BAB IV ANALISA DAN PERANCANGAN

Transkripsi

1 BAB IV ANALISA DAN PERANCANGAN Pada bagian ini berisi analisa peramalan konsumsi BBM Provinsi Riau, yang mana data konsumsi BBM, jumlah kendaran bermotor dan jumlah penduduk merupakan faktor yang mempengaruhi hasil peramalan. Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan metode yang akan digunakan untuk melakukan proses peramalan. Hasil analisis tersebut kemudian akan digunakan untk merancang perangkat lunak. Setelah tahap analisa selesai, tahap selanjutnya yaitu membuat perancangan dari sistem yang akan dibuat. 4.. Gambaran Umum Peramalan konsumsi BBM ini menerapkan metode Fuzzy C Means untuk melakukan pembagian (clustering) data dan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) sebagai metode untuk melakukan proses peramalan. Data masukan untuk melakukan permalan ini adalah data time series dari konsumsi BBM, jumlah kendaraan bermotor dan jumlah penduduk yang selanjutnya akan diproses dengan perhitungan menggunakan metode Adaptive Neuro Fuzzy Inference System. Untuk lebih jelasnya Gambaran umum sistem dapat dilihat pada Gambar 4. berikut. Gambar 4.. Gambaran Umum Sistem

2 Berdasarkan Gambar 4. dapat diketahui bahwa rancang bangun dari sistem peramalan ini memiliki beberapa proses berupa data masukan, proses utama dan keluaran yang dapat dijelaskan sebagai berikut:. Data masukan yang dibutuhkan oleh sistem berupa time series dari konsumsi BBM, jumlah kendaraan bermotor dan jumlah penduduk yang selanjutnya akan di proses oleh sistem menggunakan konsep dari metode ANFIS.. Proses Utama, menyatakan prosesproses utama yang terdapat pada rancang bangun sistem peramalan konsumsi bbm, yaitu dimulai dari proses pembagian data menggunakan menjadi dua inputan, kemudian dilakukan proses clustering menggunakan metode Fuzzy C Means. Selanjutnya, dari hasil clustering akan didapatkan nilai standar deviasi dan mean yang kemudian akan dimasuukan dalam proses perhitungan untuk menentukan hasil peramalan mengunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). 3. Keluaran merupakan hasil dari prosesproses utama yang terjadi pada sistem. Output dari sistem berupa hasil peramalan konsumsi BBM serta persentase error yang juga ditampilkan dalam bentuk grafik agar lebih jelas serta mudah dimengerti. 4.. Analisa Kebutuhan Data Dari Gambaran umum sistem pada Gambar 4. telah dijelaskan bahwa dalam prosesnya sistem peramalan ini menggunakan data time series konsumsi BBM, jumlah kendaraan dan jumlah penduduk sebagai data masukan. Time series (deret waktu) adalah data yang disusun berdasarkan urutan waktu atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan dapat berupa hari, minggu, bulan, tahun dan sebagainya. Data time series sangat berguna bagi pengambil keputusan untuk memperkirakan atau meramalkan kejadian di masa yang akan datang. Karena diyakini pola perubahan data time series beberapa periode masa lampau akan kembali terulang pada masa kini. Data masukan yang akan digunakan pada sistem peramalan adalah data time series tahunan dari konsumsi BBM, jumlah kendaraan, jumlah penduduk dan selanjutnya akan dilakukan perhitungan peramalan menggunakan metode ANFIS IV

3 untuk menghasilkan peramalan konsumsi bbm berikutnya. Adapun data time series konsumsi BBM diperoleh dari PT Pertamina Persero UPMS. Pada Tabel 4. adalah data konsumsi BBM pada tahun yang akan digunakan untuk proses peramalan. Tabel 4. Data Konsumsi BBM Tahun Konsumsi BBM ( kilo liter ) Tahun Sumber : PT Pertamina UPMS I Sementara itu data jumlah kendaraan dan jumlah penduduk yang akan digunakan untuk peramalan diperoleh dari Badan Pusat Statistik Provinsi Riau. Berikut adalah data jumlah kendaraan dan jumlah penduduk pada tahun IV3

4 Tabel 4. Data Jumlah Kendaraan dan Jumlah Penduduk Provinsi Riau Tahun Tahun Jumlah Kendaraan Bermotor Jumlah Penduduk ( Jiwa ) Sumber : Badan Pusat Statistik Provinsi Riau 4.3. Analisa Metode Fuzzy C Means Pada latar belakang disebutkan bahwa penelitian ini menggunakan metode Fuzzy C Means sebagai metode pembagian ( clustering ) data. Pada dasarnya metode FCM memiliki langkah awal penting yang harus diperhatikan karena memiliki pengaruh terhadap keakuratan hasil peramalan dimana hasil dari pembagian data ini ( Standar Deviasi dan Mean) akan digunakan untuk proses peramalan selanjutnya dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Berikut merupakan Flowchart dari metode Fuzzy C Means dan Adaptive Neuro Fuzzy Inference System : IV4

