Prediksi Jumlah Permintaan Gas Cair Menggunakan Fuzzy Inference Model pada PT Air Products Gresik Oleh : Lailatul Khikmiyah

(1)

Prediksi Jumlah Permintaan Gas Cair

Menggunakan Fuzzy Inference Model pada PT

Air Products Gresik

(2)

PT Air Products Gresik adalah sebuah perusahaan penghasil gas dan liquida yang berasal dari udara, produk perusahaan meliputi : LIN (Liquida

Nitrogen), LAR (Liquida Argon) dan LOX (Liquida Oxygen). Proses produksi

ketiga gas cair tersebut sangat dipengaruhi oleh permintaan pasar dan space

inventory di tangki penyimpanan.

Latar Belakang

Dalam tugas akhir ini, penulis memilih fuzzy inference model dalam meramalkan jumlah permintaan gas cair LOX.

Gas cair yang sudah diproduksi bisa menguap jika terlalu lama disimpan di dalam tangki penyimpanan Untuk itulah peramalan permintaan

untuk ketiga gas tersebut dinilai sangat penting.

Apabila jumlah permintaan gas dapat diramalkan secara akurat, maka dapat membantu perusahaan dalam pengambilan keputusan dan

(3)

1. Bagaimana mengimplementasikan fuzzy inference

model untuk peramalan permintaan gas cair LOX

pada PT Air Products Gresik?

2. Bagaimanakah mengetahui apakah hasil

peramalan dengan fuzzy inference model

menghasilkan MAPE di bawah 20%?

(4)

Batasan permasalahan dalam tugas akhir ini antara lain

adalah:

1. Data yang digunakan dalam mengerjakan tugas akhir ini

adalah data permintaan harian gas cair di PT Air

Products Gresik, mulai dari bulan Februari sampai Juli

2011 dan diekstensi sampai Juni 2012.

2. Data gas yang akan diprediksi jumlah permintaannya

adalah data gas cair LOX.

(5)

1. Mengimplementasikan metode fuzzy inference model

untuk peramalan permintaan gas cair pada PT Air

Products Gresik.

2. Mengetahui apakah hasil peramalan dengan fuzzy

inference model menghasilkan MAPE di bawah 20% atau

tidak.

Dapat membantu pihak manajemen PT Air Products Gresik

dalam pengambilan keputusan terkait produksi dan

operasi, misalnya saja untuk perencanaan

kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian

persediaan (inventory control).

Tujuan

(6)

Implementasi Model

Menentukan Variabel Linguistik dan Himpunan Fuzzy

Membuat Aturan Aturan Fuzzy (Fuzzy Rules)

Melakukan Inferensi Fuzzy ke dalam Sistem 3 sub proses : Fuzzifikasi, Aggregasi,

Defuzzifikasi

Start

Hasil Peramalan

(7)

Hasil dan Uji

Coba

1.

Extensi Data

Sebelum melakukan uji coba dengan menggunakan berbagai macam skenario dan parameter yang berbeda, telah dilakukan ekstensi terhadap data yang ada sampai tanggal 30 Juni 2012

2.

Skenario Uji Coba

Uji coba model dilakukan dengan cara :

Uji coba dengan mengubah batasan himpunan fuzzy Uji coba dengan mengubah jumlah aturan fuzzy

Uji coba dengan 28 aturan fuzzy dan batasan normal

(8)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 28 rules dan

batasan normal seperti ditunjukkan pada gambar dan kurva gauss di bawah ini :

1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1)

. . .

25. if (day is holiday) and (lastweek_load is N) then (forecast is L) (1) 26. if (day is holiday) and (lastweek_load is L) then (forecast is VL) (1) 27 if (day is holiday) and (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) and (lastweek_load is VVL) then (forecast is VVL) (1)

28 aturan fuzzy

Batasan himpunan fuzzy untuk input

(9)

Hasil dan Uji

Coba

Di uji coba pertama ini, dibuat aturan aturan fuzzysebanyak 28 aturan:

1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1)

2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1)

. .

27 if (day is holiday) and (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) and (lastweek_load is VVL) then (forecast is VVL) (1)

 Permintaan gas cair sangat dipengaruhi oleh permintaan pada hari hari

sebelumnya, atau seminggu sebelumnya (jika hari libur). Pada hari kerja, permintaan cenderung normal atau tinggi, dan akan menurun drastis pada hari libur

Rules no 2 :

2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1)

 Jika hari ini adalah hari kerja, dan hari kemarin adalah hari kerja juga (dalam arti bukan hari senin), maka permintaan cenderung meninggi dari hari kemarin, sehingga, jika hari kemarin permintaan VH, maka sekarang permintaan menjadi VVH

(10)

Hasil dan Uji

Coba

Grafik Hasil Peramalan :

0 20 40 60 80 100 120 140 160 180 200 01 April 2012 08 April 2012 15 April 2012 22 April 2012 29 April 2012 06 Mei 2012 13 Mei 2012 20 Mei 2012 27 Mei 2012 03 Juni 2012 10 Juni 2012 17 Juni 2012 24 Juni 2012

Permintaan Aktual Peramalan

Periode

Jumlah Permintaan

Grafik hasil peramalan menggunakan 28 rules dan batasan normal

(11)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 21 rules dan batasan yang sama dengan uji coba 1 (normal), seperti ditunjukkan pada gambar dan grafik di bawah ini :

1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1)

. . .

