ANALISIS STUDI KELAYAKAN FINANSIAL PEMANFAATAN
MINYAK GORENG BEKAS SEBAGAI BAHAN PRODUKSI
BIODIESEL MENGGUNAKAN ANFIS
IMAM AHMAD
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng Bekas sebagai Bahan Produksi Biodiesel Menggunakan ANFIS adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Februari 2015
Imam Ahmad
RINGKASAN
IMAM AHMAD. Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng Bekas sebagai Bahan Produksi Biodiesel Menggunakan ANFIS. Dibimbing oleh IRMAN HERMADI dan YANDRA ARKEMAN.
Konsumsi Bahan Bakar Minyak (BBM) semakin meningkat, namun tidak diiringi dengan persediaan. Konsumsi terbanyak BBM ada pada sektor transportasi, untuk itu salah satu solusi mengatasi kekurangan BBM yaitu dengan mencari alternatif jenis BBM lain seperti biodiesel. Biodiesel merupakan bahan bakar nabati yang terbuat dari minyak tumbuhan atau lemak hewan. Biodesel dapat dijadikan sebagai bahan campuran minyak solar (B10), yang terbukti hasil gas buang CO2
rendah. Tujuan penelitian ini mengkaji kelayakan bagaimana investasi limbah minyak goreng sebagai bahan produksi biodiesel. Minyak goreng bekas merupakan limbah dari rumah tangga, limbah ini pada dasarnya dapat dimanfaatkan sebagai bahan produksi biodiesel. Pada dunia industri, studi kelayakan diperlukan guna mengukur layak atau tidaknya suatu usaha dijalankan.
Penelitian ini terdiri dari dua tahapan yaitu, tahapan pertama melakukan perhitungan model kelayakan fuzzy dengan input harga biodiesel, harga minyak jelantah dan suku bunga dengan output-nya, yaitu: Net Present Value (NPV),
Internal Rate of Return (IRR), Net Benefit Cost Ratio (Net B/C) dan Payback
Period (PBP). Tahapan kedua melakukan prediksi kelayakan menggunakan
Adaptive Neuro Fuzzy Inference System (ANFIS) dengan hasil analisis untuk masing-masing tipe membership function (mf) triangular diperoleh akurasi 77%, mf gaussian akurasi 53% dan untuk mf trapezoid akurasi 61%. Hasil akurasi tiap mf berbeda, Karena hasil keluaran model sangat berpengaruh terhadap nilai mf, semakin bagus nilai mf maka semakin bagus model yang dihasilkan.
SUMMARY
IMAM AHMAD. The Financial Feasibility Study Analysis of Waste Cooking Oil Utilization for Biodiesel Production using ANFIS. Supervised by IRMAN HERMADI and YANDRA ARKEMAN.
Consumption of fuel oil is increasing, but it is not accompanied by supply. Transportation sector is spent the most existing fuel; therefore, it is crucial to look for alternative type of fuel such as biodiesel to overcome the fuel shortage. Biodiesel is a biofuel made from vegetable oils or animal fats. Biodiesel can be used as a mixture of petroleum diesel (B10), which proved to be the result of lower CO2. The purpose of this study is to investigate the feasibility on how the investment of waste cooking oil as the biodiesel material production. The waste cooking oil is waste from households, this waste can basically be used as the material of biodiesel production. In the industrial sector, feasibility studies are needed to measure whether or not a business is run.
This study consists of two phases. First is calculating feasibility fuzzy model with the input price of biodiesel, waste cooking oil prices and interest rates, and as its output are Net Present Value (NPV), Internal Rate of Return (IRR), Net Benefit Cost Ratio (Net B/C) and Payback Period (PBP). Second is predicting the feasibility of using Adaptive Neuro Fuzzy Inference System (ANFIS). The results of the analysis for each type of membership function (mf) were obtained 77% triangular accuracy, 53% accuracy gaussian mf and 61% trapezoidal accuracy mf. The results of the accuracy of each mf were different since the output model is very influential on mf value, the better the value of mf, the better model resulted.
.
© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada
Program Studi Ilmu Komputer
ANALISIS STUDI KELAYAKAN FINANSIAL
PEMANFAATAN
MINYAK GORENG BEKAS SEBAGAI BAHAN PRODUKSI
BIODISEL MENGGUNAKAN ANFIS
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2015
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan april 2013 ini, dengan judul Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng Bekas sebagai Bahan Produksi Biodiesel Menggunakan Adaptive Neuro Fuzzy Inference System
(ANFIS).
Terima kasih penulis ucapkan kepada Bapak Irman Hermadi, SKom, MS, PhD dan Bapak Dr Ir Yandra Arkeman, MEng selaku komisi pembimbing dan Bapak Dr Eng Wisnu Ananta Kusuma, ST, MT selaku penguji sekaligus ketua program studi ilmu komputer. Ucapan terima kasih kepada Bapak Khairul Huda, SKom, MMSi selakuketua STMIK Abulyatama serta Ibu Yulfrita Adami, SE, MSi, Bapak Ir Firdaus, MSi, dan Bapak Junaidi, SKom, MSi atas rekomendasi beliau sehingga dapat melanjutkan studi pascasarjana serta telah banyak memberikan bimbingan, arahan, nasehat, dan motivasi dalam penyusunan karya ilmiah ini.
Di samping itu, penghargaan penulis sampaikan kepada Direktorat Jenderal Pendidikan Tinggi (DIKTI) melalui Beasiswa Unggulan Tahun 2012 atas pemberian fasilitas baik pembiayaan maupun sarana prasarana selama penyusunan studi dan karya ilmiah ini, dan untuk PT. Mekanika Elektrica Egra (MEE) Bogor, serta Badan Pengelolaan Lingkungan Hidup (BPLH) Bogor, atas ketersediaan data sebagai pendukung dalam penelitian ini.
Ungkapan terima kasih juga disampaikan kepada keluarga tercinta Ayahku
Sholihin AM dan Ibu Siti Ma’rifah, adik-adik ku dan seluruh keluarga atas segala
do'a, dukungan dan kasih sayangnya. Semoga Allah subhanahuwata’ala selalu merahmati.
Terima kasih kepada pengelola pascasarjana, seluruh dosen dan staf akademik Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA) khususnya departemen Ilmu Komputer Institut Pertanian Bogor, Terima kasih kepada Sdr. Inggih Permana, Sdr Sanusi, Sdri. Toyyibah, Sdri. Lailan Sahrina Hasibuan sebagai teman diskusi penulis dalam menyelesaikan tesis ini dan seluruh teman-teman MKOM angkatan 14, atas kebersamaan dan bantuannya selama kuliah dalam penyelesaian penelitian ini.
Akhir kata semoga karya ilmiah ini bermanfaat bagi pembaca. Kritik dan saran sangat penulis harapkan demi kesempurnaan karya ini dikemudian hari.
