BAB I

PENDAHULUAN
1.1 Latar Belakang
Perusahaan Daerah Air Minum (PDAM) merupakan perusahaan milik
daerah yang memiliki fungsi sebagai penyedia air bersih. Perusahaan Daerah
Air Minum (PDAM) terdapat di setiap Provinsi, Kabupaten, dan Kota Madya
di seluruh Indonesia. Salah satu PDAM juga terdapat di Kabupaten Kediri.
Pemakaian air yang tinggi mengakibatkan kebutuhan akan permintaan
ketersediaan air bersih terus meningkat sedangkan persediaan air bersih
sendiri di setiap tahun jumlahnya terus berkurang seiring dengan banyaknya
lahan hijau terbuka yang dijadikan pemukiman atau bangunan. Berdasarkan
permasalahan tersebut menjadi sebuah tantangan tersendiri bagi PDAM
seluruh Indonesia untuk terus mencukupi jumlah permintaan ketersediaan air
bersih bagi para pelanggannya, tak terkecuali PDAM Kabupaten Kediri. Salah
satu cara yang dapat dilakukan adalah memprediksi jumlah kebutuhan air di
periode mendatang sehingga PDAM dapat mempersiapkan lebih dini
persediaan air bersih yang cukup untuk memenuhi kebutuhan pelanggan.
Selain itu, prediksi kebutuhan air juga dapat dimanfaatkan oleh perusahaan
untuk mengalokasikan pendistribusian air ke pelanggan guna menghindari
kejadian kekurangan atau pemborosan pemakaian air. Hasil prediksi yang
akurat juga dapat menekan tingkat kerugian air dan juga biaya yang
ditanggung oleh PDAM serta dengan menggunakan air secara efisien, air tadi
dapat disalurkan ke PDAM daerah lain ataupun untuk mengaliri lahan
persawahan.
Time series merupakan salah satu metode yang dapat digunakan untuk
memprediksi atau meramalkan penggunaan air diperiode yang akan datang.
Time series adalah suatu rangkaian pengamatan berdasarkan urutan waktu dari
karakteristik kuantitatif dari satu atau kumpulan kejadian yang diambil dalam
periode waktu tertentu. Time series kemudian dapat diproses menggunakan
system fuzzy. Metode ini dikenal sebaga Fuzzy time series.
Dalam tugas akhir ini, akan dilakukan peramalan tentang volume
pemakaian air PDAM Kabupaten Kediri. Batasan masalah untuk peramalan
 ini adalah pada pelanggan Kecamatan Pare Kabupaten Kediri. Data tersebut
diambil dari divisi hubungan dan langganan PDAM Kabupaten Kediri.
Berdasarkan latar belakang yang telah dikemukakan di atas maka penulis
tertarik untuk memilih judul “Peramalan Volume Pemakaian Air pelanggan
Kecamatan Pare PDAM Kabupaten Kediri Menggunakan Metode Fuzzy Time
Series”

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang diatas, Tugas Akhir ini membahas
bagaimana Metode Fuzzy Time Series dapat memprediksi volume pemakaian
air di periode yang akan datang.

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah diatas, maka penelitian ini bertujuan
untuk mengetahui penerapan Metode Fuzzy Time Series pada peramalan
volume pemakaian air di periode yang akan datang.

1.4 Batasan Masalah

Dalam tugas akhir ini, data yang digunakan dibatasi pada data volume
pemakaian air PDAM per kubik oleh pelanggan Kecamatan Pare Kabupaten
Kediri pada bulan Juni 2018 sampai Juli 2019. Metode yang digunakan untuk
meramalkan data volume pemakaian air PDAM per kubik adalah Metode
Fuzzy Time Series”
 BAB II
TINJAUAN PUSTAKA
2.1 Time Series
Time series merupakan serangkaian nilai pengamatan yang diperoleh
pada titik waktu yang berbeda dan dengan selang waktu yang sama (berurutan
berdasarkan waktu). Analisis time series adalah salah satu prosedur statistika
yang diterapkan untuk meramalkan keadaan yang terjadi di masa yang akan
datang dalam rangka pengambilan keputusan.
Peramalan merupakan salah satu unsur yang sangat penting dalam
pengambilan keputusan. Informasi dari sekumpulan data dimasa lalu sangat
diperlukan dalam kegiatan meramalkan peristiwa (keadaan) di masa yang akan
datang. Peramalan suatu data time series perlu memperhatikan tipe atau pola
data. Secara umum terdapat empat macam pola data time series, yaitu
horizontal, trend, musiman, dan siklis.
Pola horizontal merupakan kejadian yang tidak terduga dan bersifat
acak, tetapi kemunculannya dapat mempengaruhi fluktasi data time series.
Pola trend merupakan kecenderungan arah data dalam jangka panjang, dapat
berupa kenaikan maupun penurunan. Pola musiman merupakan fluktasi dari
data yang terjadi secara periodic dalam kurun waktu satu tahun, seperti
triwulan, kuartalan, bulanan, mingguan, atau harian. Pola siklis merupakan
fluktasi dari data untuk waktu yang lebih dari satu tahun.

