Anda di halaman 1dari 48

I.

Judul Penelitian
Aplikasi Model Fuzzy Time Series Markov Chain Dalam Memprediksi Produksi
Premium dan Solar di Indonesia

II. Latar Belakang Masalah


Salah satu sumber daya alam yang ada dan strategis di Indonesia adalah
bahan-bakar minyak. Bahan bakar minyak merupakan salah satu jenis bahan bakar
yang banyak digunakan untuk memenuhi kebutuhan sehari-hari, seperti sebagai
pemasok energi bagi kebutuhan rumah tangga, sektor transportasi dan untuk
menggerakkan alat-alat industri. Karena begitu pentingnya peranan bahan bakar
minyak sebagai salah satu kebutuhan pokok masyarakat, kondisi tersebut dapat
dilihat dari peranan BBM (Bahan Bakar Minyak) sebagai faktor penting dalam
penentuan harga-harga bahan pokok atau inflasi (Sawitri, 2005).
Peranan BBM yang utama, salah satunya dalam sektor transportasi. Sektor
ini menghabiskan kebutuhan BBM terbesar dalam 10 tahun terakhir di Indonesia.
Dimana, konsumsi energi sektor transportasi meningkat rata-rata 5,8% per tahun
dari 129 juta SBM (Setara Barrel Minyak) di tahun 1999 menjadi 226 juta SBM di
tahun 2009 (Kementerian Energi dan Sumber Daya Mineral, 2010). Meningkatnya
jumlah konsumsi bahan bakar di sektor transportasi dipicu oleh jumlah kendaraan
bermotor yang terus meningkat secara pesat, perkembangan jumlah kendaraan
bermotor pada tahun 1987 mencapai 7.981.480 unit, tahun 2000 sudah mencapai
angka 18.975.344 unit, 10 tahun kemudian tepatnya pada tahun 2010 terjadi
peningkatan, bahkan jumlah kendaraan mencapai angka 76.907.127 unit,
sedangkan berdasarkan data terakhir jumlah kendaraan tahun 2013 mencapai
104.118.969 unit (bps, 2014).
Premium dan Solar merupakan jenis bahan bakar minyak yang populer
digunakan untuk kendaraan bermotor (mobil penumpang, bis, truk, dan sepeda
motor) yang berfungsi sebagai sumber energi. Berdasarkan data Badan Pusat
Statistik, pada tahun 2013 jumlah kendaraan bermotor terbanyak ada pada Sepeda
motor dengan 84.732.652 unit, kemudian Mobil penumpang 11.484.514 unit,
Truk berjumlah 5.615.494 unit, sedangkan jumlah Bis mencapai 2.286.309 unit.

1
Untuk menjamin ketersediaan komoditi (Premium dan Solar) tersebut pemerintah
perlu melakukan campur tangan dalam penentuan harga dan sekaligus menjamin
ketersediaannya di pasar domestik. Kebijakan-kebijakan yang dapat dilakukan
oleh pemerintah diantaranya yaitu, kebijakan ekspor-impor maupun kebijakan
dengan cara memberikan subsidi harga untuk menekan harga, agar terjangkau
oleh masyarakat luas dan sekaligus menjaga stabilitas harga (sitepu, 2013).
Untuk menjamin ketersediaan dan menentukan kebijakan-kebijakan yang
akan diterapkan, Pemerintah perlu untuk mengetahui keadaan Bahan Bakar
Minyak khususnya Premium dan Solar diantaranya melalui jumlah produksi yang
ada di dalam negeri. Salah satu alat yang diperlukan dalam memperkirakan
jumlah produksi Premium dan Solar di Indonesia dan merupakan bagian integral
dari proses pengambilan keputusan ialah teknik peramalan. Teknik peramalan
merupakan suatu teknik yang digunakan untuk menaksir keadaan yang akan
datang (Herjanto, 2009).
Pada teknik peramalan, relasi antara himpunan barisan dari data lalu
diukur berdasarkan waktu untuk meramal nilai masa depan, di investigasi dengan
peramalan time series, banyak alat statistika seperti analisis regresi, moving
average, exponential smoothing average dan autoregressive moving average telah
digunakan dalam peramalan tradisional, bagaimanapun, model-model analisis
tersebut terlalau mengandal kan pada data historis, dan data diperlukan untuk
mengikuti distribusi normal supaya mendapatkan hasil ramalan yang relatif baik,
selain itu metode peramlan time series tradisional (crips) secara normal tidak
dapat diaplikasi ketika data historis direpresentasikan dengan nilai linguistik.
Supaya jenis-jenis masalah seperti itu dapat terselesaikan, pendekatan fuzzy time
series telah dikembangkan sebagai sebuah metode peramalan alternative. Hal ini
telah terbukti bahwa fuzzy time series bisa diaplikasikan dengan tepat untuk
menyusun data dari nilai linguistik, untuk menghasilkan aturanaturan peramalan
dengan keakuratan yang tinggi (Cai, 2014).
Metode peramalan yang paling penting dan relevan dalam dunia
managemen, termasuk untuk peramalan finansial, permintaan produksi dan
peramalan persediaan, metode fuzzy time series diaplikasikan sebagai pendekatan

2
yang valid untuk peramalan nilai mendatang dalam situasi dimana tidak satupun
trend yang digambarkan maupun pola dalam variasi time series divisualisasikan
dan terlebih lagi informasi tidak komplit dan ambigu. Model fuzzy time series
pertama kali dipromosikan oleh song dan chissom yang menggunakan konsep
fuzzy logic, untuk membangun pondasi fuzzy time series menggunakan time
invarian dan model time varian , fuzzy time series adalah suatu teknik baru untuk
peramalan yang dikembangkan dari konsep teori fuzzy.
Beberapa penelitian mengenai fuzzy time series telah dikembangkan
diantaranya yaitu, penerimaan mahasiswa baru menggunakan metode fuzzy time
series menggunakan first order dan time variant dengan data histori penerimaan
mahasiswa baru di Universitas Alabama. Dalam metode ini, langkah pertama
adalah mengumpulkan data kemudian mendefinisikan semesta pembicaraan U dan
membuat partisi semesta pembicaraan ke dalam beberapa interval dengan panjang
interval yang sama kemudian diperoleh statistik distribusi data histori tiap interval
dan membagi tiap interval menjadi dua sub interval dengan panjang yang sama.
Selanjutnya mendefinisikan nilai linguistik dengan representasi himpunan fuzzy
berdasarkan interval yang telah dibagi kemudian lakukan fuzifikasi. Menentukan
fuzzy logical relationship (FLR) dan langkah terakhir gunakan aturan-aturan untuk
menentukan apakah tren peramalan naik atau turun dan menentukan hasil
ramalan. Hasil ramalan metode ini menunjukkan tingkat akurasi lebih tinggi
dibanding dengan penelitian yang telah dilakukan sebelumnya (Chen, 2004).
Metode fuzzy time series juga digunakan untuk meramal hasil panen
gandum pada Huge farm. Perbandingan akurasi peramalan metode ini dengan
metode Chen II menunjukkan bahwa akurasi metode ini lebih baik dibanding
metode Chen I. Metode ini menerapkan batas interval atas, batas interval bawah
dan nilai tengah interval untuk proses defuzzifikasi ( Shyi, 2007).
Chen (1996) menyebutkan, fokus pada operator yang digunakan dalam
model dan menyederhanakan perhitungan aritmatika untuk meningkatkan operator
komposisi kemudian diperkenalkan grup fuzzi logic untuk meningkatkan akurasi
peramalan, (huarng) membuat study tentang panjang interval yang efektif untuk
meningkatkan peramalan. Selanjutnya Peramalan kurs mata uang Taiwan terhadap

3
mata uang dolar dengan metode fuzzy time series model Markov chain. Sebelum
menerapkan metode ini pada kasus kurs, terlebih dahulu dilakukan peramalan
penerimaan mahasiswa baru dengan studi kasus pada universitas Alabama
kemudian melakukan perbandingan tingkat akurasi peramalan dengan metode-
metode sebelumnya. (Tsaur, 2012).
Pendekatan fuzzy time series Markov-chain untuk menganalisa data
linguistik atau data time series sampel kecil diusulkan supaya keakuratan prediksi
lebih tinggi dengan mentransfer data fuzzy time series ke grup logika fuzzy, dan
menggunakan grup logika fuzzy yang diperoleh untuk mendepatkan matrik transisi
markov-chain kemudian digunakan untuk peramalan. Berdasarkan uraian diatas
maka pada penelitian ini, akan dibahas menegenai metode fuzzy time series
markov-chain untuk peramalan produksi Premium and Solar periode Juli 2014
sampai Juni 2015 di Indonesia.

III. Rumusan Masalah


Rumusan masalah yang akan dikaji pada penelitian ini adalah:
1. Bagaimana aplikasi model peramalan produksi Premium and Solar dengan
melalui penggabungan konsep model fuzzy time series dengan Markov
Chain ?
2. Bagaimana ukuran ketepatan model fuzzy time series Markov Chain dalam
peramalan produksi Premium and Solar?

IV. Tujuan Penelitian


Tujuan dari penelitian ini adalah:
1. Menerapkan model peramalan produksi Premium and Solar dengan
melalui penggabungan konsep model fuzzy time series dengan Markov
Chain.
2. Mengetahui ukuran ketepatan model fuzzy time series Markov Chain
dalam peramalan produksi Premium and Solar.

