk periode Juni sampai Oktober 2016 berturut–turut adalah Rp524.722,5276; Rp522.404,5077; Rp501.819,4615; Rp501.514,1764; Rp505.704,409, yang menunjukkan bahwa harga emas pada bulan Juni sampai dengan September 2016 mengalami penurunan harga. Hybrid ARIMA-GARCH is the models to combining ARIMA models and GARCH models, whish can be use to estimate residual ARIMA models that indicate the existence of heteroskedasticity from residual’s variance (volatility). The purpose of this research was to find the best model hybrid ARIMA-GARCH for gold price and forecast gold price from June – October 2016. The method includes the formulation of the problem, data collection, processing and data analysis, then also conclusion. Stage in the analysis and discussion that is descriptive statistics, stationary test, the estimate of the conditional mean (ARIMA), the estimate conditional variance (GARCH), combining hybrid ARIMA-GARCH models, determine the best model of hybrid ARIMA-GARCH models, measurement accuracy of forecasting hybrid ARIMA-GARCH, and forecasting. The result of the research were obtained the best model for the price gold is a hybrid ARIMA(2,1,3)-GARCH(1,1) with the value of MAPE = 2,2685% and the value of MPE = -0,01543. Based on the best model, obtained the forecast result for the period from June-October 2016 in a row are Rp524.722,5276; Rp522.404,5077; Rp501.819,4615; Rp501.514,1764; Rp505.704,409 which shows that the gold price in June to the September 2016 experienced a decline in gold prices continuously.
Perbandingan Metode Weighted Fuzzy Time Series, Seasonal ARIMA, dan Holt-Winter's Exponential Smoothing untuk Meramalkan Data Musiman Assidiq, Addinul; Hendikawati, Putriaji; Dwidayati, Nurkaromah
Unnes Journal of Mathematics Vol 6 No 2 (2017)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v6i2.12288

Abstract

Perkembangan metode peramalan data time series berpola musiman memberikan banyak pilihan metode yang dapat digunakan untuk meramalkan data musiman, sehingga perlu dilakukan perbandingan metode peramalan untuk mendapatkan hasil ramalan dengan akurasi yang tinggi. Pada penelitian ini permasalahan yang dikaji adalah perbandingan metode Weighted Fuzzy Time Series, Seasonal ARIMA, dan Holt-Winter’s Exponential Smoothing untuk meramalkan data musiman. Perbandingan yang dilakukan adalah membandingkan nilai akurasi ramalan RMSE dan MAPE. Penelitian ini menggunakan data pengunjung pariwisata Bali periode Januari 2009 s.d Desember 2013. Analisis metode Holt-Winter’s Exponential Smoothing menggunakan trial and error dengan kriteria MAPE dan MSE terkecil untuk mencari model terbaik. Diperoleh model terbaik dengan nilai α adalah 0,6, β adalah 0,1, dan γ adalah 0,1 serta menghasilkan RMSE dan MAPE sebesar 23165,04 dan 6,32. Analisis metode Seasonal ARIMA menggunakan estimasi model dengan kriteria MSE terkecil dan signifikansi model untuk mencari model terbaik. Diperoleh model terbaik SARIMA serta menghasilkan nilai RMSE dan MAPE sebesar 20499,69 dan 5,27. Analisis metode Weighted Fuzzy Time Series dilakukan dengan membagi himpunan sampel menjadi tiga bagian dengan panjang interval yang berbeda yaitu panjang interval 5000, panjang interval 7500, dan panjang interval 15000. Pada panjang interval 5000 menghasilkan nilai RMSE dan MAPE sebesar 17953,55 dan 4,87, panjang interval 7500 menghasilkan nilai RMSE dan MAPE sebesar 18992,53 dan 5,61, serta panjang interval 15000 menghasilkan nilai RMSE dan MAPE sebesar 21026,11 dan 6,21. Berdasarkan hasil penelitian dapat disimpulkan bahwa metode Weighted Fuzzy Time Series merupakan metode terbaik untuk meramalkan data musiman karena memiliki nilai akurasi ramalan RMSE dan MAPE lebih kecil. The development of methods forecasting time series data provides seasonal pattern selection methods that can be used for seasonal forecast data, so it is necessary to do a comparison of forecasting methods for getting the forecast best accuracy. In this research the problem studied is the comparison of methods is Weighted Fuzzy Time Series, Seasonal ARIMA and Holt-Winter's Exponential Smoothing for seasonal forecast data. The comparison is forecast accuracy RMSE and MAPE. This research used Bali's tourism visitors data in period January 2009 to December 2013. Analysis methods Holt-Winter's Exponential Smoothing using trial and error with the smallest MSE and MAPE criteria to find the best model. The best model is obtained with a value of α is 0,6, β is 0,1, and γ is 0,1, and value of RMSE and MAPE is 23165,04 and 6,32. The analysis method Seasonal ARIMA used model estimation with the smallest MSE criteria and significance of the model to find the best model. Retrieved best model SARIMA and value of RMSE and MAPE is 20499,69 and 5,27. Analysis methods Weighted Fuzzy Time Series do sample set split into three sections with different length interval is the interval length 5000, interval length 7500 and interval length 15000. In the long interval of 5000 resulted in the value of RMSE and MAPE is 17953,55 and 4 ,87, interval lenght of 7500 resulted in the value of RMSE and MAPE is 18992,53 and 5,61, and interval lenght of 15000 resulted in the value of RMSE and MAPE is 21026,11 and 6,21. Based on the results of this research concluded that the method of Weighted Fuzzy Time Series is the best method used forecasting seasonal data because it has the accuracy of the forecast RMSE and MAPE are smaller.
ANALISIS SISTEM ANTRIAN DISIPLIN PRIORITAS PADA BENGKEL MOTOR AHASS 10293 (ASZA MOTOR 2) CABANG UNGARAN Saraswati, Andhina; Hendikawati, Putriaji
Unnes Journal of Mathematics Vol 7 No 1 (2018)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v7i1.12394

