publikasi karya ilmiah perbedaan tingkat konsumsi energi, protein ...
Model peramalan konsumsi energi final dengan menggunakan ... fileperlunya menentukan model peramalan...
Transcript of Model peramalan konsumsi energi final dengan menggunakan ... fileperlunya menentukan model peramalan...
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Abstrak—Energi dan konsumsi energi memainkan peranan
penting dalam meningkatkan pertumbuhan ekonomi suatu
Negara. Tren konsumsi energi dunia yang cenderung meningkat
menunjukkan bahwa energi merupakan komoditas penting bagi
setiap Negara di masa mendatang. Pada penelitian ini dilakukan
pemodelan konsumsi energi final menurut sektor di Indonesia
dalam kasus dataset yang kecil menggunakan metode regresi
fuzzy. Penentuan model peramalan dilakukan dengan dua
pendekatan yaitu dengan menggunakan konstanta dan tanpa
konstanta regresi. Konsumsi energi final sebagai variabel tak
bebas akan diramalkan terhadap variabel bebas jumlah
penduduk dan Produk Domestik Bruto (PDB). Hasil peramalan
konsumsi energi dapat digunakan sebagai dasar manajemen
produksi persediaan energi primer di masa mendatang.
Berdasarkan perbandingan nilai MAPE, pada total konsumsi
energi final menunjukkan bahwa metode regresi fuzzy dengan
pendekatan tanpa konstanta lebih baik daripada pendekatan
dengan konstanta karena memiliki nilai MAPE yang terkecil
yaitu 2,75%.
Kata Kunci—Dataset kecil, Konsumsi Energi, Regresi Fuzzy
I. PENDAHULUAN
NERGI memainkan peranan penting dalam menggerakkan
roda perekonomian setiap negara di dunia. Setiap negara
memerlukan input energi untuk menghasilkan barang dan jasa.
Barang dan jasa inilah yang kemudian diperhitungkan sebagai
output yang merupakan parameter penting dalam perhitungan
pertumbuhan ekonomi pada suatu negara.
Tren konsumsi energi cenderung meningkat setiap tahunnya.
Tren peningkatan konsumsi energi merupakan konsekuensi
dari bertambahnya populasi penduduk, kemajuan teknologi,
serta aktivitas pembangunan yang terus berlanjut. Selain
populasi penduduk, nilai PDB merupakan salah satu
penggerak kebutuhan energi. Bagi Indonesia yang merupakan
salah satu negara berkembang dengan konsumsi energi yang
tinggi, penyediaan energi merupakan faktor yang sangat
penting dalam mendorong pembangunan. Seiring dengan
meningkatnya pembangunan terutama pembangunan di sektor
industri, pertumbuhan ekonomi dan pertumbuhan penduduk,
kebutuhan energi akan terus meningkat. Meningkatnya
konsumsi energi berbanding terbalik dengan ketersediaan
sumber daya energi. Keterbatasan sumber daya energi dan
kenaikan tren konsumsi energi secara pesat menunjukkan
perlunya menentukan model peramalan konsumsi energi untuk
merencanakan pemenuhan kebutuhan energi di masa
mendatang.
Dalam meramalkan konsumsi energi, data yang akan
digunakan untuk meramalkan perlu diperhatikan. Seseorang
tidak dapat mengandalkan data pada periode perang untuk
membangun model peramalan yang berhubungan dengan
konsumsi energi dengan variabel ekonomi dan sosial misalnya
PDB dan jumlah penduduk sebagai variabel bebas. Resesi
ekonomi, krisis energi, dan perubahan politik juga merupakan
contoh penting lainnya yang meragukan pada pembenaran
menggunakan semua data yang tersedia dalam meramalkan
sehingga data yang tersedia untuk set kecil.
Metode yang tepat dalam peramalan untuk kasus data set
kecil adalah regresi fuzzy. Regresi fuzzy tidak memerlukan
data historis yang banyak untuk memenuhi beberapa asumsi
seperti normalitas [1]. Walaupun penelitian sebelumnya telah
memberikan hasil yang sesuai dalam peramalan permintaan
energi, namun tidak ada satupun dari penelitian tersebut yang
telah ditangani dengan dataset kecil [2]. Azadeh dkk (2011)
telah melakukan penelitian tentang desain eksperimen untuk
mengestimasi konsumsi energi dengan dataset kecil
menggunakan metode regresi fuzzy dan regresi klasik yang
dilakukan di lima Negara yaitu Amerika Serikat, Kanada,
Singapura, Pakistan, dan Iran.
