Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng Bekas sebagai Bahan Produksi Biodiesel Menggunakan ANFIS

ANALISIS STUDI KELAYAKAN FINANSIAL PEMANFAATAN
MINYAK GORENG BEKAS SEBAGAI BAHAN PRODUKSI
BIODIESEL MENGGUNAKAN ANFIS

IMAM AHMAD

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Analisis Studi Kelayakan
Finansial Pemanfaatan Minyak Goreng Bekas sebagai Bahan Produksi Biodiesel
Menggunakan ANFIS adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Februari 2015
Imam Ahmad
NIM G651120441

RINGKASAN
IMAM AHMAD. Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng
Bekas sebagai Bahan Produksi Biodiesel Menggunakan ANFIS. Dibimbing oleh
IRMAN HERMADI dan YANDRA ARKEMAN.
Konsumsi Bahan Bakar Minyak (BBM) semakin meningkat, namun tidak
diiringi dengan persediaan. Konsumsi terbanyak BBM ada pada sektor transportasi,
untuk itu salah satu solusi mengatasi kekurangan BBM yaitu dengan mencari
alternatif jenis BBM lain seperti biodiesel. Biodiesel merupakan bahan bakar nabati
yang terbuat dari minyak tumbuhan atau lemak hewan. Biodesel dapat dijadikan
sebagai bahan campuran minyak solar (B10), yang terbukti hasil gas buang CO2
rendah. Tujuan penelitian ini mengkaji kelayakan bagaimana investasi limbah
minyak goreng sebagai bahan produksi biodiesel. Minyak goreng bekas merupakan
limbah dari rumah tangga, limbah ini pada dasarnya dapat dimanfaatkan sebagai
bahan produksi biodiesel. Pada dunia industri, studi kelayakan diperlukan guna
mengukur layak atau tidaknya suatu usaha dijalankan.

Penelitian ini terdiri dari dua tahapan yaitu, tahapan pertama melakukan
perhitungan model kelayakan fuzzy dengan input harga biodiesel, harga minyak
jelantah dan suku bunga dengan output-nya, yaitu: Net Present Value (NPV),
Internal Rate of Return (IRR), Net Benefit Cost Ratio (Net B/C) dan Payback
Period (PBP). Tahapan kedua melakukan prediksi kelayakan menggunakan
Adaptive Neuro Fuzzy Inference System (ANFIS) dengan hasil analisis untuk
masing-masing tipe membership function (mf) triangular diperoleh akurasi 77%,
mf gaussian akurasi 53% dan untuk mf trapezoid akurasi 61%. Hasil akurasi tiap
mf berbeda, Karena hasil keluaran model sangat berpengaruh terhadap nilai mf,
semakin bagus nilai mf maka semakin bagus model yang dihasilkan.

Kata kunci: ANFIS, Biodiesel, Studi Kelayakan, Minyak Goreng Bekas

SUMMARY
IMAM AHMAD. The Financial Feasibility Study Analysis of Waste Cooking Oil
Utilization for Biodiesel Production using ANFIS. Supervised by IRMAN
HERMADI and YANDRA ARKEMAN.
Consumption of fuel oil is increasing, but it is not accompanied by supply.
Transportation sector is spent the most existing fuel; therefore, it is crucial to look
for alternative type of fuel such as biodiesel to overcome the fuel shortage. Biodiesel

is a biofuel made from vegetable oils or animal fats. Biodiesel can be used as a
mixture of petroleum diesel (B10), which proved to be the result of lower CO2. The
purpose of this study is to investigate the feasibility on how the investment of waste
cooking oil as the biodiesel material production. The waste cooking oil is waste
from households, this waste can basically be used as the material of biodiesel
production. In the industrial sector, feasibility studies are needed to measure
whether or not a business is run.
This study consists of two phases. First is calculating feasibility fuzzy model
with the input price of biodiesel, waste cooking oil prices and interest rates, and as
its output are Net Present Value (NPV), Internal Rate of Return (IRR), Net Benefit
Cost Ratio (Net B/C) and Payback Period (PBP). Second is predicting the
feasibility of using Adaptive Neuro Fuzzy Inference System (ANFIS). The results of
the analysis for each type of membership function (mf) were obtained 77%
triangular accuracy, 53% accuracy gaussian mf and 61% trapezoidal accuracy mf.
The results of the accuracy of each mf were different since the output model is very
influential on mf value, the better the value of mf, the better model resulted.
.
Keywords: ANFIS, Biodiesel, Feasibility Study, Waste Cooking Oil

© Hak Cipta Milik IPB, Tahun 2015

Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

ANALISIS STUDI KELAYAKAN FINANSIAL PEMANFAATAN
MINYAK GORENG BEKAS SEBAGAI BAHAN PRODUKSI
BIODISEL MENGGUNAKAN ANFIS

IMAM AHMAD

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis: DrEng Wisnu Ananta Kusuma, ST, MT

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan april 2013 ini, dengan judul
Analisis Studi Kelayakan Finansial Pemanfaatan Minyak Goreng Bekas sebagai
Bahan Produksi Biodiesel Menggunakan Adaptive Neuro Fuzzy Inference System
(ANFIS).
Terima kasih penulis ucapkan kepada Bapak Irman Hermadi, SKom, MS,
PhD dan Bapak Dr Ir Yandra Arkeman, MEng selaku komisi pembimbing dan
Bapak Dr Eng Wisnu Ananta Kusuma, ST, MT selaku penguji sekaligus ketua
program studi ilmu komputer. Ucapan terima kasih kepada Bapak Khairul Huda,
SKom, MMSi selaku ketua STMIK Abulyatama serta Ibu Yulfrita Adami, SE, MSi,
Bapak Ir Firdaus, MSi, dan Bapak Junaidi, SKom, MSi atas rekomendasi beliau