Bogor, Februari 2015
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vii
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 3
Ruang Lingkup Penelitian 3
2 TINJAUAN PUSTAKA 3
Biodiesel 3
Studi Kelayakan 4
Kriteria Investasi 4
Analisis Finansial Fuzzy 7
Jaringan Saraf Tiruan (JST) 7
Fuzzy Inference System (FIS) 7
Adaptive Neuro Fuzzy Inference System (ANFIS) 8
Metode Pembelajaran ANFIS 10
3 METODE 14
Studi Literatur 14
Pengumpulan Data 14
Praproses 15
Kriteria Aspek Finansial 15
Penentuan Basis Aturan 15
Pengembangan ANFIS 16
Analisis dan Evaluasi 16
4 HASIL DAN PEMBAHASAN 17
Data 17
Asumsi Investasi 19
Praproses 21
Kriteria Aspek Finansial 21
Pembentukan Basis Aturan 23
Pembagian Data 24
Analisis dan Evaluasi 25
Pengujian Model 26
5 SIMPULAN DAN SARAN 28
Simpulan 28
Saran 28
DAFTAR PUSTAKA 29
LAMPIRAN 31
DAFTAR TABEL
1. Bahan baku biodiesel berpotensi di Indonesia 3 2. Perbandingan penalaran fuzzy Tsukamoto, Mamdani dan Sugeno. 8
3. Perbandingan ANN dan Fuzzy Logic. 9
4. Proses perambatan maju mundur ANFIS 11
5. Kriteria fuzzy dalam penilaian kelayakan 15 6. Contoh rule yang dibangkitkan dari 27 kondisi kelayakan 16
7. Harga biodiesel 6 tahun terakhir. 17
8. Nilai fuzzy input harga minyak biodiesel (harga jual) 17
9. Harga jelantah 6 tahun terakhir. 18
10.Nilai fuzzy input harga minyak jelantah 18
11.Nilai fuzzy input suku bunga 19
12.Asumsi-asumsi 20
13.Biaya Investasi 20
14.Tabel biaya operasional 20
15.Arus kas hasil fuzzifikasi (TFN) 21
16.Suku bunga dalam perhitungan 22
17.Contoh beberapa kondisi rule kelayakan 24 18.Jumlah data sebelum dan setelah validasi 24 19.Sensitivitas terhadap harga biodiesel dan jelantah (Konvensional) 25 20.Sensitivitas terhadap harga biodiesel dan jelantah (Model ANFIS) 25
21.Contoh pengujian data pada model ANFIS 26
22.Contoh pengujian data dengan berbagai membership function 26
DAFTAR GAMBAR
1. Struktur sistem inferensi fuzzy 8
2. (a) Model Sugeno Orde 1 (b) Arsitektur ANFIS (Jang 1993) 9
3. Representasi Triangular 9
4. Model perambatan error dari node O5 ke node O1 (Syafii 2006) 13
5. Kerangka pemikiran konseptual studi kelayakan 14
6. Representasi TFN Harga Biodiesel 18
7. Representasi TFN Harga Jelantah 19
DAFTAR LAMPIRAN
1. Asumsi-asumsi 31
2. Biaya investasi 32
3. Fuzzifikasi varibel input 33
4. Perhitungan pendapatan selama 10 tahun 34
5. Kondisi kelayakan 35
6. Rule yang dihasilkan dengan 27 kondisi kelayakan 38 7. Gambar sebaran data target sebelum dan setelah validasi model 40 8. Representasi fuzzy input desain dan setelah latih ANFIS 41
9. Rule hasil training pada ANIFS 42
1
1 1
1
PENDAHULUAN
Latar Belakang
Energi merupakan kebutuhan yang tak lepas dari kehidupan manusia, contohnya Bahan Bakar Minyak (BBM) yang saat ini konsumsinya semakin meningkat. Badan Pengkajian dan Penerapan Teknologi (BPPT 2013) mengungkapkan konsumsi energi final menurut jenisnya pada tahun 2011 masih didominasi oleh BBM, diantaranya yaitu minyak solar (46%), bensin (42%), avtur (6%), minyak tanah (3%) dan minyak bakar (3%). Tingginya konsumsi solar dipicu oleh kendaraan bermotor. Oleh sebab itu, pemerintah melalui keputusan direktur Energi Baru Terbarukan dan Konservasi Energi (EBTKE) Nomor: 723 K/10/DJE/2013 mewajibkan pencampuran 10% dalam minyak solar serta standar mutu untuk pendistribusian biodiesel. Machmud (2009) mengemukakan bahwa dengan pencampuran 10% (B10) pada minyak solar menghasilkan gas emisi (CO dan CO2) terendah pada kendaraan diesel.
Biodiesel merupakan Bahan Bakar Nabati (BBN) yang terbuat dari minyak tumbuhan atau lemak hewan (Kamahara et al. 2010). Proses pembuatan biodiesel dapat dilakukan dengan cara esterifikasi dan transesterifikasi (Aziz et al. 2011). Biodiesel merupakan bahan bakar yang bersifat renewable limit dan ramah lingkungan serta menghasilkan emisi gas buang yang relatif lebih bersih dibandingkan bahan bakar solar (Fujita et al. 2013). Di Indonesia terdapat 50 jenis bahan baku yang dapat digunakan untuk menghasilkan biodiesel (Kuncahyo et al.
2013). Namun dari keseluruhannya itu hanya enam jenis bahan baku yang berpotensi, yaitu: kelapa sawit, kelapa, alga, karet, jarak pagar, dan minyak goreng bekas (MGB) atau jelantah. Dari keenam jenis tersebut minyak jelantah ketersediaannya lebih kontinyu. Oleh sebab itu minyak jelantah dipilih sebagai bahan baku pada penelitian ini.
Minyak jelantah diperoleh dari sisa penggorengan minyak goreng rumah tangga, hotel, dan industri makanan. Karakteristik pada minyak jelantah yaitu tekstur, penampilan, cita rasa dan aroma bau yang kurang sedap pada makanan hasil sisa penggorengan. Di masyarakat praktik penggorengan untuk menghasilkan mutu makanan yang baik dan aman masih perlu perhatian lebih (Aminah dan Isworo 2010). Penggunaan minyak goreng sebaiknya maksimum tiga kali penggorengan, karena di dalam minyak jelantah sisa penggorengan terdapat zat karsinogenik yang dapat mengakibatkan penyakit kanker dan penurunan kecerdasan bagi keturunan.
2
Pengumpulan minyak jelantah oleh masyarakat Bogor telah diteliti oleh Amalia et al. (2010). Amalia et al. mengungkapkan faktor-faktor yang berpengaruh terhadap program pengumpulan minyak jelantah adalah jumlah anggota keluarga, skor pengetahuan program, dan skor sikap. Karena dengan faktor tersebut membuktikan lebih banyak hasil minyak goreng yang dikumpulkan.
Guna melihat industri biodiesel layak atau tidaknya didirikan dan terus ada keberadaannya maka dibutuhkan studi kelayakan untuk mengetahui apakah industri ini dapat memberikan benefit atau tidak kedepannya. Studi kelayakan biodiesel pernah dilakukan oleh Widodo (2011) yaitu analisis kelayakan usaha pengolahan minyak jelatah menjadi biodiesel dengan menggunakan metode konvensional. Widodo meneliti terhadap industri biodiesel dengan simpulan tidak layak dijalankan jika bahan baku yang ada tidak dapat memenuhi kapastitas mesin. Kapasitas mesin 30 Ton/bulan namun hanya mampu berproduksi 2 Ton/bulan.
Penelitian lain tentang kelayakan juga pernah dilakukan oleh Martini (2010) model investasi fuzzy untuk analisis kelayakan finansial usaha diversifikasi industri berbasis tebu. Hasil perhitungan dengan pendekatan fuzzy menunjukan nilai yang berbeda dengan nilai hasil pengolahan menggunakan pendekatan konvensional karena adanya variasi input terhadap harga bahan baku, harga jual dan suku bunga. Pendekatan fuzzy dapat mengurangi tingkat resiko dalam pengambilan keputusan suatu proyek karena output kelayakan disajikan dalam rentang tidak layak, cukup layak, layak, dan sangat layak. Parameter dalam aspek finansial yang dihitung antara lain NPV, IRR dan B/C Ratio.
Shamshirband et al. (2014) melakukan penelitian adaptive neuro fuzzy wind farm net profit untuk menilai kelayakan industri listrik berbasis tenaga angin. Model yang yang diusulkan dalam penelitian shamshirband et al. ini adalah memperkirakan jumlah turbin yang optimal dalam industri Perusahaan Listrik Tenaga Angin (PLTA) untuk mendapatkan laba bersih yang optimum. Parameter yang digunakan untuk mengukur laba bersih yaitu NPV dan IRR.
Penelitian ini dilakukan dua tahap yaitu tahap pertama melakukan perhitungan studi kelayakan fuzzy dengan input harga biodiesel, harga jelantah dan suku bunga. Selanjutnya aspek finansial yang dihitung yaitu: NPV, IRR, B/C Ratio dan PBP direpresentasikan tidak layak, cukup layak, layak, dan sangat layak. Proses kedua adalah hasil perhitungan studi kelayakan fuzzy sebagai input dalam model ANFIS yang dikembangkan.
Perumusan Masalah
Permasalahan yang muncul dalam penelitian ini adalah ingin mengetahui tingkat kelayakan ketersediaan limbah minyak goreng dari masyarakat yang dapat didaur ulang sebagai biodiesel.
Tujuan Penelitian
3
Manfaat Penelitian
Adapun manfaat dari penelitian ini yaitu memberikan rekomendasi kelayakan finansial produksi biodiesel secara ekonomis.
Ruang Lingkup Penelitian
Penelitian ini memiliki ruang lingkup sebagai berikut:
1. Data limbah minyak goreng bekas serta data biodiesel mulai tahun 2008 hingga 2013 diperoleh dari Badan Pengelolaan Lingkungan Hidup (BPLH), Bogor
2. Data simulasi investasi perusahaan biodiesel dari PT. Mekanika Elektrica Egra (MEE), Bogor
3. Fungsi keanggotaan yang digunakan adalah Triangular Fuzzy Number
(TFN) pada input studi kelayakan model fuzzy.