Oleh karena itu, pada penelitian ini dilakukan pemodelan
peramalan konsumsi energi final di Indonesia dengan variabel
bebas jumlah penduduk dan PDB pada kasus dataset yang
kecil menggunakan metode regresi fuzzy dengan tujuan untuk
mendapatkan model peramalan yang sesuai untuk data
konsumsi energi final di Indonesia.
II. URAIAN PENELITIAN
Pada penelitian ini sebelum menentukan model peramalan,
ditentukan taksiran parameter fuzzy yang akan digunakan
Model Peramalan Konsumsi Energi Final
dengan Menggunakan Metode Regresi Fuzzy
untuk Dataset Kecil
(Studi Kasus: Indonesia)
Alfi Lailah1, Nuri Wahyuningsih
2, dan IGN. Rai Usadha
3
123Jurusan Matematika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
E
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
2
sebagai koefisien model regresi terlebih dahulu. Model
peramalan dilakukan dengan dua pendekatan yaitu dengan
menggunakan konstanta dan tanpa konstanta. Model
peramalan terbaik dipilih berdasarkan ukuran kesalahan model
yang terkecil. Mean Absolute Percentage Error (MAPE)
merupakan metode pengukuran kesalahan yang digunakan
pada penelitian ini karena tepat digunakan untuk mengindikasi
seberapa besar kesalahan dalam meramal yang dibandingkan
dengan nilai nyata. Persamaan MAPE ditunjukkan pada
persamaan berikut [3].
%100
1 '
n
X
XX
MAPE
t
n t
tt
(1)
dengan:
X t : data aktual periode ke- t
X t
' : data hasil ramalan periode ke- t
n : banyaknya data yang diramalkan
A. Data dan variabel
Data konsumsi energi final, jumlah penduduk, dan PDB
diperoleh dari Handbook of Energy & Economic Statistics of
Indonesia 2011 [4]. Variabel yang digunakan adalah variabel
tak bebas )(Y konsumsi energi final menurut sektor dengan
satuan BOE (Barrel of Oil Equivalent). Sedangkan variabel
bebas )(X yaitu:
X 1 : Jumlah penduduk dengan satuan ribuan orang.
X 2 : PDB dengan trilyun rupiah.
B. Regresi Fuzzy
Tanaka dan kawan-kawan pada tahun 1982 telah
mengembangkan model regresi fuzzy. Model ini menggunakan
teknik linear programming untuk membuat suatu model yang
mirip regresi linier dengan parameter-parameter fuzzy segitiga
simetris. Regresi fuzzy mengestimasi batasan yang mungkin,
dikenal sebagai fungsi keanggotaan (membership function).
Fungsi keanggotaan juga didefinisikan untuk koefisien dari
variabel bebas. Koefisien-koefisien luaran dari model regresi
fuzzy adalah angka-angka fuzzy [5].
Regresi fuzzy digunakan untuk menangani masalah regresi
dengan jumlah data yang kurang atau sedikit. Analisis regresi
linier pertama dengan model fuzzy menggunakan bilangan
fuzzy sebagai koefisien regresi yang dinyatakan dengan
interval sebagai nilai keanggotaan [6]. Karena koefisien
regresi merupakan bilangan fuzzy, maka nilai Y sebagai
variabel dependen yang merupakan hasil prediksi juga
bilangan fuzzy. Regresi fuzzy dari Tanaka direpresentasikan
dengan variabel tak bebas Y~
ditunjukkan pada persamaan
berikut:
XAXAXAXAY nnjjj
~~...
~~~1100 (2)
dengan Y~
adalah output fuzzy, X adalah variabel bebas,
iA~
untuk ni ,...,1,0 adalah koefisien-koefisien regresi.