sehingga dapat melanjutkan studi pascasarjana serta telah banyak memberikan
bimbingan, arahan, nasehat, dan motivasi dalam penyusunan karya ilmiah ini.
Di samping itu, penghargaan penulis sampaikan kepada Direktorat Jenderal
Pendidikan Tinggi (DIKTI) melalui Beasiswa Unggulan Tahun 2012 atas
pemberian fasilitas baik pembiayaan maupun sarana prasarana selama penyusunan
studi dan karya ilmiah ini, dan untuk PT. Mekanika Elektrica Egra (MEE) Bogor,
serta Badan Pengelolaan Lingkungan Hidup (BPLH) Bogor, atas ketersediaan data
sebagai pendukung dalam penelitian ini.
Ungkapan terima kasih juga disampaikan kepada keluarga tercinta Ayahku
Sholihin AM dan Ibu Siti Ma’rifah, adik-adik ku dan seluruh keluarga atas segala
do'a, dukungan dan kasih sayangnya. Semoga Allah subhanahuwata’ala selalu
merahmati.
Terima kasih kepada pengelola pascasarjana, seluruh dosen dan staf
akademik Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA) khususnya
departemen Ilmu Komputer Institut Pertanian Bogor, Terima kasih kepada Sdr.
Inggih Permana, Sdr Sanusi, Sdri. Toyyibah, Sdri. Lailan Sahrina Hasibuan sebagai
teman diskusi penulis dalam menyelesaikan tesis ini dan seluruh teman-teman
MKOM angkatan 14, atas kebersamaan dan bantuannya selama kuliah dalam
penyelesaian penelitian ini.
Akhir kata semoga karya ilmiah ini bermanfaat bagi pembaca. Kritik dan

saran sangat penulis harapkan demi kesempurnaan karya ini dikemudian hari.
Bogor, Februari 2015
Imam Ahmad

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vii

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah

Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
2
2
3
3

2 TINJAUAN PUSTAKA
Biodiesel
Studi Kelayakan
Kriteria Investasi
Analisis Finansial Fuzzy
Jaringan Saraf Tiruan (JST)
Fuzzy Inference System (FIS)
Adaptive Neuro Fuzzy Inference System (ANFIS)
Metode Pembelajaran ANFIS

3
3
4
4
7
7
7
8
10

3 METODE
Studi Literatur
Pengumpulan Data
Praproses
Kriteria Aspek Finansial
Penentuan Basis Aturan
Pengembangan ANFIS
Analisis dan Evaluasi

14
14
14
15
15
15
16
16

4 HASIL DAN PEMBAHASAN
Data
Asumsi Investasi
Praproses
Kriteria Aspek Finansial
Pembentukan Basis Aturan
Pembagian Data
Analisis dan Evaluasi
Pengujian Model

17

17
19
21
21
23
24
25
26

5 SIMPULAN DAN SARAN
Simpulan
Saran

28
28
28

DAFTAR PUSTAKA

29

LAMPIRAN

31

RIWAYAT HIDUP

48

DAFTAR TABEL
1. Bahan baku biodiesel berpotensi di Indonesia
2. Perbandingan penalaran fuzzy Tsukamoto, Mamdani dan Sugeno.
3. Perbandingan ANN dan Fuzzy Logic.
4. Proses perambatan maju mundur ANFIS
5. Kriteria fuzzy dalam penilaian kelayakan
6. Contoh rule yang dibangkitkan dari 27 kondisi kelayakan
7. Harga biodiesel 6 tahun terakhir.
8. Nilai fuzzy input harga minyak biodiesel (harga jual)
9. Harga jelantah 6 tahun terakhir.
10. Nilai fuzzy input harga minyak jelantah
11. Nilai fuzzy input suku bunga
12. Asumsi-asumsi
13. Biaya Investasi
14. Tabel biaya operasional
15. Arus kas hasil fuzzifikasi (TFN)
16. Suku bunga dalam perhitungan
17. Contoh beberapa kondisi rule kelayakan
18. Jumlah data sebelum dan setelah validasi
19. Sensitivitas terhadap harga biodiesel dan jelantah (Konvensional)
20. Sensitivitas terhadap harga biodiesel dan jelantah (Model ANFIS)
21. Contoh pengujian data pada model ANFIS
22. Contoh pengujian data dengan berbagai membership function

3
8
9
11
15
16
17
17
18
18
19
20
20
20
21
22
24
24
25
25
26
26

DAFTAR GAMBAR
1.
2.
3.
4.
5.
6.
7.
8.

Struktur sistem inferensi fuzzy
(a) Model Sugeno Orde 1 (b) Arsitektur ANFIS (Jang 1993)
Representasi Triangular
Model perambatan error dari node O5 ke node O1 (Syafii 2006)
Kerangka pemikiran konseptual studi kelayakan
Representasi TFN Harga Biodiesel
Representasi TFN Harga Jelantah
Representasi TFN suku bunga

8
9
9
13
14
18
19
19

DAFTAR LAMPIRAN
1. Asumsi-asumsi
2. Biaya investasi
3. Fuzzifikasi varibel input
4. Perhitungan pendapatan selama 10 tahun
5. Kondisi kelayakan
6. Rule yang dihasilkan dengan 27 kondisi kelayakan
7. Gambar sebaran data target sebelum dan setelah validasi model
8. Representasi fuzzy input desain dan setelah latih ANFIS
9. Rule hasil training pada ANIFS
10. Sebaran data berbagai membership function
11. Cara menjalankan aplikasi kelayakan model ANFIS

