1
Muh. Hasbiollah, Devi Kumala Sari, RB. Fajriya Hakim Jurusan Statistika, Fakultas MIPA, Universitas Islam Indonesia
E-mail: [email protected], [email protected], [email protected]
ABSTRAK. Gas adalah salah satu komoditi unggulan Indonesia di bidang energi. Melonjaknya harga minyak menyebabkan kalangan industri nasional berlomba-lomba untuk melakukan konversi minyak ke gas. Selain bersih dan berkalori tinggi, gas sangat efisien untuk proses pembakaran. Akan tetapi, saat ini banyak industri dalam negeri yang menjerit akibat kekurangan gas. Peramalan merupakan bagian internal dari kegiatan pengambilan keputusan manajemen. Pendekatan model ARIMA untuk masalah nonlinier yang kompleks mungkin tidak memadai. Faktanya,
sistem dunia nyata sering nonlinier. Ada beberapa teknik Soft Computing yang dapat
digunakan untuk melakukan peramalan. Satu diantaranya adalah Fuzzy Time Series.
Metode tersebut dapat menyelesaikan peramalan data pada model-model kompleks
yang berhubungan dengan model nonlinier time series. Pada penelitian ini,
digunakan metode Two-Factor Fuzzy Time Series dan metode peramalan klasik
yaitu SES dan ARIMA. Data yang digunakan adalah data produksi dan konsumsi
gas alam Indonesia tahun 1994-2013. Hasilnya, metode Two-Factor Fuzzy Time
Series lebih akurat dibandingkan metode SES dan ARIMA dalam peramalan produksi gas alam Indonesia tahun 1994-2013. Berdasarkan metode yang lebih akurat dari beberapa metode yang digunakan, diperoleh nilai peramalan tahun 2014 sebesar 68,93.
Kata Kunci: Gas Alam, Indonesia, Peramalan, Fuzzy Time Series.
1. PENDAHULUAN
Gas adalah salah satu komoditi unggulan Indonesia di bidang energi. Menurut BIN (2012),
“Potensi gas dalam negeri sebagai energi terbarukan sangat besar. Indonesia diklaim memiliki
cadangan gas alam sebesar 2,8 triliun meter kubik pada akhir 2005, atau setara dengan 1,5 persen
cadangan dunia”. Menurut Hidayatullah (2012), “Melonjaknya harga minyak menyebabkan
kalangan industri nasional berlomba-lomba untuk melakukan konversi minyak ke gas. Selain bersih
dan berkalori tinggi, gas sangat efisien untuk proses pembakaran. Akan tetapi, saat ini banyak
industri dalam negeri yang menjerit akibat kekurangan gas. Selain itu, pada neraca gas tahun 2011
terlihat bahwa pada tahun 2020 defisit gas Indonesia mencapai 1316 MMSCFD”. Oleh karena itu,
permasalahan gas tersebut. Menurut Makridakis dkk (1999), peramalan merupakan bagian internal
dari kegiatan pengambilan keputusan manajemen.
Model statistik tradisional termasuk Moving Average, Exponential Smoothing dan
Autoregressive Integrated Moving Average (ARIMA) adalah linier dalam memprediksi nilai
peramalan di masa mendatang yang dibatasi pada fungsi linier dalam observasi di masa lalu (Zhang,
2003). Pendekatan model ARIMA untuk masalah nonlinier yang kompleks mungkin tidak memadai
(Zhang, 2003). Faktanya, sistem dunia nyata sering nonlinier (Granger dan Terasvirta, 1993). Ada
beberapa teknik Soft Computing yang dapat digunakan untuk melakukan peramalan data yaitu
diantaranya adalah Fuzzy Time Series, Neural Network, dan Algoritma Genetik. Metode-metode
tersebut dapat menyelesaikan peramalan data pada model-model kompleks yang berhubungan
dengan model nonlinier time series (Lamabelawa, 2011).
Pada penelitian ini, akan digunakan metode Two-Factor Fuzzy Time Series dan beberapa metode
peramalan klasik untuk mengetahui apakah metode Two-Factor Fuzzy Time Series lebih akurat
dibandingkan dengan metode peramalan klasik tersebut dalam peramalan produksi gas alam
Indonesia tahun 1994-2013. Kemudian berdasarkan metode peramalan yang lebih akurat dari
beberapa metode yang digunakan, akan diramalkan jumlah produksi gas alam indonesia pada tahun
2014.
2. METODEPENELITIAN
Pada penelitian ini, digunakan metode Two-Factor Fuzzy Time Series untuk peramalan beberapa
tahun ke depan. Metode tersebut akan dibandingkan dua metode peramalan klasik seperti Single
Exponential Smoothing (SES) dan ARIMA. Berikut adalah beberapa definisi terkait dengan
Two-Factor Fuzzy Time Series (Hsu dkk, 2010):
Definisi 2.1. Misalkan dan adalah Dua Fuzzy Time Series. Jika diakibatkan oleh
. Maka relasi Two-Factor
th Fuzzy Time Series direpresentasikan oleh
2 1, 1→ ( ), dimana ( ) dan ( ) disebut dengan Main-Factor Fuzzy Time
Series dan Second-Factor Fuzzy Time Series.
Tahap-tahap peramalan dengan menggunakan metode Two-Factor Fuzzy Time Series (Hsu dkk,
2010) yaitu: 1). Definisikan himpunan semesta dan , 2). Bagi himpunan semesta
semua data aktual, 5). Bentuk semua two-factor th-order fuzzy relationship groups, 6). Hitung nilai
peramalan dan bentuk semua aturan peramalan fuzzy berdasarkan fuzzy relationship groups.
