PERAMALAN KB BARU IUD DENGAN METODE AUTOMATIC CLUSTERING AND

FUZZY LOGICAL RELATIONSHIP

Yunidar Ayu Pratama1, Diah Indriani2
Departemen Biostatistika dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Airlangga
Alamat korespondensi : Yunidar Ayu
Email : yunidar.ayu@gmail.com

ABSTRACT
This research aims for forecasting the number of participants KB new IUD in East Java in
2017 method using Automatic Clustering And Fuzzy Logic Relationship (ACFLR). Make
forecasting the number of participants new accurate IUD KB in the future important done, as
it will support the increase of the number of participants program planning new IUD KB as
emphasized by the Government so that it can be used to take better decisions. Forecasting
method of Automatic Clustering And Fuzzy Logic Relationship was chosen because it has a
high degree of accuracy compared to the classical time series method and fuzzy time series.
The data used in this research is secondary data obtained from the BKKBN East Java in the
form of the number of participants KB new IUD in East Java in 2011 to 2016. Based on the
research results obtained forecasting the number of participants KB new IUD in 2017 is
65,616 participants with error rate prediction of 0.97% and the percentage increase in the
number of participants from the previous year is 0.28%.

Keywords: Forecasting, Family Planning, IUD, Automatic Clustering And Fuzzy Logic
Relationship

ABSTRAK
Penelitian ini bertujuan untuk peramalan jumlah peserta KB baru IUD di Jawa Timur tahun
2017 menggunakan metode Automatic Clustering And Fuzzy Logic Relationship (ACFLR).
Membuat peramalan jumlah peserta KB baru IUD yang akurat di masa mendatang penting
dilakukan, karena akan menunjang perencanaan program peningkatan jumlah peserta KB baru
IUD sesuai dengan yang ditekankan oleh pemerintah sehingga dapat digunakan untuk
mengambil keputusan yang lebih baik. Metode peramalan Automatic Clustering And Fuzzy
Logic Relationship dipilih karena memiliki tingkat akurasi yang tinggi dibandingkan dengan
metode time series klasik dan fuzzy time series. Data yang digunakan dalam penelitian ini
adalah data sekunder yang diperoleh dari BKKBN Provinsi Jawa Timur berupa jumlah
peserta KB baru IUD di Jawa Timur tahun 2011 sampai 2016. Berdasarkan hasil penelitian
diperoleh peramalan jumlah peserta KB baru IUD tahun 2017 adalah 65.616 peserta dengan
tingkat kesalahan prediksi sebesar 0,97% dan presentase peningkatan jumlah peserta dari
tahun sebelumnya adalah 0,28%.

Kata Kunci : Peramalan, Keluarga Berencana, IUD, Automatic Clustering And Fuzzy Logic
Relationship