31
32
33
34
35
38
40
41
42
44
46

1

1

1

1 PENDAHULUAN
Latar Belakang
Energi merupakan kebutuhan yang tak lepas dari kehidupan manusia,
contohnya Bahan Bakar Minyak (BBM) yang saat ini konsumsinya semakin
meningkat. Badan Pengkajian dan Penerapan Teknologi (BPPT 2013)
mengungkapkan konsumsi energi final menurut jenisnya pada tahun 2011 masih
didominasi oleh BBM, diantaranya yaitu minyak solar (46%), bensin (42%), avtur
(6%), minyak tanah (3%) dan minyak bakar (3%). Tingginya konsumsi solar dipicu
oleh kendaraan bermotor. Oleh sebab itu, pemerintah melalui keputusan direktur
Energi Baru Terbarukan dan Konservasi Energi (EBTKE) Nomor: 723
K/10/DJE/2013 mewajibkan pencampuran 10% dalam minyak solar serta standar
mutu untuk pendistribusian biodiesel. Machmud (2009) mengemukakan bahwa
dengan pencampuran 10% (B10) pada minyak solar menghasilkan gas emisi (CO
dan CO2) terendah pada kendaraan diesel.
Biodiesel merupakan Bahan Bakar Nabati (BBN) yang terbuat dari minyak
tumbuhan atau lemak hewan (Kamahara et al. 2010). Proses pembuatan biodiesel
dapat dilakukan dengan cara esterifikasi dan transesterifikasi (Aziz et al. 2011).
Biodiesel merupakan bahan bakar yang bersifat renewable limit dan ramah
lingkungan serta menghasilkan emisi gas buang yang relatif lebih bersih
dibandingkan bahan bakar solar (Fujita et al. 2013). Di Indonesia terdapat 50 jenis
bahan baku yang dapat digunakan untuk menghasilkan biodiesel (Kuncahyo et al.
2013). Namun dari keseluruhannya itu hanya enam jenis bahan baku yang
berpotensi, yaitu: kelapa sawit, kelapa, alga, karet, jarak pagar, dan minyak goreng
bekas (MGB) atau jelantah. Dari keenam jenis tersebut minyak jelantah
ketersediaannya lebih kontinyu. Oleh sebab itu minyak jelantah dipilih sebagai
bahan baku pada penelitian ini.
Minyak jelantah diperoleh dari sisa penggorengan minyak goreng rumah
tangga, hotel, dan industri makanan. Karakteristik pada minyak jelantah yaitu
tekstur, penampilan, cita rasa dan aroma bau yang kurang sedap pada makanan hasil
sisa penggorengan. Di masyarakat praktik penggorengan untuk menghasilkan mutu
makanan yang baik dan aman masih perlu perhatian lebih (Aminah dan Isworo
2010). Penggunaan minyak goreng sebaiknya maksimum tiga kali penggorengan,
karena di dalam minyak jelantah sisa penggorengan terdapat zat karsinogenik yang
dapat mengakibatkan penyakit kanker dan penurunan kecerdasan bagi keturunan.
Studi kelayakan pengolahan minyak jelatah menjadi biodiesel ini dilakukan
pada salah satu industri biodiesel di Bogor. Secara nasional Data Survey Sosial
Ekonomi Nasional (SUSENAS) tahun 2013 konsumsi minyak goreng rumah tangga
di Indonesia sebanyak 8,9 liter/kapita/tahun. Menurut Badan Pusat Statistik (BPS)
tahun 2013 mengungkapkan bahwa penduduk Bogor memiliki jumlah penduduk
terpadat di Jawa Barat yaitu 4.989 juta jiwa. Selanjutnya data Badan Pengelolaan
Lingkungan Hidup (BPLH) kota Bogor mencatat pada tahun 2011 dari jumlah
minyak goreng sebanyak 16.090 liter pertahun dapat diproses menjadi biodiesel
sebanyak 12.050 liter. Dengan banyaknya jumlah penduduk dan banyaknya jumlah
minyak goreng yang dikonsumsi ini diharapkan dapat memberikan kontribusi aktif
dalam terkumpulnya minyak jelatah.

2
Pengumpulan minyak jelantah oleh masyarakat Bogor telah diteliti oleh
Amalia et al. (2010). Amalia et al. mengungkapkan faktor-faktor yang berpengaruh
terhadap program pengumpulan minyak jelantah adalah jumlah anggota keluarga,
skor pengetahuan program, dan skor sikap. Karena dengan faktor tersebut
membuktikan lebih banyak hasil minyak goreng yang dikumpulkan.
Guna melihat industri biodiesel layak atau tidaknya didirikan dan terus ada
keberadaannya maka dibutuhkan studi kelayakan untuk mengetahui apakah industri
ini dapat memberikan benefit atau tidak kedepannya. Studi kelayakan biodiesel
pernah dilakukan oleh Widodo (2011) yaitu analisis kelayakan usaha pengolahan
minyak jelatah menjadi biodiesel dengan menggunakan metode konvensional.
Widodo meneliti terhadap industri biodiesel dengan simpulan tidak layak
dijalankan jika bahan baku yang ada tidak dapat memenuhi kapastitas mesin.
Kapasitas mesin 30 Ton/bulan namun hanya mampu berproduksi 2 Ton/bulan.
Penelitian lain tentang kelayakan juga pernah dilakukan oleh Martini (2010)
model investasi fuzzy untuk analisis kelayakan finansial usaha diversifikasi industri
berbasis tebu. Hasil perhitungan dengan pendekatan fuzzy menunjukan nilai yang
berbeda dengan nilai hasil pengolahan menggunakan pendekatan konvensional
karena adanya variasi input terhadap harga bahan baku, harga jual dan suku bunga.
Pendekatan fuzzy dapat mengurangi tingkat resiko dalam pengambilan keputusan
suatu proyek karena output kelayakan disajikan dalam rentang tidak layak, cukup
layak, layak, dan sangat layak. Parameter dalam aspek finansial yang dihitung
antara lain NPV, IRR dan B/C Ratio.
Shamshirband et al. (2014) melakukan penelitian adaptive neuro fuzzy wind
farm net profit untuk menilai kelayakan industri listrik berbasis tenaga angin.
Model yang yang diusulkan dalam penelitian shamshirband et al. ini adalah
memperkirakan jumlah turbin yang optimal dalam industri Perusahaan Listrik
Tenaga Angin (PLTA) untuk mendapatkan laba bersih yang optimum. Parameter
yang digunakan untuk mengukur laba bersih yaitu NPV dan IRR.
Penelitian ini dilakukan dua tahap yaitu tahap pertama melakukan
perhitungan studi kelayakan fuzzy dengan input harga biodiesel, harga jelantah dan
suku bunga. Selanjutnya aspek finansial yang dihitung yaitu: NPV, IRR, B/C Ratio
dan PBP direpresentasikan tidak layak, cukup layak, layak, dan sangat layak. Proses
kedua adalah hasil perhitungan studi kelayakan fuzzy sebagai input dalam model
ANFIS yang dikembangkan.
Perumusan Masalah
Permasalahan yang muncul dalam penelitian ini adalah ingin mengetahui
tingkat kelayakan ketersediaan limbah minyak goreng dari masyarakat yang dapat
didaur ulang sebagai biodiesel.
Tujuan Penelitian
Penelitian ini memiliki tujuan untuk mengembangkan model studi kelayakan
finansial ANFIS pemanfaatan limbah minyak goreng sebagai bahan produksi
biodiesel.