5 Gambar 4.. Flowchart Proses Metode Fuzzy C Means dan Adaptive Neuro Inference System Pembagian Data Seperti yang telah dijelaskan pada bab sebelumnya, sebelum melakukan pengelompokan data menggunakan metode Fuzzy C Means data akan dibagi terlebih dahulu. Pada penelitian ini menggunakan 3 model kombinasi inputan untuk memprediksi konsumsi BBM. Model kombinasi inputan pertama menggunakan variabel inputan jumlah konsumsi BBM dan jumlah kendaraan bermotor. Model kombinasi inputan kedua menggunakan variabel inputan jumlah IV5

6 konsumsi BBM dan jumlah penduduk. Model kombinasi inputan ketiga menggunakan variabel inputan jumlah konsumsi BBM. Target output untuk semua model kombinasi inputan adalah jumlah konsumsi BBM tahun berikutnya. Untuk meramalkan jumlah konsumsi satu tahun kedepan diperlukan datadata aktual 6 tahun sebelumnya. Sebagai contoh, untuk meramalkan jumlah konsumsi BBM pada tahun 003 diperlukan data konsumsi BBM dan faktornya dari tahun 997 sampai dengan 00, untuk meramalkan tahun 004 menggunakan data dari tahun 998 sampai 003, untuk meramalkan tahun 005 menggunakan data dari tahun 999 sampai 004. Begitu juga untuk tahuntahun berikutnya Jumlah Konsumsi BBM dan Jumlah Kendaraan Bermotor Berdasarkan data konsumsi BBM pada tabel 4. dan data jumlah kendaraan bermotor pada tabel 4. maka didapatkan pembagian data yang digunakan untuk melakukan peramalan menggunakan inputan jumlah konsumsi BBM dan jumlah kendaraan bermotor adalah seperti yang terlihat pada tabel 4.3 dibawah ini. Tabel 4.3. Kombinasi inputan Jumlah Konsumsi BBM dan Jumlah Kendaraan Tahun 997 Inputan Konsumsi BBM Jumlah kendaraan (X) (X) Target Output Y(t) IV6

7 Keterangan : X Data konsumsi bbm sebelumnya X Data jumlah kendaraan bermotor sebelumnya Yt Data konsumsi bbm sekarang Seperti yang terlihat pada tabel 4.3 diatas untuk meramalkan jumlah konsumsi satu tahun kedepan diperlukan datadata aktual 6 tahun sebelumnya. Sebagai contoh, untuk meramalkan jumlah konsumsi BBM pada tahun 003 diperlukan data konsumsi BBM dan faktornya dari tahun 997 sampai dengan 00, untuk meramalkan tahun 004 menggunakan data dari tahun 998 sampai 003. Begitu juga untuk tahuntahun berikutnya. Hal ini juga berlaku pada kombinasi iputan lainnya yaitu konsumsi BBM dan jumlah penduduk Jumlah Konsumsi BBM dan Jumlah Penduduk Berdasarkan data konsumsi BBM pada tabel 4. dan data jumlah penduduk pada tabel 4. maka didapatkan pembagian data yang digunakan untuk melakukan peramalan menggunakan inputan jumlah konsumsi BBM dan jumlah penduduk adalah seperti yang terlihat pada tabel 4.4 dibawah ini. Tabel 4.4. Kombinasi inputan Jumlah Konsumsi BBM dan Jumlah Penduduk Tahun 997 Inputan Konsumsi BBM Jumlah Penduduk (X) (X) Target Output Y(t) IV7

8 Keterangan : X Data konsumsi bbm sebelumnya X Data jumlah penduduk sebelumnya Yt Data konsumsi bbm sekarang Berdasarkan pembagian data atau kombinasi inputan pada tabel 4.3, berikut adalah contoh kombinasi inputan yang akan digunakan untuk peramalan konsumsi bbm pada tahun 003 dengan faktor data jumlah kendaraan bermotor. Data yang digunakan adalah data aktual 6 tahun sebelumnya yaitu data dari tahun 997 sampai 00. Tabel 4.5. Kombinasi inputan untuk peramalan tahun 003 Data ke Input x x Target Output Y(t) Ket : X Data konsumsi bbm sebelumnya X Data jumlah kendaraan bermotor sebelumnya Yt Data konsumsi bbm sekarang IV8

