PERAMALAN PRODUKSI TELUR PUYUH BERDASARKAN DATA DERET WAKTU MENGGUNAKAN
AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
SKRIPSI
MELATI YULVIRA SALSABILA 171402007
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2021
TIME SERIES FORECASTING OF THE QUAIL EGG PRODUCTION USING AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE SKRIPSI
MELATI YULVIRA SALSABILA 171402007
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2021
PERAMALAN PRODUKSI TELUR PUYUH BERDASARKAN DATA DERET WAKTU MENGGUNAKAN AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
MELATI YULVIRA SALSABILA 171402007
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
PERSETUJUAN
PERNYATAAN
PERAMALAN PRODUKSI TELUR PUYUH BERDASARKAN DATA DERET WAKTU MENGGUNAKAN AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing sudah disebutkan sumbernya.
Medan, 19 Oktober 2021
Melati Yulvira Salsabila 171402007
UCAPAN TERIMA KASIH
Alhamdulillah, puji dan syukur penulis sampaikan kepada Allah Subhanahu Wa Ta’ala, karena atas izin-Nya penulis dapat menyelesaikan penyusunan skripsi untuk melengkapi syarat memperoleh ijazah Sarjana Teknologi Informasi pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Dalam proses penyelesaian skripsi, penulis menerima banyak doa dan dukungan dari berbagai pihak. Oleh karena itu, penulis sampaikan terima kasih kepada:
1. Kedua orang tua penulis (Ibu Uti Suriaty dan Bapak Nasib Hariyono) dan kedua saudara kandung penulis (Abang Rakha Fakhreza Nandila, Amd. Pel.
dan Adik Chika Putri Kinanty), serta seluruh keluarga besar.
2. Ibu Dr. Maya Silvi Lidya, M.Sc. selaku Dekan Fasilkom-TI Universitas Sumatera Utara Periode 2021-2026.
3. Ibu Sarah Purnamawati, S.T., M.Sc. selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara dan Bapak Dedy Arisandi, S.T., M.Kom. selaku Sekretaris Program Studi S1 Teknologi Informasi Universitas Sumatera Utara Periode 2021-2026.
4. Bapak Dr. Mohammad Andri Budiman S.T., M.Comp.Sc., M.E.M. selaku Dosen Pembina UKMI Al-Khuwarizmi Fasilkom-TI Universitas Sumatera Utara.
5. Bapak Indra Aulia S.TI., M.Kom. selaku Dosen Penasehat Akademik penulis.
6. Bapak Ivan Jaya, S.Si., M.Kom. selaku Dosen Pembimbing I dan Ibu Rossy Nurhasanah, S.Kom., M.Kom selaku Dosen Pembimbing II yang sudah membimbing penulis dalam menyelesaikan skripsi ini.
7. Ibu Dr. Erna Budhiarti Nababan M.IT selaku Dosen Pembanding I dan Bapak Dedy Arisandi ST., M.Kom. selaku Dosen Pembanding II penulis.
8. Seluruh dosen dan pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
9. Teman-teman terdekat penulis dari masa sekolah, yaitu Annisa, Dwi Silviana, Iin Octa Fadhilah, Tri Lestari, Adelia Anggraini, Riska Juliana, Dhea Annisa dan Canvita Natalia.
10. Teman-teman penulis yang sudah banyak membantu penulis dan berjuang bersama meraih gelar sarjana di Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yaitu Adelia, Aini, Eka Wulandari, Okky, Aflah, Aida, Majidah, Nia, Sintha, Eka K., Tria, Nurul, Allia Rania, Namira, Jessi, Fani, Destri, Tika, Ayu, Indi, Juwita, Lisa, Manda, Nadia, Fakhira, Rezky, Ali, Fahmi, Bagus, Rogate, Jackie, Dika dan teman-teman kom A, serta teman-teman angkatan 2017 Teknologi Informasi.
11. Kakak-kakak senior dan adik-adik junior, yaitu kak Fira, Kak Ida, kak Hilda, kak Mayang, kak Gisty, kak Rina, kak Annissa K. M. Nasution, kak Elsa, kak Mutiah, kak Minda, bang Boby, bang Muhib, bang Feisal, bang Ilham KWR bang Arif Iskandar, dik Milpa, dik Dela, dik Tari, dik Mumu, dik Vita, dik Nurul, dik Wilda, dik Istikanah, dik Bella dan lainnya.
12. Teman-teman organisasi UKMI Al-Khuwarizmi Fasilkom-TI, PEMA Fasilkom-TI, KPU Fasilkom-TI, ITLG (Information Technology Laboratory Group), Duta USU Green Campus dan IMAMESA (Ikatan Mahasiswa Membangun Desa) Langkat.
Medan, 19 Oktober 2021
Penulis
ABSTRAK
Peternak burung puyuh memerlukan cara yang tepat untuk memperoleh keuntungan dari hasil produksi yang sesuai dengan kebutuhan. Oleh karena itu, peternak burung puyuh perlu melihat forecasting (peramalan) produksi telur puyuh. Peramalan adalah proses memperkirakan data masa mendatang secara sistematis berdasarkan data masa lalu. Pada penelitian ini algoritma ARIMA (Autoregressive Integrated Moving Average) diterapkan untuk meramalkan produksi telur puyuh. Algoritma ARIMA dipilih karena dapat melakukan peramalan jangka pendek (kurang dari 2 tahun) data deret waktu yang cukup akurat dari data masa lalu. Data yang digunakan adalah data produksi telur puyuh dari peternakan burung puyuh di Langkat, Sumatera Utara dari Januari 2015 sampai Desember 2020 untuk peramalan data Januari 2021 sampai Desember 2022. MAPE (Mean Absolute Percentage Error) digunakan sebagai pengukuran ketepatan model peramalan. Hasil peramalan dibagi menjadi 4 data, yaitu peramalan data jumlah burung puyuh dengan model terbaik ARIMA(0,1,0) dan kesalahan peramalan MAPE = 1.4%, peramalan data jumlah telur puyuh bercorak dengan model terbaik ARIMA(0,1,1) dan kesalahan peramalan MAPE = 1.3%, peramalan data jumlah telur puyuh tidak bercorak dengan model terbaik ARIMA(0,1,1) dan kesalahan peramalan MAPE = 4%, serta peramalan data total produksi telur puyuh dengan model terbaik ARIMA(0,1,1) dan kesalahan peramalan MAPE = 1.1%.
Berdasarkan hasil penelitian yang sudah diperoleh, sistem peramalan produksi telur puyuh dengan menggunakan algoritma ARIMA sudah sangat baik dalam meramalkan data selama 2 tahun ke depan yang dapat dilihat dari nilai MAPE masing-masing data dimana nilai MAPE < 10% merupakan nilai dengan kesalahan peramalan sangat baik.
Kata Kunci: Peramalan, Telur Puyuh, ARIMA dan MAPE
TIME SERIES FORECASTING OF THE QUAIL EGG PRODUCTION USING AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
ABSTRACT
Quail breeders need the right way to profit from the production that suits their needs.
Therefore, quail breeders need to look at forecasting quail egg production. Forecasting is the process of systematically estimating future data based on past data. In this study, ARIMA (Autoregressive Integrated Moving Average) algorithm was applied to predict quail egg production time data. The ARIMA algorithm was chosen because it can forecast short-term (less than 2 years) time series data which is quite accurate from past data. The data used is monthly time series data for quail egg production from quail farms in Langkat, North Sumatra from January 2015 to December 2020 for forecasting data from January 2021 to December 2022. MAPE (Mean Absolute Percentage Error) is used as a measurement of the forecasting errors. Forecasting results into 4 data, namely forecasting data on the number of quails with the best model ARIMA(0,1,0) and forecasting error MAPE = 1.4%, forecasting data on the number of quail eggs with the best model ARIMA(0,1,1) and forecasting error MAPE = 1.3%, data for forecasting the number of quail eggs is not patterned with the best model ARIMA(0,1,1) and forecasting error MAPE = 4%, and forecasting data for total quail egg production with the best model ARIMA(0, 1 ,1) and forecasting error MAPE = 1.1%. Based on the research that has been obtained, forecasting quail eggs using the ARIMA algorithm is very good in estimating time series data for the next 2 years which can be seen from the MAPE of each data where the MAPE value < 10% is a value with very good forecasting error.
Keywords: Forecasting, Quail Eggs, ARIMA and MAPE
DAFTAR ISI
Hal.
PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
BAB 1 PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
1.6. Metodologi Penelitian 4
1.7. Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 6
2.1. Telur Puyuh 6
2.2. Peramalan 8
2.3. Data Deret Waktu 8
2.4. Pembentukan Model ARIMA 13
2.4.1. Autoregressive 13
2.4.2. Integrated 13
2.4.3. Moving average 14
2.4.4. Autoregressive integrated moving average 15
2.5. Korelogram PACF dan ACF 16
2.6. Nilai Ketepatan Peramalan (Error Determination) 17
2.6.1. Standard error 17
2.6.2. Kriteria informasi akaike 18
2.6.3. Rata-rata kesalahan persentase absolut 18
2.7. Penelitian Terdahulu 19
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 22
3.1. Data 22
3.2. Analisis Sistem 22
3.2.1. Tahap input 24
3.2.2. Tahap preprocessing 24
3.2.3. Tahap ARIMA modeling 26
3.2.4. Tahap sent data after modeling to web server 32
3.2.5. Tahap output 32
3.3. Prosedur Analisis Data 33
3.4. Perancangan Antarmuka 33
3.3.1. Perancangan antarmuka login 33
3.3.2. Perancangan antarmuka beranda 34
3.3.3. Perancangan antarmuka admin 34
3.3.4. Perancangan antarmuka pengepul 35
3.3.5. Perancangan antarmuka pendataan 35
3.3.6. Perancangan antarmuka keuangan 36
3.3.7. Perancangan antarmuka peramalan 36
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 38
4.1. Kebutuhan Perangkat Keras dan Perangkat Lunak Sistem 38
4.1.1. Spesifikasi hardware 38
4.1.2. Spesifikasi software 38
4.2. Implementasi Data 39
4.2.1. Model identification 39
4.2.2. Model estimation 46
4.2.3. Model evaluation 47
4.2.4. Forecasting 49
4.3. Pengujian Sistem 58
BAB 5 KESIMPULAN DAN SARAN 59
5.1. Kesimpulan 59
5.2. Saran 60
DAFTAR PUSTAKA 61
LAMPIRAN 64
DAFTAR TABEL
Hal.
Tabel 2.1. Contoh Proses Difference d=1 14
Tabel 2.2. Ketentuan ACF dan PACF Tabel 2.3. Penelitian Terdahulu
17 20
Tabel 3.1. Gambaran Dataset 22
Tabel 3.2. Dataset Pendataan Sebelum Seleksi (3 Baris Teratas) 24 Tabel 3.3. Dataset Pendataan Sesudah Seleksi (3 Baris Teratas) 24 Tabel 3.4. Data Sampel Total Produksi Telur Puyuh 25
Tabel 3.5. Penyesuaian Tipe Data 25
Tabel 3.6. Data Sampel Sesudah Cleaning 26
Tabel 3.7. Proses Differencing Data Sampel Sesudah Cleaning 28 Tabel 3.8. Nilai Parameter-Parameter Model Data Sampel (Permisalan) 29
Tabel 4.1. Rincian Data Peramalan 38
Tabel 4.2. Model Tentative ARIMA 46
Tabel 4.3. Model Evaluation Jumlah burung puyuh 47 Tabel 4.4. Model Evaluation Jumlah Telur Puyuh Bercorak 47 Tabel 4.5. Model Evaluation Jumlah Telur Puyuh Tidak Bercorak 47 Tabel 4.6. Model Evaluation Total Produksi Telur Puyuh 47
Tabel 4.7. Hasil Model Terbaik 48
Tabel 4.8. Perbandingan Data Jumlah burung puyuh 48 Tabel 4.9. Perbandingan Data Jumlah Telur Puyuh Bercorak 49 Tabel 4.10. Perbandingan Data Jumlah Telur Puyuh Tidak Bercorak 50 Tabel 4.11. Perbandingan Data Total Produksi Telur Puyuh 50
Tabel 4.12. Kesalahan peramalan MAPE 53
Tabel 4.13. Hasil Peramalan 2021 – 2022 54
Tabel 4.14. Kuesioner Pengujian Sistem 57
DAFTAR GAMBAR
Hal.
Gambar 2.1. Burung puyuh Coturnix japonica 6
Gambar 2.2. Kandang Burung puyuh Coturnix japonica 7 Gambar 2.3. Telur Puyuh Bercorak dan Tidak Bercorak
Gambar 2.4. Pola Data Deret Waktu
7 9 Gambar 2.5. Grafik Data dalam Keadaan Stasioner 10
Gambar 2.6. Grafik Data Tidak Stasioner 11
Gambar 2.7. Pola Autokorelasi Data Tidak Stasioner 12
Gambar 2.8. Pola Autokorelasi Data Stasioner 12
Gambar 2.9. Anatomi Korelogram PACF dan ACF 17
Gambar 3.1. Arsitektur Umum 23
Gambar 3.2. Grafik Data Sampel 26
Gambar 3.3. Correlogram ACF Data Sampel 27
Gambar 3.4. Hasil Uji Adfuller Test Data Sampel 27 Gambar 3.5. Correlogram PACF dan ACF Data Sampel Sesudah Differencing 28
Gambar 3.6. Prosedur Analisis Data 32
Gambar 3.7. Perancangan Antarmuka Login 33
Gambar 3.8. Perancangan Antarmuka Beranda 33
Gambar 3.9. Perancangan Antarmuka Admin 34
Gambar 3.10. Perancangan Antarmuka Pengepul 34
Gambar 3.11. Perancangan Antarmuka Pendataan 35
Gambar 3.12. Perancangan Antarmuka Keuangan 35
Gambar 3.13. Perancangan Antarmuka Peramalan 36
Gambar 3.14. Perancangan Antarmuka Grafik Peramalan 36
Gambar 4.1. Grafik Data Jumlah burung puyuh 39
Gambar 4.2. Grafik Data Jumlah Telur Puyuh Bercorak 39 Gambar 4.3. Grafik Data Jumlah Telur Puyuh Tidak Bercorak 40 Gambar 4.4. Grafik Data Total Produksi Telur Puyuh 40 Gambar 4.5. Korelogram ACF Jumlah burung puyuh 41
Gambar 4.6 . Korelogram ACF Jumlah Telur Puyuh Bercorak 42 Gambar 4.7. Korelogram ACF Jumlah Telur Puyuh Tidak Bercorak 42 Gambar 4.8. Korelogram ACF Total Produksi Telur Puyuh 43
Gambar 4.9. Adfuller Test Jumlah burung puyuh 44
Gambar 4.10. Adfuller Test Jumlah Telur Puyuh Bercorak 44 Gambar 4.11. Adfuller Test Jumlah Telur Puyuh Tidak Bercorak 44 Gambar 4.12. Adfuller Test Total Produksi Telur Puyuh 44 Gambar 4.13. Korelogram PACF dan ACF Jumlah burung puyuh 45 Gambar 4.14. Korelogram PACF dan ACF Jumlah Telur Puyuh Bercorak 45 Gambar 4.15. Korelogram PACF dan ACF Jumlah Telur Puyuh Tidak Bercorak
45
Gambar 4.16. Korelogram PACF dan ACF Total Produksi Telur Puyuh 46 Gambar 4.17. Grafik Kesalahan Peramalan Jumlah Burung Puyuh 51 Gambar 4.18. Grafik Kesalahan Peramalan Jumlah Telur Puyuh Bercorak 52 Gambar 4.19. Grafik Kesalahan Peramalan Jumlah Telur Puyuh Tidak Bercorak
52
Gambar 4.20. Grafik kesalahan Peramalan Total Produksi Telur Puyuh 53 Gambar 4.21. Hasil Peramalan Jumlah Burung puyuh 2021 – 2022 55 Gambar 4.22. Hasil Peramalan Telur Puyuh Bercorak 2021 – 2022 55 Gambar 4.23. Hasil Peramalan Telur Puyuh Tidak Bercorak 2021 – 2022 56 Gambar 4.24. Hasil Peramalan Total Produksi Telur Puyuh 2021 – 2022 56
Gambar 4.25. Pengujian Sistem Bersama User 57
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Telur puyuh bernutrisi tinggi dan menjadikan telur puyuh banyak dikonsumsi masyarakat Indonesia untuk dijadikan beragam olahan makanan dan menyebabkan permintaan pasar terhadap telur puyuh semakin meningkat dari waktu ke waktu, sehingga beberapa masyarakat Indonesia mengambil peluang untuk beternak burung puyuh (Rukmana & Yudirachman. 2017). Menurut Ketua Umum APPI (Asosiasi Peternak Puyuh Indonesia), Slamet Wuryadi (2020) mengatakan bahwa beternak burung puyuh menghasilkan pendapatan yang cukup terjamin karena satu ekor burung puyuh dapat bertelur mencapai 250 sampai 300 butir per tahun dan permintaan pasar terhadap telur puyuh selalu ada.
Peternak burung puyuh melakukan sortasi atau seleksi telur puyuh berdasarkan kualitas telur puyuh yang dilihat dari kondisi kerabang telur puyuh. Kerabang telur puyuh berwarna putih tidak bercorak dan lebih tipis mempunyai nilai jual yang lebih rendah dibandingkan dengan kerabang telur puyuh bercorak hitam kecoklatan dan tebal.