Koefisien fuzzy iA~
adalah sebuah fungsi yang mempunyai 2
parameter p dan c . Parameter p merupakan merupakan
nilai tengah (middle value) dan parameter c merupakan
sebaran (spread). Sebaran menunjukkan kekaburan
(fuzziness) dari fungsi [5]. Koefisien fuzzy iA~
dapat ditulis
dalam bentuk ),(~
iii cpA , dengan ),...,,( 21 ni pppp dan
),...,,( 21 ni cccc . Sehingga persamaan (2) tersebut dapat
dituliskan kembali menjadi persamaan:
jjj XcpXcpcpY 22211100 ),(),(),(
~ (3)
Batas bawah, nilai tengah, dan batas atas ditunjukkan pada
persamaan berikut:
jii
N
ii
Lj XcpY )(
1
(4)
ji
N
ii
hj XpY
1
(5)
jii
N
ii
Rj XcpY )(
1
(6)
Untuk data nonfuzzy, objektif dari model regresi digunakan
untuk mendapatkan parameter iA~
sedemikian sehingga output
fuzzy diasosiasikan dengan nilai keanggotaan lebih besar dari
h [5]. Fungsi keanggotaan dengan koefisien fuzzy ke- i
ditunjukkan oleh Gambar 1 [7].
Gambar 1. Fungsi keanggotaan dengan faktor h .
Dalam regresi fuzzy, koefisien fuzzy didapatkan dengan
meminimasi spread dari output fuzzy untuk semua dataset [6].
}{1 1
n
iji
m
ji
Minc XcZ
i (7)
Persamaan (7) yang dikembangkan oleh Chang dan Ayyub
menunjukkan fungsi objektif yang digunakan untuk
mendapatkan nilai parameter fuzzy paling optimal. Kendala-
kendala yang digunakan pada penelitian ini ditunjukkan pada
persamaan berikut:
ji
n
iiji
n
iij XchXpy
11
)1( (8)
ji
n
iiji
n
iij XchXpy
11
)1( (9)
Sedangkan untuk fungsi objektif yang menggunakan konstanta
ditunjukkan oleh persamaan berikut:
}{0 1
n
iji
m
ji
Minc XcZ
i
dengan kendala,
Feasibel data
interval
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
ji
n
iiji
n
iij XchXpy
00
)1(
ji
n
iiji
n
iij XchXpy
00
)1(
III. HASIL DAN PEMBAHASAN
Berikut ini akan dijelaskan mengenai hasil analisis data
dalam menyelesaikan permasalahan.
A. Penaksiran Parameter Fuzzy
Berdasarkan konsep regresi fuzzy, koefisien model
peramalan merupakan hasil dari penaksiran parameter fuzzy
yang diperoleh menggunakan software. Nilai dari parameter-
parameter fuzzy yaitu ip (nilai tengah atau mean dari variabel
X ) dan ic (sebaran atau simpangan baku dari variabel X ).
Nilai 0p , 1p , 2p dan 0c , 1c , 2c diperoleh dari fungsi
objektif pada persamaan (7) dan kendala pada persamaan (8)
dan persamaan (9). Tujuan dari kendala-kendala tersebut
adalah untuk mendapatkan penyelesaian yang optimal.
Sebelum mendapatkan nilai dari ip dan ic , terlebih dahulu
ditentukan nilai h oleh user. Pada penelitian ini, nilai h
ditentukan dengan cara trial and error dari 0-0,9. Nilai ip dan
ic yang diperoleh dengan nilai 0h sampai dengan 9,0h
disubstitusikan kedalam persamaan (4) untuk mendapatkan
batas atas dan persamaan (6) untuk mendapatkan batas bawah
peramalan tahun 2006-2010.
Nilai h yang menghasilkan interval peramalan paling kecil
serta data aktual berada pada batas atas dan batas bawah
tersebut akan digunakan untuk menentukan nilai parameter
fuzzy 0c , 1c , 2c , 0p , 1p , dan 2p yang digunakan. Hasil
penaksiran parameter 0c , 1c , 2c , 0p , 1p , dan 2p serta nilai
h dengan dua pendekatan ditunjukkan pada Tabel 1.