4
V. Manfaat Penelitian
Adapun manfaat dilakukannya penelitian ini antara lain:
1. Memberikan sumbangan terhadap perkembangan ilmu pengetahuan dan
menambah wawasan pengetahuan dalam bidang peramalan dengan metode
yang baru terutama tentang pengembangan dan aplikasi metode fuzzy time
series markovchain pada peramalan produksi Premium dan Solar.
2. Membuat keputusan terhadap peramalan yang diperoleh dengan
memberikan masukan bagi Kementrian ESDM (Energi dan Sumber Daya
Mineral) dan Pemerintah dalam menentukan kebijakan yang diambil.

VI. Tinjauan Pustaka


VI.1 Bahan Bakar Minyak
Minyak bumi adalah hasil proses alami berupa hidrokarbon yang dalam
kondisi tekanan dan temperatur atmosfer berupa fase cair atau padat, termasuk aspal,
lilin mineral atau ozokerit, dan bitumen yang diperoleh dari proses penambangan,
tetapi tidak termasuk batubara atau endapan hidrokarbon lain yang berbentuk padat
yang diperoleh dari kegiatan yang tidak berkaitan dengan kegiatan usaha minyak dan
gas bumi. Bahan bakar minyak (BBM) adalah bahan bakar yang berasal dan atau
diolah dari minyak bumi (Kementerian Energi dan Sumber Daya Mineral, 2011).
Bahan bakar minyak (BBM) sebagian besar diperuntukkan untuk untuk
kendaraan bermotor dan kebutuhan industri yang berfungsi sebagai pembakaran
mesin-mesin sehingga mesin dapat berfungsi dengan baik sebagaimana mestinya
(Artiyah, 2011).
VI.2 Premium
Premium adalah bahan bakar minyak jenis distilat berwarna kekuningan yang
jernih dan sering disebut sebagai motor gasoline atau petrol (Pertamina, 2014).
sedangkan menurut Putra (2011) mengatakan bahwa Premium merupakan bahan
bakar minyak jenis distilat berwarna kekuningan yang jernih. Premium merupakan
BBM untuk kendaraan bermotor yang paling populer di Indonesia. Premium di
Indonesia dipasarkan oleh Pertamina dengan harga yang relatif murah karena
memperoleh subsidi dari Anggaran Pendapatan dan Belanja Negara (APBN).
Premium merupakan BBM dengan oktan atau Research Octane Number (RON)

5
terendah di antara BBM untuk kendaraan bermotor lainnya, yakni hanya 88. Pada
umumnya, Premium digunakan untuk bahan bakar kendaraan bermotor bermesin
bensin, seperti: mobil, sepeda motor, motor tempel, dan lain-lain.
VI.3. Solar (Gas Oil / Automotive Diesel Oil/ High Speed Diesel )
Menurut bphmigas (2013) Gas Oil/ ADO/ HSD merupakan BBM jenis Solar
yang memiliki angka performa cetane number 45, jenis BBM ini umumnya
digunakan untuk mesin transportasi mesin diesel yang umum dipakai dengan sistem
injeksi pompa mekanik (injection pump) dan electronic injection, jenis BBM ini
diperuntukkan untuk jenis kendaraan bermotor transportasi dan mesin industri. Jenis
minyak Solar yang beredar di Indonesia adalah adalah jenis Solar 48 dengan cetane
number 45.
VI.4. Dasar Teori Peramalan
Definisi 6.1. Peramalan adalah prediksi, rencana atau estimasi kejadian
masa depan yang tidak pasti (Makridakis dkk, 1999).
Metode peramalan merupakan cara memperkirakan apa yang akan terjadi
pada masa depan secara sistematis dan pragmatis atas dasar data yang relevan
pada masa yang lalu, sehingga dengan demikian metode peramalan diharapkan
dapat memberikan objektivitas yang lebih besar. Selain itu metode peramalan
dapat memberikan cara pengerjaan yang teratur dan terarah, dengan demikian
dimungkinkannya dapat digunakan teknik penganalisaan yang lebih maju. Dengan
penggunaan teknik-teknik tersebut maka diharapkan dapat memberikan tingkat
kepercayaan dan keyakinan yang lebih besar karena dapat di uji penyimpangan
atau deviasi yang terjadi secara ilmiah.
Kegiatan peramalan merupakan hal-hal yang berhubungan dengan berikut ini:
1. Merupakan bagian integral dari pengambilan keputusan.
2. Mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif).
3. Ada saling ketergantungan antar divisi.
VI.5. Jenis-jenis Pola Data
Langkah penting dalam memilih suatu metode deret berkala (time series)
yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode

6
yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan
menjadi empat jenis, yaitu (Makridakis dkk., 1999):
1. Pola Horizontal
Pola data ini terjadi bilamana data berfluktuasi di sekitar nilai rata-rata
yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun
selama waktu tertentu termasuk jenis ini. Bentuk pola horizontal ditunjukkan
seperti gambar 6.1
S catterplot of data_ 1 vs data

15

14
data_1

13

12

11

0 5 10 15 20
dat a

Gambar 6.1 Pola Horizontal


2. Pola Trend (T) atau Trend Data Pattern
Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Bentuk pola trend ditunjukkan seperti gambar 6.2
S catterplot of data vs data_1
40

35

30
data

25

20

15

10
10 15 20 25 30 35 40
dat a_1

Gambar 6.2 Pola Trend


3. Pola Musiman (S) atau Seasional Data Pattern
Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman
(misalnya, kuartal tahun tertentu, bulan atau hari-hari pada minggu tertentu).
Seperti banyak nya pengunjung yang datang ketempat wisata sesuai dengan
beberapa musim, musim liburan sekolah, liburan hari raya dan lain-lain
jumlahnya akan lebih terlihat meningkat ketimbang hari-hari libur biasa.
menunjukkan jenis pola ini. Bentuk pola musiman ditunjukkan seperti gambar
6.3

7
S catter plot of data_ 1 vs data

19

18

17

16

15

data_1
14

13

12

11

10

0 10 20 30 40 50
dat a

Gambar 6.3 Pola Musiman


4. Pola Siklis atau Cyclied Data Pattern
Pola data ini terjadi bilamana datanya di pengaruhi oleh fluktuasi ekonomi
jangka panjang seperti berhubungan dengan siklus bisnis. Contohnya penjualan
produk seperti mobil, baja. Bentuk pola siklis ditunjukkan seperti gambar 6.4.

Gambar 6.4 Pola Siklis


Terdapat dua hal penting dalam proses peramalan yang akurat dan bermanfaat
yaitu:
1. Pengumpulan data yang relevan.
2. Pemilihan teknik peramalan yang tepat.
VI.6. Data Berkala (Time Series)
Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan perkembangan suatu kegiatan. Analisis data berkala
memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa
kejadian serta hubungan/pengaruhnya terhadap kejadian lainnya. Pola gerakan
data atau nilai-nilai variabel dapat diikuti atau diketahui dengan adanya data
berkala, sehingga data berkala dapat dijadikan sebagai dasar untuk:
1. Pembuatan keputusan pada saat ini.
2. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan datang.
3. Perencanaan kegiatan untuk masa depan.

8
Himpunan observasi disusun secara kronologi disebut time series, yang
diobservasi dalam koneksi dengan bermacam-macam fenomena yang hot dan
dengan keragaman yang luas (Parzen , 1999).
Tidak ada metode statistik yang secara otomatis dapat menentukan pola
terbaik untuk menggambarkan sekelompok data tertentu agaknya keputusan harus
di ambil atas dasar pertimbangan kita kemudian metode statistika dapat diterap
kepada pola tersebut. Jika out put dari sebuah sistem di pandang sebagai data yang
mencakup pola dan kesalahan perhatian utama dalam peramalan baik kausal
maupun deret berkala adalah dalam penentuan pola yang paling tepat lalu
mencocokkan bentuk fungsi nya dengan minimisasi MSE. (Makridakis dkk, 1999)
VI.7. Teori Himpunan Fuzzy
Teori himpunan fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh
pada tahun 1965. Zadeh memberikan definisi himpunan fuzzy, sebagai berikut:
Definisi 6.2. Jika X koleksi dari obyek-obyek yang dinotasikan secara
generik oleh x, maka suatu himpunan fuzzy A, dalam X adalah suatu himpunan
Fuzzy berurutan:
(6.1)
dengan adalah derajat keanggotaan x di X, yang memetakan X keruang
keanggotaan , yang terletak pada rentang (0,1) (Zimmerman, 2001).
Dalam teori himpunan fuzzy komponen utama yang sangat mempengaruhi
adalah fungsi keanggotaan, fungsi keanggotaan merepresentasikan derajat
kedekatan suatu obyek terhadap (Ross, 2005).
Himpunan fuzzy memiliki 2 atribut, yaitu :
1. Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti:dingin, sejuk,
normal, hangat dan panas.muda, parobaya, tua.
2. Numeris yaitu suatu nilai atau angka yang menunjukkan ukuran dari suatu
variabel seperti:40, 25,50 dan sebagainya.
Ada beberapa cara untuk menotasikan himpunan fuzzy, antara lain:
1. Himpunan fuzzy ditulis sebagai pasangan berurutan:

9
dengan elemen pertama menunjukkan nama elemen dan elemen kedua
menunjukkan nilai keanggotaannya.
2. Apabila semesta X adalah himpunan yang diskrit, maka himpunan fuzzy
dapat dinotasikan sebagai:

= (6.2)

Keterangan:
a. bukan menotasikan operasi penjumlahan, tetapi melambangkan
keseluruhan unsur-unsur bersama dengan fungsi keanggotaan
dalam himpunan fuzzy .
b. Tanda plus (+) bukan menotasikan penjumlahan, tetapi
melambangkan pemisahan antara keanggotaan elemen himpunan fuzzy
dan fungsi keanggotaan yang lain.
c. Tanda bagi (/) juga bukan lambang pembagian, tetapi melambangkan
hubungan antara satu elemen himpunan fuzzy dan fungsi
keanggotaannya.
3. Apabila semesta X adalah himpunan yang kontinu, maka himpunan fuzzy
dapat dinotasikan sebagai:

= (6.3)

Keterangan:
a. Tanda bukan lambang integral yang menotasikan suatu integrasi,
melainkan keseluruhan unsur-unsur titik x X bersama dengan fungsi
keanggotaan dalam himpunan fuzzy .
b. Tanda bagi (/) juga bukan lambang pembagian, tetapi melambangkan
hubungan antara satu elemen himpunan fuzzy dan fungsi
keanggotaannya.
VI.8. Logika Fuzzy
Terdapat dua konsep logika, yaitu logika tegas dan logika fuzzy. Logika
tegas hanya mengenal dua keadaan yaitu: ya atau tidak, on atau off, high atau low,
1 atau 0. Logika semacam ini disebut dengan logika himpunan tegas. Sedangkan

10
logika fuzzy adalah logika yang menggunakan konsep sifat kesamaran. Sehingga
logika fuzzy adalah logika dengan tak hingga banyak nilai kebenaran yang
dinyatakan dalam bilangan real dalam selang [0,1] (Susilo, 2006). Beberapa
alasan digunakannya logika fuzzy yaitu sebagai berikut (Kusumadewi dkk, 2006):
1. Konsep logika fuzzy mudah untuk dimengerti karena konsep matematis yang
mendasarinya tidak terlalu rumit, mudah dimengerti serta sederhana.
2. Logika fuzzy dalam penggunaannya sangat fleksibel
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat
kompleks.
5. Logika Fuzzy dapat membangun dan mengaplikasi kan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan
6. Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara
konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.
VI.9. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya atau
derajat keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara
yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan
melalui pendekatan fungsi. Beberapa fungsi keanggotaan antara lain adalah
(Kusumadewi & Purnomo, 2004):
1. Representasi Linear
Pemetaan input ke derajat keanggotaannya pada representasi linear
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi
pilihan untuk mendekati suatu konsep yang kurang jelas.
Keadaan himpunan Fuzzy linear terbagi menjadi dua, yaitu:
Representasi Linear Naik
Representasi linear naik merupakan kenaikan himpunan yang
dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0]
bergerak ke kanan menuju ke nilai domain yang memiliki derajat

11
keanggotaan lebih tinggi. Representasi linear naik digambarkan sesuai
gambar 6.5.

Gambar 6.5. Representasi Linear Naik


Fungsi Keanggotaan:

0; xa
[x] = (x a) / (b a); a<xb
1; x>b
dengan:
a = batas bawah variabel x
b = batas atas variabel x
x = domain
Representasi Linear Turun
Representasi linear turun merupakan kebalikan dari representasi
linear naik, dimana garis lurus dimulai dari nilai domain dengan derajat
keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai
domain yang memiliki derajat keanggotaan lebih rendah. Representasi
linear turun digambarkan sesuai Gambar 6.6.

Gambar 6.6. Representasi Linear Turun

12
Fungsi Keanggotaan:

(d x) / (d c); c x d
[x] =
0; x>d

dengan:
c = batas bawah variabel x
d = batas atas variabel x
x = domain
2. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara dua garis linear.
Representasi kurva segitiga digambarkan sesuai Gambar 6.7.

Gambar 6.7. Kurva Segitiga

Fungsi keanggotaan:

0; x < e atau x >g


[x] = (x e) / (f e); e x <f
(g x) / (g f); f xg
dengan:
e = batas bawah variabel x
f = tingkat terkuat dari derajat keanggotaan
g = batas atas variabel x
x = domain

13
3. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja terdapat
beberapa titik yang memiliki nilai keanggotaan 1. Kurva trapesium digambarkan
sesuai Gambar 6.8.

Gambar 6.8. Kurva Trapesium


Fungsi Keanggotaan:
0; x < h atau x >k
(x h) / (i h); hx<i
[x] = 1; ix<j

(k x) / (k j); jxk
dengan:
h = batas bawah variabel x
i&j = tingkat terkuat dari derajat keanggotaan
k = batas atas variabel x
x = domain
VI.10. Proses Stokastik
Definisi 6.3. Proses stokastik } adalah suatu himpunan dari
variabel random, dimana adalah variabel random dan t adalah indeks yang
terletak di dalam T. Jika himpunan indeks T terhitung maka disebut
proses stokastik waktu diskrit, dan jika himpunan T kontinu maka
disebut proses stokastik waktu kontinu.
Selanjutnya, sebarang realisasi dari disebut suatu sample path.
Pada aplikasinya biasanya t diinterpretasikan sebagai waktu dan Xt merupakan

14
status dari proses pada waktu t, sedangkan semua nilai yang mungkin dari Xt di
sebut ruang status dari suatu proses stokastik (Ross, 1996).
VI.11. Rantai Markov
Rantai markov (Markov Chains) dinamakan sesuai dengan nama Prof.
Andrei A. Markov (1856-1922) sejak ia pertama kali mempublikasikan hasil
risetnya pada tahun 1906. Rantai Markov membahas tentang suatu barisan dari
variabel-variabel random yang berhubungan dengan status dari suatu sistem
tertentu, dalam hal ini status di suatu jangka waktu tertentu hanya tergantung
kepada status pada jangka waktu sebelumnya saja (Ross, 1996 ).
Definisi 6.4. Proses stokastik parameter diskrit atau proses
stokatik parameter kontinu , disebut sebagai proses Markov jika untuk
beberapa himpunan dari titik waktu n dalam himpunan indek
dalam proses, distribusi bersyarat dari dengan diberikan nilai
hanya bergantung pada , nilai yang diketahui terbaru,
lebih tepat nya, untuk beberapa angka real

(6.4)
Secara intuitif, persamaan (6.4) memberikan arti bahwa, diberikan proses
sekarang, dan tidak tergantung pada proses yang lalu (Parzen, 1999).
VI.12. Fuzzy Time Series
Fuzzy time series adalah suatu teknik baru untuk peramalan yang
dikembangkan dari konsep teori fuzzy, fuzzy time series ialah suatu konsep
penemuan peramalan dimana hasil yang diperoleh dapat Dibahasakan.
Fuzzy time series digunakan untuk menyelesaikan masalah peramalan
yang mana data historis adalah nilai-nilai linguistik. Misalnya, dalam masalah
peramalan, data historis tidak dalam bentuk angka real, namun berupa data
linguistik. Dalam hal ini, tidak ada model time series konvensional yang dapat
diterapkan, akan tetapi model fuzzy time series dapat diterapkan dengan lebih
tepat, Sampai saat ini, peramalan dengan fuzzy time series seringkali
menggunakan orde tunggal, baik non musiman ataupun musiman. Dalam praktek,

15
peramalan time series sering kali juga melibatkan orde yang lebih dari satu atau
high order model. Jumlah himpunan fuzzy mempengaruhi error peramalan.
Dalam peramalan model statistika seperti time series sebagai alat yang umum
digunakan, bagaimanapun jika data yang diberikan dalam istilah linguistic atau
sangat kecil metode statistika akan gagal, untuk menanggulangi masalah itu,
model fuzzy time series telah dikembangkan dan diterapkan dalam praktek (Song
dan chisom, 1993 dan Wu, 1986).
VI.13. Konsep Dasar Fuzzy Time Series
Song dan Chissom pertama kali mengemukakan definisi fuzzy time series
pada tahun 1993. Misal U adalah semesta pembicaraan dengan
himpunan fuzzy (i=1,2,..........,n) didefinisikan sebagai
berikut:

(6.5)

dimana
= adalah fungsi keanggotaan himpunan fuzzy Ai
= adalah elemen himpunan fuzzy dan derajat keanggotaan dimiliki
oleh , k=1,2,3,...............n.
Definisi 6.5. (song dan chissom , 1993) Misal semesta pembicaraan
himpunan fuzzy (t=0,1,2,.....................n) adalah himpunan bagian dari ,
didefinisikan sebagai himpunan fuzzy Ai, jika F(t) terdiri dari Ai
(i=1,2,3,4,..................n,...),F(t) didefinisikan sebagai fuzzy time series (FTS),
pada Y(t) (t=............,0,1,2...n....).
Definisi 6.6. (Tsaur C, 2012) Anggap bahwa F(t) di sebabkan oleh F(t-1),
maka maka relasi model orde pertama F(t) bisa di ekspresikan dengan F(t-1),
maka relasi dari model orde pertama
(6.6)
Dimana adalah matrik relasi untuk mendeskripsikan hubungan fuzzy
antara dan , dan o adalah operator max-min.