2
TINJAUAN PUSTAKA
Biodiesel
Biodiesel merupakan bahan bakar yang terbuat dari minyak tumbuhan atau lemak hewan yang dapat digunakan sebagai pengganti bahan bakar (Kuncahyo et al. 2013). Sumber bahan biodiesel dapat renewable limit dan dikenal sebagai bahan bakar yang ramah lingkungan serta menghasilkan emisi gas buang yang relatif lebih bersih dibandingkan bahan bakar solar (Fujita et al. 2013). Biodiesel tidak beracun, bebas dari belerang, dan aplikasinya sederhana. Biodiesel dapat dibuat dengan proses transesterifikasi (Zhang et al. 2003). Ada 50 jenis bahan baku biodiesel yang telah berhasil diidentifikasi di Indonesia, yang paling berpotensi ada 6 jenis. Dengan adanya suplemen biodiesel negara Indonesia akan dapat mengatasi krisis energi sampai tahun 2101 (Kuncahyo et al. 2013). Bahan yang berpotensi terlihat dalam Tabel 1 berikut.
Tabel 1 Bahan baku biodiesel berpotensi di Indonesia
No Bahan
4
Studi Kelayakan
Studi kelayakan (feasibility study) adalah suatu studi untuk melakukan penilaian terhadap instansi pada proyek tertentu yang sedang atau akan dilaksanakan (Primyastanto 2011). Studi kelayakan ini dilakukan guna memberikan arahan dan untuk mengetahui apakah suatu proyek itu dapat dikerjakan atau ditunda bahkan dibatalkan dengan atas dasar resiko dan ketidakpastian. Menurut Nurmalita
et al. (2010) studi kelayakan merupakan penelaahan atau analisis apakah suatu kegiatan investasi dapat memberikan manfaat (benefit) bila dilaksanakan.
Studi kelayakan pada dasarnya digunakan untuk menentukan kelayakan usaha berdasarkan kriteria investasi. Kelayakan merupakan instrumen dalam membuat keputusan untuk membiayai proyek investasi berdasarkan teknis, ekonomi, dan keuangan (Sheen 2007; Loan 2010).
Kriteria Investasi
Studi kelayakan pada dasarnya bertujuan untuk menentukan kelayakan bisnis berdasarkan kriteria investasi (Nurmalina et al. 2010). Untuk menilai kelayakan suatu proyek terdapat beberapa kriteria yang harus terpenuhi (Martini 2010), diantaranya yaitu:
Cash Flow
Ada tiga hal yang harus diperhatikan dalam kegiatan investasi, yaitu: a. Adanya unsur ketidakpastian berusaha
b. Keterbatasan dana yang dimiliki
c. Pendapatan dan biaya harus dikonversikan dalam nilai sekarang sebelum dibandingkan
Karena terdapat unsur ketidakpastian dalam berinvestasi, oleh sebab itu pendapatan dimasa mendatang harus dikonversikan terlebih dahulu ke dalam nilai saat ini / Present Value (PV). Besarnya uang dimasa mendatang disebut Discount Factor (DF) dengan mengikuti persamaan berikut:
(1)
Net Present Value (NPV) Fuzzy
NPV merupakan perbedaan antara nilai sekarang dari manfaat dan biaya. Jika NPV sama dengan nol maka nilai investasi hanya cukup untuk menutupi biaya operasinal saja, ketika NPV > 0 artinya nilai investasi mulai mendapat keuntungan. Dan jika NPV < 0 maka investasi sebaiknya diurungkan atau dibatalkan karena keuntungannya tidak mencukupi biaya operasinal (mengalami kerugian tiap tahunnya). NPV dapat dihitung dengan persamaan :
5
Menurut Chiu dan Park (1994) ketika arus kas dipengaruhi oleh tingkat suku bunga dengan menggunakan investasi fuzzy, maka NPV fuzzy dapat dihitung bila terdapat parameter fuzzy. persamaan NPV fuzzy sebagai berikut:
(3)
TFN. Ft merupakan manfaat dan biaya dari periode investasi arus kas TFN pada waktu t, rx adalah non negatif suku bunga pada waktu x, dan n adalah lamanya
B/C Ratio merupakan perbandingan antara jumlah present value yang bernilai positif dengan jumlah present value yang bernilai negatif. Dengan asumsi jika nilai B/C R semakin besar maka nilai keuntungan semakin besar dan proyek layak dijalankan. Perhitungan B/C Ratio dapat dihitung dengan persamaan berikut:
6
Analisis ini mudah dimengerti pada umumnya oleh para pengambil keputusan, karena didasarkan pada arus kas tahunan. Model ini merupakan pengembangan model sebelumnya oleh Kahraman (2000). Persamaan yang digunakan yaitu:
(7)
Internal Rate of Return (IRR) Fuzzy
Internat Rate of Return (IRR) yaitu arus pengembalian memiliki nilai NPV
cash flow masuk sama dengan NPV cash flow keluar (titik impas) dinyatakan dalam persen/tahun. Dengan asumsi jika IRR berada di atas discont rate maka proyek layak dilaksanakan, sebaliknya IRR dibawah discont rate maka proyek tidak layak dilaksanakan. Suatu proyek dinyatakan layak atau memiliki keuntungan ketika IRR memiliki nilai lebih besar dibandingkan dengan arus pengembalian yang diharapkan, biasanya didasarkan pada suku bunga bank pada masa sekarang. Persamaannya adalah sebagai berikut:
Dari pendekatan konvensional IRR sebuah investasi dimaknai tingkat suku bunga (r) yang membuat arus kas benilai nol. Dimana investasi dikatakan layak ketika IRR > r. Layaknya NPV, IRR juga bersifat tidak pasti (fuzzy) yang disebabkan oleh suku bunga. Persamaan yang digunakan dalam penelitian ini yaitu:
(9)
Payback Period (PBP)
Payback Period merupakan perhitungan pada tahun berapa investasi yang kita tanam akan kembali modal. Persamaan PBP pada penelitian ini yaitu:
(10) Dimana,
I = besarnya investasi yang diperlukan
Ab = manfaat bersih yang didapat pada tiap tahunnya.
Akurasi
7
(11)
RMSE (Root Mean Square Error)
RMSE merupakan perhitungan untuk mencari nilai error terkecil dari error target yang ditentukan ketika pelatihan ANFIS. Adapun persamaan yang digunakan yaitu:
(12)
Diamana:
yoi = data target pelatihan dari ke i sampai n ypi = data target model ANFIS dari ke i sampai n Np = banyaknya data
Analisis Finansial Fuzzy
Teori fuzzy merupakan metode untuk menangani masalah
uncertainty/ketidakpastian. Masalah ketidakpastian ini sering muncul pada analisis teknik. Analisis finansial fuzzy merupakan analisis yang mempunyai tingkat sensitivitas tinggi untuk menghitung perubahan nilai dari suatu variabel dibandingkan dengan analisis konvensional yang bukan fuzzy (Martini 2010).
Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah metode yang merepresentasikan mirip dengan proses pembelajaran otak manusia (Kusumadewi dan Hartati 2010). Kemiripan yang dimaksud yaitu proses pembelajaran JST diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. JST mampu melakukan tugas-tugas yang mencakup klasifikasi pola, aproksimasi fungsi, prediksi atau peramalan, kategorisasi, optimasi dan pengendalian.
Fuzzy Inference System (FIS)
Teori perhimpunan fuzzy pertama kali pada tahun 1965 diperkenalkan oleh Prof Lotfi A Zadeh. Fuzzy merupakan perluasan dari teori perhimpunan klasik (crisp). Misal keberadaan suatu elemen pada suatu himpunan A, pada dasarnya hanya memiliki dua kemungkinan keanggotaan yaitu menjadi anggota A atau tidak menjadi anggota A (Kusumadewi dan Hartati 2010).
Basis pengetahuan fuzzy merupakan kumpulan aturan-aturan fuzzy dalam bentuk pernyataan IF-THEN pada Gambar 1. Fuzzifikasi yaitu proses untuk mengubah masukan yang awalnya bernilai tegas (crisp) menjadi variabel linguistik (penalaran manusia) fungsi keanggotaan ini kemudian disimpan dalam basis pengetahuan fuzzy. Mesin inferensi merupakan proses mengubah masukan fuzzy
menjadi keluaran fuzzy dengan cara mengikuti aturan-aturan yang telah ditetapkan pada basis pengetahuan fuzzy. Defuzzifikasi/defuzzifier yaitu mengubah keluaran
� = %
= √∑ � �− � �
8
fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas (crisp) dengan menggunakan fungsi keanggotaan yang sesuai saat dilakukan fuzzifikasi. Jenis penalaran fuzzy ada tiga yaitu Tsukamoto, Mamdani dan Sugeno dimana yang membedakan ketiganya adalah penarikan kesimpulan dan kegunaan dari penalaran dari masing-masing. Seperti terlihat dalam Tabel 2.
