Anda di halaman 1dari 10

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 3, Maret 2018, hlm. 905-914 http://j-ptiik.ub.ac.id

Implementasi Metode Gabungan Multi-Factors High Order Fuzzy Time


Series dan Fuzzy C-Means Untuk Peramalan Kebutuhan Energi Listrik di
Indonesia
Sigit Pangestu1, Dian Eka Ratnawati2, Candra Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1sigitpangestu88@gmail.com, 2dian_ilkom@ub.ac.id, 3dewi_candra@ub.ac.id

Abstrak
Indonesia merupakan salah satu negara pengkonsumsi listrik yang selalu mengalami kenaikan
kebutuhan akan energi listrik setiap tahunnya. Kebutuhan listrik pada sektor rumah tangga dari tahun
2003 sampai 2013 di Indonesia mengalami kenaikan rata-rata sebesar 8% setiap tahunnya. Sedangkan
pada sektor komersial rata-rata kenaikannya sebesar 10,1%. Pertumbuhan kebutuhan akan energi listrik
sudah selayaknya mendapat penanganan yang tepat agar tidak terjadi kurangnya pasokan energi listrik
yang dapat menyebabkan terhambatnya kegiatan perekonomian di Indonesia. Oleh karena itulah
dibutuhkan suatu program yang dapat membantu penyuplai energi listrik di Indonesia (PLN) untuk
menentukan besarnya energi listrik yang harus dipersiapkan. Metode Gabungan Multi-Factors High
Order Fuzzy Time Series dan Fuzzy C-Means (FCM) dapat digunakan untuk peramalan kebutuhan
energi listrik. Fuzzy C-Means menggantikan salah satu proses yang pada metode Multi-Factors High
Order Fuzzy Time Series yaitu saat pembentukan subinterval. Alur dari metode tersebut yaitu penentuan
Universe of Discourse, penentuan jumlah klaster, pembentukan subinterval dengan Fuzzy C-Means,
pembentukan himpunan fuzzy, proses fuzzifikasi, pembentukan Fuzzy Logic Relationship (FLR), dan
proses defuzzifikasi. Dari hasil pengujian didapatkan nilai MAPE (Mean Absolute Percentage Error)
terkecil sebesar 1,7857%. Hasil MAPE yang diperoleh yaitu kurang dari 10% menunjukkan bahwa
Metode Gabungan Multi-Factors High Order Fuzzy Time Series dan Fuzzy C-Means (FCM) sangat baik
digunakan untuk melakukan peramalan kebutuhan energi listrik di Indonesia.
Kata kunci: Kebutuhan energi listrik, Multi-Factors High Order Fuzzy Time Series, Fuzzy C-Means, MAPE.

Abstract
Indonesia is one of the countries consuming electricity which always experience the increasing need of
electric energy every year. Electricity needs in the household sector from 2003 to 2013 in Indonesia
increased by an average of 8% per year. While in the commercial sector the average increase of 10.1%.
Growing demand for electrical energy should be properly handled in order to avoid the lack of
electricity supply that can lead to inhibition of economic activity in Indonesia. Therefore it is needed a
program that can help the supplier of electrical energy in Indonesia (PLN) to determine the amount of
electrical energy that must be prepared. The Combined method Multi-Factors High Order Fuzzy Time
Series and Fuzzy C-Means (FCM) can be used to forecast electrical energy requirements. Fuzzy C-
Means replaces one of the processes in the Multi-Factors High Order Fuzzy Time Series method when
creating subintervals. The path of the method is the determination of the Universe of Discourse, the
determination of the number of clusters, the formation of subintervals with Fuzzy C-Means, the
formation of fuzzy sets, the fuzzification process, the formation of Fuzzy Logic Relationship (FLR), and
the defuzzification process. From the test results obtained the smallest MAPE (Mean Absolute
Percentage Error) value of 1.7857%. MAPE results obtained that less than 10% indicate that Combined
Methods Multi-Factors High Order Fuzzy Time Series and Fuzzy C-Means (FCM) is very good used to
forecast electricity demand in Indonesia.
Keywords: Electric energy requirements, Multi-Factors High Order Fuzzy Time Series, Fuzzy C-Means, MAPE.

