PREDIKSI TREN PENJUALAN LPG MENGGUNAKAN ANFIS LPG SALES TREND PREDICTION USING ANFIS

Transkripsi

1 PREDIKSI TREN PENJUALAN LPG MENGGUNAKAN ANFIS LPG SALES TREND PREDICTION USING ANFIS Ariyanto Nugroho 1, Mauridhi Hery Purnomo 2 1)Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember osramsoft@yahoo.com 2) Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Jl Raya ITS - Surabaya, 60111, Indonesia hery@ie.its.ac.id ABSTRAK LPG merupakan salah satu produk yang menjadi kebutuhan pokok masyarakat, sehingga harus selalu dapat ditemui dengan mudah di pasar. Dalam rangka pemenuhan kebutuhan tersebut tentunya dibutuhkan suatu teknik perencanaan yang baik guna mendapatkan hasil yang mendekati jumlah realisasinya untuk meminimalkan biaya operasionalnya. Sehubungan dengan hal tersebut, pada penelitian kali ini dipergunakan metode ANFIS yang merupakan sistem dengan struktur jaringan yang dilengkapi dengan node node adaptif sehingga dapat disesuaikan dengan obyek yang diolah, dengan tujuan didapatkan prediksi tren yang mendekati nilai realisasinya. Penelitian ini bertujuan untuk melakukan prediksi tren penjualan LPG berkaitan dengan beberapa kejadian penting, misalnya bulan puasa, perayaan hari raya, pelaksanaan libur nasional dan kejadian penting lainnya. Penelitian ini diawali dengan pengambilan data penjualan pada LPG filling point, selanjutnya angka penjualan tersebut disesuaikan untuk dijadikan masukan sistem ANFIS. Keluaran sistem ANFIS ini selanjutnya dilakukan perhitungan kemampuan prediksinya dengan menggunakan perhitungan ROC, hasil menunjukkan efisiensi sebesar 66,87 %. Kata kunci : filling point, tren, ANFIS, libur, ROC PENDAHULUAN Saat ini, LPG merupakan salah satu kebutuhan pokok masyarakat Indonesia, seiring dengan keberhasilan pelaksanaan Program Konversi Minyak Tanah ke LPG. Pengguna LPG tidak hanya sebatas rumah tangga kecil penerima paket konversi saja, melainkan juga rumah tangga menengah, restoran, hotel dan industri lainnya. Oleh karenanya, produk yang beredar dipasar terdapat beberapa ukuran, yaitu kemasan dalam tabung ukuran 3 Kg (bersubsidi), 9 Kg, 12 Kg, 50 Kg dan dalam bentuk bulk (curah) untuk industri. Adanya disparit as harga antara produk subsidi dan non subsidi tentunya dapat dijadikan dasar pertimbangan bagi konsumen untuk melakukan pemilihan produk yang dibutuhkan, adapun dari sisi pemasok, hal tersebut justru memberikan tantangan supaya kebutuhan produk di pasar dapat dijaga dan tidak terjadi kelangkaan. Selain itu, apabila dicermati lebih lanjut akan muncul beberapa variable lain yang dapat saja berpengaruh signifikan terhadap tren penjualan LPG (Edvin Aldrian dan Yudha Setiawan Djamil, 2008). Instalasi pengisian LPG tidak beroperasi setiap hari, melainkan terdapat hari libur tidak melakukan pelayanan pada hari minggu dan hari besar nasional lainnya. Guna menghadapi pelaksanaan libur nasional tersebut, maka diperlukan strategi tertentu guna menjaga ketersediaan stok di pasar sehingga kelangkaan produk dapat dihindari. Oleh karenanya, maka munculah tren tertentu terkait penyaluran produk LPG di masyarakat, terutama jika pelaksanaan libur nasional tersebut berdekatan dengan hari minggu yang merupakan hari libur A-3-1