PENDAHULUAN Di satu pihak, jumlah penduduk yang besar

Jumlah penduduk di Indonesia berperan sebagai sumber daya manusia
semakin bertambah dari waktu ke waktu. yang produktif dan potensial. Namun, di
1
lain pihak jumlah penduduk yang besar
dapat mengganggu upaya pemerintah
dalam hal pencapaian pemerataan
kesejahteraan nasional sehingga menjadi
permasalahan dalam bidang kependudukan
yang memerlukan solusi pemecahan
masalah lebih lanjut.
Kebijakan kependudukan untuk
pemecahan masalah laju pertumbuhan
penduduk dilakukan dengan menurunkan
tingkat pertumbuhan serendah rendahnya.
Cara efektif untuk menurunkan angka
pertumbuhan penduduk dengan jalan
mengikuti program Keluarga Berencana
(Arum & Sujiyantini, 2011).
Terdapat beberapa macam alat
kontrasepsi, diantaranya metode
kontrasepsi jangka panjang dan metode
kontrasepsi jangka pendek. Pemerintah
kini lebih menekankan penggunaan alat
kontrasepsi jangka panjang, salah satunya
yaitu IUD. Pemakaian KB IUD ini
dikarenakan penggunaannya lebih efektif,
lebih murah, dan risiko kegagalnnya relatif
kecil jika dibandingkan dengan alat
kontrasepsi jangka pendek seperti suntik
atau pil KB.
Pemakaian IUD mengalami
penurunan selama 20 tahun terakhir, dari
13% pada tahun 1991 menjadi 4% pada
tahun 2012. Sebaliknya peserta KB suntik
mengalami peningkatan dari 12% tahun
1991 menjadi 32% tahun 2012 (BPS,
2012). Berdasarkan Rekapitulasi Laporan
Bulanan Fasilitas Kesehatan KB Tingkat
Provinsi Tahun 2016, presentase peserta
KB baru di Provinsi Jawa Timur yang
menggunakan kontrasepsi IUD 7,23%,
MOW 2,08%, MOP 0,14%, Kondom
3,24%, Implan 11,47%, Suntik 56,03%,
dan Pil 19,70% (BKKBN, 2016).
Berdasarkan data tersebut, upaya
pemerintah menekankan penggunaan alat
kontrasepsi jangka panjang khususnya IUD
masih belum mencapai kesuksesan karena
masyarakat lebih banyak yang memilih
alat kontrasepsi jangka pendek. Untuk itu,
perlu perencanaan yang tepat agar
penggunaan kontrasepsi IUD meningkat.
Dalam hal ini, peramalan atau forecasting
2
sangat diperlukan untuk menunjang
perencanaan tersebut. Tujuan dari
peramalan sendiri adalah melihat bahwa
program yang dilaksanakan dapat
digunakan untuk pembuatan keputusan
yang lebih baik.
Selama ini telah banyak berkembang
metode peramalan dalam statistika, salah
satunya adalah analisis time series. Ada
beberapa model peramalan dalam time
series yaitu yang didasarkan pada analisa
hubungan antar variabel yang diperkirakan
dengan variabel waktu antara lain ARIMA
Box-Jenkins, pemulusan eksponensial, dan
proyeksi tren (Kuntoro, 2015).
Model peramalan dalam time series
merupakan metode yang sering digunakan
untuk peramalan, akan tetapi apabila data
historisnya (data masa lalu) tersedia dalam
bentuk nilai linguistik, metode time series
klasik belum dapat menyelesaikannya
sehingga muncul suatu metode fuzzy time
series untuk mengisi kekurangan dari
fungsi metode time series klasik.
Metode fuzzy time series pertama
kali diperkenalkan oleh Song dan Chissom
(1993) dimana metode tersebut mampu
menangani data yang tidak lengkap dan
berbentuk linguistik. Namun keakuratan
metode Song dan Chissom belum
dikatakan baik karena memiliki nilai MSE
yang relatif besar, selain itu metode Song
dan Chissom memiliki kelemahan yaitu
penentuan panjang interval. Oleh karena
itu, pada tahun 2009 Chen, Wang dan Pan
memperkenalkan metode modifikasi dari
fuzzy time series yang dikenal dengan
Automatic Clustering and Fuzzy Logical
Relationship (ACFLR).
ACFLR merupakan salah satu
metode dengan konsep fuzzy logic yang
digunakan untuk pemodelan data time
series. Metode usulan Chen, Wang dan
Pan ini mengaplikasikan algoritma
automatic clustering untuk membentuk
clustering based intervals dan membentuk
panjang tiap interval yang berbeda. Di
samping itu, metode ini menghasilkan
tingkat akurasi lebih tinggi dari pada
metode Song dan Chissom.
 Oleh karena itu, pada penelitian ini Prinsip 1: Mengasumsikan bahwa
akan dilakukan peramalan jumlah peserta kluster yang ada adalah kluster
KB baru IUD di Jawa Timur tahun 2017 pertama dan di dalamnya hanya ada
menggunakan metode Automatic satu data d1 dan d2 adalah data yang
Clustering And Fuzzy Logic Relationship berdekatan dengan d1, ditampilkan
(ACFLR) agar hasil peramalan memiliki sebagai {d1},d2,...,dn. Jika d2 - d1 ≤
tingkat akurasi yang tinggi. average_dif maka d2 diletakkan pada
kluster yang ada dimana terdapat d1.
METODE PENELITIAN Selanjutnya membuat kluster baru
Metode analisis data yang untuk d2 dan kluster yang memuat d2
digunakan dalam penelitian ini adalah tersebut menjadi kluster yang ada.
metode kuantitatif. Data yang digunakan Prinsip 2: Mengasumsikan kluster
dalam penelitian ini adalah data sekunder yang ada bukan kluster pertama dan
yang diperoleh dari BKKBN Provinsi Jawa hanya ada satu dj di kluster yang ada
Timur. Langkah-langkah peramalan dan dk adalah data yang berdekatan
menggunakan metode Automatic dengan dj. Menganggap bahwa dj
Clustering And Fuzzy Logical Relationship adalah data terbesar di kluster yang
adalah sebagai berikut. berada di atas kluster yang ada,
ditampilkan sebagai
Tahap 1. Menerapkan Automatic {d1,...},...,{...,di},{dj},dk ,...,dn.
Clustering Jika dk – dj ≤ average_dif dan dk – dj ≤
Inti dari tahap ini adalah menghitung dj – dl maka dk diletakkan pada
beda rata-rata dan membuat cluster dari kluster dimana terdapat dj.
data historis yang digunakan untuk Selanjutnya membuat kluster baru
peramalan. untuk dk dan biarkan kluster tersebut
terdapat pada kluster yang ada.
Langkah 1 : Prinsip 3: Mengasumsikan kluster
Mengurutkan data numerik secara yang ada bukan kluster pertama dan
ascending. Diasumsikan tidak ada data ada lebih dari satu data pada kluster
yang bernilai sama (duplicate) dan akan yang ada. Menganggap bahwa di
ditampilkan seperti d1,d2,....,dn. adalah data terbesar pada kluster yang
Berdasarkan urutan data tersebut, ada dan dj adalah kluster terdekat
kemudian dihitung beda rata-ratanya dengan di, ditampilkan sebagai
(average_dif). Beda rata-rata dihitung dari {di,...},...,{...},{...,di},dj,...,dn.
beda rata-rata antara dua data yang Jika dj – di ≤ average_dif dan dj – di ≤
bersebelahan. Beda rata-rata (average_dif) cluster_dif maka dj diletakkan pada
dihitung dengan menggunakan rumus kluster dimana terdapat di. Selanjutnya
berikut: membuat kluster baru dimana dj
∑n−1
i=0 (𝑑𝑖+1 – 𝑑𝑖 ) termasuk dalam kluster yang ada.
average_dif = Perbedaan rata-rata antara setiap
𝑛−1
pasangan data yang berdekatan dalam
Langkah 2: kluster dinyatakan dengan cluster_dif.
Mengambil data urutan pertama dari
data yang telah diurutkan ke dalam ∑n−1
i=0 (𝑐𝑖+1 – 𝑐𝑖 )
pengelompokkan yang sudah ada. cluster_dif =
𝑛−1
Berdasarkan nilai average_dif, ditentukan
apakah data pertama yang telah diurutkan dengan C1,C2, ...,Cn merupakan data
tersebut dapat diletakkan dalam kluster dalam kluster yang ada.
yang ada atau diletakkan dalam kluster
baru dengan prinsip sebagai berikut:

3
Langkah 3: nilai dalam interval adalah [di,dj]
Berdasarkan pengelompokkan yang dan nilai klusternya adalah {dk},
dihasilkan dari langkah 2, selanjutnya maka transformasikan interval [di,
menyesuaikan isi dari kluster tersebut dj] ke dalam [di,dk]. Kemudian
berdasarkan prinsip-prinsip berikut ini: [di,dk] menjadi interval dan kluster
1. Jika kluster memiliki lebih dari dua berikutnya menjadi kluster saat
data, maka amankan data terkecil dan ini.
terbesar, kemudian hapus data yang 3. Melakukan pemeriksaan berulang
lainnya. terhadap interval yang ada hingga
2. Jika kluster tepat memiliki dua data, semua kluster ditransformasikan
maka jangan diubah. menjadi interval.
3. Jika sebuah kluster hanya memiliki
satu data dq, maka letakkan nilai dari Langkah 5:
“dq–average_dif” dan Setiap interval yang diperoleh dari
“dq+average_dif” ke dalam kluster langkah 4, kemudian bagi setiap interval
dan menghapus dq dari kluster ini. Jika tersebut dalam p sub interval dimana p ≥ 1.
situasi berikut terjadi, maka:
a. Jika situasi terjadi pada kluster Tahap 2. Automatic Clustering And Fuzzy
pertama, hapus nilai “dq– Logical Relationship
average_dif”. Setelah mendapatkan interval dengan
b. Jika situasi terjadi pada kluster menggunakan automatic clustering
terakhir, hapus nilai “dq + technique, selanjutnya nilai peramalan
average_dif”. dapat dihitung menggunakan algoritma
c. Jika nilai “dq–average_dif” lebih sebagai berikut:
kecil dari nilai terkecil dalam
kluster diatasnya, maka tindakan Langkah 1: Menghitung titik tengah
berdasarkan prinsip 3 dibatalkan. setiap interval dengan menggunakan
algoritma clustering di atas.
Langkah 4 :
Mengasumsikan bahwa hasil kluster Langkah 2: Mengasumsikan terdapat
yang didapatkan dari langkah 3 interval u1, u2, hingga un, kemudian
ditampilkan sebagai berikut: mendefinisikan setiap fuzzy set Ai, dimana
{d1,d2},{d3,d4},{d5,d6},...,{dn-1,dn}. 1 ≤ i ≤ n , sebagai berikut:
Selanjutnya, mentransformasikan kluster-
1 0,5 0 0 0
kluster tersebut ke dalam interval yang A1 = + + + ⋯+ +
bersebelahan dengan sub langkah berikut: 𝑢1 𝑢2 𝑢3 𝑢𝑛−1 𝑢𝑛
1. Mentransformasikan kluster 0,5 1 0,5 0 0
pertama{d1,d2}dalam interval [d1,d2] A2 = + + + ⋯+ +
𝑢1 𝑢2 𝑢3 𝑢𝑛−1 𝑢𝑛
2. Jika interval saat ini adalah [d1,d2] dan
kluster saat ini adalah {dk,dl}, maka: 0 0,5 1 0 0
A3 = + + + ⋯+ +
a. Jika dj ≥ dk, maka {dk,dl} dalam 𝑢1 𝑢2 𝑢3 𝑢𝑛−1 𝑢𝑛
kluster yang ada ditransformasi ke
.
dalam interval [dk,dl] dan kluster
selanjutnya {dm dn} menjadi .
kluster saat ini.
b. Jika dj < dk, maka transformasikan 0 0 0 0,5 1
An = + + + ⋯+ +
{dk,dl} dalam interval [dk,dl]. 𝑢1 𝑢2 𝑢3 𝑢𝑛−1 𝑢𝑛
Selanjutnya, [dk,dl] menjadi
interval dan kluster berikutnya
{dm,dn} menjadi klusternya. Jika

