See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/268688030

Aplikasi Metode Fuzzy pada Peramalan Jumlah

Wisatawan Australia ke Bali

Conference Paper June 2014

DOI: 10.13140/2.1.2456.0325

CITATIONS READS

0 187

2 authors, including:

I Putu Eka N. Kencana

Udayana University
26 PUBLICATIONS 0 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Analisis Determinan Tingkat Kepuasan Wisatawan Mancanegara dan Wisatawan Nusantara View
project

All content following this page was uploaded by I Putu Eka N. Kencana on 24 November 2014.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 Aplikasi Metode Fuzzy pada Peramalan Jumlah
Wisatawan Australia ke Bali

I Putu Eka Nila Kencana1, IBK. Puja Arimbawa K.2

1
Laboratorium Fuzzy Jurusan Matematika FMIPA UNUD, i.putu.enk@gmail.com
2
Program Studi Matematika Program Pascasarjana ITB, kemenuh.puja@gmail.com

ABSTRAK. Sebagai salah satu daerah destinasi wisata favorit di Indonesia, Bali
ramai dikunjungi para wisatawan mancanegara dari berbagai negara. Secara
konstan, jumlah wisatawan Australia yang berkunjung ke Bali menduduki peringkat
pertama. Memperhatikan sisi penawaran produk dan jasa pariwisata yang tidak bisa
disimpan dan dipindahkan serta adanya ketakpastian yang tinggi di sisi permintaan
karena pengaruh faktor internal dan eksternal destinasi, dibutuhkan adanya metode
yang bisa mengantisipasi kedua karakter tersebut. Riset ini ditujukan untuk
mengetahui kinerja Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Fuzzy
Time Series (FTS) dalam meramalkan jumlah kunjungan wisatawan Australia ke
Bali.

Mempergunakan data kunjungan bulanan wisatawan Australia ke Bali pada periode

Januari 2008 Desember 2012, beberapa model ANFIS dan FTS dikembangkan dan
akurasi kinerja peramalan dihitung secara in-sample. Model terbaik dari masing-
masing metode selanjutnya digunakan melakukan peramalan out-of-sample. Hasil
peramalan out-of-sample kunjungan wisatawan Australia ke Bali pada periode
Januari Desember 2013 menunjukkan model ANFIS memiliki nilai Average
Forecasting Error Rate (AFER) sebesar 3,02 persen. Sementara itu, pada model FTS
diperoleh AFER sebesar 3,94 persen. Dari kedua model, dapat disimpulkan model
ANFIS memiliki kinerja lebih baik dibandingkan model FTS pada peramalan out-of-
sample kunjungan wisatawan Australia ke Bali.

