TUGAS FORECASTING (RAMALAH) PRODUKSI

MANAJEMEN PRODUKSI PERKEBUNAN

(PPM 1617)

Oleh :
ADAM FERNANDO
NPM 17722001

JURUSAN BUDIDAYA TANAMAN PERKEBUNAN

POLITEKNIK NEGERI LAMPUNG
BANDAR LAMPUNG
2020
Peramalan Produksi Gula Pasir Menggunakan Fuzzy Time Series
Dengan Optimasi Algoritma
Genetika (Studi Kasus PG Candi
Baru Sidoarjo)

Afif Ridhwan1, Dian Eka Ratnawati2, Bayu Rahayudi3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas

Brawijaya Email: 1afif.ridhwan33@gmail.com, 2dian_ilkom@ub.ac.id,
3
ubay1@ub.ac.id

Abstrak
Perencanaan produksi dilakukan oleh PG Candi Baru Sidoarjo setiap tahunnya
sebagai bentuk upaya peningkatan kualitas seiring permintaan konsumen gula
yang terus meningkat. Untuk mengoptimalkan strategi produksi pihak PG Candi
Baru harus bisa memperkirakan target produksi selanjutnya berdasarkan data-data
historis yang sudah ada. Dengan metode fuzzy time series yang dioptimasi dengan
metode algoritma genetika penulis ingin membantu menyelesaikan permasalahan
tersebut untuk memprediksi produksi gula pasir, diharapkan hasil penelitian dapat
membantu sebagai acuan agar dapat digunakan sebagai bahan pertimbangan
untuk menentukan jumlah produksi gula pasir untuk bulan berikutnya.
Berdasarkan hasil pengujian tingkat akurasi hasil prediksi yang menggunakan
metode Mean Absolute Percentage Error (MAPE) didapatkan hasil persentase
tingkat error 1,9% yang termasuk ke dalam kualifikasi baik.
Kata kunci: fuzzy time series, algoritma genetika, peramalan, produksi gula pasir.

Abstract
Production planning is done by PG Candi Baru Sidoarjo every year as an effort
for improving the quality as consumers demand continues to increase. To optimize
the production strategy PG Candi Baru should be able to estimate the next
production target based on existing historical data. With fuzzy time series method
which is optimized by Genetic Algorithm method, the writer wants to help solving
the problem to predict the production of sugar, hopefully the research result can
help as reference to be used as consideration to determine the amount of sugar
production for the next month. Based on the result of testing the accuracy of
predictive results using Mean Absolute Percentage Error (MAPE) method
obtained the percentage of error rate 1.9% which means the qualification is good.
Keywords: fuzzy time series, genetic algorithm, forecasting, production of sugar.
1. PENDAHULUAN
Gula merupakan komoditi yang sangat penting khususnya bagi masyarakat
Indonesia. Selain itu gula merupakan salah satu bahan yang dibutuhkan oleh
suatu industri biasanya dijadikan untuk tambahan bahan pembuatan makanan,
minuman, serta pengawetan makanan. Keberadaaan gula pasir sangat penting
mengingat permintaan konsumsinya yang terus meningkat yang diiringi oleh
bertambahnya jumlah penduduk Indonesia. Negara Indonesia sendiri juga sangat
berpotensi sebagai penghasil gula terbesar karena memiliki kondisi geografis yang
cukup berpotensi untuk menghasilkan tanaman tebu yang berkualitas (Hafsah,
2002).
Salah satu perusahaan industri yang bergerak dalam pengolahan gula
adalah PG Candi Baru yang terletak di daerah Sidoarjo. Produk yang dihasilkan
oleh PG Candi Baru merupakan gula jenis SHS-1A (Superior Hooft Suiker) atau
GKP 1 (Gula Kristal Putih). Pada masa giling yang dilakukan PG Candi Baru
setiap tahunnya cenderung mengalami penurunan, hal ini sangat berbanding
terbalik dengan permintaan yang terus meningkat. Dari permasalahan tersebut,
salah satu upaya yang dapat dilakukan yaitu membuat perencanaan produksi,
sehingga pihak PG Candi Baru bisa mempertimbangkan produksi gula untuk
bulan berikutnya.
Perencanaan produksi merupakan perkiraan maupun perhitungan tentang
semua kegiatan yang akan dilakukan pada masa mendatang seperti menetapkan
produk yang diproduksi, bahan-bahan yang dibutuhkan, serta kapan produk harus
selesai diproduksi (Kusumaningrum, 2005). Untuk mengoptimalkan strategi
produksi PG Candi Baru harus bisa memperkirakan target produksi selanjutnya
berdasarkan data-data historis yang sudah ada. Peramalan ini biasanya disebut
dengan peramalan data time series karena peramalan ini lebih menekankan pada
relasi yang dilakukan antar data-data.
Banyak metode yang telah dikemukakan untuk mendapatkan hasil ramalan
yang akurat. Salah satu penelitian tentang peramalan data time series
menggunakan metode FTS dan algoritma genetika adalah penelitian yang telah
dilakukan oleh Cai et al (2013). Pada penelitina ini peneliti menggabungkan
logika fuzzy dan algoritma genetika untuk menemukan aturan dan membangun
model prediksi saham yang efisien dalam membantu para investor meminimalkan
resiko dan memaksimalkan keuntungan. Hasilnya menunjukkan bahwa fuzzy time
series dan algoritma genetika terbukti dapat mengurangi Root Mean Square Error
(RMSE) dan meningkatkan akurasi. Sedangkan penelitian lainnya yang
berhubungan dengan metode FTS dan altoritma genetika (FTSGA) telah
dilakukan oleh Ajeeta Sachdeva dan Vivek Sharma (2015). Pada penelitian
tersebut sistem fuzzy dan algoritma genetika digunakan untuk memprediksi
fluktuasi pasar saham. Peneliti juga menerapkan parameter yang berbeda untuk
RMSE agar menurunkan nilai errornya.
Berdasarkan penjelasan yang telah dijelaskan diatas, penulis mengusulkan
penelitian yang berjudul “Peramalan Produksi Gula Pasir menggunakan Fuzzy
Time Series dengan Optimasi Algoritma Genetika (studi kasus PG Candi Baru)”.
Diharapkan dengan adanya penelitian ini bisa memberikan acuan bagi PG Candi
Baru untuk produksi gula pada bulan berikutnya.