Sesudah melakukan sortasi, dilakukan proses pendataan secara periodik dengan menghitung hasil produksi telur puyuh untuk kemudian diserahkan ke pengepul dan dipasarkan (Wuryadi, 2013).
Namun, sering terjadi masalah dalam penyediaan telur puyuh karena jumlah telur puyuh yang akan dipasarkan tidak sesuai dengan jumlah permintaan, sehingga hal ini dapat menyebabkan kerugian. Diperlukan peramalan (forecasting) produksi telur puyuh pada masa mendatang. Dengan demikian peternak burung puyuh dapat mengatur jumlah burung puyuh yang dapat diternakan dan jumlah stok telur puyuh yang dapat disimpan di dalam gudang penyimpanan dan memperoleh keuntungan dari hasil produksi yang sesuai kebutuhan (Yusuf et al. 2017).
Beberapa penelitian terkait peramalan produksi telur sudah dilakukan dengan beragam metode. Rahayuningtyas (2018) membangun sistem website untuk meramalkan data deret waktu penjualan telur puyuh di bulan berikutnya dengan melakukan perhitungan jumlah penjualan telur puyuh pada bulan-bulan sebelumnya dengan menggunakan metode Moving Average. Hasil sistem sebagai alat bantu untuk manajemen stok telur puyuh dan penjualan dilengkapi fitur peramalan dengan nilai kesalahan peramalan MAPE (Mean Absolute Percentage Error) = 8.96% yang mana MAPE < 10% merupakan nilai dengan kesalahan peramalan sangat baik.
Yusuf et al. (2017) melakukan peramalan permintaan pasar terhadap produksi telur dengan menggunakan metode pemulusan eksponensial (Exponential Smoothing) Holt-Winters untuk peramalan tanggal 1 sampai 7 Mei 2017 dengan nilai kesalahan peramalan MAPE (Mean Absolute Percentage Error) = 26.57% yang mana MAPE >
20% merupakan nilai dengan kesalahan peramalan cukup.
Metode lain untuk peramalan adalah dengan menggunakan ARIMA. ARIMA (Autoregressive Integrated Moving Average) merupakan suatu metode peramalan data deret waktu (time series) yang mana data dikumpulkan secara periodik berdasarkan urutan waktu, seperti jam, hari, minggu, bulan dan tahun (Ukhra, 2016). ARIMA dapat melakukan peramalan data deret waktu dalam jangka pendek (kurang dari 2 tahun) yang cukup akurat dari data masa lalu (Brownlee, 2020). Penelitian terkait peramalan produksi menggunakan metode ARIMA adalah peramalan produksi telur ayam yang dilakukan oleh Sankar (2014) meramalkan data deret waktu produksi telur ayam di Tamilnadu, India berdasarkan data produksi telur ayam dari tahun 1996 sampai 2008 dengan terpilih model terbaik ARIMA(0,1,1) sebagai model yang sesuai dan nilai kesalahan peramalan MAPE (Mean Absolute Percentage Error) = 11.03% yang mana MAPE > 10% merupakan nilai dengan kesalahan peramalan baik.
Berdasarkan latar belakang yang sudah dituliskan sebelumnya, penulis melakukan penelitian peramalan produksi telur puyuh berdasarkan dari data deret waktu produksi telur puyuh dengan judul penelitian skripsi “Peramalan Produksi Telur Puyuh Berdasarkan Data Deret Waktu Menggunakan Autoregressive Integrated Moving Average”.
1.2. Rumusan Masalah
Sering terjadi masalah dalam penyediaan telur puyuh karena jumlah telur puyuh yang akan dipasarkan tidak sesuai dengan jumlah permintaan. Diperlukan sistem pendataan dan peramalan produksi telur puyuh pada masa mendatang untuk mengatur jumlah burung puyuh dan jumlah stok telur puyuh yang dapat disimpan di dalam gudang penyimpanan.
1.3. Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut:
1. Dataset adalah data deret waktu (time series) bulanan sebanyak 6 tahun dari Januari 2015 sampai Desember 2020 yang berasal dari suatu peternakan burung puyuh di daerah Langkat, Sumatera Utara.
2. Variabel data yang digunakan berupa tanggal, jumlah burung puyuh, jumlah telur puyuh bercorak, jumlah telur puyuh tidak bercorak dan total produksi telur puyuh.
3. Tidak membahas faktor eksternal yang mempengaruhi produksi telur puyuh, seperti: suhu kandang, jenis pakan dan wabah penyakit.
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah penggunaan Autoregressive Integrated Moving Average dalam meramalkan data deret waktu produksi telur puyuh.
1.5. Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut:
1. Peramalan produksi telur puyuh pada masa mendatang sebagai perkiraan perencanaan produksi pada peternakan burung puyuh.
2. Membantu peternak burung puyuh dalam melakukan pendataan produksi telur puyuh.
1.6. Metodologi Penelitian
Metodologi penelitian dijabarkan menjadi beberapa tahap sebagai berikut:
1. Studi Literatur
Proses pengumpulan data dan informasi dari berbagai buku, jurnal, prosiding, skripsi, artikel dan berita online sebagai sumber referensi yang mendukung penelitian.
2. Pengumpulan Data
Proses survey ke suatu peternakan burung puyuh untuk pendataan produksi telur puyuh beberapa tahun lalu.
3. Analisis Permasalahan
Proses analisis data dan informasi yang sudah dikumpulkan untuk peramalan deret waktu menggunakan Autoregressive Integrated Moving Average berdasarkan dari pendataan produksi telur puyuh.
4. Perancangan Sistem
Proses rancangan arsitektur untuk analisis data, serta rancangan antarmuka sistem pendataan dan peramalan berdasarkan hasil analisis terhadap studi literatur yang sudah diperoleh dan dipahami.
5. Implementasi dan Pengujian Sistem
Proses pembangunan sistem pendataan dan peramalan berbasis website sesuai dengan analisis dan perancangan yang sudah dilakukan, kemudian dilakukan proses uji coba terhadap sistem untuk memastikan sistem sudah sesuai dengan yang diharapkan dalam penelitian ini.
6. Penyusunan Laporan
Proses dokumentasi penelitian yang sudah dilakukan dengan menyusun laporan dalam bentuk skripsi.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari 5 bagian utama diantaranya yaitu:
Bab 1: Pendahuluan
Penjelasan tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
Bab 2: Landasan Teori
Penjelasan tentang teori-teori, algoritma yang digunakan, serta penelitian-penelitian terdahulu yang terkait dengan penelitian.
Bab 3: Analisis dan Perancangan Sistem
Penjelasan tentang data yang digunakan, arsitektur umum penggunaan Autoregressive Integrated Moving Average dan rancangan antarmuka sistem.
Bab 4: Implementasi dan Pengujian Sistem
Penjelasan tentang implementasi data, pembahasan hasil penelitian dan skenario pengujian terhadap sistem.
Bab 5: Kesimpulan dan Saran
Penjelasan tentang kesimpulan dari seluruh pembahasan penelitian dan saran yang penulis ajukan untuk perbaikan dan pengembangan penelitian selanjutnya.
BAB 2
LANDASAN TEORI
2.1. Telur Puyuh
Telur puyuh merupakan telur yang dihasilkan oleh unggas kecil bernama burung puyuh.
Ada beragam jenis burung puyuh dan kebanyakan telur puyuh di Indonesia berasal dari jenis burung puyuh Coturnix japonica atau disebut juga dengan Gemak yang dapat dilihat pada Gambar 2.1. Burung puyuh tersebut mempunyai masa pertumbuhan dan pembiakan yang cepat. Bentuk badannya cenderung kecil dan berkaki pendek dengan badan dipenuhi bulu berwarna coklat disertai bercak abu-abu dan hitam. Burung puyuh betina berukuran lebih besar daripada burung puyuh jantan. Ukuran burung puyuh betina yaitu sekitar 143 g/ekor dan ukuran burung puyuh jantan yaitu sekitar 117 g/ekor (Untung et al. 2011).
Gambar 2.1. Burung puyuh Coturnix japonica
Gambar 2.2. Kandang Burung puyuh Coturnix japonica
Pemeliharaan burung puyuh tergolong mudah karena dapat dibudidayakan di sekitar pekarangan rumah. Peternak burung puyuh melakukan sortasi atau seleksi telur puyuh berdasarkan kualitas kerabang telur puyuh. Kerabang telur puyuh berwarna putih tidak bercorak dan lebih tipis mempunyai nilai jual yang lebih rendah dibandingkan dengan kerabang telur puyuh bercorak hitam kecoklatan dan tebal seperti pada Gambar 2.3. Telur puyuh dengan kerabang yang cacat atau retak tidak dijual karena tidak baik apabila dikonsumsi karena dikhawatirkan mempunyai bakteri berbahaya (Rukmana &
Yudirachman. 2017). Kemudian, secara periodik dilakukan proses pendataan dengan menghitung jumlah burung dan hasil produksi telur puyuh secara periodik. Telur puyuh yang sudah terdata diserahkan ke pengepul telur puyuh untuk didistribusikan ke pasaran.