4
Langkah 3: Fuzzifikasi setiap data dalam dimana mj adalah titik tengah dari
himpunan fuzzy. Jika data termasuk dalam interval uj dan nilai keanggotaan
ui dimana 1 ≤ i ≤ n, maka data tersebut maksimum dari fuzzy set Aj terjadi
difuzzifikasi dalam Ai. pada uj.

Langkah 4: Membuat relasi fuzzy Tahap 3. Mean Absolute Percentage Error

berdasarkan data yang didapatkan pada (MAPE)
langkah 3. Jika data ter-fuzzy dari tahun t Mean Absolute Percentage Error
dan t+1 adalah Aj → Ak , maka selanjutnya (MAPE) menghitung deviasi antara data
membuat relasi fuzzy, bagi relasi fuzzy aktual dengan nilai peramalan kemudian
dalam kelompok relasi fuzzy, dimana ia dihitung persen rata-ratanya. MAPE dapat
mempunyai keadaan sekarang yang sama dihitung dengan rumus sebagai berikut:
diletakkan dalam grup yang sama.
Langkah 5: Menghitung angka ramalan 1 (ŷ𝑡 − 𝑦𝑡 )
MAPE = ∑𝑛𝑡=1 | | × 100%
dari data dengan prinsip sebagai berikut: 𝑛 𝑦𝑡