Fakultas Ilmu Komputer


Universitas Brawijaya 905
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 906

Salah satu penelitian yang membahas


1. PENDAHULUAN tentang metode fuzzy time series yaitu pada
Energi listrik merupakan salah satu sumber penelitian yang dilakukan Yupei Lin dan Yiwen
energi dasar yang sangat dibutuhkan oleh (2009) yang melakukan perbandingan antara
manusia modern saat ini. Energi listrik Metode Multi-Factors High Order Fuzzy Time
digunakan untuk berbagai aktivitas manusia, Series model dengan Chens model. Perbedaan
seperti melakukan pekerjaan kantor, dan lain- mendasar kedua model tersebut yaitu pada
lain. Di Indonesia kebutuhan listrik pada sektor penentuan subinterval-nya. Dimana pada metode
rumah tangga dari tahun 2003 sampai 2013 pertama digunakan algoritma Fuzzy C-Means
mengalami kenaikan rata-rata sebesar 8% setiap sedangkan yang kedua menggunakan cara
tahunnya. Pada sektor komersial yang meliputi membagi himpunan semesta (Universe Of
jenis usaha keuangan, perdagangan, pariwisata Discourse) dengan n interval dengan panjang
dan jasa, konsumsi listrik dari tahun 2003 yang sama. Hasil penelitian ini yaitu Metode
sebesar 49,8% meningkat menjadi 73,4% pada Multi-Factors High Order Fuzzy Time Series
tahun 2013 dengan pertumbuhan rata-rata model menghasilkan nilai kesalahan peramalan
sebesar 10,1% per tahun (Zed, 2014). lebih kecil dari pada Chens model yaitu dengan
Pertumbuhan kebutuhan akan energi listrik nilai kesalahan terkecil 1,76% dibanding 2,47%
sudah selayaknya mendapat penanganan yang (Lin dan Yang, 2009).
tepat agar tidak terjadi kurangnya pasokan Berdasarkan penelitian tersebut penulis
energi listrik yang dapat menyebabkan mengusulkan peramalan kebutuhan energi listrik
terhambatnya kegiatan perekonomian di dengan menggunakan Metode Gabungan Multi-
Indonesia. Bila perekonomian bangsa terhambat, Factors High Order Fuzzy Time Series dan
maka bisa saja banyak investor asing yang Fuzzy C-Means (FCM). Fuzzy C-Means
menarik dana investasinya yang telah digunakan untuk klasterisasi data guna
diinvestasikan di Indonesia, dan hal tersebut mendapatkan k buah letak titik pusat klaster data
tentu saja akan merugikan banyak pihak di yang kemudian dijadikan untuk pembentukan
Indonesia yang sedang dalam masa subinterval. Fuzzy C-Means menggantikan
pembangunan ini. proses pada metode Multi-Factors High Order
Berdasarkan data tingkat kebutuhan energi Fuzzy Time Series yaitu saat pembentukan
listrik di Indonesia yang diperoleh dari website subinterval. Dengan FCM diharapkan dapat
resmi World Bank, dapat disimpulkan bahwa mengatasi permasalahan dari subinterval yang
perkembangan tingkat kebutuhan energi listrik tidak bisa merefleksikan distribusi dari data asli.
setiap tahun mengalami kenaikan secara
2. LANDASAN KEPUSTAKAAN
fluktuatif. Kenaikan kebutuhan energi listrik
yang berfluktuasi dapat menyebabkan penyuplai 2.1. Faktor-Faktor Yang Mempengaruhi
energi listrik di Indonesia yaitu PLN Tingkat Kebutuhan Energi Listrik
(Perusahaan Listrik Negara) kesulitan dalam
Kebutuhan energi listrik di Indonesia
memperkirakan seberapa besar energi listrik
semakin lama semakin meningkat. menurut
yang harus dipersiapkan dimasa mendatang
Mustafa Servet Kran et al. (2012) dalam
dalam rangka mencapai ketahanan energi listrik
penelitian mereka tentang peramalan kebutuhan
nasional. Oleh karena itulah dibutuhkan suatu
energi listrik di Turki, faktor-faktor kebutuhan
program yang dapat membantu penyuplai energi
energi listrik yang mempengaruhi antara lain
listrik untuk menentukan besarnya energi listrik
(Kiran et al., 2012):
yang harus dipersiapkan.
Salah satu metode yang dapat digunakan a) Produk Domestik Bruto (PDB)
dalam meramalkan suatu keadaan kedepannya b) Populasi jumlah penduduk
yaitu metode fuzzy time series. Metode fuzzy
time series dapat digunakan untuk mempelajari c) Nilai import produk barang dan jasa
pola suatu data yang berbentuk time series d) Nilai eksport produk barang dan jasa
(runtut waktu). Sistem peramalan dengan fuzzy
time series menangkap pola dari data yang telah
terjadi sebelumnya kamudian digunakan untuk
memproyeksikan data yang akan datang
(Purwanto, 2013).
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 907

