Prediksi Jumlah Permintaan Gas Cair Menggunakan Fuzzy Inference Model pada PT Air Products Gresik Oleh : Lailatul Khikmiyah - 5208100093
Latar Belakang PT Air Products Gresik adalah sebuah perusahaan penghasil gas dan liquida yang berasal dari udara, produk perusahaan meliputi : LIN (Liquida Nitrogen), LAR (Liquida Argon) dan LOX (Liquida Oxygen). Proses produksi ketiga gas cair tersebut sangat dipengaruhi oleh permintaan pasar dan space inventory di tangki penyimpanan. Gas cair yang sudah diproduksi bisa menguap jika terlalu lama disimpan di dalam tangki penyimpanan Untuk itulah peramalan permintaan untuk ketiga gas tersebut dinilai sangat penting. Apabila jumlah permintaan gas dapat diramalkan secara akurat, maka dapat membantu perusahaan dalam pengambilan keputusan dan perencanaan produksi selanjutnya. Dalam tugas akhir ini, penulis memilih fuzzy inference model dalam meramalkan jumlah permintaan gas cair LOX.
Rumusan Masalah 1. Bagaimana mengimplementasikan fuzzy inference model untuk peramalan permintaan gas cair LOX pada PT Air Products Gresik? 2. Bagaimanakah mengetahui apakah hasil peramalan dengan fuzzy inference model menghasilkan MAPE di bawah 20%?
Batasan Masalah Batasan permasalahan dalam tugas akhir ini antara lain adalah: 1. Data yang digunakan dalam mengerjakan tugas akhir ini adalah data permintaan harian gas cair di PT Air Products Gresik, mulai dari bulan Februari sampai Juli 2011 dan diekstensi sampai Juni 2012. 2. Data gas yang akan diprediksi jumlah permintaannya adalah data gas cair LOX.
Tujuan 1. Mengimplementasikan metode fuzzy inference model untuk peramalan permintaan gas cair pada PT Air Products Gresik. 2. Mengetahui apakah hasil peramalan dengan fuzzy inference model menghasilkan MAPE di bawah 20% atau tidak.
Manfaat Dapat membantu pihak manajemen PT Air Products Gresik dalam pengambilan keputusan terkait produksi dan operasi, misalnya saja untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persediaan (inventory control).
Start Menentukan Variabel Linguistik dan Himpunan Fuzzy Membuat Aturan Aturan Fuzzy (Fuzzy Rules)
Melakukan Inferensi Fuzzy ke dalam Sistem 3 sub proses : Fuzzifikasi, Aggregasi, Defuzzifikasi
Hasil Peramalan
End
Implementasi Model
Hasil dan Uji Coba Extensi Data Sebelum melakukan uji coba dengan menggunakan berbagai macam skenario dan parameter yang berbeda, telah dilakukan ekstensi terhadap data yang ada sampai tanggal 30 Juni 2012
Skenario Uji Coba Uji coba model dilakukan dengan cara :
1. Uji coba dengan 28 aturan fuzzy dan batasan normal 2. Uji coba dengan mengubah jumlah aturan fuzzy 3. Uji coba dengan mengubah batasan himpunan fuzzy
Hasil dan Uji Coba
Uji coba dengan menggunakan 28 rules dan batasan normal seperti ditunjukkan pada gambar dan kurva gauss di bawah ini :
1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1) . . . 25. if (day is holiday) and (lastweek_load is N) then (forecast is L) (1) 26. if (day is holiday) and (lastweek_load is L) then (forecast is VL) (1) 27 if (day is holiday) and (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) and (lastweek_load is VVL) then (forecast is VVL) (1)
28 aturan fuzzy
Batasan himpunan fuzzy untuk input lastday_load, lastweek_load dan output forecast
Hasil dan Uji Coba
Di uji coba pertama ini, dibuat aturan aturan fuzzy sebanyak 28 aturan:
1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1)
2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1) . . 27 if (day is holiday) and (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) and (lastweek_load is VVL) then (forecast is VVL) (1)
Permintaan gas cair sangat dipengaruhi oleh permintaan pada hari hari sebelumnya, atau seminggu sebelumnya (jika hari libur). Pada hari kerja, permintaan cenderung normal atau tinggi, dan akan menurun drastis pada hari libur Rules no 2 : 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1)
Jika hari ini adalah hari kerja, dan hari kemarin adalah hari kerja juga (dalam arti bukan hari senin), maka permintaan cenderung meninggi dari hari kemarin, sehingga, jika hari kemarin permintaan VH, maka sekarang permintaan menjadi VVH
Hasil dan Uji Coba
MAPE rata rata = 11,858 % Grafik Hasil Peramalan :
Jumlah Permintaan
Permintaan Aktual
Peramalan
200 180 160 140 120 100 80 60 40 20 0 01 April 2012
08 April 2012
15 April 2012
22 April 2012
29 April 2012
06 Mei 2012
13 Mei 2012
20 Mei 2012
27 Mei 2012
03 Juni 2012
Periode Grafik hasil peramalan menggunakan 28 rules dan batasan normal
10 Juni 2012
17 Juni 2012
24 Juni 2012
Hasil dan Uji Coba
Uji coba dengan menggunakan 21 rules dan batasan yang sama dengan uji coba 1 (normal), seperti ditunjukkan pada gambar dan grafik di bawah ini :