2. SIKLUS ALGORITMA
Algoritma yang digunakan untuk peramalan produksi gula pasir
menggunakan fuzzy time series dengan optimasi algoritma genetika (studi kasus
PG Candi Baru Sidoarjo), Gambar 1 merupakan proses alir dari algoritma yang
digunakan:
 Mulai

Data Time Series

Produksi Gula

Universe of Discourse

Inialisasi populasi

For i = 1 to itermax

Proses crossover

Proses mutasi

Proses seleksi

Fuzzy Logical Relationship

Fuzzy Logical Relationship

Group

Defuzzifikasi

Hasill Peramalan

Selesai

Gambar 1. Diagram Alir Sistem

2.1 Fuzzy Time Series

Perbedaan utama antara fuzzy time series dan konvensional time series
yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan
fuzzy dari bilanganbilangan real atas himpunan semesta yang ditentukan. Sistem
peramalan dengan fuzzy time series menggunakan pola dari data yang telah lalu
dan digunakan untuk proses data yang akan datang (Tsaur et al, 2005).
Berikut langkah-langkah yang digunakan untuk melakukan peramalan dengan
model FTS (Chen, 1996) :
• Menentukan himpunan awal semesta (universe of discourse) dari data yang
akan digunakan sebagai objek penelitian.

• Menentukan sub himpunan semesta berdasarkan data historis dengan mencari

data maksimal dan data minimal kemudian dibagi dengan panjang interval
yang sudah ditentukan.
Dengan cara: Jumlah sub himpunan = (Dmin – Dmax) / Panjang Interval
• Menentukan himpunan fuzzy berdasarkan nilai sub himpunan sejumlah
variabel linguistic.
Dengan cara: Rentang fuzzy set = (Dmin – Dmax) / (Jumlah Sub Himpunan – 1)
• Melakukan proses Fuzzifikasi dengan cara memilih nilai keanggotaan
tertinggi dari data pada variabel linguistic yang terbentuk.
• Kemudian menentukan nilai Fuzzy Logical Relationship (FLR) dengan aturan
dan Fuzzy Logical Relationship Group (FLRG). • Lakukan proses
defuzzifikasi Defuzzifikasi dilakukan berdasarkan aturan (Xihao dan Yimin,
2008):
1. Jika current state dari himpunan fuzzy adalah Ai, dan FLRG Ai tidak ada,
missal Ai #, maka hasil ramalan adalah mi yang nerupakan midpoint
dari ui

Forecast = mi

2. Jika current state dari himpunan fuzzy adalah Ai, dan FLRG Ai
merupakan relasi one-to-one, misal Ai Aj, maka hasil ramalan adalah
mj yang merupakan midpoint dari uj