2.2. Multi-Factors High Order Fuzzy Time 3. Pembentukan himpunan fuzzy (fuzzy set)
Series didasarkan pada subinterval yang telah
terbentuk pada tahap sebelumnya
Multi-Factors High Order Fuzzy Time
Series dibuat untuk mengatasi permasalahan 4. Fuzzifikasi data yang digunakan
pada peramalan fuzzy time series yang hanya berdasarkan himpunan fuzzy
bisa meramalkan suatu keadaan time series
5. Pembentukan Fuzzy Logic Relationship
hanya berdasarkan satu faktor yang
(FLR) berdasarkan data yang telah
dipertimbangkan. Dengan Multi-Factors High
dilakukan proses fuzzifikasi.
Order Fuzzy Time Series suatu keadaan yang
mempunyai banyak faktor yang menjadi 6. Defuzzifikasi hasil peramalan.
penyebab kejadian dapat diramalkan dengan 2.3. Fuzzy C-Means
lebih akurat dikarenakan ada faktor-faktor
pendukung yang memperkuat terjadinya suatu Fuzzy klastering adalah salah satu teknik
kejadian. Langkah-langkah metode Multi- untuk menentukan klaster optimal dalam suatu
Factors High Order Fuzzy Time Series yaitu ruang vektor yang didasarkan pada bentuk
sebagai berikut (Lee et al., 2006): normal euclidean untuk jarak antar vektor. Fuzzy
1. Penentuan Universe of Discourse (U) C-Means (FCM) adalah salah satu contoh
metode yang didasari oleh fuzzy klastering.
Universe of Discourse terdiri dari 2 nilai Tujuan dari algoritma FCM yaitu untuk
yaitu batas atas dan batas bawah. Batas menemukan pusat klaster (centroid) dengan
bawah U ditentukan dengan cara meminimumkan fungsi objektif (Bezdek, 1984).
mengurangkan nilai terkecil dari data Algoritma dari FCM dijelaskan sebagai berikut
( ) dengan suatu nilai positif (D1 ). (Kusumadewi, 2010):
Batas atas U ditentukan dengan cara
menambahkan nilai terbesar data ( ) 1. Memasukkan data yang akan diklasterisasi.
dengan suatu nilai positif (D2 ). Nilai positif 2. Menentukan nilai variabel jumlah klaster,
ini berguna agar nilai yang dihasilkan U bobot, iterasi maksimum, dan eror terkecil
dapat dibagi dengan jumlah subinterval yang diharapkan.
yang ditentukan sehingga dapat 3. Membangkitkan bilangan random ; i
menghasilkan panjang subinterval yang =1, 2, 3, ..., n, dan k =1, 2, 3, ..., c (n =
sama. jumlah data sampel, c = jumlah klaster
(berupa kolom) yang akan dibentuk)
2. Pembentukan subinterval sebagai elemen-elemen matriks partisi
Subinterval juga terdapat 2 nilai yaitu awal. Untuk menghitung jumlah setiap
batas bawah dan batas atas. Cara untuk kolom menggunakan Persamaan (1).
membentuk subinterval yaitu sebagai = =1 (1)
berikut (Abdullah dan Taib, 2011):
Menghitung normalisasi matris partisi
a) Mencari panjang dari setiap subinterval dengan persamaan (2).
dengan cara mengurangkan nilai
bilangan lama
dan dari U kemudian dibagi dengan normalisasi =
(2)
banyaknya subinterval yang ditentukan.
Dimana:
b) Menentukan nilai dari masing-masing
subinterval pada setiap fitur data dengan = jumlah nilai pada kolom ke-k,
cara pada subinterval pertama (1 ) = bilangan random pada baris i
nilainya yaitu [ 1 , (( 1 ) dan kolom k.
+ panjang setiap subinterval)] , kemudian
nilai subinterval 2 (2 ) nilainya yaitu 4. Menghitung pusat klaster ke-k: , (k =
[nilai maksimal subinterval sebelumnya , 1, 2, 3 ..., c dan j =1, 2, 3, ..., m) dengan
nilai maksimal subinterval sebelumnya + Persamaan (3).
panjang setiap subinterval], demikian
=1 (() )
penentuan nilai subinterval dengan cara = (3)
=1 ()
yang sama sampai subinterval yang
terakhir ( ). Dimana:

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 908

= jumlah nilai pada klaster ke-k yang tepat untuk memperoleh peramalan yang
dan atribut ke-j, hasilnya mendekati benar.
Di dalam penelitian ini, perhitungan
= derajat keanggotaan pada kesalahan peramalan menggunakan MAPE
(baris) data ke-i, klaster ke-k, (Mean Absolute Percentage Error). Perhitungan
= data sampel pada (baris) data MAPE seperti ditunjukkan pada Persamaan (6)
ke-i , atribut ke-j, (Sungkawa, 2011).
| |
w = bobot.
=1 x 100%

= (6)