Abstract

Abstrak Disiplin antrian yang sering digunakan adalah disiplin pelayanan FCFS, namun ada disiplin antrian lainnya yaitu disiplin prioritas. Bengkel Motor AHASS 10293 menerapkan disiplin prioritas dalam sistem antriannya. Penelitian dilakukan selama 3 hari pada hari dan waktu sibuk yang dipilih secara acak yaitu 27 Maret, 28 Maret, dan 30 Maret 2015. Data yang diambil adalah waktu antar kedatangan dan waktu pelayanan, sehingga dari data tersebut diperoleh hasil ukuran kinerja antrian prioritas. Hasil rata-rata perhitungan ukuran kinerja antrian dalam tiga hari adalah = 0,0000466987, = 0,0000000084, = 2,6667133647, = 2,1201413512, = 0,0000056505, = 0,0000000003, = 0,3226723168, = 0,0749116611. Biaya fasilitas ketiga hari adalah Rp. 31.250,00 dan biaya menunggu hari pertama Rp. 4.100,00, hari kedua Rp. 2.700,00, hari ketiga Rp. 3.700,00. Sistem antrian yang diterapkan oleh Bengkel Motor AHASS 10293 sudah cukup baik karena antrian yang terjadi tidak terlalu parah meski pelanggan yang datang tiap harinya cukup banyak. Abstract Queuing discipline that often used is FCFS, but there are another queuing disciplines one of which is priority queuing discipline. AHASS 10293 Machine Shop using priority discipline for their system. This study was conducted for 3 days in a busy day and time that selected randomly on March 27, March 28, and March 30, 2015. The captured data are time arrivals and service time, so that from those data obtained the results of priority queuing performance measurements. The average results from three days are = 0,0000466987, = 0,0000000084, = 2,6667133647, = 2,1201413512, = 0,0000056505, = 0,0000000003, = 0,3226723168, = 0,0749116611. Customer service cost for three days is Rp. 31.250,00 and customer waiting cost for the first day is Rp. 4.100,00, the second day is Rp. 2.700,00, the third day is Rp. 3.700,00. Queuing system that applied by AHASS 10293 Machine Shop is good enough because the queues are not too severe even though the customers who come every day quite a lot.
PERBANDINGAN TINGKAT AKURASI METODE AUTOMATIC CLUSTERING, AVERAGE BASED, DAN MARKOV CHAIN FUZZY TIME SERIES PADA NILAI TUKAR (KURS) RUPIAH hengky tri ikhsanto, hengky tri ikhsanto; Sugiman, Sugiman; Hendikawati, Putriaji
Unnes Journal of Mathematics Vol 7 No 1 (2018)
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ujm.v7i1.12574