Telur Puyuh Bercorak Telur Puyuh Tidak Bercorak
Gambar 2.3. Telur Puyuh Bercorak dan Tidak Bercorak
2.2. Peramalan
Peramalan menjadi bagian penting dari kegiatan pengambilan keputusan manajemen organisasi/perusahaan dalam prakiraan jangka pendek, jangka menengah dan jangka panjang (Hyndman & Athanasopoulos, 2021). Peramalan (forecasting) merupakan proses memperkirakan masa depan seakurat mungkin berdasarkan informasi yang tersedia, termasuk data historis dengan menggunakan suatu metode peramalan tertentu (Juanda & Junaidi. 2012). Salah satu metode peramalan adalah peramalan data deret waktu (time series forecasting).
Time series forecasting merupakan peramalan mengenai terjadinya suatu kejadian atau peristiwa di masa mendatang berdasarkan pada data kejadian atau peristiwa di masa lalu (Ukhra, 2016). Time series forecasting mempertimbangkan waktu yang diamati dan dikumpulkan berdasar pada interval waktu teratur, seperti jam, hari, minggu, bulan dan tahun untuk melakukan peramalan. Ketika meramalkan data deret waktu, tujuannya adalah untuk memperkirakan bagaimana urutan pengamatan akan berlanjut ke masa depan. Selain itu, tujuan peramalan data deret waktu adalah untuk membantu dalam menyusun perencanaan atau perkiraan ke depan berdasar pada waktu sebagai variabel utama yang mempengaruhi nilai peramalan (Brownlee, 2020).
Metode peramalan deret waktu yang paling sederhana hanya menggunakan informasi tentang variabel yang akan diramalkan, dan tidak berusaha menemukan faktor-faktor yang mempengaruhi hasil peramalan. Oleh karena itu, dilihat pola data deret waktu, tetapi mengabaikan faktor luar yang mempengaruhi data. Perhatian utama adalah meramalkan apa yang akan terjadi, bukan untuk mengetahui mengapa hal itu terjadi. Akhirnya, model deret waktu dapat memberikan perkiraan yang lebih akurat (Hyndman & Athanasopoulos, 2021). Oleh sebab peramalan bersifat memperkirakan, maka tidak ada data atau hasil peramalan yang akurat 100% sesuai dengan data asli (data actual) (Syahputra, 2019).
2.3. Data Deret Waktu
Data yang disusun berdasarkan urutan waktu atau data yang dikumpulkan dari waktu ke waktu disebut data deret waktu atau time sereis (Sumarjaya. 2016). Data dikumpulkan secara periodik berdasarkan urutan waktu, seperti jam, hari, minggu, bulan dan tahun. Data deret waktu dikenal juga dengan sebutan data historis. Data deret
waktu digunakan untuk melakukan analisis atau peramalan data yang mempertimbangkan pengaruh waktu (Hayati et al. 2018).
Data deret waktu mempunyai salah satu atau gabungan dari beberapa empat tipe pola data, yaitu constant, trend, seasonal dan cyclic yang dikenal sebagai komponen data time series. Bentuk pola data deret waktu dapat dilihat pada Gambar 2.4 (Sadik & Silvianti, 2021). Hyndman & Athanasopoulos (2021) menyatakan bahwa penting untuk mengetahui pola data deret waktu supaya mendapatkan model analisis data deret waktu yang tepat.
Gambar 2.4. Pola Data Deret Waktu
1. Constant (Konstan); terjadi bilamana rata-rata dan ragam cenderung terlihat tetap dari waktu ke waktu.
2. Trend; terjadi bilamana penurunan atau kenaikan data dalam suatu waktu.
3. Seasonal (Musiman); terjadi bilamana data deret waktu dipengaruhi oleh faktor musiman (misalnya terjadi kenaikan atau penurunan data pada kuartal bulan tertentu).
4. Cyclic (Siklis); disebut juga data musiman jangka panjang yang berulang misalnya setiap 5 tahun.
Data deret waktu dibagi menjadi dua bagian, yaitu data stasioner dan data tidak stasioner. Dikatakan stasioner apabila data deret waktu mempunyai rata-rata dan/atau ragam (varians/fluktuasi) yang tetap dari waktu ke waktu. Dikatakan tidak stasioner apabila data deret waktu tidak mempunyai rata-rata dan/atau ragam (varians/fluktuasi) yang tetap dari waktu ke waktu. Dengan kata lain, stasioner terjadi apabila tidak terjadi kenaikan atau penurunan secara tajam pada data atau konstan dari waktu ke waktu
(Juanda & Junaidi. 2012). Kestasioneran dalam analisis time series diperlukan untuk memperkecil kesalahan model dan biasanya analisis time series ditujukan untuk data stasioner.
Juanda & Junaidi (2012) menjelaskan bahwa untuk mengetahui kestasioneran data deret waktu dapat dilakukan dengan tiga cara yaitu:
1. Pola Data Dalam Grafik
Dilihat secara tampilan pola dalam grafik, data dengan pola constant adalah data yang stasioner karena tidak adanya perubahan drastis pada data yang diidentifikasikan dengan bentuk sebaran data mempunyai rata-rata dan ragam cenderung terlihat tetap dari waktu ke waktu. Sedangkan, data dengan pola trend, seasonal dan cyclic adalah data yang tidak stasioner. Berdasarkan Gambar 2.5 dapat dilihat bentuk pola data yang stasioner dan Gambar 2.6 dapat dilihat bentuk pola data yang tidak stasioner.
Gambar 2.5. Grafik Data dalam Keadaan Stasioner
Gambar 2.6. Grafik Data Tidak Stasioner
Rata-rata
Dimana:
x̅ = Rata–rata
∑x = Jumlah keseluruhan data n = Banyaknya data
Ragam (Varians)
Dimana:
𝜎2 = Ragam (varians)
x = Data ke-i
x̅ = Rata–rata n = Banyaknya data
2. Melihat Pola Korelogram ACF (Autocorrelation Function)
ACF digunakan untuk melihat adanya korelasi (hubungan) pada data yang sama antar waktu. Pola grafik autokorelasi turun dengan linear atau lamban mendekati titik nol untuk beberapa waktu waktu (lag) yang contohnya dapat dilihat pada Gambar 2.7 adalah ciri-ciri dari tampilan grafik yang menunjukkan data tidak stasioner. Sedangkan, pola korelogram dengan nilai positif dan negatif secara bergantian di sekitar titik nol atau tidak berbeda secara signifikan dengan nol yang contohnya dapat dilihat pada Gambar 2.8 adalah data deret waktu yang stasioner.
Gambar 2.7. Pola Autokorelasi Data Tidak Stasioner
Gambar 2.8. Pola Autokorelasi Data Stasioner
3. Augmented Dickey-Fuller Test (Adfuller Test)
Pada dua tahap sebelumnya, untuk mengetahui kestasioneran data masih dilakukan secara visual. Kemudian, uji akar unit dengan Augmented Dickey- Fuller test (Adfuller Test) untuk uji kestasioneran data secara signifikan.
Tujuannya untuk melihat apakah terdapat akar unit pada data deret waktu dengan melakukan pengujian hipotesis nol (H0). Jadi, hasil ini menggunakan p-value dari tes. Berikut merupakan hipotesis pengujiannya:
p-value ≤ 0.05 berarti tolak hipotesis nol (H0), data tidak mempunyai akar unit dan data stasioner.
p-value > 0.05 berarti gagal menolak hipotesis nol (H0), data mempunyai akar unit dan data tidak stasioner.
2.4. Pembentukan Model ARIMA 2.4.1. Autoregressive
AR (Autoregressive) berarti regresi pada dirinya sendiri mempunyai notasi p. Bentuk persamaan dari model Autoregressive dinyatakan sebagai berikut (Nau, 2020):
Dimana:
𝑌̂t = Data yang diramalkan
Yt-1, ... ,Yt-p = Nilai masa lalu dari time series yang bersangkutan pada waktu t- 1, ..., t-p
∅p = Nilai koefisien AR ke-p 𝑒𝑡 = error pada waktu ke-t
2.4.2. Integrated
Dalam melakukan analisis data time series, seperti analisis peramalan nilai masa depan, data harus merupakan data stasioner, terutama dengan menggunakan model AR (Autoregressive) dan MA (Moving Average). Namun, terkadang ditemukan data time series yang tidak stasioner. Oleh karena itu, digunakan teknik mengubah data time series yang tidak stasioner menjadi data time series yang stasioner yang disebut proses Differencing. Differencing atau dikenal sebagai integrated (integrasi) atau peubah dilakukan untuk mengubah data deret waktu menjadi stasioner dan mempunyai notasi
d yang berarti derajat yang membedakan. Proses Differencing adalah dengan mencari perbedaan sebanyak d kali antara data satu waktu dengan waktu sebelumnya secara berurutan sebagai contoh terlihat pada Tabel 2.1 cara melakukan differencing pada suatu data sebanyak 1 kali d= 1 atau ARIMA(p,1,q).