16
Misal relasi antara dan dinotasi dengan ,
(t=.............0,1,2..............n,,,) maka relasi logika fuzzy antara
didefinisikan sebagai berikut.
Definisi 6.7. Jika F(t) dihitung hanya dengan F(t-1) dan F(t)=F(t-1) o R(t-
1,t). Untuk semua t, jika R(t-1, t) independent terhadap t maka F(t) merupakan
Time invariant fuzzy time series, jika sebaliknya, F(t) merupakan time variant.
Definisi 6.8. Misalkan disebabkan oleh , maka
fuzzy logical relationship (FLR) didefinisikan sebagai . Dimana dan
disebut left-hand side (LHS) dan rigt-hand side (RHS) dari fuzzy Logical
relationship (FLR , dengan berturut-turut.
Jika ada Fuzzy logical relationships (FLR) diperoleh dari state A 2, maka sebuah
transisi dibuat ke state lain Aj, j=1,2,3,...........n seperti ,
........ . ; karna itu fuzzy logical relationships (FLR) digrupkan ke dalam
fuzzy logical relationships group (FLRG) sebagai

Model Fuzzy time series (FTS) telah diaplikasikan dan didesain untuk
peramalan ketika data yang terkumpul atau sampel yang lebih kecil,
bagaimanapun, ini merupakan metode yang masih sedang membangun. Sehingga
beberapa inovasi dalam meningkatan perfomance peramalan Model fuzzy time
series (FTS) dengan error yang kecil (Song dan chisom, 1994). Dengan
mempertimbangkan semakin lebih banyak informasi yang menceritakan system
dynamic, semakin baik prediksi yang didapat. Oleh karena itu, Markov-chain
dengan menggunakan metode statistika yang mempertimbangkan beberapa faktor
kendala dalam pergerakan ekonomi, keuangan dan lain-lain yang digabungkan
dengan Model Fuzzy time series (FTS) dengan harapan dapat meningkatkan
keakuratan dalam prediksi.

VI.14. Model Fuzzy Time Series Markov Chain (FTSMC)


Prosedur peramalan dengan menggunakan fuzzy time series markov chain
pada penelitian ini yang akan dijabarkan dalam langkah-langkah berikut:

17
Langkah 1: Definisikan semesta pembicaraan U dari data historis.
ketika mendefinisikan semesta pembicaraan, yang perlu dicari yaitu
data minimum dan data maksimum dari data historis yang diberikan.
kemudian dinotasikan dengan Dmin, dan Dmax. Setelah mendapatkan
Dmin, dan Dmax, selanjutnya mendefinisikan semesta pembicaraan U
sebagai dengan menggunakan sebagai berikut:
[Dmin,-D1,, Dmax + D2]
dimana D1 dan D2 angka angka positif yang cocok dengan data
histotis.
Langkah 2: Partisi semesta pembicaraan kedalam beberapa interval dengan
panjang interval yang sama. Misal semesta pembicaraan U akan di
partisi kedalam n interval yang sama panjang intervalnya. Berikut
definisi panjang interval sebagai berikut :
(6.7)

dimana:
: Panjang interval
: Maksimum data
: Minimum data
n : Banyak interval, sesuai dengan banyaknya himpunan fuzzy
yang diinginkan
D1 dan D2 angka angka positif yang cocok dengan data histotis.
Setelah mendapat nilai , selanjutnya dapat mempartisi semesta
pembicaraan U kedalam n masing masing interval dapat diperoleh
dengan:
u1 =
u2 =
u3 =
.
.
un =

18
Langkah 3: Mendefinisikan himpunan fuzzy pada semesta pembicaraan U.
Dalam menentukan himpunan fuzzy tidak ada batasan pada penentuan
dan aturan berapa banyak variabel linguistik yang bisa menjadi
himpunan fuzzy, dalam penelitian ini, manurut (Tsaur dkk, 2004)
secara instan himpunan fuzzy dapat dipilih dengan mengikuti aturan
yang juga digunakan oleh (Song dan chisom, 1993) sebagai pencetus
konsep dan definisi fuzzy time series, yaitu sebagai berikut:
=( sangat rendah)
=( rendah)
=( normal)
=( tinggi)
=( sangat tinggi)
Untuk mudahnya, masing-masing himpunan fuzzy (i=1,2,3,.....n)
didefinisikan pada 5 interval , yang mana
u1 = [d1,d2]
u2 =[d2,d3]
.
.
u 5=[d5,d6];
Jadi himpunan fuzzy didefinisikan sebagai berikut :

.
. .

Langkah 4: Fuzzyfikasi data historis.


Tujuan langkah ini adalah untuk menemukan himpunan fuzzy yang
equivalent untuk masing-masing data masukan. Metode yang

19
digunakan untuk mendefinisikan himpunan bagian untuk masing
masing (i = 1,2,3......n), jika data time series yang dikumpulkan
dimiliki oleh sebuah interval ui, maka ui difuzzyfikasi ke himpunan
fuzzy
Langkah 5: Menentukan fuzzy logical relation (FLR)
Untuk data time series yang telah difuzzyfikasi kemudian dapat
diperoleh relasi antar data fuzzy logic relationship (FLR) seperti
contoh berikut:
LHS RHS
F(t-1) F(t)


Dimana fuzzy logic relationship (FLR) merupakan notasi
yang berarti bahwa jika data yang telah difuzzyfikasi pada tahun t-1
adalah Aj maka fuzzyfikasi data fada tahun ke t adalah .
Langkah 6: Menentukan fuzzy logical relation group (FLRG)
Untuk data time series yang telah diperoleh relasi antar data fuzzy
logic relationship (FLR), selanjutnya fuzzy logical relation group
(FLRG). Dengan cara menggabungkan RHS yang memiliki LHS sama
seperti contoh berikut:
Jika diperoleh fuzzy logic relationship (FLR) berikut:
LHS RHS
F(t-1) F(t)



Maka dapat diperoleh fuzzy logical relation group (FLRG) yaitu
sebagai berikut:
,

20
Langkah 7: Menghitung output peramalan (Forecasting Value)
Kemudian dari (FLRG) dapat menginduksikan beberapa informasi
reguler dan mencoba untuk menemukan berapa peluang untuk state
berikutnya, dengan demikian dari peluang-peluang tersebut dapat di
bangun sebuah matrik transisi markov n state didefinisikan untuk
masingmasing tahap waktu untuk n himpunan fuzzy, dengan
demikian dimensi matrik transisinya adalah n x n, jika state
membuat transisi ke state dan melewati state lainnya , i,j,k=
1,2,3, .....n, maka diperoleh grup FLR peluang transisi dari state
ditulis sebagai

(6.8)
Dengan i,j = 1,2,3,....n
= peluang transisi dari ke dengan 1 langkah
= waktu transisi dari state ke dengan 1 langkah
= jumlah data yang diimiliki state
Maka, matrik peluang transisi R dari state bisa ditulis sebagai:

Untuk matrik R beberapa definisi dideskripsika sebagai berikut:


Definisi 6.9
Jika Pij 0 maka state dapat dicapai dari state

Definisi 6.10 Jika dan dicapai satu sama lain, maka berhubungan dengan
Matrik peluang transisi R menggambarkan aturan transisi dari sistem, seperti
contoh jika data asli terletak di dalam state dan membuat transisi ke dalam state
dengan peluang P1j , j= 1, 2, 3 .....n , maka P11+ P12+P13+..... P1n = 1

21
Sebelum Mencari nilai ramalan maka perlu dicari terlebih dahulu nilai midpoint
(mi) dari interval (ui) i=1,2,...k dari suatu himpunan fuzzy yang memiliki derajat
keanggotaan tertinggi (Yu dan Huarng, 2010) :
m1 =

m2 =

m3=

.
mn=

Selanjutnya untuk mencari nilai ramalan maka perlu mengikuti langkah-langkah


berikut:
Jika F(t-1) = , proses didefinisikan menjadi state pada waktu t-1; maka
peramalan untuk F(t) dikonduksikan menggunakan vektor baris [Pi1, Pi2, ..... P11].
Peramalan F(t) sama dengan rata-rata pembobotan dari m1, m2........ mn. Nilai
tengah dari u1,u2.....uk nilai ramalan diperoleh dengan mengikuti aturan berikut:
Rule 1:Jika fuzzy logical relation group (FLRG) dari adalah satu ke satu yaitu
, dengan Pik = 1 dan Pij=0 , ) maka peramalan dari F(t)
adalah mk, nilai tengah dari uk berdasarkan persamaan:
F(t) = mk Pik =mk (6.9)
Rule 2 :Jika fuzzy logical relation group ( FLRG) dari adalah satu-ke
banyak yaitu ( , , , j = 1,2,3......n ) ketika data
yang terkumpul Y(t-1) pada waktu t-1 berada pada state maka
peramalan F(t) sama seperti :
F(t)=m1Pj1+ m2Pj2+.....+mj-1Pj(j-1)+ Y(t-1)Pjj+ mj+1Pj(j+1) + .....+ mnPjn (6.10)
Dimana m1, m2,.....mj-1,mj+1..........mn adalah nilai tengah dari u1,u2,......uj-1,
uj+1..un Dan mj disubtitusikan untuk Y(t 1) supaya mengambil informasi
lebih dari state pada waktu t 1.

Langkah 8: Mengatur kecenderungan nilai ramalan (Adjusted Value).

22
Untuk beberapa eksperimen time series, ukuran sampel yang besar
selalu penting, oleh karena itu, dibawah ukuran sampel yang lebih
kecil ketika memodelkan model Fuzzy time series markov-chain,
matrik Markov-chain yang diperoleh biasanya bias, dan beberapa
alat pencocokan untuk nilai ramalan disarankan untuk memperbaiki
error ramalan.diantaranya yaitu:
Rule 1: Jika state communicate dengan , mulai dari state
pada waktu t-1 sebagai F(t-1)= , dan membuat sebuah
transisi meningkat kedalam state pada waktu t, (i < j) ,
maka Dt nilai trend yang sesuai didefinisikan sebagai

(6.11)
Rule 2 : Jika state comunicate dengan , mulai dari state pada
waktu t-1 sebagai F(t-1)= , dan membuat sebuah transisi
menurun ke dalam state Pada waktu t, (i > j) , maka Dt
nilai trend yang sesuai didefinisikan sebagai

(6.12)

Rule 3 : Jika state yang sedang berada didalam state pada waktu
t1, sebagai F (t1)= ,dan membuat transisi melompat
maju ke state pada waktu t ,
(6.13)
maka Dt nilai trend yang sesuai didefinisikan sebagai:

(6.14)

dimana :
: panjang semesta pembicaraan U yang harus di partisi
kedalam n interval yang sama.
s : adalah jumlah lompatan ke depan
Rule 4 : Jika proses didefinisikan ke state pada waktu t 1,
sebagai F(t1)= maka membuat lompatan ke belakang
kedalam state pada waktu t,

23
(6.15)
Dt nilai trend yang sesuai didefinisikan sebagai

(6.16)

Langkah 9 : menentukan hasil ramalan yang cocok (Adjusted forcasting value).