Abstract

Penelitian ini membahas perbandingan keakurasian model peramalan fuzzy time series dengan automatic clustering dan average based untuk membentuk interval dan proses defuzzifikasi menggunakan konsep markov chain. Model tersebut digunakan untuk meramalkan data nilai tukar (KURS) mata uang Rupiah terhadap US Dolar dan Euro. Pemilihan metode terbaik dalam menentukan interval berpengaruh terhadap hasil peramalan, serta menggabungkan kelebihan dari rantai markov dapat meningkatkan keakurasian dari hasil ramalan. Tujuan dari penelitian ini adalah pemilihan metode terbaik dalam menentukan interval serta mengetahui pengaruh adanya penggabungan dengan rantai markov. Berdasarkan penerapan metode fuzzy time series pada data nilai tukar Rupiah terhadap US Dolar dan Euro periode Januari-Maret 2016 diperoleh kesimpulan Automatic Clustering lebih baik daripada Average Based dalam pembentukan interval, dengan nilai MSE 1.065 dan MAPE 0,15% pada data nilai tukar rupiah terhadap US Dolar dan pada nilai tukar rupiah terhadap Euro dengan nilai MSE 694 dan MAPE 0,09%. Adanya penggabungan rantai markov pada metode Automatic clustering memberikan peningkatan akurasi sebesar 60,65% pada data nilai tukar rupiah terhadap US Dolar dan pada nilai tukar rupiah terhadap Euro meningkat sebesar 14,99%.
Co-Authors 'Aina, Maula Qorri Abdurakhman Abdurakhman Adisgia, Devintha Rukmandani AGUSTINA, SELY Ahmad Dzulfikar Ambarwati, Ratna Amin Suyitno Anggriningrum, Dwi Prisita Arief Agoestanto Asriani, Elisa Desi Assidiq, Addinul Astuti, Raras Setya Auliya, Amara Sweetya Aviliana, Firna Bambang Eko Susilo Bambang Eko Susilo Bidayatul hidayah Budi Waluya David Mubarok, David Dewi, Heni Lilia Dwijanto Dwijanto, Dwijanto Edy Soedjoko Emi Pujiastuti Farkhan, Feri FAUSTINA, RIZA SILVIA Febrianto, Laeli Sidik Florentina Yuni Arini, Florentina Yuni Frazwanti, Yuni Hapsari, Desy Trya Harwanti, Nur Achmey Selgi hengky tri ikhsanto, hengky tri ikhsanto Hilda, Eufrasia Ismail, Abid Khoirul Isnaeni, Ari Isnaini Rosyida, Isnaini Isnarto Isnarto, Isnarto Juwita, Puspa Karomah, Yuliyanti Kartono, Kartono Khanifah Khanifah Khasanah, Uswatul Khunaeni, Sirilivia Kiswandi, Kiswandi Kristina Wijayanti Kurniana Bektiningsih Larasati, Enggar Niken Latifah, Nur Tsani Lestari, Pinta Dian Mashuri - Mashuri Mashuri Masrukan Masrukan Mohammad Asikin Much Aziz Muslim Muhammad Kharis Nafiul Anam, Nafiul Nino Adhi, Nuriana Rachmani Dewi Nitoviani, Nindy Dwi Niyamae, Ade Noorliza Nofiyah, Noni Nur Hidayati Nur Hidayati Nuriana Rachmani DN Nuriana Rachmani DN, Nuriana Rachmani Nurkaromah Dwidayati, Nurkaromah Nurlazuardini, Novia Nilam Nursiwi Nugraheni, Nursiwi Paradita, Evelyn Prabowo, Ardi Pramesti, Santika Lya Diah Pramesti Pratama, Alfian Adi Pratidina, Inung Pratiwi, Yuninda Diah Purbowo, Gallant Alim Purnawan, Dedy Rahayu Budhiati Veronika Rahayu Budhiyati Rahman, Erik Rina Dwi Setyawati Riza Arifudin Ruliana Ruliana, Ruliana Saefurrochman, Wisatsana Roychan Santika Lya Diah Pramesti Sanusi, Ratna Nur Mustika Saraswati, Andhina Sari, Ratna Novita Scolastika Mariani Setiani, Ida St. Budi Waluya Subanar . Sugiman Sugiman Sukestiyarno Sukestiyarno Sunarmi Sunarmi Supriyono Supriyono Suryani, Andika Resti Tarno Tarno Trimurtini, Trimurtini Ulya, Siti Faiqotul Veronica, Rahayu Budhiati Veronica, Rahayu Budhiati Wahyuningsih, Vebryana Walid Walid Walid, Walid Wardono Wardono Wardono Widayanti, Christina Zaenal Abidin Zaenuri Mastur Zahra, Mega Dea Zoraida, Desti Anisa