B. Model Peramalan
Parameter fuzzy 0c , 1c , 2c , 0p , 1p , dan 2p pada masing-
masing sektor dan total yang telah diperoleh digunakan
sebagai koefisen pada model peramalan regresi fuzzy. Model
peramalan konsumsi energi final menurut sektor dan total
diperoleh berdasarkan persamaan (3). Model I adalah model
peramalan dengan konstanta sedangkan model II adalah model
peramalan tanpa konstanta. Adapun model peramalan pada
masing-masing sektor dan total dengan dua pendekatan yaitu:
1. Sektor Industri
Model I:
jY~
(0, 22495360) + (975,0844; 0)j
X1 +
(2674,714; 0)j
X 2
Model II:
jY~
(903,4214; 37,17731) jX1 +
(5974,603; 2835,465)j
X 2
2. Sektor Rumah Tangga
Model I:
jY~
(86093920, 4595289) + (0, 0)j
X1 + (0; 0)j
X 2
Model II:
jY~
(403,5067; 0)j
X1 + (0; 2240,558)j
X 2
3. Sektor Komersial
Model I:
jY~
(0, 1100066) + (84,76542; 0)j
X1 +
(1563,438; 0)j
X 2
Model II:
jY~
(84,29032; 5,071158)j
X1 + (1597,371; 0)j
X 2
4. Sektor Transportasi
Model I:
jY~
(0, 1501132) + (626,6866; 0)j
X1 +
(9986,276; 0)j
X 2
Model II:
jY~
(645,193; 52,80)j
X1 + (9121,77; 583,116)j
X 2
5. Sektor Lainnya
Model I:
jY~
(28266380, 3423429) + (0, 0)j
X1 + (0, 0)j
X 2
Model II:
jY~
(129,766; 10,23796)j
X1 + (0; 485,3557)j
X 2
6. Total
Model I:
jY~
(0, 23101800) + (2258,818; 0)j
X1 +
(8519,69; 0)j
X 2
Model II:
jY~
(2257,609; 115,6534)j
X1 + (8730,479; 0)j
X 2
C. Hasil Peramalan
Hasil peramalan konsumsi energi final diperoleh dari
persamaan (5). Hasil peramalan I merupakan hasil peramalan
dengan menggunakan konstanta. Sedangkan hasil peramalan
II merupakan hasil peramalan dengan pendekatan tanpa
konstanta. Hasil peramalan I dan II masing sektor dan total
ditunjukkan pada Tabel 2. Batas atas dan batas bawah
peramalan dapat dilihat pada Tabel 3 dan Tabel 4.
D. Ukuran Kesalahan Hasil Peramalan
Pengukuran kesalahan model peramalan konsumsi energi
final pada masing-masing sektor dan total menggunakan
persamaan (1). Suatu model dikatakan layak jika nilai MAPE
berada di bawah 10% dan cukup layak jika nilai MAPE berada
di antara 10% dan 20% [8]. Hasil ukuran kesalahan masing-
masing sektor ditunjukkan pada Tabel 5.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
4
Tabel 1.
Koefisien Regresi Fuzzy
Sektor Dengan Konstanta Tanpa Konstanta
h ( 0p , 0c ) ( 1p , 1c ) ( 2p , 2c ) h ( 1p , 1c ) ( 2p , 2c )
Industri 0.1 (0, 22495360) (975,0844; 0) (2674,714; 0) 0.1 (903,4214; 37,17731) (5974,603; 2835,465)
Rumah Tangga 0 (86093920, 4595289) (0, 0) (0, 0) 0 (403,507; 0) (0; 2240,56)
Komersial 0 (0, 1100066) (84,76542; 0) (1563,44; 0) 0 (84,2903; 5,071158) (1597,37; 0)
Transportasi 0.1 (15011320, 0) (626.6866, 0) (9986,28; 0) 0.1 (645,193; 52,80702) (9121,77; 583,116)
Lainnya 0 (3423429, 28266380) (0 , 0) (0 , 0) 0.1 (10,23796; 129,767) (0; 485,356)
Total 0 (23101800, 0) (2258,818; 0) (8519, 0) 0.1 (2257,61; 104,0881) (8730,48; 0)
Tabel 2.