Kata Kunci: ANFIS, FTS, fuzzy computing, kunjungan wisatawan

1. Pendahuluan

Pariwisata merupakan salah satu dari sedikit industri yang perkembangannya
pada dua dasawarsa terakhir sangat pesat. World Tourism Organization (WTO)
mencatat pada periode 1996 2005, industri pariwisata dunia tumbuh sebesar 25
persen atau kurang lebih 2,5 persen per tahun dan pada penghujung tahun 2005
kontribusi industri pariwisata pada aktivitas perekonomian dunia tercatat sekitar
10 persen [1]. Terlepas dominannya peran industri pariwisata dalam aktivitas
perekonomian suatu negara dan ataupun suatu wilayah, juga berdampak pada
lingkungan alam, sosial, dan budaya dari destinasi di mana aktivitas wisata
berlangsung.
Seperti halnya terjadi di berbagai kawasan dunia, industri pariwisata juga salah
satu andalan Indonesia dalam melangsungkan pembangunan untuk mensejahtera-
kan rakyat Indonesia. Dominannya industri pariwisata dalam perekonomian
kawasan teramati khususnya pada provinsi/kabupaten di Indonesia yang secara
relatif tidak memiliki sumber daya alam (SDA) yang memadai. Provinsi Bali
Disampaikan pada Konferensi Nasional Matematika XVII di Surabaya, 11 14 Juni 2014. Dalam
proses penerbitan pada Proseding KNM XVII Peranan Matematika dan Statistika Menyongsong
ASEAN Economic Community
merupakan salah satu provinsi di Indonesia yang tidak memiliki SDA berlimpah,
khususnya minyak bumi dan gas. Memperhatikan hal ini, maka tidak mengheran-
kan industri pariwisata menjadi salah satu pilar pertumbuhan ekonomi Bali.
Kepariwisataan di Provinsi Bali berkembang seiring perkembangan kepariwi-
sataan di Indonesia. Pada awal Pembangunan Lima Tahun (PELITA) Tahap I di
tahun 1969, jumlah wisatawan yang berkunjung ke Bali tercatat sebanyak 11 278
orang dengan share pada kunjungan wisatawan ke Indonesia tercatat sebesar
13.10 persen. Selanjutnya, pada akhir PELITA V, awal tahun 1994, jumlah
kunjungan wisatawan mancanegara ke Bali dan Indonesia masing-masing tercatat
sejumlah 1 032 476 orang dan 4 006 416 orang. Pada tahun tersebut, share kun-
jungan wisatawan mancanegara ke Bali sebesar 25.77 persen; hampir 2 kali dari
share pada tahun 1969. Pada tahun 2012, share kunjungan wisatawan ke Bali
meningkat menjadi 35.95 persen dengan total kunjungan wisatawan mancanegara
sebesar 2 8912 019 orang [2].
Mencermati angka-angka di atas, tidaklah berlebihan untuk menyatakan Bali
memiliki posisi sangat strategis dalam pengembangan kepariwisataan Indonesia.
Bali dengan tradisi dan budaya masyarakatnya merupakan daya tarik kunjungan
wisatawan mancanegara. Secara rata-rata, laju perkembangan jumlah kunjungan
wisatawan mancanegara ke Bali pada periode tahun 1994 2002 sebesar 3.0
persen dan pada periode 2004 2012 sebesar 13.7 persen. Data kunjungan tahun
2003 dikeluarkan dari analisis mempertimbangkan terjadi penurunan kunjungan
wisatawan mancanegara akibat peristiwa Bom Kuta I pada tahun 2002, yang
dampaknya terlihat pada tahun berikutnya. Grafik 1 menunjukkan perkembangan
jumlah kunjungan wisatawan mancanegara ke Bali dan ke Indonesia pada periode
tahun 1994 2012:

Sumber : Dinas Pariwisata Provinsi Bali [2], Diolah

Gambar 1
Perkembangan Jumlah Kunjungan Wisatawan ke Bali dan Indonesia, Periode Tahun 1994 2012
 Sebagai sebuah rising industry, pariwisata sangat dipengaruhi oleh berbagai
faktor internal dan eksternal yang mempengaruhi jumlah kunjungan wisatawan.
Peristiwa Bom Bali I pada tahun 2002 yang menyebabkan jumlah kunjungan
wisatawan menurun pada tahun berikutnya merupakan contoh dari dominannya
pengaruh lingkungan pada industri pariwisata. Pada sisi lain, sebagai sebuah
industri berbasis keramahan (hospitality industry), produk/jasa pariwisata tidak
bisa disimpan dan tidak bisa dipindahkan (non-transferable) [3,4] seperti halnya
produk-produk industri lain yang bisa disimpan dalam bentuk akumulasi kapital.
Memperhatikan sifat sisi penawaran (produk dan jasa pariwisata) yang tidak bisa
disimpan serta dipindahkan dan adanya ketakpastian yang tinggi pada sisi permin-
taan karena pengaruh faktor internal dan eksternal destinasi, maka dibutuhkan
adanya metode yang bisa mengantisipasi kedua karakter tersebut.
Penelitian ini secara umum dimotivasi oleh keingintahuan pada aplikasi dan
kinerja teori fuzzy yang dikembangkan oleh Lotfi Zadeh di Berkeley University,
yang dikenal sebagai fuzzy model [5] pada kasus kunjungan wisatawan Australia
ke Bali. Secara khusus penelitian ini ditujukan untuk menguji coba metode
ANFIS dan FTS, sebagai dua metode yang tergolong ke dalam kelompok soft
computing dan mengetahui perbedaan kinerja kedua metode pada peramalan out-
of-sample kunjungan wisatawan Australia ke Bali.