9 Pembagian data diatas juga dilakukan untuk peramalan konsumsi menggunakan faktor jumlah penduduk Pembentukan Matriks Awal Setelah dilakukan pembagian data inputan. Proses selanjutnya dalam clustering menggunakan metode FCM adalah pembentukan matriks partisi awal. Sebagai contoh untuk peramalan konsumsi BBM pada tahun 008 menggunakan faktor kendaraan penduduk. Data pada tabel 4.5 kemudian akan dibagi menjadi cluster yaitu cluster konsumsi BBM rendah dan tinggi. Sebelum membentuk partisi awal, maka akan dilakukan inisialisasi terlebih dahulu, yaitu :Jumlah Cluster (C ), Pangkat (w ), Maksimum iterasi (MaxIter 00), Error terkecil yang diharapkan (ξ 0,000), Fungsi Obyektif awal (P0 0), Iterasi awal, t. Bentuk matriks partisi awal secara acak, berdasarkan persamaan (.) dengan syarat jumlah derajat keanggotaan setiap data pada setiap kolom harus bernilai (persamaan.3). Maka matriks awal yang didapat adalah sebagai berikut. U0 0,45 0,3796 0,058 0,503 0,4337 0,5 0,8755 0,604 0,794 0,497 0,5663 0, Menghitung Pusat Cluster Setelah mendapatkan matriks awal U0, kemudian hitung pusat cluster U0 dengan menggunakan persamaan (.5) dan berdasarkan data tabel 4.5. Berikut perhitungan untuk data ke : (µ ) (0,5644) 0,385 (µ )*x 0,385 * ,354 (µ )*x 0,385 * ,0543 Demikian pula perhitungan untuk data ke, 3, 4, 5 dan 6. Sehingga didapatkan 09040, ,, , , , ,453 0, ,8 + 0,49 + 0, , ,384 IV9

10 5043, ,5976,7 Detil hasil perhitungan pusat cluster dapat dilihat pada tabel berikut: Tabel 4.6. Perhitungan Pusat Cluster Cluster Derajat Data yang di Ke Keanggotaan Cluster µ x x 0,45 0,3796 0,058 0,5030 0,4337 0, ( ) Derajat Data yang di Cluster µ x x 0,8755 0,604 0,794 0,4970 0,5663 0, ( ) (µ )*x 0,055 0,44 0,044 0,530 0,88 0,056 4, , , , , , , , , , , ,056 0, , , , ,406 (µ ) (µ )*x (µ )*x 0,7665 0,3849 0,6308 0,470 0,307 0, , , , , , , , , , , , ,766 3, , , , ,54 / Keangootaan (µ ) / ( ) (µ )*x Berdasarkan tabel diatas, didapatkan pusat cluster sebagai berikut , , , ,54 IV0

11 Pembaikan Derajat Keanggotan (Matriks) Setelah didapatkan pusat cluster V0, kemudian dilakukan perbaikan derajat keanggotaan / matriks U (matriks partisi) berdasarkan persamaan (.6), (.7) dan data pada tabel 4.5. Berikut perhitungan untuk data ke : L [(x V)+(xV)]/ L [( ,454) + ( ,406)]/ L 37,335 L [(x V)+(xV)]/ L [( ,366) + ( ,54 )]/ L 30,7396 LT L + L 37, , ,053 µ L/LT 37,335 /638,053 0,4973 µ L/LT 30,7396 /638,053 0,507 Demikian pula perhitungan untuk data ke, 3, 4, 5 dan 6. Sehingga menghasilkan matrik baru. Detil hasil perhitungan dapat dilihat pada tabel berikut: Tabel 4.7. Detil Perhitungan Derajat Keanggotaan Baru L L 37,335 74, ,059 49, ,89 386, , , , ,34 49,85 383,88 ( ) µ µ LTL+L L/LT L/LT 638,053 55, ,933 7, , ,4936 0,4973 0,4964 0,493 0,44 0,5043 0,508 0,507 0,5036 0,5077 0,5786 0,4957 0,498 Berdasarkan perbaikan matriks diatas didapatkan matiks baru sebagai berikut: 0,4973 0,507 0,4964 0,5036 0,493 0,44 0,5077 0,5786 0,5043 0,4957 0,508 0,498 IV

12 Menghitung Fungsi Objektif Setelah mendapatkan matriks baru (U), selanjutnya dilakukan pencarian nilai fungsi obyektif menggunakan persamaan (.8) dan data pada tabel 4.7. Berikut contoh perhitungan data ke L3 (μ) * L (0,055) * ( 37,335) 4,984 L4 (μ) * L (0,7665) * (30,7396) 45,847 Langkah yang sama juga dilakukan untuk data ke, 3, 4,5 dan 6. Selanjutnya akan dilakukan perhitungan nilai fungsi objektif seperti berikut: P (4, ,847) + (39, ,546)+ (7, ,3945) + (, ,8544) + (47,89+ 80,65) + (6,046+93,8685) P 98,9758 Berikut detil hasil perhitungan seluruh data. Tabel 4.8. Detil Perhitungan Fungsi Obyektif Kuadrat Derajat Keanggotaan data Kei ( ) ( ) ( ) ( ) L3+L4 (µ ) (µ ) 0,0550 0,7665 4,984 45, ,7654 0,440 0, , ,546 46,700 0,0435 0,6308 7,8379 0,3945 8,34 0,530 0,470,5739 6,8544 9,484 0,880 0,307 47,89 80,65 7,9384 0,0563 0,7656 6,046 L3 L4 93,8685 Fungsi Objectif 99,90 98,9758 Berdasarkan tabel diatas didapatkan Fungsi Objektif P 98, Cek Kondisi Berhenti Setelah didapatkan nilai fungsi objektif, selanjutnya dilakukan pengecekkan kondisi berhenti. Karena PP0 98, << (0,000) dan iterasi < Maxlter (00). Maka dilakukan kembali tahapan algoritma pengklusteran data diatas dimulai dari langkah ke 4 (hitung pusat cluster). Apabila syarat telah terpenuhi maka didapat matriks yang sesuai pada iterasi ke 5. IV

