REVIEW JURNAL : PERAMALAN JUMLAH TANDAN BUAH SEGAR (TBS) KELAPA SAWIT DENGAN METODE FUZZY TIME SERIES CHEN DAN ALGORITMA RUEY CHYN TSUR (STUDI KASUS PADA PT. XYZ)

Jurnal PASTI volume VIII No 1, 36 – 48

Penulis Sarah Azmiyati dan Widya Nurcahayanti Tanjung

Fakultas  Sains dan Teknologi, Universitas Al-Azhar Indonesia

PENDAHULUAN 

Pemodelan time series dengan Fuzzy Time Series merupakan salah satu dari metode dengan menggunakan kecerdasan buatan yang semakin berkembang. Menurut Robandi (2006), sistem peramalan dengan fuzzy time series dapat menangkap pola dari data yang telah lalu untuk memproyeksikan data yang akan datang. Crude Palm Oil (CPO) merupakan minyak setengah jadi yang akan diolah menjadi beberapa jenis minyak yang bisa langsung digunakan oleh customer. Bahan baku dari pembuatan minyak CPO adalah tandan buah segar (TBS) Kelapa Sawit yang memiliki syarat-syarat tertentu untuk diolah menjadi minyak CPO. Pada penelitian ini akan dilakukan peramalan jumlah TBS Kelapa Sawit yang harus disiapkan oleh bagian perkebunan agar bisa diolah menjadi Crude Palm Oil (CPO) oleh bagian produksi. Dengan tingkat akurasi yang tinggi maka metode peramalan fuzzy time series dipilih untuk digunakan dalam menyelesaikan masalah ini. Hal ini dikarenakan dengan menggunakan metode FTS, Nilai AFER yang didapatkan mendekati 0% yang artinya tingkat akurasi prediksi terhadap data asli semakin mendekati kebenaran meskipun sebenarnya jarang sekali kasus prediksi yang nilai AFER-nya 0% (Stevenson, 2009). 

TINJAUAN PUSTAKA 

Peramalan atau forecasting adalah suatu upaya untuk memperoleh gambaran mengenai apa yang akan terjadi di masa yang akan datang. Untuk melakukan peramalan diperlukan metode tertentu dan metode mana yang digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang hendak dicapai. Dalam hal ini gambaran yang didapat tersebut akan menjadi acuan untuk membuat suatu keputusan. Pada kondisi yang tidak menentu sulit bagi kita untuk menentukan suatu perencanaan yang efektif. Peramalan dapat membantu para pemimpin untuk mengurangi ketidakpastian dalam melakukan perencanaan (Makridakis, 2009). Secara umum, metode forecasting bergantung pada empat pendekatan yang berbeda yaitu membangun model (model building), dekomposisi (Decomposition), kombinasi forecast (Forecast Combination), dan penyesuaian secara subjektif (judgmental adjustment). (Sanders and Ritzman, 2004; Webby & O'Connor, 1996). Model building memposisikan penilaian untuk memilih variable, struktur model, dan kemudian mendefinisikan parameter untuk generasi kuantitatif forecasting (Sanders and Ritzman, 2004). Dekomposisi memisahkan serial historis, kemudian di ramal dan dibuat hasil perhitungan ramalannya (Lawrence et al, 2006). Kombinasi mengarah kepada forecast individual dan menggabungkan mereka dengan cara simple atau weighted average, sembari penyesuaian dilakukan setelah generasi kuantitatif forecasting (Webby & O’Connor, 1996).  Peramalan berfungsi untuk membuat ramalan kebutuhan (demand) dari produk yang harus dibuat yang dinyatakan dalam kuantitas (jumlah).

Fuzzy logic diperkenalkan sebagai metode perhitungan dengan menggunakan kata dalam rangka untuk menyelesaikan ketidakpastian (uncertainty) (Chryshafiadi & Virvou, 2012). Sebuah alogaritma yang didasarkan pada fuzzy decision making membantu untuk memilih model yang paling optimum dengan mempertimbangkan set kriteria dan spesifikasi model (Shakori & Menhaj, 2008). Dasar logika fuzzy adalah teori himpunan fuzzy. 

