Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya 2851

Prediksi Persentase Penyelesaian Permohonan Hak Milik menggunakan Metode Fuzzy Time Series (Studi Kasus: Badan Pertanahan Nasional (BPN)

Kabupaten Malang)

Dytha Suryani¹, Edy Santoso², Novanto Yudistira³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Sertipikat Hak Milik (SHM) merupakan legalitas kepemilikan rumah dengan status paling kuat diantara Sertipikat properti lainnya, yang mana dapat diperjual belikan, diwariskan bahkan diwakafkan sehingga pemilik memiliki kekuasaan penuh atas tanah yang dimiliki. Namun, pelayanan sertifikasi tanah yang dibutuhkan masyarakat memerlukan waktu yang cukup lama, sehingga jumlah SHM yang terselesaikan memiliki jumlah yang lebih rendah dari jumlah permohonan yang masuk. Dimana mengakibatkan penumpukan permohonan pembuatan SHM dari waktu ke waktu serta target kantor dalam penyelesaian SHM tidak tercapai dengan baik. Untuk meminimalisir terjadinya penumpukan permohonan pembuatan SHM serta target kantor yang harus diselesaikan, maka perlu dilakukan prediksi guna mengetahui berapa banyak persentase SHM yang dapat diselesaikan setiap bulannya. Yang mana prediksi tersebut menggunakan algoritme dari Fuzzy Time Series. Fuzzy Time Series merupakan metode yang mampu menyelesaikan masalah peramalan serta menghasilkan akurasi yang baik. Berdasarkan hasil pengujian yang dilakukan sebanyak 3 kali didapat hasil rata-rata error minimum menggunakan AFER yakni sebesar 0.6112% dengan jumlah data latih sebanyak 56 data. Hasil nilai error AFER yang didapat termasuk dalam kategori sangat baik untuk digunakan dalam memprediksi persentase penyelesaian permohonan hak milik.

Kata kunci: prediksi, sertipikat hak milik, logika fuzzy, fuzzy time series, FTS Abstract

Ownership Certificate (SHM) is the legality of home ownership with the strongest status among other certificates of property, which can be traded, bequeathed or even represented so that the owner has full ownership of the land required. However, the number of SHM certifications needed by the community is quite long, so that the number of SHM that is the total amount needed is less than the amount entered.

Where requested the accumulation of requests for making SHM from time to time and the target office in the completion of SHM is not approved properly. To minimize SHM and office targets that must be approved, a prediction is needed to understand the number of SHM that can be received each month.

Which prediction uses algorithm from Fuzzy Time Series. Fuzzy Time Series is a method that is able to solve problems and produce good solutions. Based on the results made 3 times the minimum average error results obtained AFER 0.6112% with a total of 56 training data. AFER error results obtained are included in the excellent category to be used in predicting the amount requested.

Keywords: prediction, ownership certificate, fuzzy logic, Fuzzy Time Series, FTS

1. PENDAHULUAN

Badan Pertanahan Nasional (BPN) merupakan institusi nonkementrian Indonesia yang mempunyai wewenang dalam melaksanakan tugas pemerintahan dibidang pertanahan sesuai dengan peraturan perundang- undangan Presiden Nomor 20 tahun 2015. Salah satu tugas BPN adalah perumusan, penetapan

serta pelaksanaan kebijakan di bidang keagriaan atau pertanahan, untuk mewujudkan tugas tersebut BPN mengeluarkan produk berupa Sertipikat Hak Milik (SHM).

Kabupaten Malang dengan luas wilayah ± 3.530,65 Km2 yang terdiri dari 1.144.991 bidang tanah dan diketahui bahwa lebih dari sebagian besar tanah tersebut belum terdaftar pada kantor

(2)

BPN Kabupaten Malang yang mana belum memiliki SHM sebagai bukti legalitas kepemilikan. Namun, pelayanan sertifikasi tanah yang dibutuhkan masyarakat memerlukan waktu yang cukup lama, sehingga jumlah SHM yang terselesaikan memiliki jumlah yang lebih rendah dari jumlah permohonan yang masuk. Dimana mengakibatkan penumpukan permohonan pembuatan SHM dari waktu ke waktu serta target kantor dalam penyelesaian SHM tidak tercapai dengan baik. Ada beberapa faktor yang menyebabkan lamanya pengurusan SHM diantaranya persyaratan yang diajukan oleh pemohon dianggap kurang lengkap, status tanah yang belum jelas, kurangnya jumlah sumber daya manusia yang dianggap belum memenuhi standar khususnya petugas pengukuran pada lapangan serta petugas yang dapat melakukan pengolahan data.