2 operasional secara rutin. Pada sekitar waktu tersebut tentunya terjadi lonjakan permintaan guna pemenuhan stok bagi para distributor LPG. Mengacu pada kondisi tersebut, selanjutnya diperlukan suatu metode prediksi terhadap tren kebutuhan LPG guna menjaga ketersediaan stok dipasar dan antisipasi terhadap hal negatif lainnya. Hasil prediksi ini akan sangat berguna pada kondisi kondisi tertentu, misalnya ketika terdapat hari libur karena perayaan hari besar nasional, terlebih jika hari libur tersebut berdekatan dengan hari Minggu dimana pada hari tersebut jaringan distribusi LPG tidak beroperasi. Karena dituntut untuk menjaga ketersediaan stok dipasar, maka hasil prediksi ini dapat digunakan sebagai acuan untuk melakukan tindakan tertentu bagi para pelaku distribusi LPG. Sehubungan dengan hal tersebut, maka diperlukan suatu metode yang dapat bekerja pada sistem non-linear. Oleh karena itu maka pada penelitian kali ini dipergunakan metode ANFIS yang merupakan suatu sistem jaringan adaptif untuk dipergunakan sebagai sistem pengolah data untuk proses prediksi tren dimaksud, dengan harapan diperoleh sutu metode prediksi yang mendekati nilai realisasinya (G. Atsalakis dan C. Minoudaki, 2007). Hal ini didukung oleh penelitian sebelumnya terkait dengan penggunaan ANFIS untuk prediksi, diantaranya adalah prediksi kecepatan angin secara harian (Fernando Castellanos dan Nickel James, 2009), prediksi curah hujan (Edvin Aldrian dan Yudha Setiawan Djamil, 2008), dimana kedua hal tersebut merupakan proses stokastik yang dipengaruhi oleh beberapa parameter yang senantiasa berubah ubah. Selain itu juga dipergunakan untuk prediksi intensitas cahaya (Ciji Pearl Kurian dkk, 2006), bahkan pada bidang ekonomi makro Ali Yosefian dkk, (2009), dengan pertimbangan bahwa jika dibandingkan dengan Fuzzy Logic Controller, ANFIS lebih mudah dibuat karena dalam hal desain lebih sederhana dan jika dibandingkan dengan Artificial Neural Network, ANFIS mempunyai parameter yang lebih sedikit namun mempunyai identifikasinya lebih cepat. KONSEP PREDIKSI TREN PENJUALAN LPG Guna didapatkan hasil prediksi tren yang mendekati nilai realisasinya, maka konsep prediksi yang dipergunakan pada penelitian ini adalah penggunaan data data terkait untuk dipergunakan sebagai masukan sistem pengolah utama berupa ANFIS dan selanjutnya hasil keluaran ANFIS dilakukan perhitungan guna diketahui ketepatan prediksi trennya, adapun metode yang dipergunakan adalah ROC. Metode ANFIS Metode ANFIS yang dipergunakan pada penelitian kali ini ditujukan untuk pengolahan data data input berupa data realisasi penjualan produk harian, inflasi, Indeks Harga Konsumen (IHK), curah hujan dan hasil pengolahan tren hari hari sebelumnya, yaitu jika terjadi penurunan maka diberikan nilai 0 (nol) dan jika terjadi peningkatan maka diberika n nilai 10 (sepuluh), kemudian nilai nilai tersebut dijumlahkan sesuai jumlah hari yang dikehendaki, jumlah hari tersebut selanjutnya disebut sebagai ROLE. Adapun arsitektur ANFIS yang dipergunakan mengacu pada desain ANFIS yang dikemukakan oleh Wang (1997) disajikan pada Gambar 1. A-3-2

3 Ax W 1 π N W 1f 1 Σ Σw if i X Ay f y Bx By W 2 Wπ W 2f 2 N Σ ΣW i Gambar 1 Arsitektur ANFIS (Wang, 1997) Operasi pada tiap layer : Lapisan 1 : mentransmisikan secara langsung input yang masuk, setiap node pada layer ini adalah node adaptive, dengan fungsi node : O1,i = μai(x), untuk i =1,2 atau O1,i = μbi(x) untuk i = 3, 4. Node-node pada layer ini berperan sebagai membership function untuk menyatakan istilah linguistik dari variabel masukan, untuk fungsi Gaussian: μ = exp[-(x-x1 -j ) 2 / σ1 j2 ] Lapisan 2 : Setiap simpul adalah simpul tetap yang diberi simbul π. Persamaan keluaran : O2,i = wi = μai(x)μbi(x), i = 1, 2. Secara umum biasanya operator yang dipakai pada layer ini adalah operator operasi fuzzy DAN atau AND. Lapisan 3 : Terdiri dari simpul - simpul adaptif node, dengan fungsi O3,i = wifi, dimana wi merupakan output pada layer 2, sedangkan fi sebagai nilai konsekuen. Lapisan 4 : Setiap simpul merupakan fixed node, hasil dari penjumlahan seluruh output dari layer 2 dan hasil dari seluruh penjumlahan output layer 3. Penjumlahan output layer 2 : O4i = iwifi. Penjumlahan output layer 3 : O4,i = iwi. Lapisan 5 : Setiap simpul pada layer ini merupakan fixed node, pada layer ini disebut berat ternormalisasi, dengan fungsi : O5,i = ( w ifi) / ( iwi). Secara umum terdapat tiga tahap dalam proses penelitian ini, yaitu inisialisasi, pelatihan dan penggunaan atau pengujian. Proses inisialisasi merupakan proses pemberian nilai awal pada parameter titik tengah (x dan σ) serta lebar fungsi keanggotaan (y) pada lapisan pertama dan ketiga. Pada proses inisialisasi, pemberian nilai parameter awal pada penelitian ini dilakukan dengan cara nilai titik tengah ( x dan σ) diberikan nilai penjualan yang sesungguhnya, sedangkan lebar fungsi keanggotaan ( y) diberikan nilai awal dengan angka sembarang yang nilainya diuji coba terlebih dahulu ( trial & error). Hal ini dilakukan mengingat proses pemberian membership function pada layer pertama menggunakan rumus exp(-((xi - xi -l ) / l i) 2 ), dengan demikian apabila parameter xi -l terlalu kecil atau terlalu besar, justru akan menghilangkan karakteristik dari data yang ada, hal ini berlaku juga untuk pemberian nilai awal parameter l i. Pada fase pelatihan, dipergunakan metode backpropagation untuk menemukan nilai terbaik dari ketiga parameter tersebut, sedangkan pada fase pengujian, dilakukan proses prediksi tren untuk periode selama tahun Secara umum, sehubungan ANFIS sensitif terhadap magnitudo (Edvin Aldrian dan Yudha Setiawan Djamil, 2008), maka data data yang bernilai nol pada saat libur operasional dihilangkan. A-3-3