1. Jika data ter-fuzzy dari periode t adalah

Aj dan hanya terdapat satu hubungan dimana n adalah jumlah sampel, ŷt adalah
logika fuzzy dalam grupnya dimana nilai peramalan pada periode ke-t, dan yt
keadaan sekarang adalah Aj → Ak , adalah nilai aktual pada periode ke-t.
maka data yang diramalkan dari
periode (t+1) adalah mk , dimana mk HASIL PENELITIAN
adalah titik tengah dari interval uk , Data Jumlah Peserta KB Baru IUD di
dan nilai keanggotaan maksimum dari Jawa Timur tahun 2011 sampai 2016 dapat
fuzzy set Ak terjadi pada interval uk. dilihat pada tabel 1 berikut.
2. Jika data ter-fuzzy dari periode t adalah
Aj dan terdapat hubungan logika fuzzy Tabel 1. Jumlah Peserta KB Baru IUD
pada grup relasi logika fungsi dimana Jawa Timur
keadaan sekarangnya adalah Aj, maka Tahun Jumlah Peserta KB
Baru IUD
data aktual dari periode t+1 dihitung
2011 113.779
dengan rumus berikut:
2012 122.363
𝑥1 × 𝑚𝑘1 + 𝑥2 × 𝑚𝑘2 + ⋯ + 𝑥𝑝 × 𝑚𝑘𝑝 2013 111.557
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑝 2014 80.809
2015 56.573
dimana 𝑥1 menyatakan jumlah 2016 65.431
hubungan logika fuzzy dalam grup
hubungan logika fuzzy. 𝑚𝑘1 , 𝑚𝑘2 , ... , Peramalan Jumlah Peserta KB Baru
dan 𝑚𝑘𝑝 adalah titik tengah dari IUD menggunakan metode Automatic
interval uk1, uk2, ... , dan ukp, dan nilai Clustering And Fuzzy Logical Relationship
keanggotaan maksimum dari fuzzy set terdiri dari beberapa tahap berikut.
Ak1, Ak2, ... , Akp terjadi pada interval
uk1, uk2, ... , dan ukp. Tahap 1. Menerapkan Automatic
3. Jika data aktual ter-fuzzy dari periode Clustering
adalah Aj dan terdapat sebuah Algoritma Automatic Clustering akan
hubungan logika fuzzy dalam grup diterapkan untuk clustering data historis
hubungan logika fuzzy dimana Jumlah Peserta KB Baru IUD Jawa Timur
keadaan sekarangnya adalah Aj → #, tahun 2011 sampai 2016 dalam bentuk
dimana simbol # menyatakan nilai interval. Langkah-langkah penerapan
yang tidak diketahui, maka data Algoritma Automatic Clustering adalah
teramalkan dari periode t+1 adalah mj, sebagiai berikut:

5
[Langkah 1]: u8 = [65.801, 66.171)
Mengurutkan data Jumlah Peserta KB u9 = [66.171, 66.541)
Baru IUD dari data yang paling kecil u10 = [66.541, 66.911)
hingga yang paling besar. Diasumsikan u11 = [66.911, 67.281)
tidak ada data yang bernilai sama u12 = [67.281, 67.651)
(duplicate). Kemudian dihitung beda rata- u13 = [67.651, 72.037)
ratanya (average_dif) dan diperoleh nilai u14 = [72.037, 76.423)
average_dif nya adalah 13.158. u15 = [76.423, 80.809)
u16 = [80.809, 85.195)
[Langkah 2]: u17 = [85.195, 89.581)
Berdasakan nilai average_diff dan tiga u18 = [89.581, 93.967)
prinsip pada Langkah 2, dapat dibuat u19 = [93.967, 96.898,7)
cluster dari data urutan menaik sehingga u20 = [96.898,7, 99.830,3)
diperoleh hasil clustering sebagai berikut: u21 = [99.830,3, 102.762)
Cluster 1 = {56.573, 65.431} u22 = [102.762, 105.693,7)
Cluster 2 = {80.809} u23 = [105.693,7, 108.625,3)
Cluster 3 = {111.557, 113.779, 122.363} u24 = [108.625,3, 111.557)
u25 = [111.557, 113.358)
[Langkah 3]: u26 = [113.358, 115.159)
Berdasarkan tiga prinsip pada Langkah u27 = [115.159, 116.960)
3, hasil clustering yang diperoleh pada u28 = [116.960, 118.761)
Langkah 2 disesuaikan lagi, sehingga u29 = [118.761, 120.562)
diperoleh hasil clustering sebagai berikut: u30 = [120.562, 122.363)
Cluster 1 = {56.573, 65.431}
Cluster 2 = {67.651, 93.967} Tahap 2. Automatic Clustering And Fuzzy
Cluster 3 = {111.557, 122.363} Logical Relationship

[Langkah 4]: [Langkah 1]:

Dengan menggunakan sub-langkah Menghitung nilai tengah mi untuk
pada Langkah 4, diperoleh interval-interval setiap interval ui dengan 1 ≤ 𝑖 ≤ 30,
sebagai berikut: diperoleh hasil sebagai berikut:
a. [56.573, 65.431) d. [93.967, 111.557) m1 = 57.311,17
b. [65.431, 67.651) e.[111.557, 122.363) m2 = 58.787,5
c. [67.651, 93967) m3 = 60.263,83
m4 = 61.740,17
[Langkah 5]: m5 = 63.216,5
Membagi setiap interval menjadi p m6 = 64.692,83
sub-interval. Semakin besar nilai p, maka m7 = 65.616
semakin akurat hasil peramalannya. Dalam m8 = 65.986
penelitian ini diambil p = 6, maka setiap m9 = 66.356
interval yang diperoleh dalam Langkah 4 m10 = 66.726
dibagi ke dalam p sub-interval sebagai m11 = 67.096
berikut : m12 = 67.466
u1 = [56.573, 58049,3) m13 = 69.844
u2 = [58.049,3, 59.525,7) m14 = 74.230
u3 = [59.525,7, 61.002) m15 = 78.616
u4 = [61.002, 62.478,3) m16 = 83.002
u5 = [62.478,3, 63.954,7) m17 = 87.388
u6 = [63.954,7, 65.431) m18 = 91.774
u7 = [65.431, 65.801) m19 = 95.432,8

6
 m20 = 98.364,5 Tabel 2. Hasil Fuzzifikasi Jumlah Peserta
m21 = 101.296,17 KB Baru IUD
m22 = 104.227,83 Tahun Jumlah Fuzzifikasi
m23 = 107.159,5 2011 113.779 A26
m24 = 110.091,17
2012 122.363 A30
m25 = 112.457,5
m26 = 114.258,5 2013 111.557 A25
m27 = 116.059,5 2014 80.809 A16
m28 = 117.860,5 2015 56.573 A1
m29 = 119.661,5 2016 65.431 A7
m30 = 121.462,5
[Langkah 4]:
[Langkah 2]: Sebagai contoh, hasil fuzzifikasi
Mengasumsikan terdapat interval u1, jumlah peserta KB baru IUD pada tahun
u2, hingga u30, kemudian mendefinisikan 2012 adalah A30 dan hasil fuzzifikasi
setiap himpunan fuzzy Ai, dimana 1 ≤ i ≤ jumlah peserta KB baru IUD pada tahun
30 , sebagai berikut: 2011 adalah A26, relasi fuzzy antara tahun
2011 dan 2012 dapat dibuat “A26 → A30”,
1 0,5 0 0 0
A1 = + + + ⋯+ + dengan “A26” dan “A30” secara berturut-
𝑢1 𝑢2 𝑢3 𝑢29 𝑢30 turut disebut current state dan next state
0,5 1 0,5 0 0 dari relasi fuzzy.
A2 = + + + ⋯+ +
𝑢1 𝑢2 𝑢3 𝑢29 𝑢30
Tabel 3. Hasil Relasi Fuzzy Jumlah Peserta
0 0,5 1 0 0 KB Baru IUD
A3 = + + + ⋯+ + Tahun Fuzzifikasi Relasi Fuzzy
𝑢1 𝑢2 𝑢3 𝑢29 𝑢30
2011 A26 A26 → A30
.
2012 A30 A30 → A25
.
2013 A25 A25 → A16
0 0 0 0,5 1 2014 A16 A16 → A1
A30 = + + + ⋯+ +
𝑢1 𝑢2 𝑢3 𝑢29 𝑢30 2015 A1 A1 → A7
2016 A7 A7 → #
[Langkah 3]:
Relasi fuzzy tersebut kemudian
Berdasarkan definisi himpunan fuzzy
dikelompokkan sebagai berikut.
tersebut Jumlah Peserta KB Baru IUD
Kelompok 1 : A1 → A7
dapat difuzzifikasi seperti dalam Tabel 2.
Kelompok 2 : A7 → #
Sebagai contoh, dari Tabel 1, jumlah
Kelompok 3 : A16 → A1
peserta KB baru IUD pada tahun 2011
Kelompok 4 : A25 → A16
adalah 113.779 yang teletak di dalam
Kelompok 5 : A26 → A30
interval u26 = [113.358, 115.159), maka
Kelompok 6 : A30 → A25
jumlah peserta KB Bbaru IUD pada tahun
2011 difuzzifikasi ke dalam A26.
[Langkah 5]:
Begitu pula dengan tahun 2012,
Diasumsikan akan dilakukan
jumlah peserta KB baru IUD adalah
peramalan jumlah peserta KB baru IUD
122.363 yang terletak dalam interval u30 =
pada tahun 2012, maka berdasarkan Tabel
[120.562, 122.363), maka jumlah peserta
2, dapat dilihat hasil fuzzifikasi jumlah
KB baru IUD difuzzifikasi ke dalam A30.
peserta KB baru IUD pada tahun 2011
adalah A26. Dari Tabel 3, dapat dilihat ada
relasi fuzzy “A26 → A30” pada Kelompok