Tabel 2.1. Contoh Proses Difference d=1
No. Data Differencing
1. A -
2. B B - A
3. C C – B
4. D D - C
Operator Backward Shift tepat untuk menggambarkan proses Differencing.
Bentuk persamaan dari integrated(0,d,0) atau ARIMA(p,1,q) adalah (Nau, 2020):
Dimana:
Yt danYt– n = Nilai variabel pada waktu t dan waktu t-n
B = Backward shift
2.4.3. Moving average
MA (Moving Average) berarti rata-rata bergerak mempunyai notasi q. Bentuk persamaan dari model Moving Average dinyatakan sebagai berikut (Nau, 2020):
Dimana:
𝑌̂t = Data yang diramalkan θq = Nilai koefisien MA ke-q et dan et-k = Error pada waktu ke-t
2.4.4. Autoregressive integrated moving average
ARIMA (Autoregressive Integrated Moving Average) merupakan model untuk peramalan nilai yang akan datang dalam deret waktu (time series) nilai sekarang dan nilai sebelumnya. ARIMA mempunyai standar notasi ARIMA(p,d,q) yang mana parameter atau orde p, d dan q terbentuk dari generalisasi model AR (Autoregressive) dan MA (Moving Average) dengan menambahkan gagasan differencing atau integrated (Brownlee, 2020). Hal ini dikarenakan pada model AR(p) dan MA(q) hanya dapat menganalisis atau meramalkan data time series yang stasioner saja. Sedangkan, tidak semua data time series bersifat stasioner. Pada peramalan deret waktu disyaratkan data deret waktu yang stasioner supaya kesalahan peramalan yang didapat lebih akurat. Jadi, model ARIMA sesuai untuk kedua tipe data, yaitu stasioner dan tidak stasioner (Juanda, 2019). Dengan demikian, pada ARIMA ditambahkan parameter d (integrated atau Differencing atau pembeda) untuk mengubah data time series tidak stasioner menjadi stasioner.
Bentuk umum persamaan dari model ARIMA(p,d,q) dinyatakan sebagai berikut (Nau, 2020):
Dimana:
Dimana:
𝑌̂t = Nilai pada waktu ke-t (data yang diramalkan)
Yt-1, ... ,Yt-p = Nilai masa lalu dari time series yang bersangkutan pada waktu t- 1, ..., t-p
𝜇 = Suku konstan atau rata-rata peubah waktu ke waktu. Jika rata-rata dari Y adalah nol, maka konstanta tidak akan disertakan.
Berikut merupakan beberapa contoh model ARIMA yang biasa ditemui atau digunakan diantaranya sebagai berikut (Nau, 2020).
2.5. Korelogram PACF dan ACF
Fungsi Autokorelasi Parsial atau PACF (Partial Autocorrelation Function) dan Fungsi Autokorelasi atau ACF (Autocorrelation Function) digunakan sebagai pendugaan orde p dan q atau dikenal dengan model tentative pada model ARIMA dengan melihat cut off dan dying down yang ketentuannya terlihat pada Tabel 2.2 (Brownlee, 2020). Cut off adalah lag yang tidak signifikan terhadap garis batas signifikansi biasanya ditandai dengan garis batas atas dan bawah atau area berwarna biru atau abu pada korelogram PACF dan ACF. Sedangkan, dying down adalah lag yang bergerak turun secara cepat dengan bertambahnya lag (sinusidal) .
Gambar 2.9. Anatomi Korelogram PACF dan ACF
Tabel 2.2. Ketentuan ACF dan PACF
Model PACF ACF
AR(p) cut off di suatu lag p dying down pada lag p MA(q) dying down pada lag q cut off di suatu lag q ARMA(p,q) cut off di suatu lag p cut off di suatu lag q
2.6. Nilai Ketepatan Peramalan (Error Determination)
Proses mengevaluasi model time series dilakukan dengan menghitung nilai kesalahan (error) atau kesalahan peramalan (forecasting error) atau disebut juga sebagai error determination. Nilai error yang baik adalah nilai yang paling kecil. Untuk mengevaluasi model peramalan yang sudah dihasilkan, terdapat beberapa cara yang digunakan diantaranya:
2.6.1. Standard error
SE (Standard Error) merupakan cara yang umum dilakukan untuk validasi model pada ARIMA. Cara menghitungnya adalah dengan mengurangkan nilai peramalan model dan nilai sebenarnya (Shim, 2000). Bentuk persamaan SE adalah:
Dimana:
actual = Nilai data actual forecas t = Nilai data peramalan
2.6.2. Kriteria informasi akaike
Kriteria Informasi Akaike atau AIC (Akaike’s Information Criterion) merupakan penduga kesalahan peramalan dari ARIMA model. Nilai AIC terkecil adalah kandidat model terbaik (Sumarjaya, 2016).
Dimana:
k = Banyaknya parameter dalam model
k = p + q + 1 jika model berisi suku konstan k = p + q jika model tidak berisi suku konstan n = Banyaknya data (pengamatan)
2.6.3. Rata-rata kesalahan persentase absolut
Perhitungan kesalahan peramalan untuk mengetahui seberapa besar kesalahan peramalan (data forecast) dibandingkan dengan nilai sebenarnya (data actual) dari data time series dalam bentuk persentase dikenal dengan MAPE (Mean Absolute Percentage Error) atau rata-rata kesalahan persentase absolut (Shim, 2000). Wigati et al. (2016) menjelaskan bahwa untuk menentukan model yang terbaik dapat dilihat dari nilai kesalahan (error) yang mana model terbaik mempunyai nilai error yang paling kecil sebagai perhitungan kesalahan peramalan menggunakan MAPE, nilai persentase kesalahan (Percentage Error) pada MAPE yang kecil menandakan semakin akurat hasil peramalan. Bentuk persamaan MAPE adalah:
………. (2.17) Dimana:
At = Nilai actual ke-t Ft = Nilai hasil forecast ke-t n = Banyaknya data
Keterangan Range MAPE (Nabillah & Ranggadara. 2020):
Jika < 10%, maka kemampuan model peramalan sangat baik.
Jika 10 – 20%, maka kemampuan model peramalan baik.
Jika 20 – 50%, maka kemampuan model peramalan cukup.
Jika > 50%, maka kemampuan model peramalan buruk.
2.7. Penelitian Terdahulu
Penelitian-penelitian terdahulu berkaitan dengan sistem pendataan dan peramalan data sudah dilakukan seperti Febryana et al. (2020) melakukan penelitian yaitu mengembangkan sistem informasi (website) manajemen produksi peternakan PT. Vega Nusa Argita untuk mengelola data produksi telur ayam dan puyuh menggunakan bahasa pemrograman PHP pada framework Codeigniter.
Peramalan jumlah ternak puyuh yang harus dipelihara berdasarkan keuntungan hasil produksi Peternakan Laura menggunakan metode Inverse Regression diperoleh rata-rata hasil produksi dari ternak puyuh adalah 73% dari jumlah ternak merupakan hasil dari penelitian Hayati et al. (2018).
Rahayuningtyas (2018) membangun sistem untuk meramalkankan penjualan telur puyuh di bulan berikutnya dengan melakukan perhitungan jumlah penjualan telur puyuh pada bulan-bulan sebelumnya dengan menggunakan metode Moving Average dengan fitur peramalan dan nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 8.96% yang mana MAPE < 10% merupakan nilai dengan kesalahan peramalan yang sangat baik.
Selanjutnya, Yusuf et al. (2017) melakukan peramalan permintaan pasar terhadap produksi telur dengan menggunakan metode pemulusan eksponensial (Exponential Smoothing) tripel Holt-Winters untuk peramalan tanggal 1 sampai 7 Mei 2017 adalah 84.088 kg dengan parameter α = 0.3, β = 0.1 dan γ = 0.3, serta nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 26.57% yang mana MAPE > 20% merupakan nilai dengan kesalahan peramalan yang cukup.
Peramalan produksi telur puyuh (Coturnix coturnix coturnix) dari data yang diambil dari suatu instansi di Brazil dengan menggunakan model peramalan Multiple Regression, Bayesian Networks dan Artificial Neural Networks yang kemudian diketahui bahwa model peramalan Artificial Neural Networks lebih baik daripada model
Multiple Regression dan Bayesian Networks karena didapatkan hasil hubungan nonlinear dengan korelasi peramalan r = 0.792 and r = 0.714 (Felipe, et al. 2015).