4 Teori ROC Selanjutnya, hasil keluaran ANFIS tersebut diolah menggunakan perhitungan ROC untuk diketahui kehandalan hasil perhitungan atau ketepatan prediksi tren-nya. ROC merupakan suatu metode statistik yang dipergunakan untuk mengetahui kemampuan suatu metode dalam melakukan identifikasi terhadap suatu obyek (Lena KW, 2002). Secara umum, metode analisis ini menghitung empat jenis kemungkinan yang muncul dalam proses pengenalan pola. Keempat kemungkinan kemungkinan itu adalah : True Positive (TP) : jika diagnosis bernilai benar hasil pengujian bernilai benar. False Negative (FN) : jika diagnosis bernilai benar tapi hasil pengujian bernilai salah. False Positive (FP) : jika diagnosis bernilai salah tapi hasil pengujian bernilai benar. True Negative (TN) : jika diagnosis bernilai salah dan hasil pengujian bernilai salah. Untuk lebih jelasnya hubungan antara diagnosis dan hasil pengujian dapat dilihat pada gambar 2. Hasil Pengujian Positif Negatif Diagnosis Positif Negatif TP FN P FP TN P' Q Q' Gambar 2. Hubungan antara diagnosis dan hasil pengujian (Lena KW, 2002) Adapun formulasi perhitungan ROC-nya sebagai berikut : P = TP + FN (1) P = FP + TN (2) Q = TP +FP (3) Q = FN + TN (4) TP = tp / (P + P ) (5) FN = fn / (P + P ) (6) FP = fp / (P +P ) (7) TN = tn / (P + P ) (8) EFF = TP + TN (9) Dengan : tp = jumlah data yang berada pada kondisi TP fn = jumlah data yang berada pada kondisi FN fp = jumlah data yang berada pada kondisi FP tn = jumlah data yang berada pada kondisi TN P = jumlah diagnosis positif pada populasi data P = jumlah diagnosis negatif pada populasi data Q = jumlah hasil pengujian positif Q = jumlah hasil pengujian negatif EFF = effisiensi Hasil perhitungan EFF inilah yang selanjutnya dijadikan rujukan atau indikator ketepan prediksi yang dilakukan oleh ANFIS. A-3-4

5 HASIL DAN PEMBAHASAN Pengujian dilakukan untuk prediksi tren selama tahun 2010 (sebanyak 332 data) dari wilayah Kabupaten Sidoarjo, baik untuk sistem dengan data masukan tunggal maupun jamak, pada kategori semua jenis produk LPG, produk 3 Kg dan non 3 Kg. Pengujian ini dilakukan menggunakan ANFIS dengan aturan penalaran produk, aturan penalaran minimum, dan ANN Backpropagation sebagai pembanding. Spesifikasi ANFIS yang dipergunakan disajikan pada Tabel 1 dan hasil perhitungan ROC dari pengujian yang dilakukan disajikan pada Tabel 2. Tabel 1 Spesifikasi ANFIS NO URAIAN SPESIFIKASI 1 Learning Time Learning Rate 0,001 3 Node Role 4 Tabel 2 Hasil Perhitungan Effisiensi (ROC) hasil prediksi ANFIS dengan Aturan Penalaran Produk, Aturan Penalaran Minimum dan ANN Backpropagation INPUT PRODUK Prod ANFIS Min ANN Tunggal All Products 44.89% 45.82% 45.20% 3 Kg 44.89% 43.34% 45.20% Non 3 Kg 45.82% 47.68% 45.51% Jamak All Products 66.87% 44.27% 45.20% 3 Kg 64.09% 43.65% 43.65% Non 3 Kg 60.68% 44.89% 45.51% Dari Tabel 2 dapat diketahui bahwa pada sistem dengan data masukan tunggal, baik ANFIS dengan aturan penalaran produk, ANFIS dengan aturan penalaran minimum dan ANN -Backpropagation, dari hasil perhitungan effisiensi ROC ketiga metode tersebut belum menunjukkan hasil prediksi tren yang optimal, karena nilai effisiensinya berada dibawah 50%, sedangkan pada sistem dengan data masukan jamak, hasil terbaik didapat dengan menggunakan ANFIS dengan aturan penalaran produk untuk masing masing kategori jenis produk. A-3-5