13 U 0,0345 0,9655 0,043 0,9857 0,0369 0,3035 0,963 0,6965 0,939 0,067 0,958 0,048 Dari nilai tersebut (U5) didapat kecenderungan suatu data masuk ke cluster mana. Tabel 4.9. Derajat keanggotaan tiap data pada setiap Cluster dengan FCM Data x Ke x Derajat Keanggotaan (µ) Data cenderung data pada cluster ke masuk ke cluster ke ,0345 0,9655 * ,043 0,9857 * ,0369 0,963 * ,3035 0,6965 * ,939 0,067 * ,958 0,048 * Setelah data dikelompokan menggunakan metode FCM, selanjutnya data pada tabel 4.9 dilakukan perhitungan nilai mean berdasarkan persamaan (.0) dan deviasi standar berdasarkan persamaan (.) Berikut perhitungan nilai mean (c) menggunakan persamaan (.0): 8096, , Berikut perhitungan nilai deviasi standart (a) menggunakan persamaan (.): (( ) ( ) ( ) ( )) IV3

14 ( 37356) ( ) ( 4949 (( ) ( )) (( ) ( ) ( (( ) ( )) 37356) ( 37356) 9503,35 ) ( )) ,064 Setelah dilakukan perhitungan maka didapatkan means dan deviasi standar sebagai berikut , , , ,064 Analisa Metode Adaptive Neuro Fuzzy Inference System Setelah melakukan pembagian (clustering) data menggunakan metode Fuzzy C Means dan mendapatkan nilai Standar deviasi dan Mean, selanjutnya kita akan mencari nilai inferensi dengan menggunakan metode Adapotive Neuro Fuzzy Inference System (ANFIS). Pada perhitungan metode ANFIS ini akan dilakukan perhitungan pada setiap lapisannya. Sistem inferensi fuzzy yang diterapkan adalah inferensi fuzzy model Takagi Sugeno Kang orde satu dengan menggunakan persamaan (.) Lapisan Pertama (Proses Fuzifikasi) Pada lapisan pertama terjadi proses fuzifikasi. Proses ini adalah untuk memetakan inputan data kedalam himpunan fuzzy. Dalam proses ini akan dilakukan perhitungan fungsi keanggotaan fuzzy untuk mentransformasi masukan himpunan klasik ke derajat tertentu. Fungsi keanggotaan yang digunakan adalah IV4

15 jenis GeneralizedBell dimana pada fungsi keanggotaan ini terdapat dua parameter yaitu mean dan standar deviasi. Perhitungan output lapisan pertama berupa derajat keanggotaan setiap data menggunakan persamaan (.3) dan data pada tabel 4.5. Perhitungan untuk data ke ( ) ( ) ( ) ( ) , , , 0,00 0,0054,, 0,44087 Langkah yang sama juga dilakukan untuk data ke, 3, 4, 5 dan 6. Hasil perhitungan terlihat pada tabel berikut. Tabel 4.0. Output Lapisan Pertama Derajat keanggotaan Data Keµ A µ A µ B µ B 0, ,0054 0,00 0, , , ,008 0, ,468 0, ,0036 0, ,45 0,006 0,00 0, , , , , , , ,0006 0,04038 IV5

16 4.4.. Lapisan Kedua (Menghitung derajat pengaktifan) Output dari lapisan ini adalah hasil perkalian dari semua sinyal yang masuk. Masingmasing keluaran simpul menyatakan derajad pengaktifan dari aturan fuzzy. Perhitungan output lapisan kedua menggunakan persamaan (.4) berdasarkan derajat keanggotaan pada tabel 4.0 sebagai berikut: Data perhitungan untuk lapisan ke pada data Ke W µ A*µ B 0,05483 * 0,00 0,000 W µ A*µ B 0,0054* 0, , Lapisan Ketiga (Menghitung kuat pengaktifan ternormalisasi) Setiap node pada lapisan ini adalah node nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (normalized firing strength) yaitu membagi wi dengan jumlah total w. Perhitungan output lapisan ketiga menggunakan persamaan (.5) sebagai berikut: ŵ + ŵ + 0,000 0,0440 0, ,0039 0,0039 0, , ,0039 Langkah perhitungan yang sama juga dilakukan untuk data ke, 3, 4, 5, dan 6. Data hasil perhitungan seluruhnya dapat dilihat pada tabel berikut ini: Tabel 4.. Output Lapisan Kedua dan Ketiga Data Lapisan Ke Lapisan Ke 3 Ke w w ŵ ŵ 0,000 0,0039 0,0440 0, ,0006 0, , , , , ,0305 0, , ,000 0, , , ,0007 0, , , , , ,5334 IV6