Adaptive Neuro Fuzzy Inference System (ANFIS)
ANFISadalah gabungan dari dua buah sistem yaitu logika fuzzy dan jaringan syaraf tiruan (Kusumadewi dan Hartati 2010). Sistem neuro fuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari jaringan saraf tiruan. ANFIS memiliki kelebihan yang ada pada jaringan saraf tiruan (pembelajaran) dan yang dimiliki oleh sistem inferensi fuzzy
(penalaran) keduanya dijelaskan dalam Tabel 3. Dari kemampuannya untuk belajar maka system neuro fuzzy sering disebut Adaptive Neuro Fuzzy Inference System
(ANFIS).
Jaringan adaptive yang berfungsi untuk mengurangi jumlah himpunan parameter yang dilatih dengan sebuah algoritma pembelajaran hybrid dalam ANFIS guna mendapatkan dan membangun himpunan input dan output berdasarkan pengetahuan manusia. ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model sugeno (Kusumadewi 2002). Fuzzy Inference System
(FIS) model sugeno ordo satu yang dimasukkan ke dalam kerangka jaringan adaptif Gambar 1 Struktur sistem inferensi fuzzy
Tabel 2 Perbandingan penalaran fuzzy Tsukamoto, Mamdani dan Sugeno. Penalaran Masukan Keluaran Defuzzifikasi Penggunaan
9 untuk memfasilitasi proses pembelajaran dan adaptasi (Jang 1993) seperti terlihat dalam Gambar 2 berikut:
Jaringan ANFIS terdiri dari lima lapisan, yaitu:
1. Tiap-tiap node i pada lapisan pertama adaptif terhadap parameter suatu fungsi aktivasi. Output dari tiap node ini berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input. Pada penelitian ini digunakan fungsi keanggotaan triangular (Gambar 3) dengan persamaan yaitu: Gambar 2 (a) Model Sugeno Orde 1 (b) Arsitektur ANFIS (Jang 1993)
Gambar 3 Representasi Triangular O ,� = (� ) =
{ −
− − −
;
; < ; < <
(13) Tabel 3 Perbandingan ANN dan Fuzzy Logic.
Kriteria ANN Fuzzy Logic
Sangat baik untuk masalah dengan informasi yang kurang presisi dan memiliki kebenaran parsial?
Tidak Ya
Memiliki kemampuan untuk menjelaskan proses penalaran?
Tidak Ya
10
Dimana {a,b,c} adalah parameter-parameter, b = 1 sebagai nilai mutlak. Jika nilai parameter-parameter ini berubah, maka bentuk kurva akan ikut berubah. Parameter-parameter pada lapisan ini biasanya disebut premise parameters.
2. Tiap-tiap node pada lapisan kedua berupa node tetap yang keluarannya hasil dari masukan seluruh signal. Pada umumnya operator yang digunakan AND. Tiap-tiap node merepresentasikan α predikat dari aturan ke-i.
(14) 3. Tiap-tiap node pada lapisan ke tiga berupa node tetap yang merupakan
hasil perhitungan rasio dari α predikat (wi), dari aturan ke-i terhadap
jumlah dari keseluruhan α predikat.
(15) 4. Tiap-tiap node pada lapisan ke empat merupakan node adaptif terhadap
suatu output. Dengan wi adalah normalized firing strength pada lapisan
ke tiga dan {pi, qi, ri} adalah parameter-parameter pada node tersebut.
Parameter-parameter pada lapisan ini disebut consequent parameters. (16) 5. Tiap-tiap neuron pada lapisan kelima adalah node tetap yang merupakan
jumlah dari semua masukan.
(17)
Metode Pembelajaran ANFIS
Secara umum proses hybrid learning yaitualgoritme back propagation, yaitu: langkah pertama, pola input dan target dimasukkan dalam Jaringan Saraf Tiruan (JST). Kemudian pola input ini akan berubah bersamaan dengan propagasi pola tersebut ke lapisan-lapisan berikutnya hingga menghasilkan output. Hasil output ini dibandingkan dengan target apabila hasil dari perbandingan ini merupakan nilai yang sama dengan target maka proses learning akan berhenti. Jika berbeda dengan target maka JST akan merubah bobot pada hubungan antar lapisan dengan suatu aturan tertentu hingga nilai output lebih mendekati target. Proses pengubahan nilai bobot adalah dengan cara mempropagasi kembali nilai koreksi error output JST ke lapisan-lapisan sebelumnya (backward). Selanjutnya dari lapisan input, pola akan diproses kembali untuk mengubah nilai bobot, hingga akhirnya mendapatkan nilai
11 Dengan menggunakan metode ini training error akan mengecil sampai paling tidak mendekati harga local minimal selama proses training. Oleh karenanya, semakin banyak parameter fungsi keanggotaan (parameter premis) yang mendekati harga optimalnya maka proses training akan semakin mendekati harga minimum dari training error. Proses perubahan bobot inilah yang disebut learning. Satu kali proses forward dan backward disebut satu epoch. Proses hybrid dalam ANFIS terlihat dalam Tabel 4 berikut.
Ada dua langkah dalam pelatihan hybrid yaitu perambatan maju (forward) dan perambatan mundur (backward). Pada tahap maju parameter premis tetap, input
jaringan akan merambat maju hingga simpul keempat di mana parameter konsekuen (p, q, r) akan diidentifikasi menggunakan Least Square Estimation
(LSE). Sedangkan pada tahap mundur error signal antara keluaran yang diinginkan dengan keluaran aktual, akan merambat mundur dan parameter premis (a, b, c) akan diperbaiki menggunakan gradient decent sederhana (Syafii 2006).
Tahap Maju (Forward) dengan Menggunakan LSE
Tahap perambatan maju Least Square Estimation (LSE) yang diperbaiki adalah parameter konsekuen yang terjadi merupakan kombinasi linier dari parameter (p, q, r). sehingga outputf pada ANFIS adalah:
= + + +
= � + + + � + +
= � + � + + � + � +
Dimana merupakan linier terhadap parameter konsekuen p1, q1, r1, p2, q2, dan
r2. Sebagai contoh ada P pasangan data pelatihan, yaitu: x1, y1, x2, y2, . . . xp, yp, dan
keluarannya didapat f(1), f(2), . . . f(p) maka diperoleh persamaan linier sebagai berikut:
= � + � + + � + � +
= � + � + + � + � +
… … … …
� = � � + � � + + � � + � � +
Dalam notasi matriks, persamaan di atas dapat ditulis sebagai berikut: F = A
F adalah faktor output ukuran P x 1 :
Tabel 4 Proses perambatan maju mundur ANFIS
Proses Perambatan maju Perambatan mundur
Parameter premis Tetap Gradient desent
Parameter konsekuen Least squares estimation Tetap
12
Sedangkan adalah vektor parameter yang dicari, berukuran 6 x 1 :
=
[ ]
Kemudian dicari yang meminimalkan jumlah error kuadrat yaitu:
= � − �
Tahap Mundur (Backward) dengan Penurunan Gradient Decent
Dari arsitektur ANFIS misalkan mempunyai P data pelatihan. Ukuran error
untuk masukan ke p (1 = p = P) adalah jumlah error kuadrat dari semua node
Karena pada ANFIS hanya memiliki satu keluaran maka: � = �− �
Minimalisasi seluruh error untuk seluruh P pasangan data pelatihan dapat didefinisikan sebagai berikut:
= ∑ �
13 Dengan menggunakan metode penurunan gradien sederhana (steepest decent) tanpa minimalisasi garis maka formula perbaikan parameter premis sebagai berikut:
∆� = − ���+
∆� adalah laju pembelajaran pelatihan (digunakan konstanta yang kecil). Untuk menghitung vektor gradien, bila parameter premis mempengaruhi beberapa node digunakan persamaan sebagai berikut:
�∗
�� = ∑ �+
� ∗
� ∗
��
∗∈
S adalah himpunan node yang dipengaruhi parameter premis, O* keluaran node dalam S dan F* adalah fungsi dari node dalam S. Pada ANFIS node yang dipengaruhi oleh parameter premis di dalam node O1,1 adalah node-node: O2,1 , O3,1 ,
O4,1 , O4,2 , O5 Gambar 4 berikut ini menunjukkan perambatan balik error dari node
O5 ke node O1,1
14
3
METODE
Adapun alur dan tahapan mengenai pelaksanaan penelitian dijelaskan pada Gambar 5.