3. HASILPENELITIANDANPEMBAHASAN
3.1 Data
Data yang digunakan dalam penelitian ini adalah data produksi dan konsumsi gas alam
Indonesia tahun 1994-2013. Data diperoleh melalui website www.bp.com. Pola data tersebut adalah
data horizontal, maka dari itu digunakan metode SES dan ARIMA sebagai pembanding untuk
metode Two-Factor Fuzzy Time Series.
3.2 Peramalan dengan Metode Two-F actor F uzzy Time Series (Two-F actor FTS)
3.2.1 Definisikan himpunan semesta dan
Pada penelitian ini, digunakan data produksi gas alam Indonesia sebagai dan konsumsi
gas alam Indonesia sebagai . Pada , diperoleh data minimum sebesar 60,4 dan maksimum
(penentuan jumlah interval bebas tergantung peneliti). Misalkan interval himpunan semesta
adalah . Maka Intervalnya adalah , . Misalkan
Interval himpunan semesta adalah . Maka intervalnya adalah ,
.
3.2.3 Definisikan Himpunan Fuzzy (Fuzzy Set)
Berdasarkan interval yang terbentuk, dapat disusun himpunan fuzzy pada masing-masing
himpunan semesta. Pada penelitian ini, himpunan semesta akan digunakan sebagai himpunan
fuzzy faktor utama dan himpunan semesta sebagai himpunan fuzzy faktor kedua. Himpunan
fuzzy dapat didefinisikan sebagai berikut (Song dan Chissom, 1993):
, , ,
, , ,
, , ,
, , .
Sedangkan untuk himpunan fuzzy dapat didefinisikan sebagai berikut:
, , ,
, , ,
, , .
3.2.4 Fuzzifikasi Semua Data Aktual
Setelah himpunan fuzzy terbentuk, maka selanjutnya adalah memfuzzifikasi data aktual.
Hasilnya adalah sebagai berikut:
Berdasarkan hasil fuzzifikasi pada tabel 1, dapat bentuk Two-Factor th-Order Fuzzy
Relationship Groups. Misalkan digunakan dua orde sebelumnya sebagai current state (F(t-2),F(t-1))
dan satu tahun setelahnya sebagai next state (F(t)). Pengelompokan dilakukan berdasarkan current
state yang sama. Pada penelitian ini, tidak terdapat current state yang sama. Oleh karena itu,
masing-masing group hanya memiliki satu anggota next state. Two-Factor Second-Order Fuzzy
Tabel 2. Two-Factor Second-Order Fuzzy Relationship Groups
peramalan ke t+1 (F(t+1)). Sehingga himpunan fuzzy-nya tidak diketahui (unknown value).
3.2.6 Hitung Nilai Peramalan dan Aturan Peramalan Fuzzy
Misalkan relasi fuzzy untuk unknown value sebagai berikut:
→
Pada group 19 yaitu (A7,B5),(A6,B7)#. Maka nilai peramalannya adalah:
Berdasarkan perhitungan peramalan group pada tahap 3.2.6, maka dapat disusun hasil peramalan
sebagaimana tertera pada tabel 3 berikut:
Tabel 3. Hasil Peramalan dengan Metode Two-Factor FTS
1998 64,6 64,46 2005 71,2 71,61 2012 71,1 71,61
Pada tabel 4, dapat dilihat bahwa nilai kesalahan peramalan dengan menggunakan metode
Two-Factor FTS lebih kecil dibandingkan dengan metode peramalan klasik yaitu SES dan ARIMA. Hal
ini menunjukkan bahwa metode Two-Factor FTS lebih akurat dibandingkan metode SES dan
ARIMA.
4. KESIMPULAN
Berdasarkan hasil dan pembahasan, dapat simpulkan bahwa metode Two-Factor FTS lebih
akurat dibandingkan dengan metode SES dan ARIMA. Berdasarkan metode yang lebih akurat dari
beberapa metode yang digunakan, diperoleh nilai peramalan tahun 2014 sebesar 68,93.
DAFTAR PUSTAKA
BIN. (2012). Pemanfaatan Gas Bumi Dalam Negeri : Telaah Pembangunan Kilang LNG Donggi
Senoro.
http://www.bin.go.id/wawasan/detil/140/3/10/09/2012/pemanfaatan-gas-bumi-dalam-negeri---telaah-pembangunan-kilang-lng-donggi-senoro ((diakses pada tanggal 27
Maret 2015 pukul 15.59 WIB).
Hidayatullah, S. (2012). Mengurai Problematika Gas Indonesia. http://ekonomi.kompasiana.
com/bisnis/2012/07/26/mengurai-problematika-gas-indonesia=474110.html (diakses pada
tanggal 27 Maret 2015 pukul 15.56 WIB).
Hsu, dkk. (2010). Temperature prediction and TAIFEX forecasting based on fuzzy relationships and
MTPSO techniques, Expert Systems with Applications, 37, 2756-2770.
Makridakis, S., dkk. (1999). Metode dan Aplikasi Peramalan Jilid I. Edisi Kedua. Binarupa Aksara.
Jakarta.
Song, Q. dan B. S. Chissom. (1993). Fuzzy time series and its models, Fuzzy Sets and systems, 54,
269-277.
Zhang, G.P.. (2003). Time Series Forecasting Using A Hybrid ARIMA And Neural Network Model,