18. if (day is holiday) and (lastday_load is N) then (forecast is L) (1) 19. if (day is holiday) and (lastday_load is L) then (forecast is L) (1) 20. if (day is holiday) and (lastday_load is VL) then (forecast is VVL) (1) 21. if (day is holiday) (and) (lastday_load is VVL) then (forecast is VVL) (1)

21 aturan fuzzy

Batasan himpunan fuzzy untuk input

(12)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 21 rules dan batasan normal

Untuk mengetahui pengaruh rules terhadap

hasil peramalan, apakah semakin banyak rules

semakin bagus hasilnya, atau sebaliknya

(13)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 21 rules dan batasan normal seperti ditunjukkan pada gambar dan grafik di bawah ini :

Periode Jumlah Permintaan

Grafik hasil peramalan menggunakan 21 rules dan batasan normal

(14)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 28 Rules dan

batasan berbeda seperti ditunjukkan pada gambar dan kurva gauss di bawah ini :

1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1)

. . .

27 if (day is holiday) (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) (lastweek_load is VVL) then (forecast is VVL) (1)

28 aturan fuzzy

Batasan baruuntuk himpunan fuzzy untuk input lastday_load, lastweek_load dan output forecast Batasan normaluntuk himpunan fuzzy untuk input

(15)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 28 rules dan batasan yang diubah

Untuk mengetahui pengaruh batasan terhadap hasil peramalan, apakah dengan hanya batasan normal saja bisa menhasilkan hasil peramalan yang bagus, atau batasan yang dibuat secara random

(16)

Hasil dan Uji

Coba

Uji coba dengan menggunakan 28 rules dan batasan baru seperti ditunjukkan pada gambar dan grafik di bawah ini :

Periode

Jumlah Permintaan

Grafik hasil peramalan menggunakan 28 rules dan batasan baru

(17)

Hasil dan Uji

Coba

Uji coba 1 Uji coba 2 Uji coba 3

28 rules Batasan normal 21 rules Batasan normal 28 rules Batasan diubah MAPE rata rata

11,858 %

MAPE rata rata

13,697%

MAPE rata rata

12,561%

(18)

Kesimpulan dan Saran

•

_{Untuk peramalan gas cair LOX dengan menggunakan fuzzy}

inference model dengan 28 aturan fuzzy menghasilkan nilai error

(MAPE) sebesar 11,858%. Hasil tersebut adalah yang paling bagus diantara semua skenario uji coba.

• _{Semakin banyak faktor yang digunakan, maka semakin banyak}

pula variabel input yang dimasukkan ke dalam sistem. Jumlah variabel membuat aturan menjadi lebih detail dan hasil

peramalan yang dihasilkan bisa lebih mendekati aktual dan error yang dihasilkan juga lebih kecil.

(19)

Kesimpulan dan Saran

•

_{Nilai batasan untuk himpunan fuzzy sangat berpengaruh pada}

output yang dihasilkan. Semakin bagus atau optimal batasan yang

digunakan, maka semakin bagus pula hasil peramalannya (nilai MAPEnya kecil).

•

_{Kelebihan fuzzy inference model ini adalah adanya aturan-aturan}

fuzzy (fuzzy rules) yang dibuat berdasarkan pola data sehingga

menghasilkan suatu hasil peramalan yang lebih mendekati akurat

• _{Kekurangan dari fuzzy inference model ini adalah batasan}

himpunan fuzzy diatur secara normal atau memiliki range yang sama untuk setiap himpuan fuzzy.

(20)

Kesimpulan dan Saran

• Diharapkan bisa menambah faktor-faktor yang bisa mempengaruhi

permintaan sehingga aturan (rules) yang dibuat bisa lebih banyak dan detail. Faktor-faktor yang mempengaruhi permintaan tersebut misalnya saja adalah temperatur, cuaca atau inflasi.

• Batasan himpunan fuzzy pada fuzzy inference model yang diatur secara

normal masih belum optimal, karena MAPE yang dihasilkan masih di atas 10%. Jika batasan tersebut optimal, maka tingkat errornya bisa lebih kecil lagi. Untuk menentukan batasan fuzzy yang optimal, bisa menggunakan algoritma untuk mengoptimasi batasan-batasan pada himpunan fuzzy sehingga hasil peramalan bisa lebih bagus (MAPE di bawah 10%).

(21)