Fuzzy Time Series Pada perkembangan sistem fuzzy, Chen dan Hsu, serta Stevenson dan Porter telah memperkenalkan dan mengembangkan suatu metode peramalan data runtun waktu yang menggunakan sistem inferensi fuzzy dengan basis yang diperkenalkan oleh Wang dan Mendel. Chen dan Chung (2006) menyarankan untuk dilakukan peramalan menggunakan genetic alograitma dengan Fuzzy time series. Fuzzy time series bisa di ekspresikan dengan menggunakan beberapa alternatif metode seperti ruled-based forecasting method, solusi Ibu Jari, sebuah metode educated guess, pengenalan pattern, timeseries clustering atau heuristic modeling (Duru & Bulut, 2014). Pada dasarnya, teknik fuzzy time series terdiri dari tiga tahapan, yaitu fuzzikasi menentukan hubungan fuzzy, dan defuzzikasi (Uslu dkk, 2014). Berikut merupakan beberapa definisi dasar dari himpunan fuzzy, Misalkan X merupakan semesta dari objek, dengan elemen berupa x. Maka, X = {x}. Himpunan (kelas) fuzzy A pada X didefinisikan oleh fungsi keanggotaan fA(x) yang berasosiasi dengan tiap poin pada X berupa angka real dalam interval [0,1], dengan nilai fA(x) pada x merepresentasikan tingkat keanggotaan x pada A. Maka dari itu, semakin dekat nilai fA(x) dengan nilai 1, maka semakin tinggi tingkat keanggotaan x pada A. Metode tersebut dikenal sebagai fuzzy time series. Berikut langkah-langkah peramalannya sebagai berikut: Satu. Menghitung variasi pada data dengan menggunakan rumus yang diajukan oleh Meredith Stevenson dan John E. Porter pada perhitungan peramalan FTS: 

V=(tj-tj-1)/(tj-1)  x 100 %       (1) 

Kemudian, langkah selanjutnya:  Bagi himpunan semesta U = [Dmin, Dmax] menjadi sejumlah ganjil interval yang sama u1, u2, …, um,. dan membaginya menjadi interval-interval dengan panjang yang sama dengan menggunakan rumus sturges. Rumus Sturges : 

Ninterval= 1 + 3,322 log (n)        (2) 

Langkah berikutnya yaitu jadikan A1, A2, … , Ak menjadi suatu himpunan-himpunan fuzzy yang variabel linguistiknya ditentukan sesuai dengan keadaan semesta. Langkah Keempat: Bagi fuzzy logical relationship yang telah diperoleh menjadi beberapa bagian berdasarkan sisi kiri (current state). Kelima. Defuzzifikasi data fuzzy dengan menggunakan formula peramalan fuzzy time series hasil modifikasi Meredith Stevenson dan John E. Porter. Langkah Keenam yaitu hitung hasil keluaran peramalan dengan menggunakan beberapa prinsip berikut: Satu. Jika hasil fuzzifikasi enrollment pada tahun i adalah Aj dan hanya ada satu fuzzy logical relationship pada fuzzy logical relationship group yaitu dengan posisi current state adalah Aj sebagaimana rumusan Aj → Ak Di mana Aj dan Ak adalah himpunan fuzzy dan nilai maksimum keanggotaan fuzzy-nya terdapat pada interval uk, dan midpoint (nilai tengah) dari uk adalah mk, maka hasil peramalan untuk tahun i+1 adalah mk. Dua. Jika hasil fuzzifikasi enrollment pada tahun i adalah Aj dan terdapat beberapa fuzzy logical relationship dengan current state adalah Aj yang ditunjukkan juga pada fuzzy logical relationship group yang telah dibentuk sebelumnya. Sebagaimana rumusan berikut:

Aj → Ak1, Ak2, … , Akp      (3)

Di mana Aj , Ak1, Ak2, … , Akp adalah himpunan-himpunan fuzzy dan nilai keanggotaan maksimum dari Ak1, Ak2, … , Akp terjadi pada interval u1, u2, …, up dan nilai tengah dari u1, u2, …, up adalah m1, m2, …, mp maka nilai hasil peramalan untuk tahun i+1 dirumukan (m1 + m2 + … + mp)/p. Tiga. Jika hasil fuzzifikasi enrollment pada tahun i adalah Aj dan tidak ada sama sekali fuzzy logical relationship dengan current state berupa Aj dimana nilai keanggotaan maksimum dari himpunan fuzzy Aj terjadi pada interval uj dan nilai tengah uj adalah mj, maka nilai hasil peramalan untuk tahun i+1 adalah mi. Langkah terakhir adalah mengubah persentase hasil peramalan kedalam bentuk angka kembali dan menentukan nilai Average Forcasting Error Rate (AFER) dan Mean Square Error (MSE) untuk melihat tingkat keakuratan metode peramalan.