17 Lapisan Keempat (Proses Defuzifikasi) Pada lapisan ini dilakukan perhitungan mengubah hasil fuzzy kebentuk menjadi himpunan klasik (crisp). Pada lapisan ini dilakukan perhitungan LSE untuk mendapatkan nilai parameter koefisien. Penentuan parameter koefisien berdasarkan persamaan (.8),(.9) dan data pada tabel 4.5. Perhitungan untuk data ke : ŵ ŵ (0,0440) (6587) 37477,568 (0,0440) (665537) 467,949 ŵ 0,0440 ŵ ŵ (0,95598) (6587) 0487,483 (0,95598) (49357) 0384,0509 ŵ 0,95598 Langkah yang sama juga dilakukan untuk perhitungan koefisien parameter pada data ke, 3, 4, 5 dan 6. Tabel 4.. Parameter Koefisien Koefisien Data Ke p q r p q r 677, ,555 0, , ,4449 0, , ,090 0, , ,890 0, , ,563 0, , ,4838 0, , ,496 0, , ,5704 0, ,855 56,350 0, , ,6850 0, , ,0334 0, , ,9666 0,5334 Setelah melakukan tahapan inferensi model ANFIS selanjutnya dilakukan pembelajaran hybrid sebagai berikut: Perhitungan Pembelajaran arah maju (forward pass) dengan metode Recursive Least Squares Estimator (RLSE) dalam kasus ini bertujuan untuk mencari nilai p, q, r, p, q, r. Langkahlangkah perhitungan terlihat sebagai berikut: IV7

18 ) A ) Penentuan matriks A berdasarkan parameter koefisien pada tabel , ,555 44, , , , , , ,855 56, , ,0334 0,0440 0, ,0305 0, , , , , , , ,448 8, , , , , , ,9666 0, , , ,9303 0, ,5334 Penentuan nilai y yang didasarkan pada output target (Y(t) pada tabel y ) Maka didapat nilai p, q, r, p, q, r menggunakan persamaan (.) yakni ϴ Ay 46,673 4,865 θ 97073,55,563, ,87 Sehingga p 46,673; q 4,865; r 97073,55; p,563; q,345; r 5965,87 Perhitungan output lapisan ke empat dan kelima : Nilai p, q, r, p, q, r digunakan untuk perhitungan pada lapisan ke 4. Perhitungan output lapisan ke empat menggunakan persamaan (.6) dan data pada tabel 4.. IV8

19 Perhitungan untuk data ke lapisan ke 4: wy ŵ (px + qx + r) 0,0440 ((46,673*6587) + (4,865*665537) + (97073,55)) 48873,736 wy ŵ (px + qx + r) 0,95598 ((,563*6587) +,345* (5965,87)) 3068, Lapisan Kelima Pada lapisan ini hanya ada satu node tetap yang fungsinya untuk menjumlahkan semua masukan yang berasal dari lapisan keempat. Perhitungan untuk data ke lapisan ke 5: , , ,56 Langkah yang sama juga dilakukan untuk data, 3, 4, 5 dan 6 untuk lapisan ke 4 dan ke 5. Tabel berikut merupakan hasil perhitungan seluruh data Tabel 4.3. Output Lapisan Ke Empat dan Lima Lapisan Ke 4 Data Ke ŵy Lapisan Ke 5 ŵy ŵiyi 48873, , , , , , , , , , ,88 307, , , ,7 8835, ,330 Hasil Peramalan konsumsi bbm dengan faktor jumlah kendaraan bermotor adalah ratarata dari 3430,6 KL seluruh keluaran pada lapisan kelima IV9

20 Setelah mendapat hasil peramalan konsumsi BBM dengan faktor jumlah kendaraan bermotor maka dilakukan perhitungan error dengan pengurangan data sebenarnya dengan hasil peramalan dengan menggunakan persamaan (.6) : E ,6 6089,84 Sehingga hasil perhitungan % error untuk peramalan konsumsi bbm dengan faktor jumlah kendaraan bermotor berdasarkan persamaan (.7) adalah : E% x 00, x 00 6,3 % Setelah mendapatkan hasil peramalan konsumsi BBM pada tahun 003 dengan menggunakan faktor jumlah kendaraan bermotor, selanjutnya dilakukan perhitungan peramalan konsumsi BBM untuk tahuntahun berikutnya. Berikut adalah hasil peramalan konsumsi BBM dengan faktor jumlah kendaraan bermotor. Tabel 4.4. Hasil Peramalan Konsumsi BBM Menggunakan Faktor Jumlah Kendaran Tahun Konsumsi BBM Hasil Error pengujian Aktual ( kilo liter ) peramalan (%) ,6 6, ,7 8, ,63 9,3 IV0