3
Manfaat Penelitian
Adapun manfaat dari penelitian ini yaitu memberikan rekomendasi
kelayakan finansial produksi biodiesel secara ekonomis.
Ruang Lingkup Penelitian
Penelitian ini memiliki ruang lingkup sebagai berikut:
1. Data limbah minyak goreng bekas serta data biodiesel mulai tahun 2008
hingga 2013 diperoleh dari Badan Pengelolaan Lingkungan Hidup
(BPLH), Bogor
2. Data simulasi investasi perusahaan biodiesel dari PT. Mekanika Elektrica
Egra (MEE), Bogor
3. Fungsi keanggotaan yang digunakan adalah Triangular Fuzzy Number
(TFN) pada input studi kelayakan model fuzzy.

2 TINJAUAN PUSTAKA
Biodiesel
Biodiesel merupakan bahan bakar yang terbuat dari minyak tumbuhan atau
lemak hewan yang dapat digunakan sebagai pengganti bahan bakar (Kuncahyo et
al. 2013). Sumber bahan biodiesel dapat renewable limit dan dikenal sebagai bahan
bakar yang ramah lingkungan serta menghasilkan emisi gas buang yang relatif lebih
bersih dibandingkan bahan bakar solar (Fujita et al. 2013). Biodiesel tidak beracun,
bebas dari belerang, dan aplikasinya sederhana. Biodiesel dapat dibuat dengan
proses transesterifikasi (Zhang et al. 2003). Ada 50 jenis bahan baku biodiesel yang
telah berhasil diidentifikasi di Indonesia, yang paling berpotensi ada 6 jenis.
Dengan adanya suplemen biodiesel negara Indonesia akan dapat mengatasi krisis
energi sampai tahun 2101 (Kuncahyo et al. 2013). Bahan yang berpotensi terlihat
dalam Tabel 1 berikut.
Tabel 1 Bahan baku biodiesel berpotensi di Indonesia
No

Bahan
baku

1

Minyak
jelantah

2

Kelapa
sawit
Kelapa

3

Lahan produksi
Perumahan dan
perusahaan
makanan
Perkebunan luas

Pangan
/ non
pangan
Non
pangan
Pangan

Perkebunan luas

Pangan

Perkebunan luas

5

Jarak
pagar
Karet

6

Alga

Perairan dangkal

Non
pangan
Non
pangan
Non
pangan

4

Perkebunan luas

Sumber: (Kuncahyo et al. 2013)

Ketersediaan
produksi

Kemudahan
produksi

Faktor
ekonomi

Kontinu

Pengumpulan dari
lahan produksi

Tinggi

Usia produktif 30
tahun
Usia prodiktif 50
tahun
Usia produktif 50
tahun
Usia produktif 20
tahun
Tanaman musiman
(8 minggu)

Biji dan daging
buah
Daging buah

Sedang

Biji

Tinggi

Biji

Tinggi

Semua bagian

Tinggi

Sedang

4
Studi Kelayakan
Studi kelayakan (feasibility study) adalah suatu studi untuk melakukan
penilaian terhadap instansi pada proyek tertentu yang sedang atau akan
dilaksanakan (Primyastanto 2011). Studi kelayakan ini dilakukan guna memberikan
arahan dan untuk mengetahui apakah suatu proyek itu dapat dikerjakan atau ditunda
bahkan dibatalkan dengan atas dasar resiko dan ketidakpastian. Menurut Nurmalita
et al. (2010) studi kelayakan merupakan penelaahan atau analisis apakah suatu
kegiatan investasi dapat memberikan manfaat (benefit) bila dilaksanakan.
Studi kelayakan pada dasarnya digunakan untuk menentukan kelayakan
usaha berdasarkan kriteria investasi. Kelayakan merupakan instrumen dalam
membuat keputusan untuk membiayai proyek investasi berdasarkan teknis,
ekonomi, dan keuangan (Sheen 2007; Loan 2010).
Kriteria Investasi
Studi kelayakan pada dasarnya bertujuan untuk menentukan kelayakan bisnis
berdasarkan kriteria investasi (Nurmalina et al. 2010). Untuk menilai kelayakan
suatu proyek terdapat beberapa kriteria yang harus terpenuhi (Martini 2010),
diantaranya yaitu:
Cash Flow
Ada tiga hal yang harus diperhatikan dalam kegiatan investasi, yaitu:
a. Adanya unsur ketidakpastian berusaha
b. Keterbatasan dana yang dimiliki
c. Pendapatan dan biaya harus dikonversikan dalam nilai sekarang
sebelum dibandingkan
Karena terdapat unsur ketidakpastian dalam berinvestasi, oleh sebab itu
pendapatan dimasa mendatang harus dikonversikan terlebih dahulu ke dalam nilai
saat ini / Present Value (PV). Besarnya uang dimasa mendatang disebut Discount
Factor (DF) dengan mengikuti persamaan berikut:
DF =