Oleh karna itu, dilakukan prediksi guna meminimalisir terjadinya penumpukan permohonan SHM serta tercapainya target kantor, maka perlu dilakukan prediksi guna mengetahui berapa banyak persentase SHM yang dapat diselesaikan setiap bulannya. Yang mana prediksi tersebut menggunakan algoritme dari Fuzzy Time Series. Pada tahun 2017 Elfajar melakukan penetitian terkait metode Time Invariant Fuzzy Time Series pada prediksi jumlah wisatawan kota Batu didapatkan hasil rata-rata error Average Forecasting Error Rate(AFER) atau yang biasa disebut dengan AFER sebesar 0,0056% dengan data latih sebanyak 60, sehingga hasil prediksi dapat digolongkan dalam prediksi yang sangat baik (Elfajar, Setiawan, & Dewi, 2017). Penelitian selanjutnya yang dilakukan oleh Wiguna pada tahun 2014 mengenai penganalisisan serta peramalan kepadatan jalan raya pada kota Malang menggunakan FTS Average Based menghasilkan penurunan nilai rata-rata error sebesar 64.58% pada perhitungan error menggunakan AFER dan penurunan nilai error hingga 73.39% pada perhitungan nilai error menggunakan Mean Squared Error(MSE) (Wiguna, Wijono, & Muslim, 2014). Dan pada penelitian yang dilakukan oleh Fyanda dalam prediksi penjualan tabung gas LPG menggunakan Fuzzy Time Series didapat hasil error AFER sebesar 0,0026% pada data penjualan tahun 2013 sampai dengan 2016 (Fyanda, Ula, Asrianda, 2017).

Berdasarkan penelitian sebelum yang menggunakan metode Fuzzy Time Series(FTS) untuk melakukan prediksi dan menghasilkan

tingkat akurasi yang sangat baik, maka penulis menggunakan fuzzy time series sebagai metode prediksi penelitian.

2. LANDASAN KEPUSTAKAAN

2.1 Sertipikat Hak Milik (SHM)

Sertipikat Hak Milik (SHM) merupakan dokumen dengan kepemilihan tanah atau lahan yang memiliki legalitas paling kuat diantara dokumen lainnya. SHM sendiri bersifat turun temurun (warisan), terkuat serta terpenuh. SHM juga tidak terbatas waktunya sehingga dapat diperjualbelikan ataupun digunakan sebagai jaminan dan hanya diberlakukan bagi Warga Negara Indonesia (WNI).

2.2 Prediksi

Prediksi merupakan suatu proses dalam memperkirakan beberapa kemungkinan secara sistematis, yang mana akan terjadi dimasa depan berdasarkan historis yang telah terjadi dimasa lampau maupun sekarang, sehingga kesalahan (selisih antar ekspektasi yang ada dan realitas yang terjadi) dapat diminimumkan. Prediksi tidak harus memberikan jawaban yang pasti pada kejadian dimasa depan, melainkan bertujuan untuk mencari jawaban yang paling dekat dengan kejadian yang akan terjadi (Herdianto, 2013).

2.3 Logika Fuzzy

Pada dasarnya, logika fuzzy merupakan suatu metode yang digunakan dalam mengatasi suatu hal yang belum memiliki kepastian atau dapat dikatakan sebagai suatu metode untuk memperkirakan hasil terbaik.

Pada penalaran yang dirancang oleh logika fuzzy terdapat cara untuk dapat memahami suatu sistem dari hasil penelitian. Sesuatu yang samar dan belum pasti dapat diteliti menggunakan logika fuzzy. Berikut adalah alasan dari penggunaan logika fuzzy (Kusumadewi & Purnomo, 2010), yaitu : 1. Konsep logika fuzzy mudah dimengerti.

2. Sangat fleksibel, dimana dapat menyesuaikan diri dengan algoritma lainnya dalam penggabungan metode.

3. Logika fuzzy menggunakan bahasa yang mudah untuk dipahami.

(3)

4. Logika fuzzy memiliki toleransi yang baik dalam penanganan data eksklusif serta homogen.

5. Disebut sebagai fuzzy expert system karna mampu mengaplikasikan pengalaman para pakar tanpa proses yang rumit

2.4 Data Time Series

Data time series merupakan data yang dirangkai berdasar rentang waktu tertentu (data berkala), yang digunakan untuk membuat keputusan pada waktu ini, meramalkan sesuatu untuk waktu mendatang (biasanya sangat digunakan pada bidang perdagangan dan ekonomi), dan perencanaan kegiatan yang mendatang.