Studi Literatur
Pada tahap studi literatur penulis melakukan pemahaman materi dan mencari referensi baik dari buku-buku, jurnal, web dan yang lainnya berkaitan dengan studi kelayakan finansial guna mendukung analisis pengembangan model studi kelayakan finansial dan ANFIS.
Pengumpulan Data
Data pada penelitian ini merupakan data sekunder, diperoleh dari Badan Pengelolaan Lingkungan Hidup (BPLH) Bogor, mulai tahun 2008 sampai 2013. Data lainnya yang merupakan asumsi-asumsi, investasi, biaya tetap dan variabel serta data pendukung simulasi kelayakan finansial industri biodiesel dari PT. Mekanika Elektrica Egra (MEE), Bogor.
ANFIS Mulai
Penentuan Kriteria Aspek Finansial
Pembentukan Basis Aturan if-then
Selesai Studi Literatur
Pengujian
Ananlisis dan Evaluasi Pelatihan
Hasil dan Pembahasan
Praproses
Data Uji Data
Latih
Pembagian Data Pengumpulan Data
15
Praproses
Tahap praproses dilakukan perhitungan simulasi kelayakan industri biodiesel, besaran biaya dan lamanya investasi ditentukan selama 10 tahun kedepan. Perhitungan studi kelayakan menggunakan aplikasi pengolah data Microsoft Office Excel 2013. Pada proses perhitungannya identifikasi nilai fuzzy sebagai masukan ada 3 yaitu harga biodiesel (harga jual), harga jelantah (harga bahan baku) dan suku bunga, selanjutnya ketiganya direpresentasikan dalam 3 variabel rendah, sedang dan tinggi.
Data yang dibutuhkan untuk analisis kelayakan model fuzzy awalnya dikumpulkan berupa persentase produksi biodiesel tahun pertama, kedua, ketiga sampai dengan tahun kesepuluh. Selanjutnya asumsi lain adalah, persentase penjualan biodiesel, umur investasi, biaya pajak, biaya tetap dan variabel. Asumsi pendukung lainnya yaitu sumber biaya investasi ini merupakan 100% modal sendiri. Produksi biodiesel sehari sebanyak 150 liter dalam satu kali produksi. Dalam sehari mampu memproduksi sebanyak 3 kali, serta dengan hari kerja 28 hari sebulan.
Kriteria Aspek Finansial
Kriteria kelayakan yang dipilih guna menentukan apakah suatu proyek itu layak dilaksanakan atau tidak dengan menggabungkan PBP Fuzzy, NPV Fuzzy, IRR
Fuzzy, dan B/C Fuzzy untuk mendapatkan satu nilai keputusan. Kriteria – kriteria di atas penting dipilih karena merupakan bagian dari investasi yang analisisnya didasarkan pada cash flow (Martini 2010; Marimin et al. 2010). Adapun kelompok penentuan nilai fuzzy-nya yaitu berdasarkan Tabel 5 berikut:
Penentuan Basis Aturan
Basis aturan (rule base) yang dibuat pada penelitian ini yaitu data jumlah kriteria dan parameternya. Parameter yang digunakan yaitu, harga biodisel, bahan limbah minyak goreng dan suku bunga, dengan kriteria masukan yaitu rendah, sedang dan tinggi. Maka aturan yang didapat adalah 33 = 27 rule. Perhitungan kelayakan fuzzy merupakan gabungan 27 kemungkinan untuk periode kelayakan selama prediksi 10 tahun ke depan. Berikut contoh dari rule dilihat dalam Tabel 6 berikut.
Tabel 5 Kriteria fuzzy dalam penilaian kelayakan Kriteria Tidak
layak Cukup Layak Layak Sangat Layak
16
Pengembangan ANFIS
Adaptive network merupakan proses pembelajaran di dalam neural network
yang ada di ANFIS untuk melatih parameter masukan dari aturan yang ditentukan sebelumnya. Pada tahap ini terdapat proses pembelajaran Recursive Least Square
Estimation (RLSE) untuk parameter konsekuen dan proses pembelajaran
backprobagation error untuk parameter premis. Selanjutnya parameter konsekuen diperbaiki (gradien decent). Satu kali tahap pembelajaran maju dan mundur dinamakan epoch (iterasi).
Analisis dan Evaluasi
Analisis dilakukan dengan mengubah berbagai mf yaitu: triangular,gaussian
dan trapezoid. Evaluasi yang dilakukan yaitu membandingkan hasil dari metode konvensional dengan hasil prediksi model ANFIS yang dikembangkan, apakah mendapatkan hasil yang sesuai atau mendekati target dengan galat terkecil serta akurat.
Tabel 6 Contoh rule yang dibangkitkan dari 27 kondisi kelayakan
RULE IF AND THEN
1 harga_biodiesel rendah harga_jelantah tinggi suku_bunga rendah
Tidak Layak 2 harga_biodiesel rendah harga_jelantah sedang
suku_bunga rendah
Cukup Layak 3 harga_biodiesel rendah harga_jelantah rendah
suku_bunga tinggi
Layak 4 harga_biodiesel tinggi harga_jelantah rendah
suku_bunga rendah
17
4
HASIL DAN PEMBAHASAN
Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang terdiri atas data limbah minyak goreng, data biodiesel dan data suku bunga selama 6 tahun terakhir yang diperoleh dari BPLH Bogor dan PT. Mekanika Elektrica Egra (MEE) Bogor. Informasi data yang digunakan sebagai berikut:
Harga Biodiesel
Harga jual biodiesel pada tahun 2008 – 2011 sebesar Rp.6,500,- sedangkan untuk tahun 2012 – 2013 Rp.9,000,- dapat dilihat pada Tabel 7. Investasi pada PT. Mekanika Elektrica Egra (MEE) diasumsikan dalam sekali produksi sebanyak 150 liter minyak jelantah. Kesehariannya memproduksi sebanyak tiga kali. Sehingga dalam sehari industri ini mengolah minyak jelantah sebanyak 450 liter. Maka dalam setahun diperoleh 151,200 liter.
Penentuan nilai fuzzy pada harga biodiesel dengan representasi TFN sama kaki nilai yang rendah (6500, 8000, 9200), sedang (8000, 9500, 11000) dan tinggi (10000, 11000, 12000), tampak pada Tabel 8 berikut:
Rentang nilai TFN pada Tabel 8 jika ditampilkan dalam grafis tampak pada Gambar 6 berikut:
Tabel 7 Harga biodiesel 6 tahun terakhir. No Tahun Produksi Biodisel
(Liter/Thn)
Harga Biodiesel (Rp/Liter)
1 2008 2,496 6,500
2 2009 4,787 6,500
3 2010 8,760 6,500
4 2011 12,050 6,500
5 2012 13,280 9,000
6 2013 68,961 9,000
Sumber: BPLH Bogor 2012
Tabel 8 Nilai fuzzy input harga minyak biodiesel (harga jual)
Parameter Fuzzifikasi
Rentang TFN
18
Harga Limbah Minyak Goreng
Harga limbah minyak goreng (jelantah) dalam 6 tahun terakhir diperoleh dari BPLH dan PT. Mekanika Elektrika Egra, Bogor. Harga dan jumlah jelantah yang berhasil dikumpulkan terlihat dalam Tabel 9 berikut:
Penentuan TFN untuk harga jelantah terdiri dari rentang yang mungkin rendah (2000, 2700, 3500) sedang (3000, 3750, 4500) dan tinggi (4000, 4650, 5500). Harga minyak jelantah sebagai masukan sistem pada Tabel 10 berikut:
Rentang mf TFN dari pembagian data Tabel 10 ditampilkan dalam grafis pada Gambar 7 berikut:
Tabel 9 Harga jelantah 6 tahun terakhir. No Tahun Bahan Baku
(Liter/Tahun)
Harga Jelantah (Rupiah/Liter) 1 2008 3,120 2,500 2 2009 5,984 2,500 3 2010 10,950 3,000 4 2011 16,090 3,000 5 2012 16,600 3,000 6 2013 91,565 3,000 Sumber: BPLH Bogor 2012
Gambar 6 Representasi TFN Harga Biodiesel
Tabel 10 Nilai fuzzy input harga minyak jelantah Parameter Fuzzifikasi
Rentang TFN
19
Suku Bunga
Masukan sistem selanjutnya adalah suku bunga yang direpresentasikan untuk rendah (0.06, 0.06, 0.14), sedang (0.12, 0.16, 0.20) dan tinggi (0.18, 0.26. 0.26). Fuzzifikasi suku bunga sebagai masukan sistem pada Tabel 11 berikut:
Fungsi keanggotaan TFN pada Tabel 11 jika ditampilkan dalam grafis terlihat pada Gambar 8 berikut:
Asumsi Investasi
Identifikasi asumsi yang berkaitan dengan industri biodiesel meliputi asumsi-asumsi biaya, biaya investasi dan biaya operasional diuraikan. Data berkaitan asumsi ini diambil dari PT. MEE, Bogor.