+�

(1)

Net Present Value (NPV) Fuzzy
NPV merupakan perbedaan antara nilai sekarang dari manfaat dan biaya. Jika
NPV sama dengan nol maka nilai investasi hanya cukup untuk menutupi biaya
operasinal saja, ketika NPV > 0 artinya nilai investasi mulai mendapat keuntungan.
Dan jika NPV < 0 maka investasi sebaiknya diurungkan atau dibatalkan karena
keuntungannya tidak mencukupi biaya operasinal (mengalami kerugian tiap
tahunnya). NPV dapat dihitung dengan persamaan :
�

�= ∑
=

Dimana,
Bt = total penerimaan pada tahun ke-t
Ct = total biaya pada tahun ke-t
i = tingkat diskonto
n = umur ekonomi proyek.

−
+�

(2)

5

Menurut Chiu dan Park (1994) ketika arus kas dipengaruhi oleh tingkat suku
bunga dengan menggunakan investasi fuzzy, maka NPV fuzzy dapat dihitung bila
terdapat parameter fuzzy. persamaan NPV fuzzy sebagai berikut:
�= ∑

�

+

=

(3)

Dimana:
Ft = cash flow
r = suku bunga
t = periode investasi (t=0,1,2,3, … n)
�� = ∑

�

(4)
∏�=
+ �
PVi adalah Present Value tiga parameter yang dibatasi nilai fuzzy dengan
TFN. Ft merupakan manfaat dan biaya dari periode investasi arus kas TFN pada
waktu t, rx adalah non negatif suku bunga pada waktu x, dan n adalah lamanya
waktu investasi.
=

PV1 = (a1, b1, c1)
PV2 = (a2, b2, c2)
PV3 = (a3, b3, c3)
Pada kasus fuzzy, arus kas bernilai negatif dan positif dipisahkan sehingga
penjumlahan NPV positif dan NPV negatif menghasilkan NPV fuzzy. Dari
keduanya didapat rumus sebagai berikut:
��

∑
=
��

�� = ∑
[

=
��

∑
=

∐�=

∏�=
∐�=

{

, }
� { , }
+
∏�=
+ �
+ �

+

{

,

�

(5)

, }
� { , }
+
∏�=
+ �
+ �

]

Benefit Cost (B/C) Ratio Fuzzy
B/C Ratio merupakan perbandingan antara jumlah present value yang bernilai
positif dengan jumlah present value yang bernilai negatif. Dengan asumsi jika nilai
B/C R semakin besar maka nilai keuntungan semakin besar dan proyek layak
dijalankan. Perhitungan B/C Ratio dapat dihitung dengan persamaan berikut:
/

=

∑�=

∑�=

�− �
+� �

;

�− � ;
+� �

−
−

>
<

(6)

6
Analisis ini mudah dimengerti pada umumnya oleh para pengambil
keputusan, karena didasarkan pada arus kas tahunan. Model ini merupakan
pengembangan model sebelumnya oleh Kahraman (2000). Persamaan yang
digunakan yaitu:
/ = (

∑�=

+

∑�=

+

−

−

,

∑�=

∑�=

+

+

−

−

)<

(7)

Internal Rate of Return (IRR) Fuzzy
Internat Rate of Return (IRR) yaitu arus pengembalian memiliki nilai NPV
cash flow masuk sama dengan NPV cash flow keluar (titik impas) dinyatakan dalam
persen/tahun. Dengan asumsi jika IRR berada di atas discont rate maka proyek
layak dilaksanakan, sebaliknya IRR dibawah discont rate maka proyek tidak layak
dilaksanakan. Suatu proyek dinyatakan layak atau memiliki keuntungan ketika IRR
memiliki nilai lebih besar dibandingkan dengan arus pengembalian yang
diharapkan, biasanya didasarkan pada suku bunga bank pada masa sekarang.
Persamaannya adalah sebagai berikut:
�
�
=� +[
] � −�
(8)
� −
�
Dimana,
i1
= tingkat suku bunga yang menghasilkan NPV positif
i2
= tingkat suku bunga yang menghasilkan NPV negatif
NPV1 = NPV bernilai positif
NPV2 = NPV bernilai negatif

Dari pendekatan konvensional IRR sebuah investasi dimaknai tingkat suku
bunga (r) yang membuat arus kas benilai nol. Dimana investasi dikatakan layak
ketika IRR > r. Layaknya NPV, IRR juga bersifat tidak pasti (fuzzy) yang
disebabkan oleh suku bunga. Persamaan yang digunakan dalam penelitian ini yaitu:
∑

�

=

+�

−� =

(9)

Payback Period (PBP)
Payback Period merupakan perhitungan pada tahun berapa investasi yang
kita tanam akan kembali modal. Persamaan PBP pada penelitian ini yaitu:
PBP =

I
Ab

(10)

Dimana,
I = besarnya investasi yang diperlukan
Ab = manfaat bersih yang didapat pada tiap tahunnya.
Akurasi
Akurasi disini digunakan untuk menghitung berapa akurasi data dalam proses
perhitungan terhadap data latih dan uji. Proses perhitungan akurasi data penelitian
ini menggunakan persamaan berikut:

7

�=

%

(11)

RMSE (Root Mean Square Error)
RMSE merupakan perhitungan untuk mencari nilai error terkecil dari error
target yang ditentukan ketika pelatihan ANFIS. Adapun persamaan yang digunakan
yaitu:
∑�
�= � � − �
√
=

�

(12)