1. Jika fuzzy logical relationship group (FLRG) dari adalah satu
kebanyak, dan state dapat di capai dari state dimana state
communicate dengan , maka hasil peramalan yang
diselesaikan F(t) bisa diperoleh sebagai :
F(t)= F (t)+ Dt1+Dt2=F(t) + (6.17)

1. Jika fuzzy logical relationship group (FLRG) dari adalah satu


ke banyak, dan state dapat dicapai dari state tapi state
tidak communicate dengan maka hasil peramalan F(t) yang
diselesaikan bisa diperoleh sebagai :

F(t) = F(t) + Dt1 = F(t)+ (6.18)

2. Jika fuzzy logical relationship group (FLRG) dari adala satu


kebanyak, dan state dapat dicapai dari state tapi state
tidak communicate dengan , maka hasil peramalan F(t) yang
diselesaikan bisa diperoleh sebagai :

F(t) = F(t) - Dt4 = F(t) - x 2= F(t) - (6.19)


3. Ketika v adalah langkah melompat, bentuk umum dari hasil
ramalan F(t) bisa diperoleh sebagai :

F(t) = F(t) = F(t ) v (6.20)

Langkah 10 : Langkah selanjutnya mencari MAPE, biasa nya digunakan untuk


mengukur keakuratan sebagai persentasi sebagai berikut:

MAPE = (6.21)

24
VII. Metodologi Penelitian
VII.1 Populasi dan Sampel Penelitian
Populasi dalam penelitian ini adalah produksi Premium dan Solar di
Indonesia. Sampel dalam penelitian ini data produksi Premium dan Solar yang
diambil dari bulan Januari tahun 2006 sampai bulan Juni tahun 2014 yang bersumber
dari Kementrian Energi dan Sumber Daya Mineral (KESDM).
VII.2 Variabel Penelitian
Variabel penelitian yang digunakan yaitu produksi Premium dan Produksi
Solar di Indonesia periode bulan Januari tahun 2006 sampai bulan Juni tahun 2014.
VII.3 Metode Analisis Data
Metode yang digunakan dalam penelitian ini adalah metode peramalan data
(forecasting) Produksi Premium dan Solar di Indonesia dengan menggunakan prinsip
fuzzy menggunakan metode Fuzzy time series dan prinsip stokastik dengan Markov
chain. Penggabungan kedua metode tersebut disebut fuzzy time series Markov-
chain yang digunakan untuk menganalisa data time series, dimana pentransferan
data fuzzy time series ke grup logika fuzzy, serta penggunaan grup logika fuzzy
yang diperoleh untuk mendapatkan matriks transisi markov-chain untuk
peramalan data.

VIII. Hasil dan Pembahasan


Pada bab ini akan dibahas mengenai aplikasi dari metode fuzzy time series
markov chain pada peramalan produksi Premium and Solar, serta melihat
keakuratan metode tersebut diukur menggunakan MAPE.
VIII.1 Deskriptif Data Produksi Premium
Berdasarkan data produksi Premium untuk periode januari 2006 sampai
dengan Juni 2014, diketahui nilai minimal produksi yaitu 3.683.177 Barrel per bulan,
produksi maksimum 6.896.256 Barrel per bulan, dengan rata-rata produksi setiap
bulannya yaitu 5.769.668 Barrel. Berikut adalah grafik produksi premium di
Indonesia periode Januari 2006 hingga Juni 2014

25
Gambar 8.1 Produksi Premium
VIII.2 Peramalan Fuzzy time series Markov-chain (FTSMC) pada
Produksi Premium
Dalam melakukan peramalan, maka berikut akan dijabarkan langkah-langkah
Fuzzy time series Markov-chain pada produksi Premium:
Langkah 1: Menemukan semesta pembicaraan U dari sekumpulan data yang
ditunjukkan pada Tabel 8.2: yaitu data produksi Premium dari
Januari tahun 2006 sampai bulan Juni tahun 2014 dengan

Premium
Dmin 3683177
Dmax 6896256
D1 7
D2 244
U [3683170, 6896500]
Dminbaru 3683170
Dmaxbaru 6896500

Langkah 2: Partisi Semesta pembicaraan U kedalam beberapa interval dengan


panjang interval sama:

26
Dengan =642666 yang diperoleh maka dapat dibentuk partisi dari
semesta pembicaraan kedalam beberapa interval dengan panjang
intervalnya sama, berikut interval yang diperoleh:

Tabel 8.1. Pembagian semesta pembicaraan ke dalam 5 interval

Interval Batas Bawah Batas atas


U1 3683170 4325836
U2 4325836 4968502
U3 4968502 5611168
U4 5611168 6253834
U5 6253834 6896500

Langkah 3: Mendefinisikan himpunan fuzzy pada semesta pembicaraan U.


Langkah 4: Fuzzyfikasi data historis, yang ekuivalen dengan tabel 8.1 dan masing-
masing himpunan fuzzy memiliki 5 elemen.
Langkah 5: Menentukan fuzzy logical relation (FLR), fuzzy logical relation (FLR)
ditunjukkan pada Tabel 8.1 sebagai berikut:
Tabel 8.2 Data histori beserta fuzzyfikasinya
dan fuzzy logical relation (FLR)
Produksi
fuzzyfikasi LHS RHS
Premium
5813858 A4
5196599 A3 A4 A3
5333257 A3 A3 A3
5497882 A3 A3 A3
6023825 A4 A3 A4
6055805 A4 A4 A4
5437596 A3 A4 A3
5893210 A4 A3 A4
6140221 A4 A4 A4
5844437 A3 A4 A3
5598211 A3 A3 A3
5622099 A4 A3 A4
5,665,081 A4 A4 A4
4,885,070 A2 A4 A2
4,768,406 A2 A2 A2
5,436,889 A3 A2 A3
5,888,921 A4 A3 A4

27
6,047,621 A4 A4 A4
6,223,415 A4 A4 A4
5,938,768 A4 A4 A4
5,231,657 A3 A4 A3
6,896,256 A5 A3 A5
6,859,196 A5 A5 A5
6,606,209 A5 A5 A5
6,341,716 A5 A5 A5
6,610,932 A5 A5 A5
6,045,119 A4 A5 A4
6,535,664 A5 A4 A5
5,813,157 A4 A5 A4
5,582,777 A3 A4 A3
6,205,589 A4 A3 A4
5,882,204 A4 A4 A4
5,416,916 A3 A4 A3
6,369,542 A5 A3 A5
5,797,195 A4 A5 A4
5,945,697 A4 A4 A4
5,739,763 A4 A4 A4
6,221,156 A4 A4 A4
5,941,585 A4 A4 A4
5,999,778 A4 A4 A4
6,314,830 A5 A4 A5
6,056,683 A4 A5 A4
5,872,741 A4 A4 A4
6,804,771 A5 A4 A5
6,044,570 A4 A5 A4
6,328,199 A5 A4 A5
6,810,482 A5 A5 A5
6,603,863 A5 A5 A5
6,520,224 A5 A5 A5
5,198,092 A3 A5 A3
5,923,070 A4 A3 A4
5,923,592 A4 A4 A4
6,292,922 A5 A4 A5
6,362,237 A5 A5 A5
5,001,366 A3 A5 A3
3,683,177 A1 A3 A1
5,826,260 A4 A1 A4
4,656,572 A2 A4 A2

28
5,722,524 A4 A2 A4
5,725,765 A4 A4 A4
5,005,477 A3 A4 A3
4,770,093 A2 A3 A2
4,898,449 A2 A2 A2
4,344,045 A2 A2 A2
5,379,512 A3 A2 A3
5,781,913 A4 A3 A4
5,807,600 A4 A4 A4
5,901,097 A4 A4 A4
5,078,005 A3 A4 A3
6,032,241 A4 A3 A4
5,641,669 A4 A4 A4
5,825,680 A4 A4 A4
5,535,771 A3 A4 A3
5,061,525 A3 A3 A3
4,480,657 A2 A3 A2
5,734,438 A4 A2 A4
5,813,985 A4 A4 A4
5,691,258 A4 A4 A4
6,171,761 A4 A4 A4
5,691,258 A4 A4 A4
5,940,961 A4 A4 A4
6,373,629 A5 A4 A5
4,961,023 A2 A5 A2
6,227,443 A4 A2 A4
5,510,450 A3 A4 A3
5,761,536 A4 A3 A4
6,062,272 A4 A4 A4
5,665,102 A4 A4 A4
5,593,554 A3 A4 A3
5,950,940 A4 A3 A4
5,877,376 A4 A4 A4
5,419,792 A3 A4 A3
5,657,585 A4 A3 A4
4,576,020 A2 A4 A2
5,086,159 A3 A2 A3
6,668,228 A5 A3 A5
5,624,108 A4 A5 A4
5,693,755 A4 A4 A4
5,845,132 A4 A4 A4