Time series dibagi menjadi 4 komponen sesuai pergerakan data, diantaranya:

1. Gerakan jangka panjang dimana arah grafik menunjukkan jangka pada waktu yang akan datang

2. Gerakan siklis berupa pola naik turun yang terjadi secara periodik maupun non- periodik.

3. Gerakan musiman berupa gerakan yang menghasilkan pola khusus hanya pada musim tertentu, setelah melalui jangka panjang tertentu.

4. Gerakan acak berupa pola tidak merata yang disebabkan oleh kejadi tertentu, dimana biasanya memiliki jangka waktu yang singkat, namun apabila peristiwa terjadi pada jangka waktu yang panjang maka akan menyebabkan pola gerakan siklis atau lainnya (Spiegel, 1988).

2.5. Fuzzy Time Series (FTS)

Song dan Shissom memperkenalkan Fuzzy Time Series (FTS) untuk pertama kalinya pada tahun 1993 pada peramalan banyak pendaftaran Universitas yang mana menggunakan model time invariant,

namun pada

pengimplementasiannya beberapa langkah dianggap masih rumit untuk dilakukan.

Sehingga Chen (1996) mengembangkan metode tersebut menjadi lebih sederhana namun memiliki tingkat akurasi yang lebih baik. Berikut adalah tahapan-tahapan pada perhitungan fuzzy time series yang

dikembangkan oleh chen, yaitu :

1. Bentuk himpunan semesta (U)

sebagai langkah awal, sesuai dengan Persamaan 2.1.

U=|Dmin–D1,Dmax+D2|

(2.

1) Keterangan :

Dmin = data dengan nilai terkecil Dmax = data dengan nilai terbesar

D1 = bilangan pertama D2 = bilangan kedua

2. Tentukan interval untuk membagi hipunan semesta menjadi beberapa interval dengan jarak yang sama, sesuai dengan Persamaan Sturges 2.2.

1+3,322log10(n)

(2.

2)

Keterangan :

n = jumlah data keseluruhan

Yang nantinya akan membentuk sejumlah nilai linguistic sebagai representasi himpunan fuzzy pada interval yang terbentuk dari suatu himpunan semesta seperti pada Persamaan 2.3.

U={U1,U2,U3,....,Un}

(2.

3)

Keterangan :

U = himpunan semesta

Ui = Besarnya jarak pada U, untuk i = 1,2,.n

3. Melakukan fuzzifikasi dengan mengacu pada hasil himpunan fuzzy yang telah didapatkan sebelumnya, guna mencari nilai keanggotaan masing-masing data.

4. Menentukan Fuzzy Logic Relationship (FLR) dan Fuzzy Logic Relationship Grup (FLRG).

Contoh :

Jika FLR berbentuk A2 -> A3, A2 ->

A2, A2 -> A1, maka FLRG yang terbentuk adalah A2 -> A1, A2, A3.

5. Melakukan defuzzifikasi prediksi, dengan aturan :

(4)

Misalkan F(t) adalah data yang akan diprediksi, dimana F(t–1) = Ax, maka : a. Jika hanya ada satu relasi grup fuzzy dari Ax, dimana Ax -> Ay, maka F(t) = Ay. Defuzzifikasi yang diperoleh dari interval nilai tengah keanggotaan maksimum pada Ay.

b. Jika Ax tidak mempunyai relasi, maka F(t) didapat dari nilai tengah keanggotaan maksimum pada Ay.

c. Jika terdapat lebih dari satu relasi grup

fuzzy dari Ax dimana Ax -> Az1, Az2,

….. Azn maka F(t) didapat dari rata- rata nilai keanggotaan maksimum pada Az1, Az2 …..

Azn.

2.4 Average Forecasting Error Rate Error (AFER)

Ketepatan prediksi merupakan hal yang penting dalam peramalan, dimana penulis dapat memperkirakan kesesuaian antara data aktual yang ada dan hasil prediksi yang terjadi. Error Average Forecasting Error Rate (AFER) merupakan salah suatu perhitungan yang sering kali digunakan dalam memprediksi ketepatan suatu prediksi.