5. Menghitung fungsi objektif pada iterasi
ke-t: , dengan Persamaan (4). Dimana:

= =1 =1 ([ = nilai data aktual pada data sampel


=1 (
2 periode t
) ] ( ) ) (4)
= nilai peramalan pada data sampel
Dimana: periode t
= fungsi objektif pada iterasi ke- = jumlah data sampel
t,
2.5. Data Penelitian
= data sampel pada (baris) data
ke-i , atribut ke-j, Data yang digunakan di dalam penelitian
ini yaitu data jumlah kebutuhan energi listrik di
= pusat klaster pada klaster ke- indonesia mulai tahun 1971 sampai dengan
k, atribut ke-j 2013, data tersebut berinterval 1 kali dalam
6. Menghitung perbaikan matriks partisi setahun. Data pendukung lainnya yang
dengan Persamaan (5). digunakan pada penelitian ini yaitu data Produk

1
1 Domestik Bruto (PDB), data populasi, data nilai
2
[
=1
( ) ] impor, dan data nilai ekspor dari negara
= 1 (5) Indonesia. Semua data didapatkan di situs resmi
1
2
=1 [ ( ) ] World Bank.
=1

Dimana: 3. PERANCANGAN
= perbaikan matriks partisi baris 3.1. Alur Penyelesaian Masalah
ke-i dan kolom ke-k Menggunakan Metode Gabungan Multi-
= data sampel pada (baris) data Factors High Order Fuzzy Time Series
ke-i , atribut ke-j, Model Dan Fuzzy C-Means

= pusat klaster pada klaster ke- Secara umum alur penyelesaian


k, atribut ke-j permasalahan pembentukan subinterval
menggunakan FCM untuk prediksi
= bobot kebutuhan energi listrik ditunjukkan pada
7. Memeriksa kondisi berhenti perulangan Gambar 1.
Metode Gabungan Multi-Factors High
Jika nilai absolut selisih fungsi objektif Order Fuzzy Time Series Model (MF HO FTS)
sekarang ( ) dengan iterasi sebelumnya (1 ) dan Fuzzy C-Means (FCM) adalah metode
kurang dari nilai bobot atau iterasi telah gabungan antara 2 algoritma yang
mencapai batas maksimum iterasi maka iterasi dikembangkan untuk memperbaiki kelemahan
berhenti, jika tidak maka iterasi terus berlanjut algoritma Multi-Factors High Order Fuzzy Time
dimulai dari langkah 4-7. Series pada saat pembentukan subinterval yang
2.4. Perhitungan Kesalahan Peramalan tidak bisa merefleksikan distribusi dari data asli.
Fuzzy C-Means menggantikan proses pencarian
Tidak Semua metode peramalan dapat subinterval agar subinterval dapat semirip
melakukan peramalan dengan ketepatan mungkin bisa merefleksikan distribusi dari data
mencapai 100%, untuk itu maka perlu metode asli.

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 909

2. Penentuan jumlah klaster data


Klasterisasi bertujuan untuk membagi
himpunan semesta U ke dalam beberapa
subinterval . Persamaan (9) digunakan
mencari banyaknya klaster.

=2|()(1)|
= || | / | (9)
1

dimana:
= jumlah klaster
= nilai terkecil dari data sampel
= nilai terbesar dari data sampel
= banyaknya data sampel
() = data pada waktu t
( 1) = data pada waktu sebelum t (t-
1)
Apabila hasil perhitungan bernilai
pecahan, maka dibulatkan agar menjadi
bilangan bulat.
3. Pembentukan subinterval dengan Fuzzy C-
Means
Terdapat dua proses didalam
pembentukan subinterval yaitu proses
Gambar 1 Diagram alir peramalan energi listrik
dengan Metode Gabungan Multi-Factors High Order
penentuan pusat klaster dan proses
Fuzzy Time Series dan Fuzzy C-Means penentuan batas subinterval. Proses
penentuan pusat klaster data dilakukan
Langkah-langkah metode gabungan ini yaitu menggunakan FCM untuk mendapatkan k
sebagai berikut (Lin dan Yang, 2009): buah titik sebagai pusat klaster. Langkah-
1. Penentuan Universe of Discourse (U) langkah dalam membentuk subinterval
Universe of Discourse ditentukan dengan metode FCM yaitu:
menggunakan Persamaan (7). a. Membentuk matriks partisi awal
= [ , + ] (7) dengan bilangan penyusunnya adalah
bilangan random. Ukuran matriks partisi
dimana: ini yaitu i x k, dimana i adalah jumlah
= nilai terkecil dari data sampel data sampel dan k adalah jumlah klaster
= nilai terbesar dari data sampel yang dibentuk.
= standar deviasi data b. Melakukan normalisasi matriks partisi
untuk menghitung standar deviasi awal setiap kolom dengan Persamaan
menggunakan Persamaan (8) (Weisstein, (2).
2015). c. Menghitung pusat klaster ( )
menggunakan Persamaan (3).
1 d. Menghitung fungsi objektif dengan
= 1 =1( )2 (8)
menggunakan Persamaan (4).
dimana: e. Menghitung perbaikan matriks partisi
menggunakan Persamaan (5).
= standar deviasi f. Memeriksa kondisi berhenti perulangan.
= rata-rata dari data sampel
Setelah iterasi berhenti dan didapatkan k
= banyak data sampel titik pusat klaster kemudian dilanjutkan
= nilai data sampel ke-i dengan proses penentuan batas subinterval
dengan cara membagi Universe of
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 910