29
6,161,103 A4 A4 A4
6,180,818 A4 A4 A4
5,997,466 A4 A4 A4

Langkah 6: Menentukan fuzzy logical relation group (FLRG), fuzzy logical


relation group (FLRG) ditunjukkan pada Tabel 8.2 sebagai berikut:
Tabel 8.3 Data histori beserta fuzzyfikasinya
dan fuzzy logical relation (FLRG)

Fuzzy Logical Relation Group (FLRG) Premium

A1 A4

A2 A4, A2, A3, A4, A2, A2, A3, A4, A4, A3

A3 A3, A3, A4, A4, A3, A4, A4, A4, A5, A4, A5, A4, A1,
A2, A4, A4, A3, A2, A4, A4, A4, A5

A4 A3, A4, A3, A4, A3, A2, A4, A4, A4, A3, A5, A3, A4, A3,
A4, A4, A4, A4, A4, A5, A4, A5, A5, A4, A5, A2, A4, A3, A4, A4,
A3, A4, A4, A3, A4, A4, A4, A4, A4, A5, A3, A4, A4, A3, A4, A3,
A2, A4, A4, A4, A4, A4

A5 A5, A5, A5, A5, A4, A4, A4 ,A4, A4 , A5 , A5, A3, A5,
A3, A2, A4

Langkah 7: Menentukan Nilai Forecasting Value


Berikut merupakan perhitungan forecasting value tahun 2006 pada
bulan Februari, memiliki informasi yang diperlukan dalam peramalan
yaitu
a. Produksi Premium pada bulan Januari tahun 2006 yaitu 5813858
sebagai Y(t-1) masuk pada himpunan fuzzy A4.

30
b. Karena produksi premium pada bulan Januari tahun 2006 sebagai
Y(t-1) masuk pada himpunan fuzzy A4, maka nilai ramalan
(forecasting value) pada bulan februari 2006 adalah

c. Nilai m1, m2, m3, dan m5 diperoleh dari nilai tengah interval u1, u2,
u3 dan u5 berturut-turut yaitu 4004510, 4647169, 2397838 dan
791173, p41, p42, p43, p44 dan p45 yaitu peluang transisi dari A4 ke
A1, A4 ke A2, A4 ke A3, A4 ke A4, A4 ke A5, berturut-turut sebagai
berikut , , , , .

d. Berdasarkan formula di atas, maka diperoleh nilai ramalan


premium untuk bulan Februari tahun 2006 yaitu:

Langkah 8 : Menentukan proses transisi state himpunan fuzzy


Relasi antar state yang dianalisis, ditunjukkan pada gambar 8.1
seperti di bawah ini:

Gambar 8.2. Proses Transisi state himpunan fuzzy produksi premium


Dari gambar di atas, terlihat bahwa A1 communicate dengan A4, A2
communicate dengan dirinya sendiri, A3 communicate dengan dirinya
sendiri dan communicate dengan A2 serta A4, A4 communicate dengan
dirinya sendiri dan communicate dengan A2 serta A3, A5 communicate
dengan dirinya sendiri dan communicate dengan A2 serta A4.

31
Langkah 9: Menentukan Adjusted Forecasting value
Dalam menentukan nilai adjusted forecasting value pada bulan maret
tahun 2006, karena pada bulan maret tahun 2006 berada pada kondisi
A3 communicate dengan A3, kemudian A3 membuat transisi yang tidak
berubah pada bulan April tahun 2006 yaitu pada kondisi A3, dengan
demikian diperoleh nilai trend :

Sehingga didapat adjusted forcasting value sebesar:

F(t)= F(t) + Dt
= 5714081
Berikut merupakan hasil peramalan adjusted forecasting value dengan
metode fuzzy time series markov chain.
> adj.forecast
[1] 5074516 5693583 5714081 6381441 5845495 5222373 6372398 5765675 5916626
[10] 5093203 6396490 5599996 4983597 5369135 5972913 6372292 5763054 5860037
[19] 5967467 5150850 6341507 6234817 6217377 6098325 5973857 5457881 6501174
[28] 5422461 5074088 6394175 5956573 5116283 6369296 5344286 5706999 5797751
[37] 5671902 5966087 5795238 6473466 5318539 5865575 6395832 5549099 6500839
[46] 5967496 6194453 6097221 5415195 6336472 5783923 6426908 5950895 5340848
[55] 5021632 6575167 5082095 5935635 5661367 5020682 5022248 5330810 5373595
[64] 5831460 6363685 5697660 5713358 5127829 6318459 5850639 5611956 5081741
[73] 5744458 5030655 5876997Gambar
5668648 2: Ramalan
5717260 final5935901 5642260 6437522
5642260
[82] 5346209 6037119 5327263 6383326 5685208 5868991 4983610 6395792 5800955
[91] 5113333 6369727 4979016 5908785 6319683 5484844 5601224 5643786 5736294
Kemudian, didapatkan MAPE sebesar 7.218868 serta grafik data aktual dan
[100] 5929388 5941436 5829387

Kemudian, didapatkan MAPE sebesar 6.012707 serta grafik data aktual dan
hasil peramalan metode fuzzy time series markov chain seperti di bawah ini:

Gambar 8.3 Plot perbandingan Data premium dengan Metode FTSMC


32
VIII.3 Deskriptif Data Produksi Solar
Data produksi Solar untuk periode januari 2006 sampai dengan Juni 2014
cendrung mengalami peningkatan namun tidak signifikan. diketahui nilai minimal
produksi yaitu 5.200.054 Barrel per bulan, produksi maksimum 12.143.070 Barrel per
bulan, dengan rata-rata produksi setiap bulannya yaitu 8.916.062 Barrel. Berikut
adalah grafik produksi Solar di Indonesia periode Januari 2006 hingga Juni 2014.

Gambar 8.4 Produksi Solar

VIII.4 Peramalan Fuzzy time series Markov-chain (FTSMC) pada


produksi Solar
Dalam melakukan peramalan, maka berikut akan dijabarkan langkah-langkah
Fuzzy time series Markov-chain pada produksi Solar:
Langkah 1: Menemukan semesta pembicaraan U dari sekumpulan data yang
ditunjukkan pada Tabel 8.5. yaitu data produksi Solar dari Januari
tahun 2006 sampai bulan Juni tahun 2014 dengan

Solar
Dmin 5200054
Dmax 12143070
D1 4
D2 30
U [5200050,12143100]
Dminbaru 5200050
Dmaxbaru 12143100

33
Langkah 2: Partisi Semesta pembicaraan U kedalam beberapa interval dengan
panjang interval sama:

Dengan =1388610 yang diperoleh maka dapat dibentuk partisi dari


semesta pembicaraan kedalam beberapa interval dengan panjang
intervalnya sama, berikut interval yang diperoleh:

Tabel 8.4. Pembagian semesta pembicaraan ke dalam 5 interval

Interval Batas Bawah Batas atas


U1 5200050 6588660
U2 6588660 7977270
U3 7977270 9365880
U4 9365880 10754490
U5 10754490 12143100

Langkah 3: Mendefinisikan himpunan fuzzy pada semesta pembicaraan U


Langkah 4: Fuzzyfikasi data historis, yang ekuivalen dengan tabel 8.4 dan masing-
masing himpunan fuzzy memiliki 5 elemen.
Langkah 5: Menentukan fuzzy logical relation (FLR), fuzzy logical relation (FLR)
ditunjukkan pada Tabel 8.4 sebagai berikut:
Tabel 8.5 Data histori beserta fuzzyfikasinya
dan fuzzy logical relation (FLR)
Produksi
fuzzyfikasi LHS RHS
Solar
7713315 A2
6281078 A1 A2 A1
8378588 A3 A1 A3
7229503 A2 A3 A2
8489330 A3 A2 A3
7420631 A2 A3 A2
7050868 A2 A2 A2
7440438 A2 A2 A2

34
7305305 A2 A2 A2
7705632 A2 A2 A2
7397295 A2 A2 A2
8003250 A3 A2 A3
7,523,276 A2 A3 A2
6,287,755 A1 A2 A1
5,200,054 A1 A1 A1
5,952,271 A1 A1 A1
7,262,131 A2 A1 A2
7,667,865 A2 A2 A2
7,144,761 A2 A2 A2
6,561,646 A1 A2 A1
5,709,741 A1 A1 A1
8,413,487 A3 A1 A3
6,136,846 A1 A3 A1
6,071,805 A1 A1 A1
6,757,947 A2 A1 A2
6,977,137 A2 A2 A2
7,490,796 A2 A2 A2
7,111,361 A2 A2 A2
7,078,381 A2 A2 A2
8,072,347 A3 A2 A3
8,665,297 A3 A3 A3
8,529,163 A3 A3 A3
8,284,241 A3 A3 A3
8,488,517 A3 A3 A3
7,259,822 A2 A3 A2
8,014,787 A3 A2 A3
8,366,570 A3 A3 A3
7,394,801 A2 A3 A2
7,710,496 A2 A2 A2
8,220,108 A3 A2 A3
9,783,138 A4 A3 A4
8,996,183 A3 A4 A3
9,984,337 A4 A3 A4
10,404,101 A4 A4 A4
10,367,065 A4 A4 A4
10,276,337 A4 A4 A4
9,791,294 A4 A4 A4
9,520,435 A4 A4 A4
9,181,019 A3 A4 A3