Diamana:
yoi = data target pelatihan dari ke i sampai n
ypi = data target model ANFIS dari ke i sampai n
Np = banyaknya data
Analisis Finansial Fuzzy
Teori fuzzy merupakan metode untuk menangani masalah
uncertainty/ketidakpastian. Masalah ketidakpastian ini sering muncul pada analisis
teknik. Analisis finansial fuzzy merupakan analisis yang mempunyai tingkat
sensitivitas tinggi untuk menghitung perubahan nilai dari suatu variabel
dibandingkan dengan analisis konvensional yang bukan fuzzy (Martini 2010).
Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah
metode yang merepresentasikan mirip dengan proses pembelajaran otak manusia
(Kusumadewi dan Hartati 2010). Kemiripan yang dimaksud yaitu proses
pembelajaran JST diimplementasikan menggunakan program komputer yang
mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
JST mampu melakukan tugas-tugas yang mencakup klasifikasi pola, aproksimasi
fungsi, prediksi atau peramalan, kategorisasi, optimasi dan pengendalian.
Fuzzy Inference System (FIS)
Teori perhimpunan fuzzy pertama kali pada tahun 1965 diperkenalkan oleh
Prof Lotfi A Zadeh. Fuzzy merupakan perluasan dari teori perhimpunan klasik
(crisp). Misal keberadaan suatu elemen pada suatu himpunan A, pada dasarnya
hanya memiliki dua kemungkinan keanggotaan yaitu menjadi anggota A atau tidak
menjadi anggota A (Kusumadewi dan Hartati 2010).
Basis pengetahuan fuzzy merupakan kumpulan aturan-aturan fuzzy dalam
bentuk pernyataan IF-THEN pada Gambar 1. Fuzzifikasi yaitu proses untuk
mengubah masukan yang awalnya bernilai tegas (crisp) menjadi variabel linguistik
(penalaran manusia) fungsi keanggotaan ini kemudian disimpan dalam basis
pengetahuan fuzzy. Mesin inferensi merupakan proses mengubah masukan fuzzy
menjadi keluaran fuzzy dengan cara mengikuti aturan-aturan yang telah ditetapkan
pada basis pengetahuan fuzzy. Defuzzifikasi/defuzzifier yaitu mengubah keluaran

8
fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas (crisp) dengan
menggunakan fungsi keanggotaan yang sesuai saat dilakukan fuzzifikasi. Jenis
penalaran fuzzy ada tiga yaitu Tsukamoto, Mamdani dan Sugeno dimana yang
membedakan ketiganya adalah penarikan kesimpulan dan kegunaan dari penalaran
dari masing-masing. Seperti terlihat dalam Tabel 2.

Gambar 1 Struktur sistem inferensi fuzzy
Tabel 2 Perbandingan penalaran fuzzy Tsukamoto, Mamdani dan Sugeno.
Penalaran

Masukan

Keluaran

Tsukamoto

Himpunan
fuzzy
Himpunan
fuzzy

Himpunan fuzzy

Himpunan
fuzzy

Konstanta
Linier (Orde 1)

Mamdani

Sugeno

Himpunan fuzzy

Defuzzifikasi
Weigthed
Average
CoG
Lom
Som
Mom
Bisector
Weigthed
Average

Penggunaan
Humanis
Control
Humanis

Control

Sumber: http://totoharyanto.staff.ipb.ac.id

Adaptive Neuro Fuzzy Inference System (ANFIS)
ANFIS adalah gabungan dari dua buah sistem yaitu logika fuzzy dan jaringan
syaraf tiruan (Kusumadewi dan Hartati 2010). Sistem neuro fuzzy berdasar pada
sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang
diturunkan dari jaringan saraf tiruan. ANFIS memiliki kelebihan yang ada pada
jaringan saraf tiruan (pembelajaran) dan yang dimiliki oleh sistem inferensi fuzzy
(penalaran) keduanya dijelaskan dalam Tabel 3. Dari kemampuannya untuk belajar
maka system neuro fuzzy sering disebut Adaptive Neuro Fuzzy Inference System
(ANFIS).
Jaringan adaptive yang berfungsi untuk mengurangi jumlah himpunan
parameter yang dilatih dengan sebuah algoritma pembelajaran hybrid dalam ANFIS
guna mendapatkan dan membangun himpunan input dan output berdasarkan
pengetahuan manusia. ANFIS adalah arsitektur yang secara fungsional sama
dengan fuzzy rule base model sugeno (Kusumadewi 2002). Fuzzy Inference System
(FIS) model sugeno ordo satu yang dimasukkan ke dalam kerangka jaringan adaptif

9
untuk memfasilitasi proses pembelajaran dan adaptasi (Jang 1993) seperti terlihat
dalam Gambar 2 berikut:
Tabel 3 Perbandingan ANN dan Fuzzy Logic.
Kriteria
ANN
Sangat baik untuk masalah dengan informasi yang Tidak
kurang presisi dan memiliki kebenaran parsial?
Memiliki kemampuan untuk menjelaskan proses Tidak
penalaran?
Memiliki kemampuan learning?
Ya

Fuzzy Logic
Ya
Ya
Tidak

Gambar 2 (a) Model Sugeno Orde 1 (b) Arsitektur ANFIS (Jang 1993)
Jaringan ANFIS terdiri dari lima lapisan, yaitu:
1. Tiap-tiap node i pada lapisan pertama adaptif terhadap parameter suatu
fungsi aktivasi. Output dari tiap node ini berupa derajat keanggotaan yang
diberikan oleh fungsi keanggotaan input. Pada penelitian ini digunakan
fungsi keanggotaan triangular (Gambar 3) dengan persamaan yaitu:

O

,�

= (�

)=

{

−
−
−
−

;

;