1
Discourse ke dalam k subinterval ( ): =1
= (11)
1 : ( , 1 ), 2 : (1 , 2 ),
=1
3 : (2 , 3 ), , : (1, ), dimana
Dimana:
(i = 1, 2, ..., k-1) adalah titik tengah antara
= hasil peramalan hari ke-T
dua pusat klaster.
= pusat klaster i dimana A(*, i)
4. Pembentukan himpunan fuzzy (fuzzy set) adalah secedent factor dari FLR
hasil proses pencocokan.
Himpunan fuzzy (i = 1, 2, ..., k)
= frekuensi munculnya A(*, i) pada
dibentuk seperti pada Persamaan (10).
saat proses pencocokan.

1 = 11 /1 + 12 /2+ ... + 1 /
4. HASIL PENGUJIAN DAN ANALISIS

2 = 21 /1 + 22 /2 + ... + 2 / 4.1 Pengujian terhadap pengaruh bobot


pada MAPE
... = .......... + ........... + ... + ....... (10)
Pengujian ini bertujuan untuk mengetahui
= 1 /1 + 2 /2 + ... + / pengaruh nilai bobot terhadap MAPE yang
dihasilkan. Bobot yang diuji dimulai dari 1,5
hingga 6. Nilai Order yang digunakan 9,
Dimana menunjukkan derajat konstanta threshold 75, jumlah data latih 32,
keanggotaan dari dalam himpunan fuzzy jumlah data uji 10, iterasi maksimum 10, dan
(i = 1, 2, ..., k; j = 1, 2, ..., k). Tanda + eror terkecil 0,0001.
menunjukkan operator himpunan
gabungan. Grafik nilai rata-rata MAPE berdasarkan
5. Fuzzifikasi bobot
9,54 9,56
Disini nilai data yang masih berupa 10
7,83 7,96 8,31
bilangan asli dari data sampel diubah 9
7,17
MAPE (%)

8
menjadi nilai fuzzy dan nilai fuzzy tersebut 7
dalam bentuk derajat keanggotaan. Dari 6 4,48
5
beberapa nilai derajat keanggotaan yang 4
2,04 1,92 1,81
3
ada, dipilih satu nilai dari himpunan fuzzy 2
yang memiliki derajat keanggotaan paling 1
tinggi. 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6
6. Pembentukan Fuzzy Logic Relationship Bobot
(FLR)
Data sampel sebanyak n periode (order) Gambar 2 Grafik nilai MAPE berdasarkan nilai
bobot yang berbeda
dipilih sebagai data latih untuk membentuk
fuzzy time series model. Misal t adalah Berdasarkan Gambar 2 nilai MAPE dengan
periode yang hendak diramal, dengan order bobot 1,5 sampai 2,5 nilainya cenderung turun.
= 3 maka tiga periode sebelum periode t Kemudian pada nilai bobot 2,5 sampai 4,5
adalah t-3, t-2, t-1 dimana t = 4, 5, ..., n. nilainya cenderung naik. Bobot dengan nilai 2,5
7. Defuzzifikasi menghasilkan nilai MAPE yang terendah
Defuzzifikasi dilakukan untuk dibandingkan nilai bobot yang lain yaitu dengan
mendapatkan hasil dari peramalan. Disini nilai MAPE sebesar 1,81%. Nilai MAPE yang
dilakukan pencocokan dari data latih dengan naik turun yang ada pada Gambar 2 dikarenakan
data uji yang diambil dari FLR. Data latih letak pusat klaster yang dihasilkan pada setiap
dinyatakan cocok dengan data uji bila selisih bobot berbeda-beda sehingga mempengaruhi
nilai absolut antecedent factor (faktor di ruas nilai hasil fuzzifikasi data aktual. Pada nilai
kiri FLR) dari kedua data tersebut lebih kecil bobot 1,5 sampai 2,5 yang menghasilkan MAPE
dari nilai threshold. Kemudian untuk kurang dari 2% disebabkan karena nilai letak
memperoleh nilai hasil peramalan pusat klaster yang dihasilkan dari bobot tersebut
digunakan metode centroid, metode tersebut letaknya lebih tersebar sehingga peramalan yang
dinyatakan dengan Persamaan (11). dihasilkan dapat lebih mendekati data aktualnya.