7
5. Oleh karena itu hasil prediksi jumlah PEMBAHASAN
peserta KB baru IUD pada tahun 2012 Menurut Zainun dan Majid (2004),
merupakan nilai tengah dari interval u30. Suatu model memiliki kinerja yang sangat
Karena u30 = [120.562, 122.363) dan bagus jika nilai MAPE di bawah 10% dan
nilai tengah dari intervalnya m30 = mempunyai kinerja bagus jika nilai MAPE
121.462,5, maka hasil peramalan jumlah di bawah 20%. Dalam penelitian ini, nilai
peserta KB Baru IUD pada tahun 2012 MAPE yang dihasilkan adalah 0,97%
adalah 121.463. maka dapat disimpulkan bahwa model
Perhitungan dengan cara yang sama peramalannya memiliki kinerja yang
akan diperoleh hasil peramalan jumlah sangat bagus.
peserta KB baru IUD seperti dijelaskan Menurut Kurniawan (2011), dalam
pada tabel 4 berikut. penelitiannya metode Automatic
Clustering And Fuzzy Logical Relationship
Tabel 4. Hasil Peramalan Jumlah Peserta (ACFLR) memiliki ketepatan hasil
KB Baru IUD peramalan yang lebih baik daripada
Tahun Jumlah Peramalan metode ARIMA karena menghasilkan nilai
2011 113.779 - eror yang lebih kecil. Hasil penelitian ini
2012 122.363 121.463 memiliki eror yang sangat kecil yaitu
2013 111.557 112.458 0,97% sehingga dapat disimpulkan bahwa
2014 80.809 83.002 hasil peramalan dalam penelitian ini
2015 56.573 57.311 memiliki keakuratan yang tinggi.
2016 65.431 65.616 Jumlah peramalan peserta KB baru
2017 - 65.616 IUD di Jawa Timur pada tahun 2017
adalah 65.616 peserta, dimana angka
Berdasarkan Tabel 4 di atas dapat tersebut mengalami peningkatan sebanyak
dilihat bahwa hasil peramalan jumlah 0,28% dibandingkan dengan tahun
peserta KB baru IUD pada tahun 2017 sebelumnya. Adanya peningkatan jumlah
adalah 65.616 peserta. peserta KB baru IUD mengindikasikan
bahwa upaya pemerintah dalam
Tahap 3. Mean Absolute Percentage Error menekankan penggunaan alat kontrasepsi
(MAPE) jangka panjang sudah berhasil walaupun
Hasil dari peramalan dalam Tabel 4 presentase peningkatannya masih
dapat dihitung nilai MAPE nya seperti tergolong kecil.
pada tabel 5 berikut. Dengan melakukan peramalan jumlah
peserta KB baru, pemerintah dapat
Tabel 5. Hasil Perhitungan MAPE mengantisipasi dan menetapkan kebijakan
Tahun
Penghitungan terkait penggunaan KB (BKKBN, 2011).
Error Hasil peramalan yang diperoleh, dapat
2011 - memberikan masukan kepada pemerintah
2012 0,74% mengenai pembuatan kebijakan
2013 0,81% peningkatan penggunaan alat kontrasepsi
2014 2,71% IUD.
Upaya meningkatkan penggunaan alat
2015 1,30%
kontrasepsi IUD yang dapat dilakukan
2016 0,28% diantaranya adalah dengan adanya
kebijakan IUD gratis untuk masyarakat Pra
Berdasarkan Tabel 5, rata-rata eror Sejahtera, serta mengorganisir pemerataan
peramalannya adalah 0,97%. distribusi alat kontrasepsi IUD di setiap
daerah.