Perhitungan Error Pada prinsipnya, pengawasan peramalan dilakukan dengan membandingkan hasil peramalan dengan kenyataan yang terjadi. Penggunaan teknik peramalan yang menghasilkan penyimpangan terkecil adalah teknik peramalan yang paling sesuai untuk digunakan. Jilani menggunakan metode AFER (average forecasting error rate) untuk mengetahui besarnya penyimpangan yang terjadi pada data hasil peramalan terhadap data aktual.  

AFER = Σ|(Ai–Fi)/Ai|X100%        (3) n  

METODE PENELITIAN 

Pada penelitian ini akan digunakan metode fuzzy time untuk menganalisa hasil data yang telah diolah, kemudian hasil peramalan menggunakan metode fuzzy time akan dinilai tingkat error-nya dengan menggunakan AFER. Berikut pada gambar 2 dan gambar 3 dijelaskan lebih detail mengenai tahapan penellitian ini.  

HASIL DAN PEMBAHASAN

 Sesuai dengan diagram alir penelitian yang telah dijabarkan pada bab sebelumnya, pada tahapan ini akan dijabarkan lebih jauh mengenai proses dan hasil dari pengumpulan dan pengolahan data serta analisa dari hasil data yang diperolah. Pengumpulan data yang dilakukan meliputi rekap data TBS Kelapa Sawit dengan satuan kilogram yang berasal dari internal dan eksternal, sehingga menjadi grand total TBS Kelapa Sawit dengan periode perhari dalam satu bulan terakhir yaitu dari tanggal 1 Maret 2015 hingga 24 Maret 2015.  

Gambaran Umum Perusahaan

PT. XYZ adalah Perusahaan PMA yang memiliki konsesi lahan luas dan rencana pengernbangan yang agresif dengan target tanam 15.000 Ha per tahun. Wilayah operasional saat ini mencakup Kalimantan Selatan, Timur dan Barat serta Papua dengan rencana perluasan ke Sumatra dan Sulawesi. Saat ini PT. XYZ memiliki sekitar 60,000 Ha tertanam dan kapasitas pabrik 135 ton per jam. Setiap pabrik dimasing-masing wilayah memiliki mesinmesin pengolahan kelapa sawit yang terintegrasi. Mesin-mesin tersebut memiliki sistem maintenance yang cukup optimal, sehingga setiap pengolahan yang terjadi oleh PT. XYZ berjalan dengan sistematis, efektif dan efisien. Selain itu, untuk pengolahan TBS kelapa sawit pada PT. XYZ ini juga memiliki kategori-kategori yang harus dipenuhi agar bisa masuk kedalam mesin pengolah TBS kelapa sawit yang disebut ramp cage yaitu mesin pengolah TBS kelapa sawit dengan beberapa pintu yang terbuka serta tertutup secara otomtis dengan sistem hidrolik.

 

Bussiness Model PT. XYZ 

Bussiness model merupakan gambaran secara umum mengenai suatu sistem yang ditergambar dalam suatu model. Dalam pengolahan tandan buah segar (TBS) kelapa sawit hingga menjadi minyak CPO, ada proses yang harus dilalui dan proses tersebut pada intinya untuk semua pabrik sama. Namun seiring dengan perkembangan teknologi maka ada beberapa modifikasi pada masing-masing stasiun pengolahan yang bertujuan untuk mendapatkan hasil yang optimal, efektif, dan efisien. Gambaran umum proses pengolahan TBS kelapa sawit menjadi CPO (Crude Palm Oil) pada PT. XYZ dapat dilihat pada lampiran 1.  

Karakteristik TBS Kelapa Sawit 

Pada Pengolahan TBS kelapa sawit menjadi CPO (Crude Palm Oil), diperlukannya TBS Kelapa Sawit yang memiliki karakteristik yang sesuai dengan standart dari PT. XYZ. Berikut merupakan foto-foto TBS Kelapa Sawit yang akan diramalkan jumlahnya pada periode yang telah ditentukan untuk proses produksi minyak sawit. Foto tersebut terdiri dari dari foto TBS Restan dari kebun yang dimiliki oleh PT. XYZ tgl 24 April 2015 yaitu restan 3 hari yang terlampir pada lampiran 2. Dari foto-foto mengenai TBS Kelapa Sawit yang siap diolah, sangat terlihat bahwa PT. XYZ sangat memperhatikan TBS kelapa Sawit yang masuk kedalam mesinnya. Mulai dari TBS Kelapa Sawit restan 2 hari hingga restan 3 hari. Gambar berikut merupakan gambaran TBS Kelapa Sawit dengan satuan kilogram yang akan diramalkan oleh peneliti untuk diketahui bahwa pada periode selanjutnya harus memenuhi berapa kilogram TBS Kelapa Sawit yang siap olah. Sehingga dengan adanya karakteristik yang sesuai dengan standar PT. XYZ, maka hasil CPO (Crude palm Oil) akan bagus dan tidak mengecewakan client yang sudah menjadi langganan memakai CPO dari PT. XYZ. 

