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
2
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.
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
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 DAFTAR PUSTAKA
untuk mengantisipasi suatu peristiwa di Arianti, C. dan Wibowo, A., 2015.
masa yang akan datang dan sebagai tolak Pemodelan ARIMA Jumlah
ukur jumlah pencapaian peserta KB baru Pencapaian Peserta KB Baru IUD.
IUD di Jawa Timur. Data tersebut dapat Fakultas Kesehatan Masyarakat
digunakan oleh pihak lain untuk suatu Universitas Airlangga.
perkiraan atau peramalan pada peristiwa
lain di bidang kependudukan, namun tetap Arum dan Sujiyatini, 2011. Panduan
mempertimbangkan nilai MAPE (Mean Lengkap Pelayanan KB Terkini.
Absolute Percentage Error) serta faktor Yogyakarta: Nuha Medica.
lain yang mungkin mempengaruhi.
Asasi, Athiah N., 2009. Analisis
Forecasting Peserta KB Baru Di
SIMPULAN BPMP Dan KP Kota Pekalongan
Berdasarkan hasil peramalan, metode
Dengan Metode ARIMA. Fakultas
Automatic Clustering Dan Fuzzy Logical
Matematika dan Ilmu Pengetahuan
Relationships untuk memperkirakan
Universitas Negeri Semarang.
jumlah peserta KB baru IUD di Jawa
Timur tahun 2017 adalah 65.616 peserta BKKBN, 2011. Kajian Implementasi
dengan tingkat kesalahan prediksi sebesar Kebijakaan Penggunaan Kontrasepsi
0,97% dan presentase peningkatan peserta IUD. Tersedia di: www.bkkbn.go.id
KB baru IUD dibandingkan dengan tahun [10 Juni 2017]
sebelumnya adalah 0,28%.
Metode ACFLR untuk peramalan BKKBN, 2011-2016. Evaluasi Kinerja
jumlah peserta KB baru IUD di Jawa Program Kependudukan, Keluarga
Timur memiliki tingkat keakurasian yang Berencana dan Pembangunan
tinggi karena memiliki eror yang sangat Keluarga. BKKBN Provinsi Jawa
kecil. Timur.
9
Nurmalitasari dan Sumarlinda, S., 2016. Song, Q., & Chissom, B. S. 1993. Fuzzy
Peramalan Jumlah Pendaftar Time Series And Its Model. An
Mahasiswa Baru SMTIK Duta Bangsa International Journal of Fuzzy Sets and
Surakarta Menggunakan Metode Systems. 54(3), 269–277.
Automatic Clustering And Fuzzy Logic
Relationship Markov Chain. Seminar Zainun, N. Y., dan Mujid, M. Z. A., 2004.
Nasional Pendidikan Matematika Automated Low Cost House Demand
2016. ISSN: 2528-4630. Forecasting For Urban Area. The 4th
Annual Seminar of National Science
Fellowship.
10