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 911

4.2 Pengujian terhadap pengaruh iterasi rata-rata MAPE naik kembali. Nilai rata-rata
maksimum pada MAPE MAPE yang besar yaitu diatas 10% seperti pada
order 2, 3, 4, 5, 6, 7, dan 8 dikarenakan nilai
Pada pengujian ini dilakukan untuk
threshold yang digunakan kurang besar sehingga
mengetahui pengaruh nilai iterasi maksimum
menyebabkan ada data latih yang cocok dengan
terhadap nilai MAPE yang dihasilkan. Iterasi
data uji yang seharusnya termasuk data latih
maksimum yang diuji dari 5 sampai 50. Nilai
yang cocok menjadi tidak cocok karena nilai
Order yang digunakan 9, konstanta threshold 75,
threshold yang kecil sehingga menyebabkan
jumlah data latih 32, jumlah data uji 10, bobot
kegagalan peramalan pada satu atau lebih data
2.5, dan eror terkecil 0,0001. Berdasarkan
uji sehingga nilai peramalan dari data uji yang
Gambar 3 nilai iterasi maksimum 5 sampai 20
mengalami kegagalan peramalan menjadi 0.
menghasilkan nilai rata-rata MAPE yang
bervariasi kemudian pada iterasi maksimum
mulai dari 20 sampai 50 menghasilkan nilai rata- Grafik nilai rata-rata MAPE berdasarkan order

rata MAPE yang konstan, hal ini dikarenakan 44,51 47,98 41,10
50
32,21
pada FLR data latih yang cocok dengan data uji 29,99 26,63

MAPE (%)
30
memiliki kesamaan nilai fuzzifikasi pada data 9,07
13,10
6,40
1,75
kebutuhan energi listrik antara iterasi ke-20 10

hingga iterasi ke-50 sehingga iterasi tersebut -10 1 2 3 4 5 6 7 8 9 10


memiliki hasil rata-rata MAPE yang sama. Order

Dengan iterasi yang terlalu sedikit maka sistem


tidak dapat melakukan eksplorasi pembentukan Gambar 4 Grafik nilai MAPE berdasarkan nilai
order yang berbeda
pusat klaster yang mirip dengan data yang
digunakan karena sebelum pusat klaster yang 4.4 Pengujian terhadap pengaruh jumlah
terbentuk memiliki kemiripan dengan data yang data latih maksimum pada MAPE
digunakan iterasi sudah terlebih dahulu berhenti.
Pada pengujian ini dilakukan untuk
Grafik nilai rata-rata MAPE berdasarkan Iterasi Maksimum mengetahui pengaruh nilai jumlah data latih
11 9,41
maksimum terhadap nilai MAPE yang
9
dihasilkan. Jumlah data latih maksimum yang
diuji dari 28 sampai 32. Nilai order yang
MAPE (%)

7
digunakan 9, konstanta threshold 75, jumlah
5
1,91 1,96 2,00 2,00 2,00 2,00 2,00 2,00 2,00 data uji 10, bobot 2.5, iterasi maksimum 10, dan
3
eror terkecil 0,0001.
1
5 10 15 20 25 30 35 40 45 50

Iterasi Maksimum
Grafik nilai rata-rata MAPE berdasarkan jumlah
data latih maksimum
Gambar 3 Grafik nilai MAPE berdasarkan iterasi 59,85
maksimum yang berbeda 60 41,37
MAPE (%)

27,85
40 13,62
4.3 Pengujian terhadap pengaruh order 20 2,31
pada MAPE 0
28 29 30 31 32
Pada pengujian ini dilakukan untuk Jumlah data latih maksimum
mengetahui pengaruh nilai order terhadap nilai Gambar 5 Grafik nilai MAPE berdasarkan
MAPE yang dihasilkan. Order yang diuji dari 1 jumlah data latih maksimum yang berbeda
sampai 10. Nilai konstanta threshold yang
digunakan 75, jumlah data latih 32, jumlah data Berdasarkan Gambar 5 semakin banyak
uji 10, bobot 2.5, iterasi maksimum 10, dan eror jumlah data latih maksimum maka semakin kecil
terkecil 0,0001. pula nilai MAPE yang dihasilkan. Penurunan
nilai MAPE disebabkan karena proses
Berdasarkan Gambar 4 nilai order yang pencocokan data latih dan uji pada saat
berbeda menghasilkan nilai MAPE yang berbeda
defuzzifikasi. Dengan data latih maksimum
pula. Nilai rata-rata MAPE pada order 1 sampai berada pada FLR 28 dan data uji terakhir berada
4 mengalami kenaikan, kemudian pada order 4 pada FLR 34 maka selisih antara data uji dan
sampai order 9 nilai rata-rata MAPE mengalami data latih menjadi besar dikarenakan ada jarak
penurunan dan kemudian pada order 10 nilai
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 912