1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1) . . . 18. if (day is holiday) and (lastday_load is N) then (forecast is L) (1) 19. if (day is holiday) and (lastday_load is L) then (forecast is L) (1) 20. if (day is holiday) and (lastday_load is VL) then (forecast is VVL) (1) 21. if (day is holiday) (and) (lastday_load is VVL) then (forecast is VVL) (1)
21 aturan fuzzy
Batasan himpunan fuzzy untuk input lastday_load, lastweek_load dan output forecast
Hasil dan Uji Coba Uji coba dengan menggunakan 21 rules dan batasan normal
Tujuan : Untuk mengetahui pengaruh rules terhadap hasil peramalan, apakah semakin banyak rules semakin bagus hasilnya, atau sebaliknya
Hasil dan Uji Coba
MAPE rata rata = 13,697%
Uji coba dengan menggunakan 21 rules dan batasan normal seperti ditunjukkan pada gambar dan grafik di bawah ini : Jumlah Permintaan
Permintaan Aktual
200
Peramalan
180 160 140 120 100 80 60 40 20 0 01 April 2012
08 April 2012
15 April 2012
22 April 2012
29 April 2012
06 Mei 2012
13 Mei 2012
20 Mei 2012
27 Mei 2012
03 Juni 2012
10 Juni 2012
Periode
Grafik hasil peramalan menggunakan 21 rules dan batasan normal
17 Juni 2012
24 Juni 2012
Hasil dan Uji Coba 28 aturan fuzzy
Uji coba dengan menggunakan 28 Rules dan batasan berbeda seperti ditunjukkan pada gambar dan kurva gauss di bawah ini :
1. if (day is workday) and (lastday_day is workday) and (lastday_load is VVH) then (forecast is VH) (1) 2. if (day is workday) and (lastday_day is workday) and (lastday_load is VH) then (forecast is VVH) (1) 3. if (day is workday) and (lastday_day is workday) and (lastday_load is H) then (forecast is H) (1) . . . 27 if (day is holiday) (lastweek_load is VL) then (forecast is VL) (1) 28. if (day is holiday) (lastweek_load is VVL) then (forecast is VVL) (1)
Batasan normal untuk himpunan fuzzy untuk input lastday_load, lastweek_load dan output forecast
Batasan baru untuk himpunan fuzzy untuk input lastday_load, lastweek_load dan output forecast
Hasil dan Uji Coba Uji coba dengan menggunakan 28 rules dan batasan yang diubah
Tujuan : Untuk mengetahui pengaruh batasan terhadap hasil peramalan, apakah dengan hanya batasan normal saja bisa menhasilkan hasil peramalan yang bagus, atau batasan yang dibuat secara random
Hasil dan Uji Coba
MAPE rata rata = 12,561%
Uji coba dengan menggunakan 28 rules dan batasan baru seperti ditunjukkan pada gambar dan grafik di bawah ini : Permintaan Aktual
Jumlah Permintaan
Peramalan
200 180 160 140 120 100 80 60 40 20 0 01 April 2012
08 April 2012
15 April 2012
22 April 2012
29 April 2012
06 Mei 2012
13 Mei 2012
20 Mei 2012
27 Mei 2012
03 Juni 2012
Periode Grafik hasil peramalan menggunakan 28 rules dan batasan baru
10 Juni 2012
17 Juni 2012
24 Juni 2012
Hasil dan Uji Coba Di bawah ini adalah tabel hasil uji coba: Uji coba 1
Uji coba 2
Uji coba 3
28 rules Batasan normal
21 rules Batasan normal
28 rules Batasan diubah
MAPE rata rata 11,858 %
MAPE rata rata 13,697%
MAPE rata rata 12,561%
Kesimpulan dan Saran Kesimpulan
• Untuk peramalan gas cair LOX dengan menggunakan fuzzy inference model dengan 28 aturan fuzzy menghasilkan nilai error (MAPE) sebesar 11,858%. Hasil tersebut adalah yang paling bagus diantara semua skenario uji coba. • Semakin banyak faktor yang digunakan, maka semakin banyak pula variabel input yang dimasukkan ke dalam sistem. Jumlah variabel membuat aturan menjadi lebih detail dan hasil peramalan yang dihasilkan bisa lebih mendekati aktual dan error yang dihasilkan juga lebih kecil.
Kesimpulan dan Saran Kesimpulan
• Nilai batasan untuk himpunan fuzzy sangat berpengaruh pada output yang dihasilkan. Semakin bagus atau optimal batasan yang digunakan, maka semakin bagus pula hasil peramalannya (nilai MAPEnya kecil).
• Kelebihan fuzzy inference model ini adalah adanya aturan-aturan fuzzy (fuzzy rules) yang dibuat berdasarkan pola data sehingga menghasilkan suatu hasil peramalan yang lebih mendekati akurat • Kekurangan dari fuzzy inference model ini adalah batasan himpunan fuzzy diatur secara normal atau memiliki range yang sama untuk setiap himpuan fuzzy.
Kesimpulan dan Saran Saran •
Diharapkan bisa menambah faktor-faktor yang bisa mempengaruhi permintaan sehingga aturan (rules) yang dibuat bisa lebih banyak dan detail. Faktor-faktor yang mempengaruhi permintaan tersebut misalnya saja adalah temperatur, cuaca atau inflasi.
•
Batasan himpunan fuzzy pada fuzzy inference model yang diatur secara normal masih belum optimal, karena MAPE yang dihasilkan masih di atas 10%. Jika batasan tersebut optimal, maka tingkat errornya bisa lebih kecil lagi. Untuk menentukan batasan fuzzy yang optimal, bisa menggunakan algoritma untuk mengoptimasi batasan-batasan pada himpunan fuzzy sehingga hasil peramalan bisa lebih bagus (MAPE di bawah 10%).
Sekian