Perhitungan error AFER (Jilani, Burney, &

Ardil, 2017) dapat dilihat pada Persamaan 2.4.

AFER=(|At-Fi|/At)/nx100%

(2 .4) Keterangan :

At = nilai aktual pada data ke- i Fi = nilai prediksi untuk data ke-i

n = banyaknya data yang digunakan

3. METODOLOGI DAN

PERANCANGAN

3.1 Strategi Penelitian

Tahapan-tahapan yang dilakukan dalam penelitian ini meliputi : studi literatur, perancangan, implementasi, pengujian serta penulisan kesimpulan dan saran. Ilustrasi atau gambaran mengenai proses apa saja yang akan dilakukan pada penelitian ini dapat dilihat pada Gambar 3.1.

Gambar 3. 1 Tahapan Penelitian

3.2 Data Penelitian

Data yang digunakan dari Badan Pertanahan Nasional Kabupaten Malang merupakan data jumlah permohonan SHM serta permohonan SHM yang terselesaikan pada bulan mei tahun 2014 hingga bulan desember tahun 2019 dimana total data yaitu sebanyak 68 bulan.

3.3 Perancangan

Pada perancangan ini, akan ditampilkan keseluruhan alur sistem yang akan dibuat. Sistem dibuat sesuai dengan diagram alir yang ada, keseluruhan tahapan ketika dijalankannya sistem mulai dari penginputan data, perhitungan prediksi serta perhitungan tingkat error yang dihasilkan akan ditunjukkan pada diagram alir sistem pada Gambar 4.1.

(5)

Gambar 4. 1 Diagram Alir Sistem

4. PENGUJIAN DAN ANALISIS

4.1 Pengujian Jumlah Data Latih Pengujian jumlah data latih dilakukan untuk mengetahui pengaruh jumlah data latih yang digunakan terhadap nilai error yang dihasilkan. Adapun hasil dari pengujian jumlah data latih dilakukan sebanyak 3 kali dengan masing-masing data latih sebanyak 20, 36 dan 56 data latih serta data uji sebanyak 12.

Data latih yang digunakan dalampengujian ini adalah data permohonan dan selesai yang terdiri dari data pa bulan Mei tahun 2014 sampai dengan bulan Desember 2015 untuk 20 data

latih, bulan Mei tahun 2014 sampai dengan bulan April 2017 untuk 36 data latih, dan bulan Mei tahun 2014 sampai dengan bulan Desember 2018 untuk 56 data latih.

Pada Gambar 6.3 dapat dilihat bahwa pengujian jumlah data latih dengan jumlah data sebanyak 56 data menghasilkan nilai rata-rata error AFER sebesar 0.6112%.

Pengujian akurasi prediksi dilakukan untuk mengetahui tingkat akurasi yang dihasilkan dari

3 kali pengujian jumlah data latih yang dilakukan sehingga didapatkan hasil prediksi yang baik. Adapun akurasi yang dihasilkan dapat dilihat pada Tabel 6.4.

Tabel 6. 4 Hasil Akurasi Prediksi Periode Jumlah

Data Latih

Rata-Rata Error AFER

Januari 20 0.9700

2019-

36 0.6446

Desembe r

2019 56 0.6112

Gambar 6. 1 Grafik Hasil Prediksi dengan 20 Data Latih

Pada Gambar 6.1 dapat dilihat bahwa pengujian jumlah data latih dengan jumlah data sebanyak 20 data menghasilkan nilai rata- rata error AFER sebesar 0.9700%.

Data Latih Mei 2014- Desember 2015

15 0 10

0 50

Aktua l

Predik si

Jan-19 Feb- 19 Mar-19 Apr-19 May- 19 Jun-19 Jul-19 Aug- 19 Sep- 19 Oct-19 Nov- 19 Dec-19

Data Latih Mei 2014- April

2017

10 0 50 0

Aktua l

Predik si

(6)

Gambar 6. 2 Grafik Hasil Prediksi dengan 36 Data Latih

Pada Gambar 6.2 dapat dilihat bahwa pengujian jumlah data latih dengan jumlah data sebanyak 36 data menghasilkan nilai rata- rata error AFER sebesar 0.6446%.

Gambar 6. 3 Grafik Hasil Prediksi dengan 56 Data Latih

Berdasarkan pada hasil pengujian jumlah data latih yang ada pada Tabel 6.4 yang bertujuan untuk mengetahui akurasi yang dihasilkan dari 3 kali pengujian jumlah data latih menggunakan metode fuzzy time series. Berikut adalah grafik dari hasil akurasi pengujian data latih yang dapat dilihat pada Gambar 6.4.