21 ,5 8, ,06 8, ,35 8, ,5 7, ,59 7, , 8, ,78 3, ,76 9,76 [ Setelah mendapatkan hasil peramalan konsumsi BBM dengan menggunakan faktor jumlah kendaraan bermotor, selanjutnya dilakukan perhitungan peramalan konsumsi BBM dengan faktor jumlah penduduk. Langkah perhitungan yang sama juga dilakukan untuk faktor jumlah penduduk. Berikut adalah hasil peramalan konsumsi BBM dengan faktor jumlah penduduk. Tabel 4.5. Hasil Peramalan Konsumsi BBM Menggunakan Faktor Jumlah Penduduk Tahun Konsumsi BBM Hasil Error pengujian Aktual ( kilo liter ) peramalan (%) IV

22 ,48 6, ,5 8, ,6 0, ,87 8, ,87 8, ,33 8, ,7 8, ,35 7, ,3 0, , 9, ,04 7, Analisa Fungsional Sistem Deskripsi fungsional digunakan untuk menggambarkan secara umum sistem yang akan dirancang. Secara garis besar fungsi utama dari perangkat lunak yang akan dikembangkan dapat dilihat di diagram konteks (Context Diagram) dan diagram aliran data (Data Flow Diagram) yang akan diberikan. Seperti berikut ini: Context Diagram Contexs Diagram digunakan untuk menggambarkan proses kerja sistem secara umum. Contexs Diagram adalah Data Flow Diagram (DFD) yang menggambarkan garis besar operasional sistem. IV

23 Gambar 4.3. Context Diagram Operator adalah entitas luar yang berinteraksi dengan sistem yang berperan untuk:. Melihat dan memasukkan data aktual.. Melakukan Peramalan Konsumsi BBM. 3. Melakukan Langkah Analisis Peramalan Konsumsi BBM 4. Melihat langkahlangkah Peramalan yang dilakukan per tahun. 5. Melihat laporan Peramalan Konsumsi BBM yang berupa grafik dan tabel Data Flow Diagram (DFD) DFD digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang akan dikembangkan secara logika tanpa mempertimbangkan lingkungan fisik dimana data tersebut mengalir atau lingkungan fisik dimana data tersebut disimpan. Berikut adalah DFD untuk Peramalan Konsumsi BBM Data Flow Diagram level (Peramalan Konsumsi BBM) Gambar 4.4. DFD Level (Peramalan Konsumsi BBM) IV3

24 Tabel 4.6. DFD Level (Peramalan Konsumsi BBM) No.. Nama Proses Pengolahan Pengguna. Pengolahan aktual Deskripsi Data Proses pengolahan data pengguna yang akan menggunakan sistem Data Proses pengelolaan terhadap data aktual konsumsi bbm, jumah kendaraan, jumlah penduduk seperti; simpan, pencarian dan update data. 3. Perhitungan Proses perhitugan peramalan konsumsi bbm dan perhitungan Peramalan tingkat error peramalan. Tabel 4.7. Keterangan Aliran Data DFD Level Nama Aliran Data Data_pengguna Data _aktual Info_pengguna Info_data_aktual Info_hasil_peramalan Deskripsi Data yang dapat digunakan untuk masuk ke sistem. Terdiri atas username & password Menginputkan data aktual konsumsi bbm, jumlah kendaraan dan jumlah penduduk Menampilkan informasi pengguna yang akan menggunakan sistem Menampilkan informasi data aktual konsumsi bbm, jumlah kendaraan dan jumlah penduduk Menampilkan informasi hasil peramalan konsumsi bbm Data Flow Diagram level Proses (Pengolahan Data Aktual) Gambar 4.5. DFD Level Proses (Pengolahan Data Aktual) IV4

25 Tabel 4.8. DFD Level Proses (Pengolahan Data Aktual) No. Nama Proses. Simpan. Ubah 3. Hapus Deskripsi Proses menyimpan data aktual pada sistem berdasarkan tahun Proses untuk menambah, atau mengedit data aktual kedalam sistem Proses untuk menghapus data aktual kedalam sistem Tabel 4.9. Keterangan Aliran Data DFD Level Proses (Pengolahan Data Aktual) Nama Aliran Data Deskripsi Data _Aktual Menampilkan data aktual Info_ Aktual Menampilkan informasi data aktual Data Flow Diagram level Proses 3 (Perhitungan Peramalan) Gambar 4.6. DFD Level Proses 3 (Perhitungan Peramalan) Tabel 4.0. DFD Level Proses 3 (Perhitungan Peramalan) No.. Nama Proses Deskripsi Perhitungan Fuzzy Proses C Means pengelompokan (clustering) data menggunakan Fuzzy C Means. Menghasilkan kelompok data atau cluster cluster.. Perhitungan Proses perhitugan peramalan konsumsi bbm ANFIS menggunakan metode ANFIS dan perhitungan tingkat error peramalan. IV5