Hasil peramalan konsumsi energi final
Sektor Peramalan I Peramalan II
2006 2007 2008 2009 2010 2006 2007 2008 2009 2010
Industri 225.586.823 230.587.789 236.071.721 239.899.810 248.899.720 220.682.207 227.455.468 236.032.828 241.894.234 253.064.840
Rumah Tangga 86.093.920 86.093.920 86.093.920 86.093.920 86.093.920 89.655.961 91.048.059 92.210.562 93.061.961 95.889.736
Komersial 24.054.518 25.303.782 27.111.430 28.325.281 30.185.701 24.062.257 25.330.649 27.170.861 28.406.173 30.290.750
Transportasi 172.588.925 180.862.594 192.654.354 200.587.578 213.068.281 173.814.320 181.622.760 192.603.333 200.003.303 211.913.451
Lainnya 28.266.380 28.266.380 28.266.380 28.266.380 28.266.380 28.833.189 29.280.885 29.654.744 29.928.553 30.837.960
Total 530.338.544 543.345.518 558.372.866 568.779.009 591.509.756 530.773.728 543.905.533 559.140.183 569.683.315 592.576.327
Tabel 3.
Interval peramalan I konsumsi energi final
Sektor Batas Bawah Batas Atas
2006 2007 2008 2009 2010 2006 2007 2008 2009 2010
Industri 200.591.983 205.592.949 211.076.881 214.904.970 223.904.880 250.581.663 255.582.629 261.066.561 264.894.650 273.894.560
Rumah Tangga 81.498.631 81.498.631 81.498.631 81.498.631 81.498.631 90.689.209 90.689.209 90.689.209 90.689.209 90.689.209
Komersial 22.954.452 24.203.716 26.011.364 27.225.215 29.085.635 25.154.584 26.403.848 28.211.496 29.425.347 31.285.767
Transportasi 157.577.605 165.851.274 177.643.034 185.576.258 198.056.961 187.600.245 195.873.914 207.665.674 215.598.898 228.079.601
Lainnya 24.842.951 24.842.951 24.842.951 24.842.951 24.842.951 31.689.809 31.689.809 31.689.809 31.689.809 31.689.809
Total 504.669.874 517.676.848 532.704.196 543.110.339 565.841.086 556.007.214 569.014.188 584.041.536 594.447.679 617.178.426
Tabel 4.
Interval peramalan II konsumsi energi final
Sektor Batas Bawah Batas Atas
2006 2007 2008 2009 2010 2006 2007 2008 2009 2010
Industri 200.984.297 205.686.929 210.994.763 214.683.367 223.012.566 240.380.117 249.224.007 261.070.893 269.105.102 283.117.114
Rumah Tangga 82.174.738 82.195.614 81.117.559 80.485.709 81.498.632 97.137.184 99.900.503 103.303.564 105.638.213 110.280.840
Komersial 22.935.486 24.186.383 26.011.984 27.236.596 29.085.635 25.189.027 26.474.915 28.329.737 29.575.749 31.495.865
Transportasi 160.133.998 167.403.387 177.648.707 184.551.232 195.618.984 187.494.641 195.842.133 207.557.959 215.455.375 228.207.918
Lainnya 24.504.972 24.583.381 24.385.183 24.277.983 24.670.850 33.161.406 33.978.390 34.924.305 35.579.122 37.005.069
Total 507.646.185 520.418.885 535.353.658 54.567.7164 567.840.727 553.901.271 567.392.180 58.292.6708 593.689.466 617.311.927
E. Analisa Hasil
Model peramalan konsumsi energi final tahun 2006-2010
berguna untuk manajemen produksi persediaan energi primer.
Analisis hasil untuk masing-masing sektor adalah sebagai
berikut:
1. Sektor Industri
Model terbaik untuk peramalan konsumsi energi final
sektor industri adalah dengan pendekatan tanpa konstanta
karena model mempunyai nilai MAPE terkecil yaitu
4,843297177%. Dari model tersebut dapat dinyatakan bahwa
setiap kenaikan satu satuan jumlah penduduk, maka konsumsi
energi akan naik sebesar 903,4214 satuan Y dengan asumsi
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5
PDB konstan dan kenaikan jumlah penduduk berada pada
rentang 866,24409 sampai dengan 940,59871 satuan serta
setiap kenaikan satu satuan PDB, maka konsumsi energi final
akan naik sebesar 5974,603 satuan Y dengan asumsi jumlah
penduduk konstan dan kenaikan PDB berada pada rentang
3139,138 sampai dengan 8810,068 satuan. Dari hasil
penaksiran parameter pada Tabel 1 menunjukkan bahwa PDB
memberikan pengaruh lebih besar terhadap konsumsi energi
final pada sektor ini daripada jumlah penduduk.