2. Metode Penelitian

Pengembangan model-model ANFIS dan FTS dilakukan dengan menggunakan
data (bulanan) kunjungan wisatawan Australia ke Bali pada periode Januari 2008
Desember 2012. Pada setiap model yang dibangun, tingkat keakurasian model
diperiksa dengan mengamati nilai AFER yang dihitung melalui peramalan in-
sample. Model ANFIS dan model FTS yang memiliki AFER terkecil selanjutnya
digunakan untuk meramalkan kunjungan wisatawan Australia ke Bali pada
periode Januari 2013 Desember 2013 dan nilai AFER masing-masing metode
dihitung pada peramalan out-of-sample ini. Metode dengan AFER yang lebih
kecil disimpulkan memiliki keakurasian yang lebih baik dalam meramalkan
kunjungan wisatawan Australia ke Bali.
Pengembangan model-model ANFIS dilakukan dengan mengadopsi aturan
Sugeno orde 1 dengan dua masukan (input). Orde dan jumlah masukan ini dipilih
mempertimbangkan kesederhaan komputasi dan asumsi parsimony yang menyata-
kan model yang sederhana diprioritaskan bila telah mampu memberikan solusi.
Terdapat tiga himpunan (data set) dengan dua masukan dan satu luaran yang
diujicobakan pada model-model ANFIS, yaitu:
1. Set 1: {((Jan. 2008, Jan. 2009),(Jan. 2010)), , ((Des. 2008, Des. 2009),(Des. 2010))};
2. Set 2: {((Jan. 2009, Jan. 2010),(Jan. 2011)), , ((Des. 2009, Des. 2010),(Des. 2011))};
3. Set 3: {((Jan. 2010, Jan. 2011),(Jan. 2012)), , ((Des. 2010, Des. 2011),(Des. 2012))}.
Pengembangan FTS dilakukan dengan memodifikasi metode FTS yang
digunakan oleh Meredith & Stevenson [6]. Modifikasi dilakukan pada penentuan
jumlah interval dan pemberian bobot saat dilakukan proses defuzzifikasi.
Pengembangan model FTS pada riset ini dilakukan mengikuti tahapan-tahapan
berikut:
1. Menghitung persentase perubahan antardua data kunjungan yang berturutan;
2. Mendefinisikan himpunan semesta dan sub-sub himpunan;
3. Membentuk variabel linguistik dengan memasukkan nilai persentase yang
dihitung ke masing-masing interval yang bersesuaian;
4. Menghitung nilai ramalan fuzzy dengan menggunakan fungsi keanggotaan
segitiga (fuzzy triangular number/FTN);
5. Melakukan defuzzifikasi dengan memberikan pembobot bilangan Fibbonaci.

3. Hasil Studi dan Pembahasan

3.1 Pemodelan dengan ANFIS
Tiga model dikembangkan dengan metode ANFIS, masing-masing untuk
setiap data set. Ketiga model dibentuk menggunakan software MATHLAB.
Jumlah iterasi masing-masing model ditetapkan sebesar 50 000 iterasi dengan step
size pada pengubahan parameter premis sebesar 0.01. Tabel 1, tabel 2, dan tabel 3
memperlihatkan nilai aktual, nilai ramalan, serta persentase galat ketiga model:

Tabel 1. Hasil Peramalan ANFIS dan AFER untuk Data Set 1

Nilai Nilai Persentase
Bulan Peramalan | Galat |
Aktual Ramalan Galat
Januari 2010 44366 41224 3142 7.08%
Februari 2010 33559 35112 1553 4.63%
Maret 2010 43949 42998 951 2.16%
April 2010 42768 44901 2133 4.99%
Mei 2010 50070 52132 2062 4.12%
Juni 2010 64827 62980 1847 2.85%
Juli 2010 63552 62197 1355 2.13%
Agustus 2010 58412 56198 2214 3.79%
September 2010 67072 69056 1984 2.96%
Oktober 2010 62082 65783 3701 5.96%
November 2010 54483 53189 1294 2.38%
Desember 2010 62732 63098 366 0.58%
Average Forecasting Error Rate (AFER) 3.64%