<
; <

Gambar 3 Representasi Triangular

(13)
<

10

Dimana {a,b,c} adalah parameter-parameter, b = 1 sebagai nilai mutlak.
Jika nilai parameter-parameter ini berubah, maka bentuk kurva akan ikut
berubah. Parameter-parameter pada lapisan ini biasanya disebut premise
parameters.
2. Tiap-tiap node pada lapisan kedua berupa node tetap yang keluarannya
hasil dari masukan seluruh signal. Pada umumnya operator yang
digunakan AND. Tiap-tiap node merepresentasikan α predikat dari aturan
ke-i.
(14)
O ,� = � = µ �
µ �

3. Tiap-tiap node pada lapisan ke tiga berupa node tetap yang merupakan
hasil perhitungan rasio dari α predikat (wi), dari aturan ke-i terhadap
jumlah dari keseluruhan α predikat.
(15)
�
O ,� = �� =
+
4. Tiap-tiap node pada lapisan ke empat merupakan node adaptif terhadap
suatu output. Dengan wi adalah normalized firing strength pada lapisan
ke tiga dan {pi, qi, ri} adalah parameter-parameter pada node tersebut.
Parameter-parameter pada lapisan ini disebut consequent parameters.
(16)
O =
= �
+
+
,�

� �

�

�

�

5. Tiap-tiap neuron pada lapisan kelima adalah node tetap yang merupakan
jumlah dari semua masukan.
∑� � �
O ,� = ∑ � �
(17)
∑� �
Metode Pembelajaran ANFIS

Secara umum proses hybrid learning yaitu algoritme back propagation, yaitu:
langkah pertama, pola input dan target dimasukkan dalam Jaringan Saraf Tiruan
(JST). Kemudian pola input ini akan berubah bersamaan dengan propagasi pola
tersebut ke lapisan-lapisan berikutnya hingga menghasilkan output. Hasil output ini
dibandingkan dengan target apabila hasil dari perbandingan ini merupakan nilai
yang sama dengan target maka proses learning akan berhenti. Jika berbeda dengan
target maka JST akan merubah bobot pada hubungan antar lapisan dengan suatu
aturan tertentu hingga nilai output lebih mendekati target. Proses pengubahan nilai
bobot adalah dengan cara mempropagasi kembali nilai koreksi error output JST ke
lapisan-lapisan sebelumnya (backward). Selanjutnya dari lapisan input, pola akan
diproses kembali untuk mengubah nilai bobot, hingga akhirnya mendapatkan nilai
output JST yang baru. Demikian seterusnya proses ini dilakukan berulang (looping)
hingga dicapai minimal sesuai dengan target error yang diharapkan. (Naba 2009;
Gumilar 2013)

11
Dengan menggunakan metode ini training error akan mengecil sampai paling
tidak mendekati harga local minimal selama proses training. Oleh karenanya,
semakin banyak parameter fungsi keanggotaan (parameter premis) yang mendekati
harga optimalnya maka proses training akan semakin mendekati harga minimum
dari training error. Proses perubahan bobot inilah yang disebut learning. Satu kali
proses forward dan backward disebut satu epoch. Proses hybrid dalam ANFIS
terlihat dalam Tabel 4 berikut.
Tabel 4 Proses perambatan maju mundur ANFIS
Proses
Parameter premis
Parameter konsekuen
Signal

Perambatan maju
Tetap
Least squares estimation
Node output

Perambatan mundur
Gradient desent
Tetap
Error signal

Ada dua langkah dalam pelatihan hybrid yaitu perambatan maju (forward)
dan perambatan mundur (backward). Pada tahap maju parameter premis tetap, input
jaringan akan merambat maju hingga simpul keempat di mana parameter
konsekuen (p, q, r) akan diidentifikasi menggunakan Least Square Estimation
(LSE). Sedangkan pada tahap mundur error signal antara keluaran yang diinginkan
dengan keluaran aktual, akan merambat mundur dan parameter premis (a, b, c) akan
diperbaiki menggunakan gradient decent sederhana (Syafii 2006).
Tahap Maju (Forward) dengan Menggunakan LSE
Tahap perambatan maju Least Square Estimation (LSE) yang diperbaiki
adalah parameter konsekuen yang terjadi merupakan kombinasi linier dari
parameter (p, q, r). sehingga output f pada ANFIS adalah:
=

=�
= �

+

+

+
+
+ �

+

+�
+

+
+
+ �
+ �

+

Dimana merupakan linier terhadap parameter konsekuen p1, q1, r1, p2, q2, dan
r2. Sebagai contoh ada P pasangan data pelatihan, yaitu: x1, y1, x2, y2, . . . xp, yp, dan
keluarannya didapat f(1), f(2), . . . f(p) maka diperoleh persamaan linier sebagai berikut:
+ �
+ �
+
= �
+ �
+
+ �
+ �
+
= �
+ �
+
………………………………………………………………………………………
+ � �
+ � �
+
+ � �
+
� = � �
Dalam notasi matriks, persamaan di atas dapat ditulis sebagai berikut:
F=A
F adalah faktor output ukuran P x 1 :

12

=[
A adalah matriks berukuran P x 6 :

=[
Sedangkan

�
�

�

.

�

]

.