26 Tabel 4.. Keterangan Aliran Data DFD Level Proses 3(Perhitungan Peramalan) Nama Aliran Data Data _aktual Info_fcm Info_hasil_peramalan Deskripsi Menginputkan data aktual konsumsi bbm, jumlah kendaraan dan jumlah penduduk Menampilkan informasi hasil perhitungan fuzzy c means berupa cluster cluster. Menampilkan informasi hasil peramalan konsumsi bbm Data Flow Diagram Level 3 Proses 3. (Perhitungan Fuzzy C Means) Gambar 4.7. DFD Level 3 Proses 3. Berdasarkan gambar diatas, proses perhitungan metode FCM dimulai ketika operator atau user memasukan atau memilih tahun yang akan dipilih. Kemudian sistem akan mengambil data aktual yang ada didalam database pada tabel data aktual berdasarkan tahun yang dipilih operator. kemudian data tersebut akan dilakukan perhitungan metode FCM melalui beberapa proses mulai dari pembagian data, membuat matriks random, menghitung pusat cluster, memperbaiki derajat keanggotaan, menghitung fungsi objektif dan mengecek IV6

27 kondisi berhenti sampai menghasilkan data atau info cluster dari data aktual yang dipilih tadinya. data cluster ini nantinya akan digunakan dalam proses perhitungan ANFIS seperti yang terlihat pada gambar 4.8. Tabel 4.. DFD Level 3 Proses 3. (Perhitungan Fuzzy C Means) No. Nama Proses Deskripsi Proses pengelompokan data menjadi dua jenis. Pembagian data. Membuat Matriks Random 3. Menghitung Pusat Cluster 4. Perbaiki derajat keanggotaan 5. Hitung fungi objektif 6. Cek Kondisi berhenti inputan dan satu keluaran. Proses membuat matriks random berdasarkan syaratsyarat yang berlaku (U0) Proses perhitungan jarak antara setiap data dengan pusat cluster (V) Memperbaiki derajat keanggotaan setiap data pada cluster Menghitung fungsi objektif (P) Mengecek kondisi berhenti, apakah ( PtPt < ξ ) atau ( t > maxiter) maka berhenti Data Flow Diagram Level 3 Proses 3. (Perhitungan ANFIS) Gambar 4.8. DFD Level 3 Proses 3. IV7

28 Gambar diatas merupakan proses perhitungan ANFIS. Proses perhitungan ANFIS dimulai dari proses fuzifikasi pada lapisan pertama. Inputan pada lapisan ini adalah info cluster yang didapat dari hasil perhitungan metode FCM pada tahap sebelumnya seperti yang terlihat pada gambar 4.7. setelah melalui proses fuzifikasi, selanjutnya akan masuk keproses atau lapisan selanjutnya yaitu menghitung derajat pengaktifan, kuat pengaktifan ternormalisasi, defuzifikasi dan sampai pada lapisan kelima. Output dari proses ini adalah hasil peramalan konsumsi BBM berdasarkan tahun yang dipilih operator. Selanjutnya hasil peramalan ini akan disimpan didalam database pada tabel hasil peramalan dan dapat dilihat oleh operator. Tabel 4.3. DFD Level 3 Proses 3. (Perhitungan ANFIS) No. Nama Proses Deskripsi Memetakan inputan data kedalam himpunan. Fuzifikasi fuzzy. Dalam proses ini dilakukan perhitungan fungsi keanggotaan fuzzy. (µ). 3. Menghitung derajat pengaktifan Menghitung kuat Mengalikan setiap inputan yang masuk. (w) pengaktifan masukan (ŵ) Membagi w dengan jumlah total w untuk semua ternormalisasi Mengubah hasil fuzzy kebentuk himpunan klasik 4. Defuzifikasi (Crisp). Pada proses ini dilakukan pembelajaran hibrid. 5. Penjumlahan semua Menjumlahkan semua masukan yang berasal dari masukan lapisan sebelumnya Entity Relationship Diagram (ER Diagram) Entity Relationship Diagram (ERDiagram) adalah suatu diagram yang dapat menjelaskan hubungan antar data dalam basis data berdasarkan suatu persepsi bahwa fakta dunia nyata (real world) terdiri dari objekobjek dasar tersebut yang dilukiskan dengan menggunakan simbolsimbol grafis tertentu. IV8

29 Gambar 4.9 menjelaskan ERDiagram dari Sistem Peramalan Konsumsi BBM Dengan Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS): Gambar 4.9. ER Diagram Tabel 4.4. Keterangan entitas pada ERDiagram Nama Pengguna Deskripsi Atribut Primary key Menyimpan data username username pengguna yang password password dapat mengakses sistem Data Aktual Menyimpan data id_data_aktual id_data_aktual aktual seperti data Tahun konsumsi bbm, konsumsi_bbm jumlah kendaraan, jumlah_kendaraan jumlah penduduk Peramalan Menyimpan hasil jumlah_penduduk data peramalan konsumsi bbm id_ramal id_ramal tahun hasil_ramal_jumlah _kendaraan hasil_ramal_jumlah _penduduk mape_jumlah_ IV9