Tabel 2. Hasil Peramalan ANFIS dan AFER untuk Data Set 2

Nilai Nilai Persentase
Bulan Peramalan | Galat |
Aktual Ramalan Galat
Januari 2011 59160 60132 972 1.64%
Februari 2011 44853 42110 2743 6.12%
Maret 2011 51930 47899 4031 7.76%
April 2011 66429 64588 1841 2.77%
Mei 2011 56052 57898 1846 3.29%
Juni 2011 72350 74098 1748 2.42%
Juli 2011 83988 83209 779 0.93%
Agustus 2011 68855 72077 3222 4.68%
September 2011 82076 81298 778 0.95%
Oktober 2011 75050 76098 1048 1.40%
November 2011 59483 60564 1081 1.82%
Desember 2011 70739 72909 2170 3.07%
Average Forecasting Error Rate (AFER) 3.07%
 Tabel 3. Hasil Peramalan ANFIS dan AFER untuk Data Set 3
Nilai Nilai Persentase
Bulan Peramalan | Galat |
Aktual Ramalan Galat
Januari 2012 64418 66902 2484 3.86%
Februari 2012 57381 55982 1399 2.44%
Maret 2012 64269 63192 1077 1.68%
April 2012 59954 60667 713 1.19%
Mei 2012 61266 62067 801 1.31%
Juni 2012 72084 74588 2504 3.47%
Juli 2012 89930 92032 2102 2.34%
Agustus 2012 65002 68902 3900 6.00%
September 2012 73951 72103 1848 2.50%
Oktober 2012 76057 74888 1169 1.54%
November 2012 64727 66782 2055 3.17%
Desember 2012 74782 75237 455 0.61%
Average Forecasting Error Rate (AFER) 2.51%

Melalui pembandingan nilai AFER ketiga model ANFIS yang dibentuk, maka
terlihat model dengan data set 3 memiliki AFER terendah, sebesar 2.51 persen.
Memperhatikan hal ini maka model ketiga digunakan untuk melakukan peramalan
out-of-sample dari kunjungan wisatawan Australia ke Bali pada periode Januari
Desember 2013. Parameter-parameter model di akhir iterasi ke 50 000 (parameter
konsekuen) digunakan sebagai parameter premis pada peramalan out-of-sample
ini dan fungsi keanggotaan yang digunakan sama seperti pada pengembangan
model yaitu fungsi gbell yang didefinisikan sebagai:
!
! = ! !!!
(1)
!!!!
!!
!!
!

Pada pers. (1), konstanta a, b, dan c menyatakan parameter-parameter premis

yang nilainya akan berubah pada proses pembentukan model. Model ANFIS yang
terbentuk selanjutnya menghasilkan nilai ramalan out-of-sample seperti terlihat
pada tabel 4. Gambar 2 memperlihatkan fungsi keanggotaan menggunakan para-
meter konsekuen yang dihasilkan dari model data set 3.

Tabel 4. Hasil Peramalan ANFIS dan AFER untuk Tahun 2013

Nilai Nilai Persentase
Bulan Peramalan | Galat |
Aktual Ramalan Galat
Januari 2013 62450 60821 1629 2.61%
Februari 2013 57156 59871 2715 4.75%
Maret 2013 59769 62177 2408 4.03%
April 2013 63560 65809 2249 3.54%
Mei 2013 67862 65782 2080 3.07%
Juni 2013 72678 73089 411 0.57%
Juli 2013 74634 75193 559 0.75%
Agustus 2013 71701 74345 2644 3.69%
September 2013 71408 72904 1496 2.10%
Oktober 2013 67680 70006 2326 3.44%
November 2013 85151 87498 2347 2.76%
Desember 2013 72336 75901 3565 4.93%
Average Forecasting Error Rate (AFER) 3.02%
 MF1 (x1; 2.442, -0.036, 0.001) MF2 (x1; -1.323, 2.046, -0.000)

MF1 (x2; -5.186, 7.915, 0.000) MF2 (x2; 0.921, 0.063, 0.000)