yang cukup jauh antara data latih maksimum peramalan data uji yang nilainya 0 sehingga
dengan data uji terakhir sehingga dengan berpengaruh pada nilai MAPE yang tinggi. Nilai
threshold = 120 (didapat dari 5 (jumlah fitur threshold yang terlalu besar juga akan
data) * 9 (order) + 75 (konstanta)) maka ada memperbesar nilai MAPE dikarenakan batas
beberapa data uji yang yang mengalami pencarian FLR yang cocok antara data latih dan
kegagalan peramalan sehingga nilai data uji yang besar sehingga data latih yang
peramalannya 0 dan menyebabkan nilai MAPE seharusnya tidak cocok dengan data uji menjadi
menjadi sangat tinggi. Kemudian dengan jumlah cocok sehingga terlalu banyak nilai yang masuk
data latih maksimum = 32 maka jarak antara data sebagai angka peramalan yang dapat
latih maksimum dan data uji terakhir menjadi menurunkan kualitas nilai peramalan dan juga
agak dekat sehingga selisih FLR data uji dan meningkatkan MAPE yang dihasilkan.
latih menjadi lebih kecil dari jumlah data latih
4.6 Analisis Hasil
maksimum 28 dan dengan threshold 120 maka
semua data uji berhasil didapatkan nilai Berdasarkan hasil pengujian didapatkan
peramalannya yang berefek pada kecilnya nilai variabel-variabel terbaik yang dapat digunakan
MAPE. untuk melakukan peramalan kebutuhan energi
listrik di Indonesia dengan metode gabungan
4.5 Pengujian terhadap pengaruh threshold
multi-factors high order fuzzy time series dan
pada MAPE
fuzzy c-means, variabel-variabel tersebut dapat
Pada pengujian ini dilakukan untuk dilihat pada Tabel 1.
mengetahui pengaruh nilai threshold terhadap Tabel 1 Variabel Terbaik Hasil Pengujian
nilai MAPE yang dihasilkan. Threshold yang
diuji dari 110 sampai 200. Nilai order yang No. Variabel Nilai
digunakan 9, jumlah data latih 32, jumlah data 1 Bobot 2,5
uji 10, bobot 2.5, iterasi maksimum 10, dan eror 2 Iterasi Maksimum 10
terkecil 0,0001.
3 Order 9
Grafik nilai rata-rata MAPE berdasarkan 4 Jumlah Data Latih Maksimum 32
Threshold
5 Threshold 120
7 5,80 6,00
5,24
6
4,18 Selanjutnya nilai variabel terbaik diuji
MAPE (%)

5 3,73
4 3,03
2,47
3,28 kembali sebanyak 10 kali untuk mendapatkan
3 1,95 1,97 nilai rata-rata MAPE dari perangkat lunak. Hasil
2
1 dari pengujian tersebut ditunjukkan pada Tabel
110 120 130 140 150 160 170 180 190 200 2.
Jumlah data latih maksimum
Tabel 2 Hasil Pengujian Dengan Variabel
Gambar 6 Grafik nilai MAPE berdasarkan Terbaik
threshold yang berbeda
Berdasarkan Gambar 6 nilai threshold yang Uji Coba Ke- Mape (%)
berbeda mempengaruhi nilai dari MAPE yang 1 1,8952
dihasilkan. Nilai threshold diatas 120 akan
2 2,0676
menaikan nilai MAPE sedikit demi sedikit
3 1,8806
sehingga semakin besar nilai threshold semakin
besar pula nilai MAPE. Dengan threshold yang 4 2,0803
terlalu kecil maka batas pencarian FLR yang 5 2,1645
cocok antara data latih dan uji menjadi sempit 6 2,2475
sehingga ada data latih yang seharusnya masuk 7 1,8762
sebagai angka peramalan tetapi tidak termasuk 8 1,7348
kedalam angka peramalan sehingga ada data uji 9 2,2095
yang tidak keluar nilai peramalannya karena 10 2,1835
tidak ada data latih yang cocok dengan data uji Rata-rata 2,0340
sehingga nilai hasil peramalnnya menjadi 0,
seperti yang terjadi pada percobaan pertama Berdasarkan Tabel 2, nilai MAPE terkecil
dengan nilai threshold 110 ada nilai hasil didapatkan pada uji coba ke-8 dengan nilai
MAPE sebesar 1,7348%. Sementara nilai MAPE
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 913