Perancangan model stokastik untuk meramalkankan produksi telur ayam di Tamilnadu, India berdasarkan data produksinya dari tahun 1996 sampai 2008 dengan menggunakan Autoregressive Integrated Moving Average (ARIMA). Hasil dari penelitian ini dipilih model ARIMA(0,1,1) sebagai model yang sesuai dan nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 11.033% yang mana MAPE > 10% merupakan nilai dengan kesalahan peramalan yang baik, serta diramalkan produksi telur ayam akan meningkat menjadi 19.179 juta pada tahun 2015 dari 8.960 juta pada tahun 2008 di wilayah Tamilnadu, India.
Tabel 2.3. Penelitian Terdahulu
No. Peneliti Judul Penelitian Keterangan 1. Febryana et al.
2020.
Pengembangan Sistem Informasi Manajemen Produksi Telur PT. Vega Nusa Argita berbasis Web (Studi Kasus : Desa Watukebo Kecamatan Rogojampi Banyuwangi)
Hasil dari penelitian ini yaitu mengembangkan sistem
informasi (website) manajemen produksi peternakan PT. Vega Nusa Argita untuk mengelola data produksi telur ayam dan puyuh menggunakan bahasa pemrograman PHP pada framework Codeigniter.
2. Hayati et al.
2018. Penggunaan Metode Inverse Regression dalam Meramalkan Jumlah Ternak Puyuh Berdasarkan Keuntungan Hasil Produksi
Peternakan Laura
Hasil dari penelitian ini yaitu peramalan jumlah ternak puyuh yang harus dipelihara
berdasarkan keuntungan hasil produksi Peternakan Laura menggunakan metode Inverse Regression diperoleh rata-rata hasil produksi dari ternak puyuh adalah 73% dari jumlah ternak.
3. Rahayuningtya
s, 2018. Sistem Peramalan Penjualan Telur Puyuh Menggunakan Metode Moving Average
Hasil dari penelitian ini yaitu membangun sistem untuk meramalkankan penjualan telur puyuh di bulan berikutnya dengan melakukan perhitungan jumlah penjualan telur puyuh pada bulan-bulan sebelumnya dengan menggunakan metode Moving Average dengan fitur peramalan dan nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 8.96% yang mana MAPE < 10%
merupakan nilai dengan
kesalahan peramalan yang sangat baik.
4. Yusuf et al.
2017. Penerapan Logika Fuzzy Dalam Memperkirakan Jumlah Produksi Telur Terhadap Permintaan Pasar
Hasil dari penelitian ini yaitu peramalan permintaan pasar terhadap produksi telur dengan menggunakan metode
pemulusan eksponensial (Exponential Smoothing) tripel Holt-Winters untuk tanggal 1 sampai 7 Mei 2017 adalah 84.088 kg, dengan parameter α = 0.3, β = 0.1 dan γ = 0.3
mempunyai nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 26.57% yang mana MAPE >
20% merupakan nilai dengan kesalahan peramalan yang cukup.
5. Felipe et al.
2015.
Using Multiple Regression, Bayesian Networks And Artificial Neural Networks For Prediction Of Total Egg Production In European Quails Based On Earlier Expressed Phenotypes
Hasil dari penelitian ini yaitu diketahui bahwa model peramalan Artificial Neural Networks lebih baik daripada model Multiple Regression dan Bayesian Networks sesuai untuk meramalkan total produksi telur puyuh (Coturnix coturnix coturnix) yang datanya diambil dari suatu instansi di Brazil karena didapatkan hasil hubungan nonlinear dengan korelasi peramalan r = 0.792 dan r = 0.714.
6. Sankar, 2014. Design Of A Stochastic Forecasting Model For Egg Production
Hasil dari penelitian ini yaitu dipilih model ARIMA(0,1,1) sebagai model yang sesuai dan nilai kesalahan peramalan Mean Absolute Percentage Error (MAPE) = 11.033% yang mana MAPE > 10% merupakan nilai dengan kesalahan peramalan yang baik, serta diramalkan produksi telur ayam akan meningkat menjadi 19.179 juta pada tahun 2015 dari 8.960 juta pada tahun 2008 di wilayah Tamilnadu, India.
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1. Data
Data hasil produksi bulanan dari Januari 2015 sampai Desember 2020 atau data 6 tahun diambil secara langsung pada suatu peternakan burung puyuh di Langkat, Sumatera Utara (Lampiran 8). Variabel data yang diramalkan terdiri dari jumlah burung puyuh, jumlah telur puyuh bercorak, jumlah telur puyuh tidak bercorak dan total produksi telur puyuh (Lampiran 2).
Tabel 3.1. Gambaran Dataset
Rata-Rata Ragam Max Min Jumlah burung puyuh 10937 669.804339 12230 9670 Jumlah Telur Puyuh Bercorak 114521 12480.317342 143640 76890 Jumlah Telur Puyuh Tidak
Bercorak
5474 1438.467433 9060 3120 Total Produksi Telur Puyuh 119995 13237.078499 150660 83760
3.2. Analisis Sistem
Analisis sistem dilakukan dengan beberapa tahap, yaitu pengumpulan data (data collection), persiapan data (preprocessing), proses pembentukan model peramalan (forecasting modeling) dengan ARIMA dan pemeriksaan ketepatan model peramalan (error determination), serta menampilkan data hasil peramalan (data visualization) berbasis website. Beberapa tahap tersebut dapat dilihat pada Gambar 3.1.
Gambar 3.1. Arsitektur Umum
Berdasarkan pada Gambar 3.1, maka Peramalan Produksi Telur Puyuh Dengan Menggunakan ARIMA (Autoregressive Integrated Moving Average) meliputi:
3.2.1. Tahap input
Data deret waktu bulanan produksi telur puyuh 6 tahun dari Januari 2015 sampai Desember 2020 yang tersimpan melalui website pada tabel pendataan di dalam database MySQL. Kemudian, diproses dengan menggunakan bahasa pemrograman Python (Lampiran 6). Setelah melalui tahap preprocessing data dibagi menjadi bagian, yaitu 4 tahun untuk data training dan 2 tahun untuk data testing.
3.2.2. Tahap preprocessing 1. Data Selection
Terdapat 6 variabel data pada tabel pendataan yang diolah untuk mencari nilai peramalan, yaitu id, tanggal, jumlah burung puyuh, jumlah telur puyuh bercorak, jumlah telur puyuh tidak bercorak dan total produksi telur puyuh. Masing-masing variabel diolah satu per satu untuk mencari nilai peramalan dengan tanggal menjadi index.
Tabel 3.2. Dataset Pendataan Sebelum Seleksi (3 Baris Teratas) Id Tanggal Jumlah
burung puyuh
Jumlah Telur Puyuh
Bercorak
Jumlah Telur Puyuh Tidak
Bercorak
Total Produksi Telur Puyuh
1 01/01/2015 10000 76890 6870 83760
2 01/02/2015 9970 102660 3360 106020
3 01/03/2015 9910 97440 3540 100980
Tabel 3.3. Dataset Pendataan Sesudah Seleksi (3 Baris Teratas) Tanggal Jumlah
burung puyuh
Jumlah Telur Puyuh
Bercorak
Jumlah Telur Puyuh Tidak
Bercorak
Total Produksi Telur Puyuh
01/01/2015 10000 76890 6870 83760
01/02/2015 9970 102660 3360 106020
01/03/2015 9910 97440 3540 100980
Tabel 3.4 merupakan data sampel untuk memperjelas bagaimana proses peramalan ARIMA modeling dengan mengambil 5 baris data total produksi telur puyuh dari tabel pendataan (Lampiran 2).
Tabel 3.4. Data Sampel Total Produksi Telur Puyuh Tanggal Total Produksi Telur
Puyuh
Peramalan Total Produksi Telur Puyuh
01/01/2015 83760
01/02/2015 106020
01/03/2015 100980
01/04/2015 0
01/05/2015 115200
*01/06/2015 118080 ?
*Keterangan:
Data tanggal 01/06/2015 adalah data yang akan digunakan dalam pencarian peramalan dan validasi model sampel.
2. Data Cleaning
Dataset yang sudah diseleksi harus melalui proses EDA (Exploratory Data Analysis) supaya data sesuai untuk diolah. Prosesnya terdiri dari pemeriksaan dan pembersihan nilai kosong (missing value), apabila terdapat data kosong yang tidak terlalu banyak, maka diatasi dengan memperhitungkan nilai pengganti dengan mean (rata-rata), begitu juga apabila terdapat nilai nol (0) pada beberapa baris data yang disebabkan oleh kesalahan dalam pengisian data. Kemudian, penyesuaian tipe data yang digunakan.