Forecast = mj

3. Jika current state dari himpunan fuzzy adalah Ai, dan FLRG Ai
merupakan relasi one-to-many, misal Ai Aj1, Aj2, …, Ajn maka hasil
ramalan adalah rerata mj1, mj2, …, mjn yang merupakan midpoint dari uj1,
uj2, …, ujn

=∑ =1
2.2 Algoritma Genetika
Algoritma genetika merupakan algoritma yang biasa digunakan untuk
memecahkan masalah optimasi dengan model matematika yang kompleks.
Algoritma ini sudah sangat sering digunakan termasuk penerapannya dalam
bidang industri manufaktur untuk optimasi penjadwalan produksi (Mahmudy,
2014).
Untuk menyelesaikan proses optimasi algoritma genetika cenderung
meniru dari proses evolusi biologi. Di dalam teori evolusi terdapat sejumlah
individu dalam populasi yang berguna sebagai induk untuk melakukan reproduksi
sehingga menghasilkan keturunan. Individu yang telah melewati proses seleksi
dan mampu bertahan hidup akan cenderung mempunyai keturunan yang lebih
baik dan akan terbentuk populasi baru yang lebih baik.
Proses algoritma genetika:

• Inisialisasi, dilakukan untuk membangkitkan himpunan solusi baru secara

acak/random yang terdiri dari chromosome kemudian dikumpulkan dalam
populasi. Di dalam tahap ini ukuran populasi harus ditentukan atau biasa
disebut popsize. Panjang dari setiap chromosome dihitung berdasarkan presisi
variable yang akan dicari.

• Proses selanjutnya adalah reproduksi. Reproduksi digunakan untuk

menghasilkan keturunan dari individu-individu yang terdapat di populasi.
Pada proses reproduksi terdapat dua operator genetika yaitu cross over dan
mutation. Untuk proses cross over nilai ini menyatakan rasio offspring
terhadap suatu populasi sehingga didapat offspring sebanyak cross over rate x
popSize. Pada penelitian ini penulis menggunakan metode one-cut-point
crossover, misal kita tentukan popSize = 4, cr =0.5 maka ada 0,5x4 = 2
offspring yang dihasilkan dari proses crossover. Jika kita tentukan setiap
crossover menghasilkan dua anak maka hanya ada satu kali operasi crossover.
Contoh:

P1 [0 0 1 1] → C1 [0 0 0 1]

P2 [1 0 0 1] → C2 [1 0 1 1]
Hal ini terjadi karena setiap offspring mewarisi susunan gen dari induknya.
Sedangkan untuk proses mutation nilai ini menyatakan rasio offspring
 terhadap suatu populasi sehingga didapat offspring sebanyak mutation rate x
popSize. Misal kita tentukan mr = 0.2, maka ada 0.2x4 = 0.8 (dibulatkan jadi
1) offspring yang dihasilkan dari proses mutasi. Contoh:

P1 [0 1 0 1]

C1 [0 1 0 0]
Hal ini terjadi karena proses mutasi dilakukan hanya dengan memilih satu
gen secara random kemudian mengubah nilainya (Mahmudy, 2014).

• Proses terakhir adalah proses seleksi. Sebelum melakukan proses seleksi

dilakukakan proses evaluasi untuk menghitung nilai fitness setiap
chromosome. Semakin besar nilai fitness maka akan semakin baik nilai
chromosome. Nilai fitness digunakan untuk membedakan seberapa baik nilai
dari chromosome yang digunakan untuk dijadikan calon solusi. Sedangkan
proses seleksi digunakan untuk memilih individu yang digunakan di proses
reproduksi berikutnya. Semakin besar nilai fitness maka peluang untuk
terpilih semakin besar. Beberapa metode seleksi yang sering digunakan adalah
roulette wheel, binary tournament, dan elitism. Pada penelitian ini digunakan
metode elitism selection dimana metode ini memilih popSize individu terbaik
dari kumpulan individu di populasi (parent) dan offspring. Contoh:
KROMOSOM FITNESS
P1 [0 0 1 1] 20
P2 [1 0 0 1] 32
C1 [0 1 0 0] 27
C2 [0 1 0 1] 32
Karena metode elitism selection langsung memilih individu terbaik yang
mempunyai nilai fitness terbesar maka yang terpilih adalah P2 dan C2.