terbesar didapatkan pada uji coba ke-6 dengan Percentage Error) sebesar 2,0340%. Hasil
nilai MAPE sebesar 2,2475%. Secara umum perhitungan MAPE yang lebih kecil dari
metode gabungan Multi-Faktor High Order 10% menunjukkan bahwa Implementasi
Fuzzy Time Series dan Fuzzy C-Means Metode Gabungan Multi-Factors High
memberikan hasil peramalan yang cukup baik, Order Fuzzy Time Series dan Fuzzy C-
hal tersebut ditunjukkan dengan rata-rata MAPE Means sangat baik digunakan untuk
dari 10 kali uji coba dengan menggunakan melakukan peramalan kebutuhan energi
variabel terbaik yang hasil MAPE-nya yaitu listrik di Indonesia.
sebesar 2,0340%.
6. DAFTAR PUSTAKA
5. KESIMPULAN
1. Implementasi Metode Gabungan Multi- Abdullah, Lazim., Taib, Imran. 2011. High
Factors High Order Fuzzy Time Series dan Order Fuzzy Time Series for Exchange Rates
Fuzzy C-Means untuk peramalan kebutuhan Forecasting. Faculty Science and
energi listrik di Indonesia dilakukan dengan Technology. Universiti Malaysia
melalui proses penentuan Universe of Terengganu.
Discourse, proses penentuan jumlah Bezdek, J. C. 1984. FCM: The Fuzzy C-Means
klaster, proses pembentukan subinterval Clustering Algorithm. Computers &
dengan Fuzzy C-Means, proses Geoscience, 191-203.
pembentukan himpunan fuzzy, proses
fuzzifikasi, proses pembentukan Fuzzy Kiran, Mustafa Servet., zceylan, Eren.,
Logic Relationship (FLR), dan proses Gunduz, Mesut., Paksoy, Turan. 2012.
defuzzifikasi. Hasil dari peramalan Swarm intelligence approaches to estimate
kebutuhan energi listrik didapatkan pada electricity energy demand in Turkey.
akhir proses defuzifikasi. Department of Computer Engineering,
Selcuk University, Turkey.
2. Dari hasil pengujian yang telah dilakukan Kusumadewi, Sri., H. P. 2010. Aplikasi Logika
dapat diketahui bahwa: Fuzzy untuk Pendukung Keputusan.
a) Nilai bobot yang menghasilkan nilai Yogyakarta: Graha Ilmu.
MAPE paling rendah yaitu bobot
dengan nilai 2,5. Lee, L. Wang, L. Chen, S. Leu, Y. 2006.
b) Nilai order yang menghasilkan nilai Handling Forecasting Problems Based on
MAPE terkecil yaitu dengan order 9. Two-Factors High-Order Fuzzy Time
Series. IEEE Transactions On Fuzzy
c) Semakin banyak data latih maksimum Sistems. 468- 477.
yang digunakan maka hasil peramalan
semakin baik. Jumlah data latih Lin, Yupei. Yang, Yiwen. 2009. Stock Market
maksimum yang menghasilkan nilai Forecasting Based on Fuzzy Time Sries
MAPE terbaik yaitu dengan nilai 32. Model. IEEE Conference Publication, 782-
d) Nilai threshold tidak boleh terlalu 886.
besar karena akan membuat nilai hasil Purwanto, Angga Depi. 2013. Penerapan
peramalan menjadi lebih buruk, tetapi Metode Fuzzy Time Series Average-Based
nilai threshold juga tidak boleh terlalu pada Peramalan Data Harian
kecil karena bisa membuat kegagalan Penampungan Susu Sapi. S1. Universitas
dalam peramalan data uji yang Brawijaya.
digunakan. Rentang nilai threshold
Sungkawa, Iwa., Megasari, Ries Tri. 2011.
yang menhasilkan nilai MAPE tetap
Penerapan ukuran ketepatan nilai ramalan
dibawah 10% yaitu antara nilai 120 -
data deret waktu dalam seleksi model
200.
peramalan volume penjualan PT
3. Tingkat kesalahan dari perangkat lunak satriamandiri citramulia. School of
Implementasi Metode Gabungan Multi- Computer Science, Binus University.
Factors High Order Time Series dan Fuzzy
C-Means untuk peramalan kebutuhan Wardhani, Dessy Kusuma. 2015. Implementasi
energi listrik di Indonesia ditunjukkan metode Multi-Factors High Order Fuzzy
dengan nilai MAPE (Mean Absolute Time Series Model untuk prediksi harga
emas. S1. Universitas Brawijaya.
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 914

Weisstein, E. W. 2015. Standart Deviation.


Retrieved Maret 10, 2015. from MathWorld-
A Worfram Web Resource:
http://mathworld.wolfram.com/StandartDev
iation.html.
Zed, Farida., Suharyani, Yenny Dwi., Rasyid,
Ainur., Hayati, Dwi., Rosdiana, Dian.,
Mohi, Ervan., Santhani, Fitria., Pambudi,
Sadmoko Hesti., Malik, Cecilya., Santosa,
Joko., Nurohim, Agus. 2014. Outlook energi
2014. [pdf] Tersedia di:
prokum.esdm.go.id/Publikasi
/Outlook%20Energi%202014.pdf [Diakses
09 Maret 2017].

Fakultas Ilmu Komputer, Universitas Brawijaya