Gambar 6. 4 Grafik Hasil Akurasi Prediksi

Pada Gambar 6.4 dapat dilihat bahwa setelah dilakukan 3 kali pengujian dengan jumlah data latih yang berbeda yaitu 20, 36 dan

56 data latih untu melakukan prediksi bulan Januari 2019 – Desember 2019 dengan menggunakan fuzzy time series didapat nilai rata-rata error AFER sebesar 0.9700% untuk 20 data latih, 0.6446% untuk 36 data latih dan 0.6112% untuk 56 data latih. Dari hasil error AFER yang didapat membuktikan bahwa semakin banyak data latih yang digunakanmaka akan semakin kecil nilai error AFER yang dihasilkan serta semakin

baik hasil prediksi yang didapatkan.

5. KESIMPULAN

Berdasarkan hasil pengujian dan analisis yang dilakukan pada bab sebelumnya, maka kesimpulan yang dapat diperoleh adalah sebagai berikut :

1. Metode Fuzzy Time Series dapat digunakan untuk melakukan prediksi terhadap persentase penyelesaian permohonan hak milik dengan memasukkan data uji serta data latih yang digunakan kemudian dilakukan penentuan himpunan fuzzy dan himpunan semesta untuk selanjutnya dilakukan fuzifikasi, kemudian dilakukan penentuan FLR dan FLRG guna untuk menghitung defuzifikasi yang mana hasil defuzifikasi tersebut digunakan untuk melakukan prediksi. Setelah dilakukan prediksi maka akan dilakukan evaluasi menggunkana error AFER.

2. Prediksi menggunakan metode Fuzzy Time Series (FTS) terhadap persentase penyelesaian permohonan hak milik menghasilkan nilai akurasi yang baik, dimana dari 3 kali pengujian yangdilakukan didapat nilai rata-rata error AFER terbaik sebesar 0.6112% dengan jumlah data latih sebanyak 56 data.

6. DAFTAR PUSTAKA

Chen, S. M. 1996. Forecasting Enrollments Based on Fuzzy Time Series. Journal of Fuzzy Sets and System. 81(3): 311-319.

Elfajar, A.B., Setiawan, B.D., dan Dewi C. 2017.

Peramalan Jumlah Kunjungan Wisatawan Kota Batu Menggunakan Time Invariant Fuzzy Time Series. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer.

1(2) : 85-94.

Fauziah, N., Sri, W., Yuki, K. N. 2016.

Peramalan Mengunakan Fuzzy Time Series Chen (Studi Kasus: Curah Hujan Kota Samarinda). Jurnal Statistika. 4(2) : 52-61.

Fyanda, D.A., Ula, M., dan Asrianda. 2017.

Implementasi Fuzzy Time Series pada Peramalan Penjualan Tabung Gas LPG di UD.Samudera LPG Lhokseumawe. Jurnal Sistem Informasi. 1(1).

Haris, M.S., Santoso E., dan Ratnawati, D.A.

1.

2 1 0.

8 0.

6 0.

4 0 20 40 60

Data Latih Mei 2014- Desember 2018

10 0 50 0

Aktua l

Predik si

(7)

2010. Implementasi Metode Fuzzy Time Series dengan Penentuan Interval Berbasis Rata-rata untuk Peramalan Data Penjualan Bulanan. Jurnal Pengembangan Informasi dan Ilmu Komputer.

Novriadi. 2019. Sertipikat Tanah : Pengertian, Ketentuan dan Jenis-Jenis. Tersedia di

<https://www.novriadi.com/Sertipikat- tanah/>

[diakses 27 Januari].

Pambudi, R.A., Setiawan, B.D., dan Wijoyo, S.H. 2018. Implementasi Fuzzy Time Series

untuk Memprediksi Jumlah Kemunculan Titik Api. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer.

2(11) : 4767-4776.

Song, Q., & Choissom, B. 1993. Forecasting Enrollment With Fuzzy Time Series Part I. Journal of Fuzzy Sets and System. 54(1) : 1-9.

Wiguna, A.S, Wijono, dan Muslim, M.A.

Analisis dan Peramalan Kepadatan Jalan Raya Kodya Malang dengan FTS Average Based. 2014. Jurnal EECCIS. 8(2).