35
7,341,048 A2 A3 A2
9,700,251 A4 A2 A4
8,636,263 A3 A4 A3
9,190,376 A3 A3 A3
9,585,281 A4 A3 A4
8,049,895 A3 A4 A3
7,777,598 A2 A3 A2
9,147,473 A3 A2 A3
8,445,576 A3 A3 A3
9,986,361 A4 A3 A4
10,167,783 A4 A4 A4
9,602,137 A4 A4 A4
8,570,939 A3 A4 A3
10,202,820 A4 A3 A4
7,660,954 A2 A4 A2
10,565,499 A4 A2 A4
10,903,305 A5 A4 A5
10,752,800 A4 A5 A4
10,723,541 A4 A4 A4
10,407,299 A4 A4 A4
9,932,528 A4 A4 A4
8,915,077 A3 A4 A3
11,116,954 A5 A3 A5
10,201,877 A4 A5 A4
9,638,398 A4 A4 A4
9,439,997 A4 A4 A4
10,378,803 A4 A4 A4
10,208,186 A4 A4 A4
9,841,135 A4 A4 A4
10,654,470 A4 A4 A4
9,841,135 A4 A4 A4
10,287,795 A4 A4 A4
12,143,070 A5 A4 A5
8,608,039 A3 A5 A3
10,856,445 A5 A3 A5
10,608,241 A4 A5 A4
9,674,542 A4 A4 A4
10,518,950 A4 A4 A4
10,044,772 A4 A4 A4
10,421,324 A4 A4 A4
10,779,088 A5 A4 A5

36
10,720,843 A4 A5 A4
9,902,442 A4 A4 A4
10,351,884 A4 A4 A4
9,706,113 A4 A4 A4
9,466,125 A4 A4 A4
10,713,073 A4 A4 A4
10,715,034 A4 A4 A4
8,800,874 A3 A4 A3
11,263,635 A5 A3 A5
10,841,037 A5 A5 A5
11,337,940 A5 A5 A5
11,018,806 A5 A5 A5

Langkah 6: Menentukan fuzzy logical relation group (FLRG), fuzzy logical


relation group (FLRG) ditunjukkan pada Tabel 8.5 sebagai berikut:
Tabel 8.6 Data histori beserta fuzzyfikasinya
dan fuzzy logical relation (FLRG)

Fuzzy Logical Relation Group (FLRG) Solar

A1 A3, A1, A1, A2, A1, A3, A1, A2

A2 A1, A3, A2, A2, A2, A2, A2, A3, A1, A2, A2, A1, A2,
A2, A2, A2, A3, A3, A2, A3, A3, A3, A4

A3 A2, A2, A2, A1, A3, A3, A3, A3, A2, A3, A2, A4, A4,
A2, A3, A4, A2, A3, A4, A4, A5, A5, A5

A4 A3, A4, A4, A4, A4, A4, A3, A3, A3, A4, A4, A3, A2,
A5, A4, A4, A4, A3, A4, A4, A4, A4, A4, A4, A4, A4, A5, A4,
A4, A4, A4, A5, A4, A4, A4, A4, A4, A4, A3

A5 A4, A4 , A3 , A4, A4 , A5 , A5, , A5

Langkah 7: Menentukan Nilai Forecasting Value


Berikut merupakan perhitungan forecasting value tahun 2006 pada
bulan Februari, memiliki informasi yang diperlukan dalam peramalan
yaitu

37
a. Produksi Solar pada bulan Januari tahun 2006 yaitu 7713315
sebagai Y(t-1) masuk pada himpunan fuzzy A2.
b. Karena produksi premium pada bulan Januari tahun 2006 sebagai
Y(t-1) masuk pada himpunan fuzzy A2, maka nilai ramalan
(forecasting value) pada bulan februari 2006 adalah

c. Nilai m1 dan m3 diperoleh dari nilai tengah interval u1, u3, u4 dan
u5 berturut-turut yaitu 5894359, 8671575, 10060185 dan
11448795, p21, p22, p23, p24, dan p25 yaitu peluang transisi dari A2 ke
A1, A2 ke A2, A2 ke A3, A2 ke A4, A2 ke A5 berturut-turut sebagai
berikut , , , ,

d. Berdasarkan formula di atas, maka diperoleh nilai ramalan solar


untuk bulan Februari tahun 2006 yaitu:

Langkah 8 : Menentukan proses transisi state himpunan fuzzy


Relasi antar state yang dianalisis, ditunjukkan pada gambar 8.5
seperti di bawah ini:

Gambar 8.5. Proses Transisi state himpunan fuzzy produksi solar

38
Dari gambar di atas, terlihat bahwa A1 communicate dengan dirinya
sendiri dan communicate dengan A2 serta A3, A2 communicate dengan
dirinya sendiri dan communicate dengan A3 serta A4, A3 communicate
dengan dirinya sendiri dan communicate dengan A1 serta A2, A4
communicate dengan dirinya sendiri dan communicate dengan A2, A3
serta A5, A5 communicate dengan dirinya sendiri dan communicate
dengan A3 serta A4.
Langkah 9: Menentukan Adjusted Forecasting value
Dalam menentukan nilai adjusted forecasting value pada bulan maret
tahun 2006, karena pada bulan Maret tahun 2006 berada pada kondisi
A1 communicate dengan A3, kemudian A3 membuat transisi yang
menurun pada bulan April tahun 2006 yaitu pada kondisi A2, dengan
demikian diperoleh nilai trend :

Sehingga didapat adjusted forcasting value sebesar:

F(t)= F(t) -
= 8703154 - 0 = 8703154
Berikut merupakan ilustrasi data aktual dengan beberapa metode
peramalan fuzzy time series.
> adj.forecast
[1] 7930116 7129174 8703154 7677692 8736858 7777411 7584491 7787745
[9] 7717241 7926107 7765236 8588920 7830965 7132513 6588662 6964771
[17] 7694716 7906403 7633479 7269458 6843506 8713775 7057058 7024538
[25] 7431663 7546023 7814019 7616053 7598846 8609950 8790413 8748981
[33] 8674439 8736610 7693511 8592432 8699496 7763935 7928645 8654921
[41] 9647647 8891117 9792098 10093467 10066877 10001739 9653503 9459040
[49] 8947372 7735890 9588139 8781577 8950220 9505596 8603117 7963655
[57] 8937162 8723541 Gambar
9793551 2:
9923803
Ramalan9517698
final 8761695 9948957 7902797
[65] 10209342 10202779 10343815 10322808 10095763 9754902 8866433 10282897
[73] 9948280 9543731 9401290 10075304 9952810 9689286 10273219 9689286
[81] 10009965 10667691 8772987 10185206 10240029 9569681 10175922 9835487
[89] 10105832 10156197 10320871 9733301 10055978 9592347 9420048 10315293
[97] 10316701 8831676 10337903 10179428 10365767

Kemudian, didapatkan MAPE sebesar 9.465559 serta grafik data aktual dan
hasil peramalan metode fuzzy time series markov chain seperti di bawah ini:

39
Gambar 8.6 Plot perbandingan Data solar dengan Metode FTSMC

VIII.4 Validasi Metode


Pada tahap validasi sistem, dibandingkan ukuran ketepatan antara metode
fuzzy time series markov chain (FTSMC) dan ARIMA. Hasil ukuran ketepatan
model FTSMC dan ARIMA sebagai berikut:
Tabel 8.7 Perbandingan ukuran ketepatan model fuzzy time series markov chain
(FTSMC) dan ARIMA

Output MAPE MAPE


(Premium) (Solar)
FTSMC 6.012707 9.465559
ARIMA 71.24383 81.52301

Tabel di atas menunjukkan hasil yang diberikan oleh analisis metode


FTSMC menunjukkan MAPE yang lebih kecil dibandingkan dengan metode
ARIMA. Dengan kata lain, output metode FTSMC memberikan hasil yang lebih
optimal dibandingkan dengan metode ARIMA.

40
IX. Kesimpulan dan Saran
Kesimpulan
Berdasarkan hasil penelitian dan analisis maka diperoleh kesimpulan:
1. Hasil peramalan menggunakan 5 himpunan fuzzy memberikan hasil bahwa
produksi Premium dan Solar untuk bulan Juli 2014 yaitu 5829387 Barrel dan
10365767 Barrel.
2. Dengan metode FTSMC didapatkan ukuran ketepatn yaitu MAPE produksi
premium sebesar 6,012707 dan MAPE produksi solar sebesar 9,465559.

Saran
Pada penelitian ini dapat dikembangkan lagi ke jenjang yang lebih tinggi
diantaranya:
1. Untuk peneliti selanjutnya dapat mengembangkan penelitian ini dengan
menambahkan metode Monte carlo.
2. Untuk Peneliti selanjutnya dapat mengembangkannya ke orde yang lebih tinggi.
dan dapat juga memeriksa banyaknya himpunan fuzzy yang paling optimal.

XI. Daftar Pustaka

Artiyah,W.S. 2011, fungsi BBM (BahanBakarMinyak) .http://widyaasuwie.


blogspot.com /2011 /08/ fungsi-bbm-bahan-bakar-minyak.html. Diunduh
tanggal 9 Desember 2014 pukul 11.08 WIB

Badan Pusat Statistik. 2014. Perkembangan Jumlah Kendaraan Bermotor


Menurut Jenis tahun 1987-2013. http://bps.go.id/tab_sub/view.php?kat=
2&tabel=1&daftar= 1&id_subyek=17&notab=12. Diunduh Tanggal 23
Desember 2014 pukul 00.09 WIB.

Bphmigas. 2013. Komoditas BBM. http://www. bphmigas. go.id/id/ komoditas -


bbm. html. Diunduh tanggal 22 Januari 2015 pukul 10.47 WIB.

Cai Q.Q., Zhang D, Zheng W, Leing C.H S, 2014, A new Fuzzy Time series
Model combined with Ant Colony Optimization an Auto Regresion,
Knowladge Based systems,

41
Chen S. M, 1996. Forecasting Enrollments Based on Fuzzy Time Series. Fuzzy
sets and Systems 81 311-319.

Chen S. M, 2004. Forecasting Enrollments Based on High-order Fuzzy Time


Series. Cybernetics and Systems: An International Journal 33 1-16.