Gambar 2
Fungsi Keanggotaan (membership function) dari Masing-masing Masukan

3.2 Pemodelan dengan FTS

Model FTS untuk kunjungan wisatawan Australia ke Bali dilakukan dengan
terlebih dahulu menghitung persentase perubahan kunjungan pada bulan ke - j
dari bulan ke - (j-1). Mengingat terdapat 60 data kunjungan pada periode Januari
2008 hingga Desember 2012, maka terdapat 59 data persentase perubahan
kunjungan wisatawan. Mempergunakan formula Sturges, diperoleh jumlah
interval sebanyak 1 + 3.322 log10 (59), yaitu sejumlah tujuh interval dengan lebar
masing-masing interval sebesar 14.75 persen. Lebar interval diperoleh dengan
menghitung range data dibagi dengan jumlah interval.
Tahap selanjutnya adalah menentukan sub-sub interval yang dilakukan dengan
memperhatikan jumlah amatan pada masing-masing interval. Interval dengan
jumlah amatan terbesar selanjutnya dipecah menjadi 4 sub-interval dengan lebar
yang sama, interval dengan jumlah amatan terbesar kedua dipecah menjadi 3 sub-
interval juga dengan lebar yang sama, dan interval dengan jumlah amatan terbesar
ketiga menjadi 2 sub-interval. Interval yang tidak memiliki data dihilangkan
[6,7]. Pemeriksaan yang dilakukan secara manual memperlihatkan terdapat 12
interval terbentuk dengan masing-masing interval merupakan variabel-variabel
linguistik seperti dicantumkan pada tabel 5:
 Tabel 5. Variabel Linguistik dari Interval yang Terbentuk
Nilai Tengah
Variabel Lebar
No Interval Interval
Linguistik Interval
Kode Nilai
1 A01 [ -45.53% ; -23.40%) 22.13% a1 -34,47%
2 A02 [ -23.40% ; -1.27%) 22.13% a2 -12,34%
3 A03 [ -1.27% ; 2.41%) 3.69% a3 0,57%
4 A04 [ 2.41% ; 6.10%) 3.69% a4 4,26%
5 A05 [ 6.10% ; 9.79%) 3.69% a5 7,95%
6 A06 [ 9.79% ; 13.48%) 3.69% a6 11,63%
7 A07 [ 13.48% ; 28.23%) 14.75% a7 20,86%
8 A08 [ 28.23% ; 35.61%) 7.38% a8 31,92%
9 A09 [ 35.61% ; 42.98%) 7.38% a9 39,30%
10 A10 [ 42.98% ; 47.90%) 4.92% a10 45,44%
11 A11 [ 47.90% ; 52.82%) 4.92% a11 50,36%
12 A12 [ 52.82% ; 57.74%] 4.92% a12 55,28%

Menggunakan data pada tabel di atas, 59 data persentase perubahan kunjungan

wisatawan Australia ke Bali pada periode Januari 2008 Desember 2012 diduga.
Hasil defuzzifikasi memperlihatkan nilai AFER dengan metode FTS pada data
sebesar 4.79 persen, lebih besar dari nilai AFER terbaik dengan metode ANFIS.
Peramalan jumlah kunjungan wisatawan secara out-of-sample dilakukan
dengan membentuk fuzzy logical relationship group (FLRG), sebuah relasi yang
menghubungkan sebuah variabel linguistik dengan variabel lingusitik lainnya.
Variabel linguistik yang berperan sebagai anteseden disebut left-hand side (LHS)
dan yang berperan sebagai konsekuen disebut right-hand side (RHS). Jadi, FLRG
bisa dinotasikan sebagai FLRG: LHS RHS.
Peramalan kunjungan wisatawan periode Januari Desember 2013 dilakukan
secara sekuensial. Peramalan untuk Januari 2013 dilakukan pertama dengan data
kunjungan yang digunakan adalah data 12 bulan sebelumnya, dan seterusnya.
Proses peramalan dengan FTS dilakukan melalui bantuan software Microsoft
Excel. Hasil peramalan out-of-sample dengan metode FTS diringkas pada tabel 6:

Nilai Nilai Persentase

Bulan Peramalan | Galat |
Aktual Ramalan Galat
Januari 2013 62450 65564 3114 4.99%
Februari 2013 57156 59580 2424 4.24%
Maret 2013 59769 62108 2339 3.91%
April 2013 63560 61423 2137 3.36%
Mei 2013 67862 70231 2369 3.49%
Juni 2013 72678 70192 2486 3.42%
Juli 2013 74634 79030 4396 5.89%
Agustus 2013 71701 69804 1897 2.65%
September 2013 71408 75902 4494 6.29%
Oktober 2013 67680 69332 1652 2.44%
November 2013 85151 82356 2795 3.28%
Desember 2013 72336 74723 2387 3.30%
Average Forecasting Error Rate (AFER) 3.94%
3.3 Komparasi Kedua Model
Komparasi kemampuan kedua model dalam meramalkan jumlah kunjungan
wisatawan Australia ke Bali pada periode Januari Desember 2013 diperlihatkan
pada tabel 7:

Tabel 7. Komparasi Hasil Peramalan Model ANFIS dengan Model FTS

Metode ANFIS Metode FTS
Nilai
Bulan Peramalan Nilai Persentase Nilai Persentase
Aktual
Ramalan Galat Ramalan Galat
Januari 2013 62450 60821 2.61% 65564 4.99%
Februari 2013 57156 59871 4.75% 59580 4.24%
Maret 2013 59769 62177 4.03% 62108 3.91%
April 2013 63560 65809 3.54% 61423 3.36%
Mei 2013 67862 65782 3.07% 70231 3.49%
Juni 2013 72678 73089 0.57% 70192 3.42%
Juli 2013 74634 75193 0.75% 79030 5.89%
Agustus 2013 71701 74345 3.69% 69804 2.65%
September 2013 71408 72904 2.10% 75902 6.29%
Oktober 2013 67680 70006 3.44% 69332 2.44%
November 2013 85151 87498 2.76% 82356 3.28%
Desember 2013 72336 75901 4.93% 74723 3.30%
AFER 3.02% 3.94%

4. Kesimpulan
Terdapat beberapa hal yang dapat disimpulkan dari penelitian ini, antara lain:
1. Metode ANFIS memiliki tingkat keakurasian yang lebih baik pada peramalan
out-of-sample dari kunjungan wisatawan Australia ke Bali dibandingkan
dengan metode FTS. Metode ANFIS memiliki AFER sebesar 3.02 persen,
lebih kecil dibandingkan nilai AFER metode FTS sebesar 3.94 persen;
2. Kedua metode, terbatas pada arsitektur ANFIS dan teknik fuzzifikasi yang
digunakan pada metode FTS, belum mampu memberikan nilai ramalan bulanan
yang persentase galatnya lebih rendah dari 1 persen pada seluruh bulan yang
diramalkan. Hal ini mengindikasikan bahwa kedua metode masih bisa diting-
katkan kinerjanya melalui modifikasi pada arsitektur maupun teknik fuzzifikasi
dan atau defuzzifikasi yang digunakan;
3. Penghitungan nilai ramalan dengan metode FTS yang harus dilakukan secara
manual ditutupi oleh adanya keluwesan dan alternatif dalam memilih teknik-
teknik fuzzifikasi dan atau defuzzifikasi. Hal ini berimplikasi pada besarnya
peluang penyempurnaan dari FTS yang tergolong ke dalam metode baru pada
kelompok pemodelan fuzzy.

 5. Daftar Pustaka
[1] UNEP - WTO, "Making Tourism More Sustainable: A Guide for Policy
Makers," United Nations Environtment Programme and World Tourism
Organization, Paris, 2005.
[2] Dinas Pariwisata Provinsi Bali, Direktori 2012. Denpasar, 2013.
[3] HwanSuk Chris Choi and Ercan Sirakaya, "Sustainability indicators for
managing community tourism," Tourism Management, vol. 27, pp. 1275-
1289, 2006.
[4] Ike Janita Dewi, Implementasi dan Implikasi Kelembagaan: Pemasaran
Pariwisata yang Bertanggungjawab. Jakarta: Pinus Book Publisher, 2011.
[5] Haven Emmanuel, "The Use of Fuzzy Set Theory in Economics: Application
in Micro-Economics and Finance," McGill University, Montreal, PhD Thesis
1995.
[6] Meredith Stevenson and John E. Porter, "Fuzzy Time Series Forecasting
Using Percentage Change as the Universe of Discourse," World Academy of
Science, Engineering and Technology, vol. 55, pp. 154-157, 2009.
[7] Tahseen A. Jilani, S. M. Aqil Burney, and C. Ardil, "Multivariate High Order
Fuzzy Time Series Forecasting for Car Road Accidents," World Academy of
Science, Engineering and Technology, vol. 25, pp. 288-292, 2007.

View publication stats