2. Sektor Rumah Tangga
Model terbaik untuk peramalan konsumsi energi final
sektor rumah tangga adalah dengan pendekatan menggunakan
konstanta karena mempunyai nilai MAPE terkecil yaitu
2,898329224%. dari model tersebut dapat dinyatakan bahwa
konsumsi energi final bernilai konstan sebesar 86.093.920
BOE pada tahun 2006-2010 dan kenaikan berada pada rentang
81.498.631 sampai dengan 90.689.209 satuan. Hasil taksiran
parameter pada Tabel 1 menunjukkan bahwa jumlah penduduk
dan PDB tidak memberikan pengaruh terhadap konsumsi
energi pada sektor rumah tangga.
3. Sektor Komersial
Model terbaik untuk peramalan konsumsi energi final
sektor komersial adalah dengan pendekatan menggunakan
konstanta karena mempunyai MAPE paling kecil yaitu
2,769908176%. Dari model tersebut dapat dinyatakan bahwa
setiap kenaikan satu satuan jumlah penduduk, maka konsumsi
energi akan naik sebesar 84,76542 satuan Y dengan asumsi
PDB konstan. Setiap kenaikan satu satuan PDB, maka
konsumsi energi final akan naik sebesar 1563,438 satuan Y
dengan asumsi jumlah penduduk konstan dan konsumsi energi
akan naik atau berkurang sebesar 1.100.066 satuan Y dengan
asumsi jumlah penduduk dan PDB konstan. Hasil taksiran
parameter pada Tabel 1 menunjukkan bahwa PDB lebih
memberikan pengaruh terhadap konsumsi energi pada sektor
komersial daripada jumlah penduduk.
4. Sektor Transportasi
Model terbaik untuk peramalan konsumsi energi final
sektor transportasi adalah dengan pendekatan tanpa konstanta
karena memiliki MAPE paling kecil yaitu 5,582920361%.
Dari model tersebut dapat dinyatakan bahwa setiap kenaikan
satu satuan jumlah penduduk, maka konsumsi energi akan naik
sebesar 645,193 satuan Y dengan asumsi PDB konstan dan
kenaikan jumlah penduduk berada pada rentang 592,393
sampai dengan 697,993 satuan. Setiap kenaikan satu satuan
PDB, maka konsumsi energi final akan naik sebesar 9121,77
satuan Y dengan asumsi jumlah penduduk konstan dan
kenaikan PDB berada pada rentang 8538,654 sampai dengan
9704,886 satuan.
Dari hasil penaksiran parameter pada Tabel 1
menunjukkan bahwa pada sektor ini PDB memberikan
pengaruh lebih besar terhadap konsumsi energi final daripada
jumlah penduduk.
5. Sektor Lainnya
Model terbaik untuk peramalan konsumsi energi final
sektor lainnya adalah menggunakan konstanta dengan MAPE
9,305844357%. dari model tersebut dapat dinyatakan bahwa
konsumsi energi mengalami kenaikan secara konstan sebesar
28.266.380 satuan Y dan konsumsi energi final akan naik atau
turun sebesar 24.842.951 sampai dengan 31.689.809 satuan.
Hasil taksiran parameter pada Tabel 1 menunjukkan bahwa
jumlah penduduk dan PDB tidak memberikan pengaruh
terhadap konsumsi energi pada sektor lainnya.
6. Konsumsi Energi Final
Model terbaik untuk peramalan total konsumsi energi final
metode regresi fuzzy tanpa konstanta dengan MAPE
2,745677161%. Dari model tersebut dapat dinyatakan bahwa
setiap kenaikan satu satuan jumlah penduduk, maka konsumsi
energi akan naik sebesar 2257,609 satuan Y dengan asumsi
PDB konstan dan kenaikan jumlah penduduk berada pada
rentang 2141,9556 sampai dengan 2373,2624 satuan. Setiap
kenaikan satu satuan PDB, maka konsumsi energi final akan
naik sebesar 8730,479 satuan Y dengan asumsi jumlah
penduduk konstan. Dari hasil penaksiran parameter pada Tabel
1 menunjukkan bahwa pada total konsumsi energi final, PDB
memberikan pengaruh lebih besar terhadap konsumsi energi
final pada konsumsi energi final total daripada jumlah
penduduk. Tabel 5.