Herjanto, E. 2009. Sains Manajemen: Analisis Kuantitatif Untuk Pengambilan


Keputusan. Jakarta: Grasindo.

Kementerian Energi dan Sumber Daya Mineral. 2011. Peluang Investasi sektor
ESDM. Jakarta: Kementerian Energi dan Sumber Daya Mineral

Kusumadewi, S., dan Purnomo, H. 2004. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu, Yogyakarta.

Kusumadewi S, Hartati S, Harjoko, dan Wardoyo R, 2006. Fuzzy Multi Atribute


Decision Making ( Fuzzy MADM), Graha Ilmu, Yogyakarta.

Makridakis S, Steven C, Wheelwright, Victor E and Mc Gee, 1999. Metode dan


Aplikasi Peramalan, Jilid I, Edisi Kedua, Jakarta, Binarupa Aksara.

Parzen E, 1999, Stochastic procceses, Society for Industrial and Applied


Mathematics, United States of Amerika

Pertamina. 2014. Stasiun Pengisian Bahan Bakar Umum. http://www. pertamina.


com/ our-business /hilir /pemasaran-dan-niaga /produk-dan layanan
/produk-konsumen /spbu/. Diunduh pada tanggal 17 Januari 2015 Pukul
19.29 WIB.

Putra, K.H. 2011. Perbedaan Bensin Premium dan Pertamax. http://www.


memobee.com/ perbedaan- bensin -premium- dengan- pertamax-422
eij.html

Ross, S.M. 1996. Stochastic Processes. 2nd edition. John Wiley & Sons, Inc.
Inggris.

Ross, T.J. 2005. Fuzzy Logic with Engineering Aplications. Edisi ke-2. John
Wiley & Sons Inc. Inggris.

Sawitri, H. H. 2005. Kajian Dampak Ekonomi Kenaikkan Harga Bahan Bakar


Minyak (Bbm) pada Kesejahteraan Masyarakat Desa Versus
Kota.Jakarta: Fakultas Ekonomi Universitas Terbuka

Shyi, M.C. 1996. Forecasting enrollments based on fuzzy time series, Fuzzy Sets
and Systems 81: 311319.

42
Sitepu, R. 2013. Subsidi Energi dan BBM, Pengaruhnya Terhadap Energi. Jakarta
: KADIN Indonesia.

Song Q, dan Chissom B, 1993. Forecasting Enrollments with Fuzzy Time Series
part 1. Fuzzy Sets and System 54: 1-9.

Song Q, dan Chissom B, 1994. Forecasting Enrollments with Fuzzy Time Series
part 1I. Fuzzy Sets and System 62: 1-8.

Susilo, F., 2006, Himpunan dan Logika Kabur Serta Aplikasinya, Graha Ilmu.
Yogyakarta.

Tsaur C.R, 2012, A Fuzzy Time Series-Marcov Chain Model With An Aplication
To Forecase The Exchange Rate Between Taiwan and US Dollar , ICIC
International c 2012 ISSN 1349-4198, Volume 8, Number 7(B), July 2012
pp. 4931-4942

Tsaur C.R, Yang O C J, dan Wang F H, 2004, Fuzzy Relation Analysis in Fuzzy
Time Series Model, 49 536-548

Wu W,1986, Fuzzy Reasoning and Relation Equation , Fuzzy set and System, 20
67-78.

Yu, K.H.T, dan Huarng, 2010, A neural Network-Based Fuzzy Time Series Model
To Improve Forecasting, Expert Sistem With Aplication, Elsevier, 3366-
3372.

Zimmerman, H. J. 2001. Fuzzy Sets Theory and Its Applications (4th ed.). Kluwer
Academic Publisher.

43
Lampiran
Lampiran 1. Data Produksi Premium dan Solar

Produksi Produksi
Tahun Bulan
Premium Solar
1 5813858 7713315
2 5196599 6281078
3 5333257 8378588
4 5497882 7229503
5 6023825 8489330
6 6055805 7420631
2006
7 5437596 7050868
8 5893210 7440438
9 6140221 7305305
10 5844437 7705632
11 5598211 7397295
12 5622099 8003250
1 5665081 7523276
2 4885070 6287755
3 4768406 5200054
4 5436889 5952271
5 5888921 7262131
6 6047621 7667865
2007
7 6223415 7144761
8 5938768 6561646
9 5231657 5709741
10 6896256 8413487
11 6859196 6136846
12 6606209 6071805
1 6341716 6757947
2 6610932 6977137
3 6045119 7490796
4 6535664 7111361
5 5813157 7078381
6 5582777 8072347
2008
7 6205589 8665297
8 5882204 8529163
9 5416916 8284241
10 6369542 8488517
11 5797195 7259822
12 5945697 8014787

44
1 5739763 8366570
2 6221156 7394801
3 5941585 7710496
4 5999778 8220108
5 6314830 9783138
6 6056683 8996183
2009
7 5872741 9984337
8 6804771 10404101
9 6044570 10367065
10 6328199 10276337
11 6810482 9791294
12 6603863 9520435
1 6520224 9181019
2 5198092 7341048
3 5923070 9700251
4 5923592 8636263
5 6292922 9190376
6 6362237 9585281
2010
7 5001366 8049895
8 3683177 7777598
9 5826260 9147473
10 4656572 8445576
11 5722524 9986361
12 5725765 10167783
1 5005477 9602137
2 4770093 8570939
3 4898449 10202820
4 4344045 7660954
5 5379512 10565499
6 5781913 10903305
2011
7 5807600 10752800
8 5901097 10723541
9 5078005 10407299
10 6032241 9932528
11 5641669 8915077
12 5825680 11116954
1 5535771 10201877
2 5061525 9638398
2012 3 4480657 9439997
4 5734438 10378803
5 5813985 10208186

45
6 5691258 9841135
7 6171761 10654470
8 5691258 9841135
9 5940961 10287795
10 6373629 12143070
11 4961023 8608039
12 6227443 10856445
1 5510450 10608241
2 5761536 9674542
3 6062272 10518950
4 5665102 10044772
5 5593554 10421324
6 5950940 10779088
2013
7 5877376 10720843
8 5419792 9902442
9 5657585 10351884
10 4576020 9706113
11 5086159 9466125
12 6668228 10713073
1 5624108 10715034
2 5693755 8800874
3 5845132 11263635
2014
4 6161103 10841037
5 6180818 11337940
6 5997466 11018806

46
Lampiran 2. Matriks Transisi himpunan fuzzy pada produksi premium dan
solar

>m.trans.premium
1 2 3 4 5
1 0.000 0.000 0.000 1.000 0.000
2 0.000 0.333 0.333 0.333 0.000
3 0.050 0.100 0.150 0.550 0.150
4 0.000 0.056 0.222 0.611 0.111
5 0.000 0.059 0.118 0.353 0.471

>m.trans.solar
1 2 3 4 5
1 0.500 0.250 0.250 0.000 0.000
2 0.130 0.522 0.261 0.087 0.000
3 0.043 0.304 0.304 0.217 0.130
4 0.000 0.026 0.179 0.718 0.077
5 0.000 0.000 0.125 0.500 0.375

47
Lampiran 3. Forecasting Value Premium dan Solar

>forecasting value Premium


[1] 5717182 5693583 5714081 5738775 5845495 5865039 5729732 5765675 5916626
[10] 5735869 5753824 5599996 5626263 5369135 5330247 5729626 5763054 5860037
[19] 5967467 5793516 5698841 6234817 6217377 6098325 5973857 6100547 5858508
[28] 6065127 5716754 5751509 5956573 5758949 5726630 5986952 5706999 5797751
[37] 5671902 5966087 5795238 5830800 5961205 5865575 5753166 6191765 5858173
[46] 5967496 6194453 6097221 6057861 5693806 5783923 5784242 5950895 5983514
[55] 5664298 5932501 5724761 5292969 5661367 5663348 5664914 5330810 5373595
[64] 5188794 5721019 5697660 5713358 5770495 5675793 5850639 5611956 5724407
[73] 5744458 5673321 5234331 5668648 5717260 5642260 5935901 5642260 5794856
[82] 5988875 5394453 5969929 5740660 5685208 5868991 5626276 5753126 5800955
[91] 5755999 5727061 5621682 5266119 5677017 6127510 5601224 5643786 5736294
[100] 5929388 5941436

>forecasting value Solar


[1] 7930116 7129174 8703154 7677692 8736858 7777411 7584491 7787745
[9] 7717241 7926107 7765236 8588920 7830965 7132513 6588662 6964771
[17] 7694716 7906403 7633479 7269458 6843506 8713775 7057058 7024538
[25] 7431663 7546023 7814019 7616053 7598846 8609950 8790413 8748981
[33] 8674439 8736610 7693511 8592432 8699496 7763935 7928645 8654921
[41] 9647647 8891117 9792098 10093467 10066877 10001739 9653503 9459040
[49] 8947372 7735890 9588139 8781577 8950220 9505596 8603117 7963655
[57] 8937162 8723541 9793551 9923803 9517698 8761695 9948957 7902797
[65] 10209342 10202779 10343815 10322808 10095763 9754902 8866433 10282897
[73] 9948280 9543731 9401290 10075304 9952810 9689286 10273219 9689286
[81] 10009965 10667691 8772987 10185206 10240029 9569681 10175922 9835487
[89] 10105832 10156197 10320871 9733301 10055978 9592347 9420048 10315293
[97] 10316701 8831676 10337903 10179428 10365767

48