Asumsi-asumsi Tabel 12 merupakan nilai prediksi dari investasi pada saat sekarang. Dimana nilai ini sebagai acuan perhitungan studi kelayakan (selengkapnya pada Lampiran 1). Kemudian biaya investasi merupakan total nilai
Tabel 11 Nilai fuzzy input suku bunga Parameter Fuzzifikasi
Rentang TFN
Rendah 0.06 – 0.14 0.06; 0.06;0.14 Sedang 0.12 – 0.20 0.12; 0.16; 0.20 Tinggi 0.18 – 0.26 0.18; 0.26; 0.26
20
biaya investasi pada perusahaan biodiesel. Nilai ini dikeluarkan saat awal didirikannya perusahaan. Dengan rincian pada Tabel 13.
Asumsi selanjutnya yaitu biaya operasional, terdiri dari biaya variabel dan biaya tetap. Biaya variabel terdiri dari atas gaji tenaga kerja langsung, methanol, KOH, gas isi ulang, telepon, listrik dan air. Biaya tetap meliputi diantaranya gaji tenaga kerja tidak langsung, Pajak Bumi dan Bangunan (PBB) dan pemeliharaan. Selengkapnya pada Lampiran 2. Rincian biaya operasional terlihat dalam Tabel 14 berikut:
Tabel 12 Asumsi-asumsi
No Uraian Nilai Satuan
1 Kebutuhan jelantah 151,200 Liter/tahun 2 Produksi biodiesel 120,960 Liter/tahun 3 Rendemen biodiesel 80 Persen/liter 4 Harga Gliserin 3,000 Rupiah/liter 5 Produksi gliserin 30,240 Liter/tahun 6 Rendemen gliserin 20 Persen/liter 7 Kebutuhan modal 753,828,000 Rupiah
Tabel 14 Tabel biaya operasional
No Deskripsi Biaya Pertahun
Biaya Variabel
1 Gaji tenaga kerja langsung 72.000.000
2 Metanol 126.000.000
1 Gaji tenaga kerja tidak langsung 84.000.000
2 PBB 6.000.000
3 Mesin dan Alat-alat 113.980.000
4 Kendaraan 80.000.000
5 Perlengkapan 2.500.000
6 Biaya Prainvestasi 45.000.000
21
Praproses
Tahap praproses data dilakukan dengan menghitung studi kelayakan masukannya merupakan bilangan fuzzy TFN. Ketentuan masukan adalah nilai a tidak lebih besar dari b, dan b tidak lebih besar dari c (a ≤ b ≤ c). Satu contoh berikut akan dijelaskan bila kondisi kelayakan harga biodiesel rendah, harga jelantah rendah dan suku bunga rendah pada Lampiran 3.
Kriteria Aspek Finansial
Setelah dilakukan perhitungan studi kelayakan fuzzy pada tahap praproses sebelumnya dengan empat aspek nilai yaitu NPV Fuzzy, IRR Fuzzy, B/C Ratio
Fuzzy, PBP Fuzzy. Selanjutnya untuk mendapatkan satu nilai dari 4 kriteria aspek finansial diantaranya B/C Ratio fuzzy digunakan perangkingan Kaufman dan Gupta (1985). Kriteria NPV fuzzy, IRR fuzzy dan PBP fuzzy digunakan model perangkingan Chiu dan Park (1994).
NPV (Net Present Value) Fuzzy
Model kelayakan fuzzy nilai NPV dihitung berdasarkan pengurangan jumlah total arus kas masuk dan arus kas keluar. Nilai fuzzifikasi pada TFN menggunakan rentang rendah, sedang dan tinggi. Hasil representasi nya dapat dilihat pada Tabel 15.
Selanjutnya hasil untuk PV (Present Value) diklasifikasikan sebagai berikut: PV1 = (a1, b1, c1)
Tabel 15 Arus kas hasil fuzzifikasi (TFN)
Period Rendah Sedang Tinggi
0 -667,128,000.00 -67,128,000.00 -67,128,000.00 1 279,261,308.41 279,261,308.41 208,285,285.71 2 256,181,069.96 256,181,069.96 242,958,290.82 3 230,735,836.80 230,735,836.80 179,014,923.45 4 211,684,253.95 211,684,253.95 150,024,462.39 5 185,537,252.17 185,537,252.17 134,307,677.09 6 168,670,229.25 168,670,229.25 148,368,099.22 7 153,336,572.05 153,336,572.05 118,276,092.75 8 139,396,883.68 139,396,883.68 109,599,065.79 9 126,724,439.71 126,724,439.71 95,550,147.24 10 96,208,694.04 96,208,694.04 87,029,797.43
22
Dari ketiga nilai n1,n2,n3 tersebut selanjutnya defuzzifikasi menggunakan
metode centroid yang dikembangkan oleh Chiu dan Park (1994) yaitu:
( + + ) +
Dimana: a = jumlah PV1
b = jumlah PV2
c = jumlah PV3
w = 0.3
( , , , . + , , , . + , , . ) + .
∗ , , , .
( , , , . ) + , , = , , , .
Maka hasil perhitungan diperoleh nilai NPV 1,410,016,689.31 nilai ini termasuk dalam rentang NPV > 15% * Investasi. Sehingga masuk dalam kriteria sangat layak.
IRR (Internal Rate of Return) Fuzzy
Perhitungan IRR didasarkan pada nilai NPV pendapatan = NPV pengeluaran. Investasi dikatakan layak dilaksanakan apabila IRR lebih besar dari arus kas pengembalian yang diharapkan dengan dasar tingkat suku bunga bank (12%). IRR
fuzzy dikategorikan rendah, sedang dan tinggi. Suku bunga dihitung berdasarkan persamaan (1) sehingga diperoleh nilai pada Tabel 16 berikut:
Suku bunga pada Tabel 16 sebagai pengali untuk menentukan nilai NPV pada Tabel 15 klasifikasi dari arus kas bersih nilai rendah, sedang dan tinggi. Arus kas bersih merupakan nilai untuk menentukan IRR fuzzy. Untuk mencari nilai IRR pada penelitian ini digunakan persamaan (9). Hasil perhitungan diperoleh nilai untuk IRR rendah 31.54%, sedang 31.54% dan tinggi 22.41% selanjutnya dilakukan defuzzifikasi menggunakan metode centroid hasilnya adalah 38%. Nilai tersebut lebih besar dari suku bunga (IRR > r +12%) nilai ini masuk dalam kategori sangat layak.
Tabel 16 Suku bunga dalam perhitungan Periode Rendah Sedang Tinggi
0 1.00 1.00 1.00
1 0.93 0.93 0.89
2 0.86 0.86 0.80
3 0.77 0.77 0.69
4 0.71 0.71 0.59
5 0.62 0.62 0.52
6 0.56 0.56 0.51
7 0.51 0.51 0.43
8 0.47 0.47 0.38
9 0.42 0.42 0.31
23
B/C Ratio Fuzzy
Benefit Cost Ratio Fuzzy adalah membandingkan antara nilai manfaat sekarang dengan biaya investasi. Dalam penelitian ini B/C ratio fuzzy yang digunakan merupakan model yang telah dikembangkan oleh Kahraman (2000). Perhitungan B/C Ratio diperoleh dari pendapatan sekarang dibagi dengan biaya. Nilai sekarang dari kas bersih dikalikan dengan suku bunga. Nilainya untuk rendah diperoleh 1.42, sedang 1.42 dan tinggi 1.13. Selanjutnya dihitung menggunakan persamaan (7) untuk memperoleh nilai crisp.
. + . + .
= .
Kriteria B/C ratio Fuzzy dengan nilai 1.34 adalah layak, nilai tersebut terdapat dalam kategori pada Tabel 5 yaitu 1.25 < B/C R < 1.75.
PBP Fuzzy
Kriteria kelayakan selanjutnya yaitu Payback Period (PBP). Nilai PBP diperoleh untuk rendah 2.48 sedang 2.48 dan tinggi 3.18. Selanjutnya mendapatkan nilai crisp digunakan persamaan (7) sehingga diperoleh nilai:
( . + . + . ) + . ∗ . = .