6 Gambar 3 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk semua jenis produk. Gambar 4 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk produk 3 Kg. Gambar 5 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk produk Non 3 Kg. Selain memperhatikan besarnya effisiensi dari perhitungan ROC, perlu diperhatikan juga gambar grafik hasil prediksi metode tersebut, karena dapat saja perhitungan effisiensi memberikan angka yang baik namun secara grafik justru kurang sesuai. Pada gambar 3, 4 dan 5 disajikan salah satu kejadian khusus selama periode tahun 2010, yaitu pelaksanaan hari libur nasional untuk perayaan Hari Raya Waisak dan peringatan Kenaikan Isa Al Masih yang pelaksanaannya berdekatan, sehingga cukup mempengaruhi pola pengambilan produk. Walaupun dapat dikatakan ANFIS dengan aturan penalaran produk dapat mengikuti pola penjualan yang sesungguhnya, namun fenomena yang sering muncul adalah terdapat pergeseran pola prediksi ANFIS dengan aturan penalaran produk dibanding pola yang sesungguhnya. A-3-6

7 KESIMPULAN DAN SARAN Dari penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut : a. ANFIS sensitif terhadap besarnya amplitudo, oleh karenanya data yang bernilai 0 pada saat libur operasional dihilangkan. b. Dengan jumlah node dan inisialisasi parameter yang sama, penggunaan mekanisme aturan penalaran produk pada ANFIS dapat memberikan hasil yang lebih baik daripada aturan penalaran minimum. c. Jika dibandingkan dengan metode yang lain (ANN Backpropagation dan ANFIS dengan aturan penalaran minimum), ANFIS dengan aturan penalaran produk mampu memberikan nilai perhitungan ROC yang lebih baik pada sistem dengan masukan jamak. d. Pada pengujian hasil prediksi suatu metode dengan menggunakan analisis ROC, perlu dilakukan juga tinjauan terhadap hasil keluaran yang sesungguhnya, karena dapat saja suatu metode menunjukkan hasil perhitungan ROC yang tinggi namun setelah dilihat keluaran yang sesungguhnya ternyata kurang memberikan hasil yang optimal karena tidak sesuai dengan pola perubahan tren yang sesungguhnya. Adapun untuk pengembangan penelitian dimasa mendatang, disarankan untuk : a. Dipergunakan data masukan yang lebih berpengaruh terhadap pola konsumsi LPG pada konsumen akhir dan bersifat harian. b. Digunakan pre-processor dan post-processor yang lebih dapat menangkap karakteristik pola konsumsi LPG. DAFTAR PUSTAKA Ali Yosefian dkk, (2009), Recurrent adaptive network-based fuzzy inference system for prediction macroeconomic time series, Proceedings of 2009 International Conference on Economics, Business Management and Marketing, Singapore, October Ciji Pearl Kurian dkk, (2006), ANFIS model for the series prediction of interior daylight illuminance, AIML Journal, Volume (6), Issue (3), September Edvin Aldrian, Yudha Setiawan Djamil, (2008), Application of multivariate ANFIS for daily rainfall prediction : influences of training data size, Makara, Sains Volume 12, No. 1, April Fernando C., Nickel James (2009), Average Hourly Wind Speed Forecasting with ANFIS, 11 th American Conference on Wind Engineering, San Juan, Puerto Rico, June George S. Atsalakis dkk, (2007), Probability of trend prediction of exchange rate by ANFIS, Technical University of Crete, Greece. G. Atsalakis dkk, (2007), Forecasting unemployment rate using a neural network with fuzzy inference system, ICAP. G. Atsalakis dan C. Minoudaki, (2007), Daily Irrigation Water Demand Prediction using Adaptive Neuro Fuzzy Inferences Systems (ANFIS), proc. of the 3rd IASME/WSEAS Int. Conf. on Energy, Environtment, Ecosystems and Sustainable Development, Agios Nikolaos, Greece, July A-3-7

8 Lena Kallin Westin, (2002), Receiver Operating Characteristic (ROC) Analysis : Evaluating Discriminance Effects Among Decision Support Systems, Department of Computing Science - Umea University, Sweden. Li-Xin Wang, (1997), A Course in Fuzzy System and Control, Prentice Hall. A-3-8