2.2 Logika Fuzzy

Logika fuzzy adalah metode yang dasarnya dari sistem kecerdasan
buatan (Artificial Intelligence) yang dapat menirukan kemampuan manusia
dalam berfikir ke dalam bentuk algoritma yang kemudian dijalankan oleh
mesin. Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data yang
tidak dapat direpresentasikan dalam bentuk biner. Logika fuzzy
menginterpretasikan statemen yang samar menjadi sebuah pengertian yang
logis (Girona:2013). Logika fuzzy merupakan pengembangan dari logika crisp
atau logika tegas yang hanya memiliki nilai 1 atau 0. Sedangkan logika fuzzy
mempunyai nilai dari 0 hingga 1 yang didefinisikan sebagai derajat
 keanggotaan dari himpunan fuzzy tersebut. Pada himpunan fuzzy nilai
keanggotaan terletak pada rentang 0 sampai 1, yang berarti himpunan fuzzy
dapat mewakili interpretasi tiap nilai berdasarkan pendapat atau keputusan dan
probabilitasnya. Nilai 0 menunjukkan salah dan nilai 1 menunjukkan benar
dan masih ada nilai-nilai yang terletak antara benar dan salah, dengan kata lain
nilai kebenaran suatu item tidak hanya benar atau salah. Himpunan fuzzy
memiliki dua atribut, yaitu :
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti pada suhu
yaitu dingin, sejuk, normal, hangat, dan panas.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti : 60, 75, dan 80.
Pada himpunan fuzzy terdapat istilah semesta pembicaraan yang merupakan
keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel
fuzzy. Nilai semesta pembicaraan dapat berupa bilangan positif maupun
negative.
2.3 Fuzzy Time Series
Fuzzy time series (FST) merupakan metode peramalan data yang
menggunakan konsep himpunan fuzzy sebagai dasar perhitungannya. System
peramalan dengan metode ini bekerja dengan menangkap pola dari data
historis kemudian digunakan untuk memproyeksikan data yang akan datang.
Menurut Song & Chissom (1994), definisi FST dapat digambarkan sebagai
berikut:
[Langkah 1] pembentukan himpunan semesta (U )
U =[ Dmin −D1 ; Dmax + D2 ] , dengan D1 dan D2 adalah nilai konstanta.

[Langkah 2] pembentukan interval

membagi himpunan semesta menjadi beberapa interval dengan jarak yang
sama. Untuk mengetahui banyak interval dapat memepergunakan rumus
Sturges berikut :
1+3,222 log 10 (n)
Dengan,
n : adalah jumlah data observasi
 sehingga membentuk sejumlah nilai linguistic untuk mempresentasikan
suatu himpunan fuzzy pada interval-interval yang terbentuk dari
himpunan semesta U.
U ={u1 ,u 2 , … , un }
Dengan
U : himpunan semesta
ui : besarnya jarak pada U, untuk i=1,2,…,n

2.4 Metode Peramalan Algoritma Cheng

[Langkah 1] pembentukan himpunan semesta (U )
U =[ Dmin −D1 ; Dmax + D2 ] , dengan D1 dan D2 adalah nilai konstanta.

[Langkah 2] pembentukan interval

membagi himpunan semesta menjadi beberapa interval dengan jarak yang
sama. Untuk mengetahui banyak interval dapat memepergunakan rumus
Sturges berikut :
1+3,222 log 10 (n)
[Langkah 3] Menentukan Fuzzy Logic Relations (FLR) dan Fuzzy
Logic Relations Group (FLRG)
Contoh jika FLR terbentuk : A1 → A 2 , A 1 → A1 , A 1 → A 3 , A 1 → A 1maka
FLRG yang terbentuk adalah A1 → A1 , A 2 , A 3
[Langkah 4] Menetapkan pembobotan
Menetapkan bobot pada FLRG. Misal terdapat suatu urutan FLR yang
sama,
(t=1) Ai → A i,diberikan bobot 1
(t=2) A j → A i diberikan bobot 1
(t=3) Ai → A i, diberikan bobot 2
(t=4) Ai → A i, diberikan bobot 3
(t=5) Ai → A i diberikan bobot 4
Dengan t menyatakan waktu
[Langkah 5] Pembentukan Pembobotan Dinormalisasi
 W1 W2 Wk
W n ( t )=[ W ' 1 , W ' 2, … . , W ' k ]=[ k
, k
,…, k
]
∑ Wh ∑ Wh ∑ Wh
h=1 h=1 h

[Langkah 6] Meramalkan
Menghitung nilai ramalan yang sesuai dengan persamaan berikut :
F ( t )=Ldf (t−1) W n (t−1)
Dengan Ldf (t−1) adalah matriks defuzzy Ldf =[m1 , m2 , … , mk ] dimana m k
adalah nilai tengah dari tiap-tiap interval dan W n ( t−1) adalah matriks
pembobot.
[Langkah 7] Defuzzifikasi
Menghitung nilai ramalan adaptif ( ^y ( t )) sebagai nilai ramalan akhir
dengan,
^y ( t ) = y ( t−1 ) +(a × [ F ( t )− y ( t−1 ) ] )
y (t−1) adalah pengamatan pada waktu t−1 dana adalah parameter
pembobot berkisar [0,001-1]