Data TBS Kelapa Sawit  

Pengolahan Data 

Pada proses pengolahan data menggunakan metode fuzzy time series ada beberapa tahap yang harus dilakukan seperti memplot data dan seterusnya. Tahap-tahap pengolahan data  tersebut akan mengahsilkan nilai peramalan pada periode selanjutnya yaitu tanggal 25 maret dengan nilai error yang berkisar diantara 0% - 100 %. Dengan makin kecilnya nilai error maka pengolahan data yang dilakukan dengan menggunakan fuzzy time series akan optimal. Setelah dilakukan perhitungan menggunakan metode Fuzzy Time Series Chen dan Algoritma Ruey Chyn Tsur, maka didapatkan hasil peramalan untuk TBS Kelapa Sawit di PT. XYZ pada tangal 25 maret 2015 sebanyak 1.382.570 Kg TBS Kelapa Sawit yang harus dipersiapkan oleh kepala produksi. Proses pengolahan data tersebut dapat dilihat pada lampiran 3. Perhitungan tersebut didapatkan nilai error sebesar 0,22 % dengan menggunakan rumus metode AFER.  

PENUTUP

 Simpulan Berdasarkan hasil pengolahan data untuk meramalkan data Grand Total TBS Kelapa Sawit pada PT. XYZ dengan menggunakan metode Fuzzy Time Series Chen dan Algoritma Ruey Chyn Tsaur. Maka didapatkan bahwa TBS Kelapa Sawit yang harus dipersiapkan untuk proses produksi minyak sawit CPO (Crude Palm Oil) tanggal 25 Maret 2015 sebanyak 1.382.570 Kg.. dengan nilai error sebesar 0,22% yang didapatkan dari rumus AFER (Average Forecasting Error Rate) untuk melakukan perhitungan peramalan Grand Total TBS Kelapa Sawit pada PT. XYZ menggunakan metode Fuzzy Time Series Chen dan Algoritma Ruey Chyn Tsur.

DAFTAR PUSTAKA

Chen S.M. 1996. Forecasting enrollments based on fuzzy time series-Fuzzy sets and systems. International Journal of Applied Science and Engineering, Vol. 81 (3), 311-319. 

Chen S.M., & Chung N.Y. 2006.  Forecasting Enrolments Using High Order Fuzzy Time Series and Genetic Algorithms. International Journal of Intelligence System, Vol. 21, 485–501.

Chrysafiadi K., & Virvou M. 2012. Evaluating the Integration of Fuzzy Logic Into the Student Model of A Web-Based Learning Environment. International Expert System with Application, Vol. 39, 13127–13134

Lawrence M., Goodwin P., O'Connor M., Önkal D. 2006. Judgmental Forecasting: A Review of Progress over The Last 25 Years. International Journal of Forecast, Vol. 22 (3), 493– 518.

Makridakis, S. 1999. Metode dan Aplikasi Peramalan Edisi Kedua Jilid 1. Jakarta: Erlangga. Marimin. 2013. Teknik dan Analisis Pengambilan Keputusan Fuzzy Dalam Manajemen Rantai Pasok. Bogor: Penerbit IPB Press.

Sanders N.R., & Ritzman L.P. 2004. Integrating Judgmental And Quantitative Forecasts: Methodologies For Pooling Marketing And Operations Information. International Journal of Operation Production Management, Vol. 24(5), 514–529.

Shakouri H.G., & Menhaj M. 2008. A systematic fuzzy decision-making process to choose the best model among a set of competing models. IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, Vol. 38 (5), 1118–1128.

Song Q., & Chissom B.S. 1993.  Forecasting enrollments with fuzzy time series - part I. Journal Fuzzy Sets and Systems, Vol. 54. 

Stevenson, W, J.  2009. Operation Management. New York: MC Graw Hill Irwin.

Webby R., & O'Connor M. 1996. Judgemental and Statistical Time Series Forecasting: A Review of The Literature. International Journal of Forecast, Vol. 12 (1), 91–118.