Dari perhitungan di atas diperoleh hasil 3.46 untuk nilai PBP. Nilai tersebut berada pada kategori layak.
Pembentukan Basis Aturan
Basis aturan yang digunakan dalam penelitian ini terdapat 27 rule, merupakan kondisi ketika harga-harga dan suku bunga fluktuatif akan berubah rendah, sedang dan tinggi. Proses pengambilan nilai crisp dari keempat kriteria NPV Fuzzy, IRR
Fuzzy, B/C R Fuzzy dan PBP Fuzzy yaitu dengan memberikan bobot pada tiap kriteria kelayakan ini.
Penentuan nilai crisp dalam studi kelayakan fuzzy ini menggunakan metode centroid, yang tiap kriteria diberikan bobot jika dijumlahkan mendapatkan nilai 1. Masing-masing memiliki bobot untuk PBP = 0.25, NPV = 0.25, IRR = 0.25, dan B/C R = 0.25. Selanjutnya bobot kelayakan dibagi dalam empat kriteria yaitu: 0 = tidak layak, 1 = cukup layak, 2 = layak dan 3 = sangat layak.
Sebagai contoh perhitungan hasil kelayakan ketika nilai PBP layak, NPV sangat layak, IRR sangat layak, dan B/C R layak. Maka dalam metode bayes diproses sebagai berikut:
= PBP (Layak) + NPV (Sangat Layak) + IRR (Sangat Layak) + B/C R (Layak) = 0.25(2) + 0.25(3) + 0.25(3) + 0.25(2)
= 0.5 + 0.75 + 0.75 + 0.5 = 2.5
24
Tabel 17 merupakan kombinasi berbagai kondisi kelayakan, dengan cara ini diperoleh pasangan data sebagai masukan sistem yaitu 30 data berpasangan pada kondisi layak pada rule pertama. Sehingga untuk 27 rule dikalikan dengan 30 data pada tiap rule kelayakan maka diperoleh sebanyak 810 data. Kondisi kelayakan selengkapnya pada Lampiran 6.
Pembagian Data
Data dari proses studi kelayakan finansial fuzzy sebanyak 810, namun tidak semuanya digunakan dalam model ANFIS. Hal ini disebabkan terdapat beberapa data dengan galat besar melebihi 0.5 pada output model setelah dilakukan proses
checking, sehingga perlu validasi dan diperoleh 708 data valid (Tabel 18).
Langkah awal pada tahap ini adalah penyusunan pasangan data input-output
dengan target tidak layak pada urutan pertama, selanjutnya cukup layak, layak dan sangat layak. Cara ini dilakukan agar mempermudah pembagian data nantinya. Pemilihan data latih dan uji berdasarkan try and error yang memiliki hasil akurasi optimum, yaitu 85% untuk data latih dan 15% data uji. Data dilatih dengan epoch
sebanyak 100 serta error tolerance 0.01.
Tabel 17 Contoh beberapa kondisi rule kelayakan No Harga
Tabel 18 Jumlah data sebelum dan setelah validasi
25
Analisis dan Evaluasi
Analisis yang dilakukan yaitu dengan analisis sensitivitas. Analisis sensitivitas dimaksudkan untuk mengetahui keputusan, dimana asumsi-asumsi kenaikan atau penurunan pada aspek finansial apakah berpengaruh terhadap keputusan. Sensitivitas yang dilakukan ada tiga parameter yaitu, ketika kenaikan harga bahan baku (jelantah), dan penurunan harga jual (biodiesel).
Validasi model sangat tergantung pada teori dan asumsi serta nilai parameter yang digunakan dalam model. Validasi untuk menilai kelayakan model ANFIS dikembangkan terbukti sahih (benar) adalah dengan menggunakan metode
Comparison to Other Model yaitumembandingkan berbagai hasil keluaran model
dengan model lain yang terbukti valid. Kali ini metode pembanding yang digunakan adalah perhitungan analisis kelayakan konvensional.
Dilihat dari sensitivitas model konvensional (Tabel 19) tingkat sensitivitas ketika harga jelantah mengalami kenaikan sebanyak 57% maka hasilnya untuk investasi ini dikategorikan cukup layak nilai crisp-nya menunjukkan 1.5. Begitu juga tingkat sensitivitas penurunan harga biodiesel sebanyak 24% hasilnya menunjukkan cukup layak (1,5). Jika sensitivitas melebihi nilai 57% dan 24% maka investasi ini dikategorikan tidak layak.
Model ANFIS yang dikembangkan dengan sensitivitas sama dengan di atas ketika harga jelantah mengalami kenaikan sebanyak 57% dan harga biodiesel mengalami penurunan 24% maka hasilnya tampak pada Tabel 20.
Tabel 20 kelayakan finansial model ANFIS telah berhasil memprediksi keluaran yaitu cukup layak dengan nilai crisp lebih sensitif mendekati nilai target 1. Disimpulkan bahwa model ANFIS yang dikembangkan telah berhasil (valid).
Tabel 19 Sensitivitas terhadap harga biodiesel dan jelantah (Konvensional)
No Perubahan
26
Pengujian Model
Pengujian model yang dikembangkan dengan beberapa tahap, yaitu: pengujian model dengan pasangan data latih dan data uji, sebelum dan setelah verifikasi. Selanjutnya pengujian dengan merubah jenis mf triangular, gaussian
dan trapezoid.
Pengujian Model Data
Pengujian kelayakan dilakukan dengan memasukkan pasangan data pada model yang dikembangkan. Model yang digunakan untuk validasi adalah
triangular. Hasil pengujian terlihat pada Tabel 21.
Setelah melakukan pengujian pasangan data ini ternyata model berhasil memetakan studi kelayakan dengan baik, dimana hasil model yang dapat mendekati nilai target.
Pengujian Model Pasangan Data
Tahapan pengujian selanjutnya dengan berbagai tipe membership function,
padapengujian kali ini mf yang digunakan yaitu triangular, gaussian dan trapezoid. Masing-masing membership function memiliki akurasi77% untuk triangular, 53% untuk Gaussian dan 61% untuk trapezoid. Pengujiannya dapat dilihat pada Tabel 22.
Tabel 22 Contoh pengujian data dengan berbagai membership function
Input Output Output Model
Bunga Target Triangular Gaussian Trapezoid
7,780 4,200 0.09 0 0.3784 0.1708 0.2487 Tabel 21 Contoh pengujian data pada model ANFIS
27
Akurasi Data
Guna melihat model telah berhasil dan memperoleh akurasi yang baik, maka digunakan persamaan (11). Dengan persamaan tersebut maka hasil akurasi untuk data model triangular sebesar 77%, gaussian sebesar 53% dan trapezoid sebesar 61%.
RMSE
Roor Mean Square Error merupakan metode untuk menghitung nilai galat (error) dengan persamaan (12) diperoleh untuk triangular 0.02, gaussian 0.02 dan
28
5
SIMPULAN DAN SARAN
Simpulan
Penelitian ini memiliki beberapa simpulan, diantaranya: hasil analisis studi kelayakan model ANFIS menunjukkan bahwa industri biodiesel asumsi umur proyek selama 10 tahun layak dikembangkan pada tingkat sensitifitas kenaikan harga sebesar 57% (crisp 0,7) dan penurunan sebesar 24% (crisp 0,9) berhasil mendekati target 1. Pendekatan fuzzy telah mampu memprediksi resiko kemungkinan dalam berinvestasi karena nilai kelayakan berbasiskan penalaran. Telah dikembangkan model studi kelayakan ANFIS dengan masukan data berpasangan sehingga memperoleh hasil akurasi MF triangular sebesar 77%, MF
gaussian sebesar 53% dan MF trapezoid sebesar 61%.
Saran
Saran untuk dilakukan penelitian lanjutan, yaitu perlu perhitungan studi kelayakan lebih dari 10 tahun untuk mendapatkan data yang lebih banyak, sehingga dapat meningkatkan akurasi. Pengkajian lebih lanjut mengenai representasi fuzzy
29
DAFTAR PUSTAKA
[BPPT] Badan Pengkajian dan Penerapan Teknologi. 2013. Outlook energi indonesia 2013. [Internet] [15 Maret 2014] [dapat diakses pada
http://www.drn.go.id/files/BPPT - Outlook Energi Indonesia 2013.pdf]
[BPS] Badan Pusat Statistik. 2013. Statistik Daerah Kabupaten Bogor Tahun 2013. [Internet] [25 November 2013] [dapat diakses pada
Amalia F, Retnaningsih, Johan IR. 2010. Perilaku penggunaan minyak goreng serta pengaruhnya terhadap keikutsertaan program pengumpulan minyak jelantah dikota Bogor. Jurnal Ilmu Keluarga Dan Konsumen 3(2):184-189.
