Oleh :
ADAM FERNANDO
NPM 17722001
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
Universe of Discourse
Inialisasi populasi
For i = 1 to itermax
Proses crossover
Proses mutasi
Proses seleksi
Defuzzifikasi
Hasill Peramalan
Selesai
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.
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:
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).
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
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.
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
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.
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.
–
MAPE =
= 0.019 × 100
= 1.9 %
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.