3. PENGUJIAN DAN PEMBAHASAN

Dalam pengujian ini terdapat beberapa metode seperti uji coba population
size, kombinasi crossover rate dan mutation rate, generasi, data latih, dan tingkat
akurasi.
3.1 Pengujian Ukuran Populasi

Untuk pengujian ukuran populasi atau population size yang digunakan

adalah 25, 50, 75, 100, 125. Sedangkan nilai parameter yang digunakan untuk
pengujian cr = 0.9, mr = 0.1, iterasi = 10. Masing-masing pengujian dilakukan
sebanyak 5 kali. Pengujian ukuran populasi ini masing – masing dilakukan
sebanyak 5 kali. Gambar 2 merupakan hasil pengujian ukuran populasi.

Fitnesss
7
6
5
fitness

4
3 2.51 2.16
2 1.76 1.44
1 1.07
0
25 50 75 100 125
population size

Fitnesss

Gambar 2. Pengujian ukuran populasi

Pada Gambar 2 dapat dilihat bahwa jumlah ukuran populasi berpengaruh terhadap
perubahan nilai fitness. Secara garis besar semakin ditambah jumlah ukuran
populasi maka nilai fitness akan mengalami penurunan. Pada saat dimasukkan
nilai ukuran populasi sebesar 125 menghasilkan nilai fitness sebesar 1.07.

3.2 Pengujian Kombinasi Crossover Rate dan Mutation Rate

Untuk pengujian kombinasi crossover rate dan mutation rate yang

digunakan adalah
0.9:0.1, 0.8:0.2, 0.7:0.3, 0.6:0.4, 0.5:0.5, 0.4:0.6, 0.3:0.7, 0.2:0.8, 0.1:0.9.
Sedangkan nilai parameter lain yang digunakan untuk pengujian popsize= 50,
iterasi = 10. Masing-masing pengujian dilakukan sebanyak 5 kali. Gambar 3
merupakan hasil dari pengujian kombinasi crossover rate dan mutation rate.
Gambar 3. Pengujian kombinasi crossover rate dan mutation rate
Pada Gambar 3 dapat dilihat bahwa kombinasi crossover rate dan mutation rate
berpengaruh terhadap perubahan nilai fitness. Rata – rata nilai fitness yang paling
besar dari kombinasi crossover rate dan mutation rate pada pengujian ini
didapatkan pada nilai crossover rate 0.1 dan mutation rate 0.9 yaitu 2.65.

3.3 Pengujian Generasi

Untuk pengujian jumlah generasi yang digunakan adalah 50, 100, 150,
200, 250, 300, 350, 400. Sedangkan nilai parameter yang digunakan untuk
pengujian cr = 0.9, mr = 0.1, pop size = 50. Masing-masing pengujian dilakukan
sebanyak 5 kali. Gambar 4 merupakan hasil dari pengujian generasi.

Fitness
7
6
5
Fitness

4
3 2,05 2,1 2,08 2,07 2,08 2,1 2,09
2 1,7
1
0
50 100 150 200 250 300 350 400
Generasi

Fitness
Gambar 4. Pengujian Generasi

Pada Gambar 4. dapat dilihat bahwa jumlah generasi berpengaruh terhadap

perubahan nilai fitness. Pada saat pengujian jumlah generasi bernilai 50 sampai
150 nilai fitness mengalami naik turun dan pada generasi ke 200 sampai 300
menghasilkan nilai fitness yang semakin kecil atau cenderung konvergen.

3.4 Pengujian Pengaruh Jumlah Data

Untuk pengujian pengaruh jumlah data yang digunakan adalah data dari
tahun 2011 sampai 2014. Data yang digunakan dimulai dari bulan Mei sampai
bulan Desember untuk per tahunnya, karena pengujian pengaruh jumlah data ini
untuk menghitung keakuratan hasil dengan perbedaan ukuran jumlah data yang
dipakai. Pengujian pengaruh jumlah data ini masing – masing dilakukan sebanyak
3 kali. Tabel 1, Tabel 2, dan Tabel 3 merupakan hasil pengujian pengaruh jumlah
data.