Pada proses analisis peramalan, tipe data yang semula bertipe integer diubah menjadi float sebagaimana terlihat pada Tabel 3.5.
Tabel 3.5. Penyesuaian Tipe Data
Column Data Type
After Before
Tanggal datetime datetime
Jumlah burung puyuh integer float
Jumlah Telur puyuh Bercorak integer float
Jumlah Telur Puyuh Tidak Bercorak integer float
Total Produksi Telur Puyuh integer float
Berikut merupakan contoh penggantian nilai nol pada data sampel sebagaimana terlihat pada Tabel 3.4 dengan mean menggunakan persamaan 2.1 dan hasilnya dapat dilihat pada Tabel 3.6.
𝑋̅ = ∑ 𝑋
𝑛
𝑋̅ = 83760 + 106020 + 100980 + 0 + 115200
5 = 405960
5 = 81192
Tabel 3.6. Data Sampel Sesudah Cleaning Tanggal Total Produksi Telur
Puyuh
01/01/2015 83760
01/02/2015 106020
01/03/2015 100980
01/04/2015 81192
01/05/2015 115200
3.2.3. Tahap ARIMA modeling
Dalam melakukan peramalan data deret waktu dengan ARIMA dibutuhkan beberapa tahap. Variabel jumlah burung puyuh, jumlah telur puyuh bercorak, jumlah telur puyuh tidak bercorak dan total produksi telur puyuh melalui tahap ARIMA modeling masing- masing untuk mencari nilai peramalan 2 tahun ke depan.
Berikut merupakan tahap-tahap peramalan dengan ARIMA modeling (Hyndman &
Athanasopoulos, 2021):
1. Model Identification
Model identification merupakan proses mengidentifikasi jenis data time series berdasarkan pola grafik data yang diolah apakah data constant, trend, seasonal atau cyclic dengan berdasarkan pada Gambar 2.4 di bab 2. Maka, dilihat pola grafik data actual keempat variabel data.
Gambar 3.2. Grafik Data Sampel
Sebagai contoh, pada Gambar 3.2 merupakan grafik data sampel yang mempunyai pola trend dilihat dari kenaikan atau penurunan data dalam suatu waktu.
Selanjutnya, mengetahui kestasioneran data yang dilihat dengan tiga cara (Juanda &
Junaidi. 2012). Pertama, data stasioner atau tidak stasioner dapat diketahui dari melihat pola grafik data aktual (data history) yang sebelumnya sudah dilakukan dan terlihat pada Gambar 3.2 menampilkan pola data trend yang berarti data tidak stasioner.
Kedua, melihat correlogram ACF (Autocorrelation Function) yang dapat memperkirakan data stasioner atau tidak stasioner. Ciri-ciri dari tampilan grafik data tidak stasioner adalah apabila pola grafik autokorelasi turun dengan linear atau lamban mendekati titik nol untuk beberapa waktu waktu (lag) sebagaimana terlihat pada Gambar 2.7 di Bab 2. Sebagai contoh, Gambar 3.3 merupakan tampilan correlogram ACF data sampel yang menunjukkan tampilan grafik data tidak stasioner.
Gambar 3.3. Correlogram ACF Data Sampel
Ketiga, Adfuller Test untuk lebih memastikan apakah benar bahwa data tidak stasioner. Dengan kriteria uji hipotesis 𝐻0 ditolak apabila nilai statistik uji Adfuller Test mempunyai nilai kurang dari nilai daerah kritik (tingkat signifikansi) atau 𝜌 − 𝑣𝑎𝑙𝑢𝑒 <
α (5% atau 0.05). Jika ditolak maka data time series dikatakan stasioner atau tidak mempunyai akar unit. Sebagai contoh, Gambar 3.4 merupakan hasil uji Adfuller Test data sampel.
Gambar 3.4. Hasil Uji Adfuller Test Data Sampel
Berdasarkan pada Gambar 3.4 terlihat bahwa nilai p-value data sampel yaitu 0.9986 dan nilai statistik uji ADF yaitu 1.9774. Dengan demikian, gagal menolak hipotesis nol (H0), karena nilai statistik uji ADF mempunyai nilai lebih dari nilai daerah kritik (titik signifikansi = 5%) atau p-value > 0.05, maka data mempunyai akar unit dan tidak stasioner.
2. Model Estimation
Model estimation merupakan proses untuk mencari model tentative (kandidat model terbaik sementara) pada data yang akan diramalkan. Pada proses sebelumnya yaitu model identification data sudah diketahui bahwa tidak stasioner. Oleh karena itu, dilakukan proses Differencing. Banyaknya proses Differencing sama dengan nilai orde d. Misalnya, terjadi sekali proses Differencing supaya data menjadi stasioner, berarti orde d = 1. Selesai dilakukan proses Differencing, dilakukan Adfuller Test lagi untuk memastikan data sudah benar stasioner.
Sebagai contoh, data sampel menjadi stasioner dalam sekali proses Differencing. Pada Tabel 3.7 ditampilkan proses Differencing pada data sampel berdasarkan pada persamaan 2.4.
Tabel 3.7. Proses Differencing Data Sampel Sesudah Cleaning Tanggal Total Produksi Telur
Puyuh Differencing
01/01/2015 83760 -
01/02/2015 106020 (106020 - 83760) = 22260
01/03/2015 100980 (100980 - 106020) = -5040
01/04/2015 81192 (81192 - 100980) = -19788
01/05/2015 115200 (115200 - 81192 ) = 34008
Proses mencari estimasi nilai orde p dan q dengan menggunakan korelogram PACF dan ACF dari data yang sudah stasioner. Sebagai contoh, misalnya pada Gambar 3.5 terlihat korelogram PACF dan ACF dari data sampel yang sudah stasioner untuk melihat cut off dan dying down. Berdasarkan pada Gambar 3.5 terlihat bahwa terjadi cut off dan dying down pada lag ke-0 dan ke-3. Dengan demikian, nilai orde p dan q = 0 atau 3 atau AR(0) atau AR(3) dan MA(0) atau MA(3). Sehingga, model tentative (model terbaik sementara) data sampel adalah ARIMA(0,1,0) ; ARIMA(0,1,3) ; ARIMA(3,1,0)
; ARIMA(3,1,3).
Gambar 3.5. Correlogram PACF dan ACF Data Sampel Sesudah Differencing
3. Model Evaluation
Pada proses sebelumnya yaitu model estimation sudah diketahui model tentative dari dataset yang akan diramalkan. Kemudian, pada tahap model evaluation dilakukan uji diagnostik model yang terbaik dengan indikator nilai Standard Error (SE) dan nilai Aikake’s Information Criterion (AIC) yang terkecil untuk dipilih melakukan peramalan.
Perhitungan dilakukan dengan bantuan fungsi auto.arima dalam Python (Lampiran 4).
Sebagai contoh, sudah diketahui model terbaik data sampel adalah ARIMA(3,1,0) yang nilai parameter-parameter model yang terlihat pada Tabel 3.8.
Tabel 3.8. Nilai Parameter-Parameter Model Data Sampel (Permisalan)
Parameter Koefisien e AIC
AR ∅1 0.343 0.039 1056.183
∅2 0.263 0.025
∅3 0.446 0.015
𝜀t 0.079
4. Peramalan
Proses sebelumnya yaitu model evaluation sudah diketahui model terbaik untuk keempat variabel data. Pada penelitian ini, data actual 2 tahun (Januari 2019 sampai Desember 2020) digunakan sebagai data validasi untuk melihat perbandingan data actual dengan data peramalan dan perhitungan nilai kesalahan peramalan dengan MAPE pada persamaan 2.17 yang kemudian diketahui apakah model yang terpilih mempunyai ketepatan kesalahan peramalan yang sesuai atau tidak. Jika hasil kesalahan peramalan tidak sesuai, maka dapat memilih model tentative yang lain hingga hasil
kesalahan peramalan sesuai. Apabila model sudah sesuai, selanjutnya dilakukan perhitungan peramalan data masa mendatang dan pada penelitian ini dilakukan perhitungan peramalan data mendatang sebanyak 2 tahun (Januari 2021 sampai Desember 2022) karena ARIMA sesuai untuk meramalkan data masa mendatang dalam jangka pendek (kurang dari 2 tahun) untuk keempat variabel data, yaitu peramalan jumlah burung puyuh, peramalan jumlah telur puyuh bercorak, peramalan jumlah telur puyuh tidak bercorak dan peramalan total produksi telur puyuh.
Untuk memperjelas bagaimana proses peramalan ARIMA, berikut merupakan contoh proses perhitungan peramalan untuk bulan selanjutnya, yaitu Juni 2015 dari data sampel secara manual dengan menggunakan persamaan 2.7.
