Optimasi Panjang Interval Fuzzy Time Series Chen Menggunakan Particle Swarm Optimization

Abstract. Fuzzy Time Series (FTS) Chen is a forecasting method based on fuzzy logic relationships for time series data. However, the accuracy of this method heavily depends on the division of fuzzy intervals. This study implements the Particle Swarm Optimization (PSO) algorithm to optimize the interval length of FTS Chen in order to improve forecasting accuracy. PSO searches for the best solution through particle iterations in the solution space, resulting in fuzzy interval boundaries that better represent the data patterns. This research uses average wholesale rice price data in Indonesia from January 2020 to May 2025 as a case study. The results show that the original FTS Chen model without PSO yields a Mean Absolute Percentage Error (MAPE) of 2.18%. After applying PSO for interval optimization, the MAPE decreases to 1.51%. This reduction indicates that PSO-based optimization significantly enhances the forecasting accuracy. Therefore, integrating PSO into the FTS Chen method proves effective in improving the performance of fuzzy-based forecasting models. Abstrak. Fuzzy Time Series (FTS) Chen merupakan salah satu metode yang digunakan untuk peramalan data deret waktu berdasarkan relasi logika fuzzy. Namun, akurasi metode ini sangat bergantung pada pembagian interval fuzzy yang digunakan. Penelitian ini mengimplementasikan algoritma Particle Swarm Optimization (PSO) untuk mengoptimalkan panjang interval fuzzy pada FTS Chen guna meningkatkan akurasi peramalan. PSO bekerja dengan mencari solusi terbaik melalui iterasi partikel dalam ruang pencarian, sehingga diperoleh batas-batas interval fuzzy yang lebih representatif terhadap pola data. Penelitian ini menggunakan data rata-rata harga beras tingkat grosir di Indonesia dari Januari 2020 hingga Mei 2025 sebagai studi kasus. Hasil pengujian menunjukkan bahwa model FTS Chen tanpa optimasi PSO menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,18%. Setelah diterapkan PSO, nilai MAPE menurun menjadi 1,51%. Penurunan ini menunjukkan bahwa optimasi panjang interval menggunakan PSO mampu meningkatkan ketepatan peramalan. Dengan demikian, integrasi PSO ke dalam FTS Chen terbukti efektif dalam memperbaiki performa model peramalan berbasis fuzzy.