30 kendaraan mape_jumlah_ penduduk 4.6. Perancangan Perancangan sistem adalah strategi untuk memecahkan masalah dan mengembangkan solusi yang terbaik untuk Sistem Peramalan Konsumsi BBM Perancangan Menu Dalam pemakaian sistem peramalan konsumsi BBM ini diperlukan susunan daftar pilihan/menu sehingga pengguna yang belum terbiasa dengan sistem juga dapat menggunakan sistem ini. Melalui sistem dialog menu ini sistem peramalan konsumsi BBM diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem peramalan konsumsi BBM yang dirancang. Pengguna akan dihadapkan pada berbagai alternatif menu yang ada. Dalam menentukan pilihannya, pengguna dapat menggunakan tombol tertentu dan setiap pilihan akan menghasilkan respon/jawaban tertentu. Sistem yang akan dibangun memiliki menu dan subsub menu yang digambarkan pada bagan di bawah ini: Gambar 4.0. Struktur Menu Sistem Peramalan Konsumsi BBM Perancangan Basis Data Tahapan perancangan basis data digunakan untuk membuat detail data yang akan dipersiapkan pada tahap implementasi selanjutnya. Dalam tahapan perancangan Basis Data kali ini digunakan Conceptual Data Model sebagai berikut: Conceptual Data Model Conceptual data model digunakan untuk mengetahui tipetipe data yang digunakan dalam database Peramalan Konsumsi BBM Menggunakan Metode IV30

31 Adaptive Neuro Fuzzy Inference System (ANFIS). Berikut tampilan untuk Conceptual data model sistem ini: Tabel 4.5. Conceptual Data Model Tabel Data Aktual Tabel data Tipe_data Null Deskripsi id_data_aktual Autonumber Not_Null Id data aktual Tahun Text Not_Null Tahun data aktual konsumsi_bbm Number Not_Null data aktual konsumsi bbm jumlah_kendaraan Number Not_Null Data aktual jumlah kendaraan jumlah_penduduk Number Not_Null Data aktual jumlah penduduk Tabel 4.6. Conceptual Data Model Tabel Peramalan Tabel data Tipe_data Null Deskripsi id_data_aktual Autonumber Not_Null Id data aktual tahun Text Not_Null Tahun data aktual hasil_ramal_jumlah_ Number kendaraan Not_Null hasil bbm peramalan konsumsi menggunakan faktor jumlah kendaraan hasil_ramal_jumlah_ Number penduduk Not_Null hasil bbm peramalan konsumsi menggunakan faktor jumlah penduduk mape_jumlah_ Number kendaraan Not_Null Persen error peramalan dari hasil konsumsi bbm menggunakan faktor jumlah kendaraan mape_jumlah_ penduduk Number Not_Null Persen error peramalan dari hasil konsumsi bbm menggunakan faktor jumlah penduduk IV3

32 Perancangan Antarmuka ( Interface ) Interface sistem merupakan suatu sarana pengembangan sistem yang ditujukan untuk mempermudah pemakai berkomunikasi dengan sistem yang ada dan konsisten data juga ditunjukkan dalam interface tersebut. Penekanan interface meliputi tampilan yang baik, mudah dipahami dan tomboltombol yang familiar Rancangan Form Login Username Gambar Password Login keluar Gambar 4.. Perancangan Form Login Rancangan form diatas merupakan tampilan awal ketika sistem pertama kali dijalankan. Form ini digunakan untuk melakukan validasi username dan password pengguna Rancangan Menu Utama Ini merupakan rancangan menu utama. Pada menu utama ini terdapat 4 menu yaitu menu pengolahan data aktual, proses peramalan, hasil peramalan dan menu keluar. Gambar 4.. Perancangan Menu Utama IV3

33 Rancangan Menu Pengolahan Data Aktual Gambar dibawah ini merupakan rancangan menu pengolahan data aktual. pada menu ini, operator dapat melakukan menambah, mengubah dan menghapus data aktual konsumsi BBM, jumlah kendaraan dan jumlah penduduk. Gambar 4.3. Perancangan Menu Pengolahan Data Aktual Rancangan Menu Hasil Peramalan Pada interface ini, operator dapat melihat hasil peramalan yang telah diproses. Operator dapat memilih opsi dalam melihat hasil peramalan. Terdapat dua opsi, yaitu hasil peramalan mengggunakan faktor atau tidak menggunakan faktor. Gambar 4.4. Perancangan Menu Hasil Peramalan IV33

34 Rancangan Menu Proses Peramalan Gambar dibawah ini merupakan rancangan interface menu proses peramalan. pada interface ini, operator dapat melakukan peramalan dengan memilih opsi apakah menggunakan faktor atau tidak. Kemudian memilli tahun yang diramalkan. Selain itu, operator juga dapat melihat proses peramalan mulai dari tahap awal sampai akhir. Gambar 4.5. Perancangan Menu Proses Peramalan IV34