Dimana:
∅1 = 0.343
∅2 = 0.263
∅3 = -0.446 𝜀t = 0.079
𝑌̂𝑡 = Forecasting di bulan ke-t Y𝑡-p = Forecasting di bulan ke-t-1
Maka,
Sehingga:
𝑌̂𝑡
YJuni2015
=
=
=
=
=
∅1 (Yt-1 - Yt-2) + ∅2 (Yt-2 - Yt-3) + ∅3(Yt-3 - Yt-4) + 𝜀t
0.343 (Yt-1 - Yt-2) + 0.263 (Yt-2 - Yt-3) + (-0.446(Yt-3 - Yt-4)) + 𝜀t
∅1 (YMei2015 – YApril2015) + ∅2 (YApril2015 – YMaret2015) -
∅3(YMaret2015 – YFebruari2015) + 𝜀t
0.343 (115200 - 81192) + 0.263 (81192 - 100980) + 0.446 (100980 - 106020) + 0.079
= 0.343 (34008) + 0.263 (-19788) - 0.446 (-5040) + 1056.183
= 11664.74 - 5204.24 + 2247.84 + 0.079
=
=
8708.419 8708
Sudah dilakukan perhitungan peramalan untuk bulan selanjutnya, yaitu Juni 2015 dan diperoleh hasil peramalan adalah 8708. Sebelumnya sudah diketahui data sampel bulan Juni 2015 adalah 118080 sebagaimana terlihat pada Tabel 3.4. Maka, perhitungan kesalahan peramalan menggunakan MAPE adalah sebagai berikut:
Dimana:
At = 118080
Ft = 8708
N = 5
Maka, MAPE = |(
118080− 8708 118080
5 )100| = |(
109372 118080
5 )100| = |(0.9262
5 )100| = |18.52| = 18%
Dengan demikian, model ARIMA(3,1,0) pada data sampel mempunyai ketepatan kesalahan peramalan MAPE = 4,04% yang mana range MAPE 10 – 20%, maka kemampuan model peramalan baik. Maka, model dapat digunakan untuk perhitungan peramalan data masa mendatang.
3.2.4. Tahap sent data after modeling to web server
Sesudah memperoleh hasil peramalan data ke depan sesuai yang diinginkan, selanjutnya adalah menyimpan peramalan data masa mendatang ke dalam database dan data tersebut ditampilkan pada website yang sudah dibangun (Lampiran 6).
3.2.5. Tahap output
Data peramalan produksi telur puyuh 2 tahun ke depan (Januari 2021 sampai Desember 2022) yang divisualisasikan dalam bentuk tabel dan grafik (Data Visualization).
3.3. Prosedur Analisis Data
Gambar 3.6. Prosedur Analisis Data
3.4. Perancangan Antarmuka
Rancangan antamuka sistem merupakan gambaran sistem yang akan dibangun. Adapun rancangan antarmuka sistem pada penelitian ini berbasis website dan gambarannya terlihat pada Gambar 3.7, Gambar 3.8, Gambar 3.9, Gambar 3.10, Gambar 3.11, Gambar 3.12 dan Gambar 3.13, serta pada gambar-gambar tersebut terdapat nomor 1 yang merupakan sidebar menu, nomor 2 merupakan header website dan nomor 3 merupakan halaman konten.
3.3.1. Perancangan antarmuka login
Sebelum dapat mengakses website, user harus login terlebih dahulu dengan username dan password yang sudah dibuat.
Gambar 3.7. Perancangan Antarmuka Login
3.3.2. Perancangan antarmuka beranda Beranda merupakan tampilan awal website.
Gambar 3.8. Perancangan Antarmuka Beranda
3.3.3. Perancangan antarmuka admin
Admin merupakan tampilan tabel data username dan password.
Gambar 3.9. Perancangan Antarmuka Admin
3.3.4. Perancangan antarmuka pengepul
Pengepul merupakan tampilan tabel data pengepul.
Gambar 3.10. Perancangan Antarmuka Pengepul
3.3.5. Perancangan antarmuka pendataan
Pendataan merupakan tampilan tabel data produksi telur puyuh.
Gambar 3.11. Perancangan Antarmuka Pendataan
3.3.6. Perancangan antarmuka keuangan
Keuangan merupakan tampilan tabel data keuangan hasil produksi telur puyuh.
Gambar 3.12. Perancangan Antarmuka Keuangan
3.3.7. Perancangan antarmuka peramalan
Peramalan merupakan tampilan tabel data peramalan produksi telur puyuh.
Gambar 3.13. Perancangan Antarmuka Peramalan
Gambar 3.14. Perancangan Antarmuka Grafik Peramalan
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Kebutuhan Perangkat Keras dan Perangkat Lunak Sistem
Berdasarkan perancangan sistem pada Bab 3, dibutuhkan spesifikasi perangkat keras dan perangkat lunak yang mendukung pembuatan sistem pendataan dan peramalan produksi telur puyuh menggunakan ARIMA berbasis website dengan bahasa pemrograman Python.
4.1.1. Spesifikasi hardware
Berikut ini merupakan spesifikasi hardware yang digunakan dalam penelitian ini diantaranya sebagai berikut:
1) Prosesor Intel Core i5 7th Gen.
2) GPU NVIDIA GeForce 930MX sebesar 16GB dan CPU 2.50GHz.
3) RAM 4GB dan HDD 1TB.
4.1.2. Spesifikasi software
Berikut ini merupakan spesifikasi software yang digunakan dalam penelitian ini diantaranya sebagai berikut:
1) Bahasa pemrograman yang digunakan adalah Python, HTML (Hypertext Markup Language), CSS (Cascading Style Sheets) dan Javascript.
2) Python libraries yang digunakan adalah numpy, pandas, statmodel s, matplotlib, jsonify, pmdarima dan SQLAlchemy.
3) Framework yang digunakan adalah Flask dan Bootstrap.
4) Web server yang digunakan adalah XAMPP dan database yang digunakan adalah MySQL.
5) Text Editor yang digunakan adalah Visual Studio Code dan Jupyter Notebook.
4.2. Implementasi Data
Data yang digunakan pada penelitian ini merupakan data historis bulanan produksi telur puyuh dari Januari 2015 sampai Desember 2020 (6 tahun) yang berasal dari suatu peternakan burung puyuh yang diambil secara langsung di daerah Langkat, Sumatera Utara dan data dapat dilihat pada Lampiran 2. Data tersebut sudah melalui proses input melalui sistem website ke dalam database MySQL dengan ekstensi .sql. Kemudian, data diolah melalui tahap preprocessing dan tahap ARIMA modeling, serta diperoleh data peramalan 2 tahun ke depan yaitu dari Januari 2021 sampai Desember 2022 dengan rincian data sebagaimana yang ada pada Tabel 4.1.
Tabel 4.1. Rincian Data Peramalan
Column Data Type
After Before
Tanggal datetime datetime
Peramalan Jumlah burung puyuh float integer
Peramalan Jumlah Telur Puyuh Bercorak float integer Peramalan Jumlah Telur Puyuh Tidak
Bercorak float integer
Peramalan Total Produksi Telur Puyuh float integer Data peramalan ditampilkan dalam bentuk tabel dan grafik di website yang sudah dibangun. Ketepatan hasil peramalan dapat dilihat pada pola grafik data actual dan data peramalan, serta secara matematis dihitung nilai kesalahan peramalan dengan MAPE untuk melihat ketepatan peramalan data (Brownlee, 2020). Berdasarkan pada Tahap ARIMA modeling yang sudah dijelaskan di Bab 3 bagian 3.2. Arsitektur Umum.
Berikut merupakan hasil implementasi dari data yang diolah pada penelitian ini.
4.2.1. Model identification
Model identification pada ARIMA dimulai dengan melihat pola grafik data actual keempat variabel data apakah pola data masing-masing variabel merupakan data yang mempunyai komponen data time series, yaitu data constant, trend, seasonal dan cyclic. Sebagaimana terlihat pada Gambar 4.1 merupakan grafik data jumlah burung puyuh, Gambar 4.2 merupakan grafik data jumlah telur puyuh bercorak, Gambar 4.3 merupakan grafik data jumlah telur puyuh tidak bercorak dan Gambar 4.4 merupakan grafik data total produksi telur puyuh. Berdasarkan pada Gambar 4.1, Gambar 4.2, Gambar 4.3 dan Gambar 4.4 disimpulkan bahwa keempat variabel data mempunyai
komponen data time series yaitu trend karena terjadi kenaikan atau penurunan data secara terus-menerus dalam suatu waktu.
Gambar 4.1. Grafik Data Jumlah Burung Puyuh
Gambar 4.2. Grafik Data Jumlah Telur Puyuh Bercorak
Gambar 4.3. Grafik Data Jumlah Telur Puyuh Tidak Bercorak
Gambar 4.4. Grafik Data Total Produksi Telur Puyuh