Tabel 1. Pengujian Data Latih Tahun 2012

Data Hasil Nilai
Bulan
aktual ramalan error
Mei 2012 28940 38983 0.3470
Juni 2012 57887 59982 0.0362
Juli 2012 60255 53983 0.1040
Agustus 2012 45908 60255 0.0
September 2012 57694 59983 0.0396
Oktober 2012 55898 53983 0.0342
November 2012 26748 29983 0.1209
MAPE 1.9%
Tabel 2. Pengujian Data Latih Tahun 2013
Data Hasil Nilai
Bulan
aktual ramalan error
Mei 2013 10187 35983 2.5322
Juni 2013 45134 47983 0.0631
Juli 2013 51076 45983 0.0997
Agustus 2013 35517 35983 0.0131
September 2013 48590 47983 0.0124
Oktober 2013 46597 45983 0.131
November 2013 46823 45983 0.0179
Desember 2013 37199 45983 0.2361
MAPE 3.1 %

Tabel 3. Pengujian Data Latih Tahun 2014

Data Hasil Nilai
Bulan
aktual ramalan error
Mei 2014 8983 38983 3.3395
Juni 2014 45390 8983 0.0
Juli 2014 41021 41983 0.0234
Agustus 2014 42564 44983 0.0568
September 2014 45433 44983 0.0099
Oktober 2014 46862 41983 0.1041
November 2014 45450 41983 0.0762
Desember 2014 37548 41983 0.1181
MAPE 3.72%

Pada Tabel 1, 2, dan 3 dapat dilihat bahwa pengaruh jumlah data yang
digunakan berpengaruh terhadap perubahan nilai MAPE. Pada prediksi tahun
2012 yang menggunakan data tahun 2011 didapatkan nilai MAPE sebesar 1.9%,
untuk prediksi tahun 2013 yang menggunakan data tahun 2011 - 2012
menghasilkan nilai MAPE sebesar 3.1% dan untuk prediksi tahun 2014 yang
menggunakan data tahun 2011 - 2013 menghasilkan nilai MAPE sebesar 3.72%.
3.5 Pengujian Tingkat Akurasi

Pada bab pengujian dan pembahasan ini akan dijelaskan tentang bagaimana
langkah uji coba pada sistem dan beberapa analisa hasil dari uji coba yang sudah
dilakukan. Pengujian hasil prediksi menggunakan Mean Absolute Percentage
Error (MAPE) dapat dilihat pada Tabel 4.

Tabel 4. Pengujian Data

Data Hasil Nilai
Bulan
aktual ramalan error
Mei 2012 28940 38983 0.3470
Juni 2012 57887 59982 0.0362
Juli 2012 60255 53983 0.1040
Agustus 2012 45908 60255 0.0
September 2012 57694 59983 0.0396
Oktober 2012 55898 53983 0.0342
November 2012 26748 29983 0.1209
MAPE 1.9%

–
MAPE =

= 0.019 × 100

= 1.9 %

Pada pengujian tingkat akurasi untuk persentase error dengan rumus

MAPE menghasilkan 1.9%. Dengan nilai error yang semakin kecil maka dapat
disimpulkan bahwa tingkat akurasinya sangat baik (Stellwagen, 2012).
4. KESIMPULAN
Berdasarkan dari hasil analisa, perancangan, dan pengujian yang
dilakukan, maka diambil kesimpulan sebagai berikut :
1. Untuk mengimplementasikan model Fuzzy Time Series dengan Optimasi
Algoritma Genetika untuk peramalan produksi gula pasir PG Candi Sidoarjo
diawali dengan menentukan batasan untuk himpunan fuzzy yang didapatkan
dari universe of discourse yang kemudian digunakan untuk batasan pada saat
mengisi gen-gen pada satu kromosom. Setelah proses inialisasi pada sejumlah
kromosom kemudian dilakukan proses reproduksi yaitu crossover dan mutasi
sehingga menghasilkan child baru dan dilakukan proses seleksi pada parent
dan child. Langkah terakhir yaitu melakukan proses FLR dan FLRG untuk
menentukan defuzzifikasi agar memperoleh hasil ramalan bulan berikutnya.
2. Untuk mendapatkan nilai-nilai parameter yang terbaik pada optimasi
algoritma genetika dilakukan proses pengujian. Hasil pengujian parameter
terbaik algoritma genetika didapatkan dengan nilai pop size = 50, kombinasi
cr dan mr = 0.7 dan 0.3, dan iterasi maksimum = 250. Berdasarkan parameter-
parameter tersebut didapatkan nilai MAPE sebesar 2.07%.

Berdasarkan kesimpulan yang didapat, maka saran yang dapat digunakan untuk
penelitian selanjutnya antara lain:
1. Mengimplementasikan model Fuzzy Time Series dan Algoritma Genetika
dengan menambah jumlah data yang ada sehingga menghasilkan hasil yang
lebih baik.
2. Mengimplementasikan dengan model
Fuzzy lainnya.