8
 Peramalan yang didapat digunakan
untuk mengantisipasi suatu peristiwa di
masa yang akan datang dan sebagai tolak
ukur jumlah pencapaian peserta KB baru
IUD di Jawa Timur. Data tersebut dapat
digunakan oleh pihak lain untuk suatu
perkiraan atau peramalan pada peristiwa
lain di bidang kependudukan, namun tetap
mempertimbangkan nilai MAPE (Mean
Absolute Percentage Error) serta faktor
lain yang mungkin mempengaruhi.
SIMPULAN
Berdasarkan hasil peramalan, metode
Automatic Clustering Dan Fuzzy Logical
Relationships untuk memperkirakan
jumlah peserta KB baru IUD di Jawa
Timur tahun 2017 adalah 65.616 peserta
dengan tingkat kesalahan prediksi sebesar
0,97% dan presentase peningkatan peserta
KB baru IUD dibandingkan dengan tahun
sebelumnya adalah 0,28%.
Metode ACFLR untuk peramalan
jumlah peserta KB baru IUD di Jawa
Timur memiliki tingkat keakurasian yang
tinggi karena memiliki eror yang sangat
kecil.
SARAN
Penelitian selanjutnya dapat
menggunakan metode Automatic
Clustering And Fuzzy Logical Relationship
untuk melakukan peramalan pada data
historis yang berbeda. Penelitian
selanjutnya disarankan juga dibuat
program komputasi dari metode Automatic
Clustering And Fuzzy Logical Relationship
dalam bentuk software agar memudahkan
dalam perhitungan.
Bagi pihak instansi dapat lebih
meningkatan KIE dan promosi tentang KB
kepada masyarakat, khususnya
penggunaan alat kontrasepsi IUD. Selain
itu, kebijakan IUD gratis untuk masyarakat
Pra Sejahtera, serta mengorganisir
pemerataan distribusi alat kontrasepsi IUD
di setiap daerah perlu dilakukan.
9
DAFTAR PUSTAKA
Arianti, C. dan Wibowo, A., 2015.
Pemodelan ARIMA Jumlah
Pencapaian Peserta KB Baru IUD.
Fakultas Kesehatan Masyarakat
Universitas Airlangga.
Arum dan Sujiyatini, 2011. Panduan
Lengkap Pelayanan KB Terkini.
Yogyakarta: Nuha Medica.
Asasi, Athiah N., 2009. Analisis
Forecasting Peserta KB Baru Di
BPMP Dan KP Kota Pekalongan
Dengan Metode ARIMA. Fakultas
Matematika dan Ilmu Pengetahuan
Universitas Negeri Semarang.
BKKBN, 2011. Kajian Implementasi
Kebijakaan Penggunaan Kontrasepsi
IUD. Tersedia di: www.bkkbn.go.id
[10 Juni 2017]
BKKBN, 2011-2016. Evaluasi Kinerja
Program Kependudukan, Keluarga
Berencana dan Pembangunan
Keluarga. BKKBN Provinsi Jawa
Timur.
BKKBN, 2016. Rekapitulasi Laporan
Bulanan Fasilitas Kesehatan KB
Tingkat Provinsi Tahun 2016.
BKKBN Provinsi Jawa Timur.
Badan Pusat Statistik, 2013. Survey
Demografi dan Kesehatan Indonesia
2012. Jakarta: BPS.
Cheng, C. H., Cheng, G. W., & Wang, J.
W. 2009. Multi-attribute fuzzy time
series methodbased on fuzzy
clustering. Expert Systems with
Application. 36, 11070-11076
Kuntoro, H., 2015. Teori dan Aplikasi
Analisis Seri Waktu. Sidoarjo :
Zifatama Publisher.
Kurniawan, R., 2011. Metode Automatic
Clustering- Fuzzy Logic Relationships
untuk Peramalan Data Univariate
[Tesis], Institut Teknologi Sepuluh
Nopember, Surabaya.
Nurmalitasari dan Sumarlinda, S., 2016.
Peramalan Jumlah Pendaftar
Mahasiswa Baru SMTIK Duta Bangsa
Surakarta Menggunakan Metode
Automatic Clustering And Fuzzy Logic
Relationship Markov Chain. Seminar
Nasional Pendidikan Matematika
2016. ISSN: 2528-4630.
10
Song, Q., & Chissom, B. S. 1993. Fuzzy
Time Series And Its Model. An
International Journal of Fuzzy Sets and
Systems. 54(3), 269–277.
Zainun, N. Y., dan Mujid, M. Z. A., 2004.
Automated Low Cost House Demand
Forecasting For Urban Area. The 4th
Annual Seminar of National Science
Fellowship.