Aminah S, Isworo TJ. 2010. Praktek Penggorengan Dan Mutu Minyak Goreng Sisa Pada Rumah Tangga RT V/III Kedungmundu Tembalang Semarang. Prosiding
seminar nasional UNIMUS 2010. ISBN: 978.979.704.883.9
Aziz I, Nurbaiti A, Ulum B. 2011. Pembuatan produk biodiesel dari Minyak Goreng Bekas dengan Cara Esterifikasi dan Transesterifikasi. Jurnal Valensi. 2(3):443-448.
Chiu CY and Park CS. 1994. Fuzzy cash flow analysis using present worth criterion.
The engeneering economist. Vol. 39, No. 2.
Fujita H, Okuhara K, Nakano K, Tsubaki H. 2013. Environmental Analisys Of
Waste Cooking Oil Recycling And Complete Use Practice in Bogor, Indonesia.
International Conference on Technology, Informatics, Management, Engineering & Environment. (2013 Juni 23-26). Bandung. Indonesia. 28-31. Gumilar LA. 2013. Penggunaan andaptive neuro fuzzy inference system untuk
pembentukan data fuzzy dalam association rule minning. [Skripsi] Bogor (ID): Institut Pertanian Bogor.
Jang JSR. 1993. Anfis: adaptive-network-based fuzzy inference system. IEEE Transaction on System, Man, and Cybernetics. 23(3).
Kahrahman C, Tolga E, Ulukan Z. 2000. Justification of manufacturing technologies using fuzzy benefit/cost ratio analysis. International J. Production Economics. 66. 45-52.
Kamahara H, Hasanudin U, Widiyanto A. Tachibana R, Atsuta Y, Goto N, Daimon H, and Fujie K. 2010. Improvement potential for net energy balance of biodiesel derived from palm oil: A case study from Indonesian practice. Biomass and Bioenergy. 34(2010):1818-1824. doi:10.1016/j.biombioe.2010.07.014.
Kaufman A, Gupta MM. 1985. Introduction to fuzzy arithmetic: theory and applications. New York: Van Nostrand Reinhold.
Kuncahyo P, Fathallah AZM, Semin. 2013. Analisa prediksi potensi bahan baku biodiesel sebagai suplemen bahan bakar motor diesel di Indonesia. Jurnal Teknik Pomits. 2(1).
30
Kusumadewi S, Hartati S, 2010. Neuro Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta. Graha ilmu.
Loan, Viorica. 2010. Financing Invesment Project the Relationship Between Feasibility Study and Business Plan. Annals of Dunarea de Jos Universiti. Fascicle i: Economic and Applies Informatics. 2010; 1: 125-130.
Machmud S. 2009. Pengaruh perbandingan solar-biodiesel (minyak jelantah) terhadap emisi gas buang pada motor diesel. JANATEKNIKA. 11(2):107-116. Marimin, Djatna T, Suharjito, Hidayat S, Utama DN, Astuti R, Martini S. 2010.
Teknik dan Analisis Pengambilan Keputusan Fuzzy dalam Manajemen Rantai Pasok. Bogor (ID). IPB Pr.
Martini S, 2010. Model investasi fuzzy untuk analisis kelayakan finansial usaha diversifikasi industri berbasis tebu. Jurnal Sosial Ekonomi Pertanian dan Agribisnis. 10(2):134-140.
Naba A. 2009. Belajar Cepat Fuzzy Logic Menggunakan MATLAB. Yogyakarta. Andi Publiser.
Nurmalita R, Sarianti T, Karyadi A. 2010. Studi Kelayakan Bisnis. Bogor. Butt Design and Printing.
Primyastanto M. 2011. Feasibility Study Usaha Perikanan. (Sebagai Aplikasi dari Teori Studi Kelayakan Usaha Perikanan). Malang (ID). UB Pr.
Shamshirband S, Petkovic D, Cojbasic Z, Nikolic V, Anuar NB, Shuib NLM, Kiah MLM, Akib S. 2014. Adaptive neuro-fuzzy optimization of wind farm project net profit. Energy Conversion and Management. 80(2014):229-237. doi: 10.1016/j.enconman.2014.01.03.
Sheen NJ. 2007. Fuzzy Economic Decision modelsfor Information Security Investment. Proceedings of the 9th WSEAS Int. Conference on Instrumentation, Measurement, Circuits and Systems. Taiwan. ISBN: 978-960-474-174-8. 141-147.
Syafii M. 2006. Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Diagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue. [Tesis]. Bogor (ID). Institut Pertanian Bogor.
Widodo PSP. 2011. Analisis kelayakan usaha pengolahan minyak jelantah menjadi biodiesel. [Skripsi]. Bogor (ID). Institut Pertanian Bogor.
31 31
31 31
Lampiran 1 Asumsi-asumsi
Asumsi - asumsi Tabel Harga, Produksi dan Suku bunga 6 Tahun terakhir
Data hasil olah berbagai sumber
9 Rendemen gliserin 0.2 Tahun 2007 2008 2009 2010 2011 2012 2013
10 Kebutuhan modal 753,828,000 Rupiah Jelantah 8,853 62,328 10,950 10,950 23,142 91,565
Tinggi 10000, 11000, 12000 Prod Kapasitas Perhari Bulan Tahun
3 150 450 12600 151200
Harga Jelantah (Rp/Liter)
Rendah 2000, 2700, 3500 Harga Isi Produksi Hari
Sedang 3000, 3750, 4500 KOH 5 1,050,000 125 83.333333 27.777778
32
Biaya Investasi
No. Deskripsi Volume Satuan Harga (Rp) Value Umur
34
Lampiran 4 Perhitungan pendapatan selama 10 tahun
Asumsi Perhitungan Fuzzy Harga Biodiesel dan Jelantah
35
35
35 35
Analisis Cash Flow
No. Parameter Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
Pendapatan
-667,128,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00
Proyeksi Laba Rugi
No. Uraian Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
1 Penjualan 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00 650,160,000.00
Lampiran 5 Kondisi kelayakan harga biodiesel rendah harga jelantah rendah dan suku bunga rendah.
3
36
Analisis Cash Flow
No. Parameter Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
Pendapatan
-667,128,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00 303,360,000.00
Proyeksi Laba Rugi
No. Uraian Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
37
Analisis Cash Flow
No. Parameter Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
Pendapatan -667,128,000.00 236,832,000.00 309,408,000.00 262,233,600.00 257,244,000.00 262,536,000.00 297,312,000.00 282,494,400.00 295,800,000.00 315,456,000.00 327,552,000.00
Proyeksi Laba Rugi
No. Uraian Tahun 0 Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 Tahun 6 Tahun 7 Tahun 8 Tahun 9 Tahun 10
38
38
Lampiran 6 Rule yang dihasilkan dengan 27 kondisi kelayakan
40
Lampiran 7 Gambar sebaran data target sebelum dan setelah validasi model
41 Lampiran 8 Representasi fuzzy input desain dan setelah latih ANFIS
42
43
Rule viewer pada ANFIS yang dikembangkan
44
Lampiran 10 Sebaran data berbagai membership function
Sebaran data menggunakan mf triangular
Sebaran data menggunakan mf gaussian
45
MF input triangular, gaussian dan trapezoid hasil pelatihan ANFIS
46
Lampiran 11 Cara menjalankan aplikasi kelayakan model ANFIS Langkah 1. Antarmuka aplikasi
Langkah 2. Proses checking data kelayakan
47
Langkah 4. Pengujian dengan mf Gaussian
Langkah 5. Pengujian dengan mf Trapezoid
48
RIWAYAT HIDUP
Penulis lahir di Punggur, Provinsi Lampung pada tanggal 2 Agustus 1987 sebagai anak pertama dari tiga bersaudara oleh
Bapak Sholihin AM dan Ibu Siti Ma’rifah. Pendidikan Madrasah
Aliyah (MA) Ma’arif 1 Punggur, Lampung Tengah lulus tahun
2005. Pendidikan sarjana ditempuh di STMIK Abulyatama Banda Aceh, dengan Program Studi Sistem Informasi lulus tahun 2011. Setelah lulus penulis bekerja sebagai staff administrasi dan Administrator Web pada Pusat Pelayanan Pendidikan Terpadu (P3T) Universitas Abulyatama. Tahun 2012 penulis diterima di Program Studi Magister Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Sekolah Pascasarjana, Institut Pertanian Bogor. Penulis dapat dihubungi melalui email