Nilai MAPE masing-masing sektor
Sektor MAPE (%)
Peramalan I
MAPE (%)
Peramalan II
Sektor Industri 4,861658 4,843297177
Sektor Rumah Tangga 2,898329224 8,242596339
Sektor Komersial 2,769908176 2,961032163
Sektor Transportasi 5,595750087 5,582920361
Sektor Lainnya 9,305844357 14,10587012
Total 2,769172212 2,745677161
IV. KESIMPULAN
Dari hasil analisa dan pembahasan dapat diambil
kesimpulan sebagai hasil dari penelitian sebagai berikut:
1. Model terbaik untuk pendekatan model menggunakan
konstanta yaitu:
a. Sektor Rumah Tangga:
jY~
(86093920, 4595289) + (0, 0)j
X1 + (0; 0)j
X 2
b. Sektor Komersial:
jY~
(0, 1100066) + (84,76542; 0)j
X1 +
(1563,438; 0)j
X 2
c. Sektor Lainnya:
jY~
(28266380, 3423429) + (0, 0)j
X1 + (0, 0)j
X 2
Sedangkan untuk pendekatan tanpa konstanta yaitu:
a. Sektor Industri:
jY~
(903,4214; 37,17731)j
X1 +
(5974,603; 2835,465)j
X 2
b. Sektor Transportasi:
jY~
(645,193; 52,80) jX1 + (9121,77; 583,116) j
X 2
c. Konsumsi energi final:
jY~
(2257,609; 115,6534)j
X1 + (8730,479; 0)j
X 2
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6
2. Ukuran kesalahan model diukur dengan menggunakan nilai
MAPE sehingga diperoleh persentase kesalahan (error)
model pada masing-masing sektor yaitu: sektor industri
sebesar 4,84% pada pendekatan model regresi fuzzy tanpa
konstanta, sektor rumah tangga sebesar 2.89% pada
pendekatan model regresi fuzzy menggunakan konstanta,
sektor komersial sebesar 2,77% pada model regresi fuzzy
menggunakan konstanta, sektor transportasi sebesar 5,58%
pada pendekatan model regresi fuzzy tanpa konstanta,
sektor lainnya sebesar 9,31% pada pendekatan model
regresi fuzzy menggunakan konstanta, dan total konsumsi
energi final sebesar 2,75% pada pendekatan model regresi
fuzzy tanpa konstanta.
DAFTAR PUSTAKA
[1] Azadeh A., Saberi M., & Seraj O. (2010). “An Integrated Fuzzy
Regression Algorithm for Energy Consumption Estimation with Non-
stationary Data: A Case Study of Iran”. Journal of the Energy,
Doi:10.1016/j.energy. 2009.12.023, 2351-2366.
[2] Azadeh A., Saberi M., Asadzadeh S.M., & Khakestani M. (2011). “A
Hybrid Fuzzy Mathematical Programming-Design of Experiment
Framework for Improvement of Energy Consumption Estimation with
Small Data Sets and Uncertainty: The Cases of USA, Canada,
Singapore, Pakistan and Iran”. Journal of the Energy, Doi:
10.1016/j.energy.2011.07.015, 1-12.
[3] Makridakis S., Wheeleright S.C., & McGee V.E. (1993). Metode dan
Aplikasi Peramalan. Jakarta: Penerbit Erlangga.
[4] … Handbook of Energy & Economic statistic of Indonesia. (2011).
[Diakses tanggal 24 Januari 2012]. Available: www.esdm.go.id/publikasi/handbook. html.
[5] Astuti, D.R. (2010). “Peramalan Beban Jangka Pendek Untuk Hari-hari
Libur Menggunakan Fuzzy Linear regression (FLR) yang Dioptimasi
dengan Artificial Immune System (AIS)”. Tugas akhir-ITS.
[6] Tanaka H., Uejima S., & Asia K. (1982). “Linear regression analysis
with fuzzy model”. IEEE Transactions on Systems, Man, and
Cybernetics 1982;12(6):903e7.
[7] Shapiro F. A. (2005). Fuzzy Regression Models. Article of Penn State
University.
[8] Raharja A., Angraeni W., Vinarti R.A., (2010). “Penerapan Metode
Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon
Di PT. Telkomsel Divre3 Surabaya”. Institut Teknologi Sepuluh
Nopember Surabaya, Tugas Akhir S1 Jurusan Sistem Informasi.