�

�
�

� �
� �
.
.
.
� �� �

�

�
�

�
�
]
.
.
� ��

adalah vektor parameter yang dicari, berukuran 6 x 1 :

=
Kemudian dicari

[ ]

yang meminimalkan jumlah error kuadrat yaitu:
�

=

−

�

Tahap Mundur (Backward) dengan Penurunan Gradient Decent
Dari arsitektur ANFIS misalkan mempunyai P data pelatihan. Ukuran error
untuk masukan ke p (1 = p = P) adalah jumlah error kuadrat dari semua node
keluaran:
�

=∑
−

−

�,

�,

Dimana,
dp,k = keluaran yang diinginkan pada node ke k untuk masukan ke p
p,k = keluaran aktual pada node ke k untuk masukan ke p
Karena pada ANFIS hanya memiliki satu keluaran maka:
�

=

�

−

�

Minimalisasi seluruh error untuk seluruh P pasangan data pelatihan dapat
didefinisikan sebagai berikut:
=∑
−

�

13
Dengan menggunakan metode penurunan gradien sederhana (steepest decent)
tanpa minimalisasi garis maka formula perbaikan parameter premis sebagai berikut:
∆� = −

�+
��

∆� adalah laju pembelajaran pelatihan (digunakan konstanta yang kecil).
Untuk menghitung vektor gradien, bila parameter premis mempengaruhi beberapa
node digunakan persamaan sebagai berikut:
�+
�∗
= ∑
�
��
∗
∈

∗

� ∗
��

S adalah himpunan node yang dipengaruhi parameter premis, O* keluaran
node dalam S dan F* adalah fungsi dari node dalam S. Pada ANFIS node yang
dipengaruhi oleh parameter premis di dalam node O1,1 adalah node-node: O2,1 , O3,1 ,
O4,1 , O4,2 , O5 Gambar 4 berikut ini menunjukkan perambatan balik error dari node
O5 ke node O1,1

Gambar 4 Model perambatan error dari node O5 ke node O1 (Syafii 2006)

14

3 METODE
Adapun alur dan tahapan mengenai pelaksanaan penelitian dijelaskan pada
Gambar 5.
Mulai

Studi Literatur

Penentuan Kriteria
Aspek Finansial

Pengumpulan Data

Praproses

Pembentukan Basis
Aturan if-then

Data
Latih

Pembagian
Data

Data Uji

ANFIS
Pelatihan

Pengujian

Ananlisis dan
Evaluasi

Hasil dan
Pembahasan

Selesai

Gambar 5 Kerangka pemikiran konseptual studi kelayakan
Studi Literatur
Pada tahap studi literatur penulis melakukan pemahaman materi dan mencari
referensi baik dari buku-buku, jurnal, web dan yang lainnya berkaitan dengan studi
kelayakan finansial guna mendukung analisis pengembangan model studi
kelayakan finansial dan ANFIS.
Pengumpulan Data
Data pada penelitian ini merupakan data sekunder, diperoleh dari Badan
Pengelolaan Lingkungan Hidup (BPLH) Bogor, mulai tahun 2008 sampai 2013.
Data lainnya yang merupakan asumsi-asumsi, investasi, biaya tetap dan variabel
serta data pendukung simulasi kelayakan finansial industri biodiesel dari PT.
Mekanika Elektrica Egra (MEE), Bogor.

15
Praproses
Tahap praproses dilakukan perhitungan simulasi kelayakan industri biodiesel,
besaran biaya dan lamanya investasi ditentukan selama 10 tahun kedepan.
Perhitungan studi kelayakan menggunakan aplikasi pengolah data Microsoft Office
Excel 2013. Pada proses perhitungannya identifikasi nilai fuzzy sebagai masukan
ada 3 yaitu harga biodiesel (harga jual), harga jelantah (harga bahan baku) dan suku
bunga, selanjutnya ketiganya direpresentasikan dalam 3 variabel rendah, sedang
dan tinggi.
Data yang dibutuhkan untuk analisis kelayakan model fuzzy awalnya
dikumpulkan berupa persentase produksi biodiesel tahun pertama, kedua, ketiga
sampai dengan tahun kesepuluh. Selanjutnya asumsi lain adalah, persentase
penjualan biodiesel, umur investasi, biaya pajak, biaya tetap dan variabel. Asumsi
pendukung lainnya yaitu sumber biaya investasi ini merupakan 100% modal sendiri.
Produksi biodiesel sehari sebanyak 150 liter dalam satu kali produksi. Dalam sehari
mampu memproduksi sebanyak 3 kali, serta dengan hari kerja 28 hari sebulan.
Kriteria Aspek Finansial
Kriteria kelayakan yang dipilih guna menentukan apakah suatu proyek itu
layak dilaksanakan atau tidak dengan menggabungkan PBP Fuzzy, NPV Fuzzy, IRR
Fuzzy, dan B/C Fuzzy untuk mendapatkan satu nilai keputusan. Kriteria – kriteria
di atas penting dipilih karena merupakan bagian dari investasi yang analisisnya
didasarkan pada cash flow (Martini 2010; Marimin et al. 2010). Adapun kelompok
penentuan nilai fuzzy-nya yaitu berdasarkan Tabel 5 berikut:
Tabel 5 Kriteria fuzzy dalam penilaian kelayakan
Kriteria

Tidak
layak

NPV1

1,6
10 > PBP ≥ 5
5,5 < PBP ≤ 1,25
PBP ≤ 1,5

Sumber: Martini (2010)

Penentuan Basis Aturan
Basis aturan (rule base) yang dibuat pada penelitian ini yaitu data jumlah
kriteria dan parameternya. Parameter yang digunakan yaitu, harga biodisel, bahan
limbah minyak goreng dan suku bunga, dengan kriteria masukan yaitu rendah,
sedang dan tinggi. Maka aturan yang didapat adalah 33 = 27 rule. Perhitungan
kelayakan fuzzy merupakan gabungan 27 kemungkinan untuk periode kelayakan
selama prediksi 10 tahun ke depan. Berikut contoh dari rule dilihat dalam Tabel 6
berikut.

16

Tabel 6 Contoh rule yang dibangkitkan dari 27 kondisi kelayakan
RULE
IF AND
1
harga_biodiesel rendah harga_jelantah
suku_bunga rendah
2
harga_biodiesel rendah harga_jelantah
suku_bunga rendah
3
harga_biodiesel rendah harga_jelantah
suku_bunga tinggi
4
harga_biodiesel tinggi harga_jelantah
suku_bunga rendah

tinggi

THEN
Tidak Layak

sedang

Cukup Layak

rendah

Layak

rendah

Sangat Layak

Pengembangan ANFIS
Adaptive network merupakan proses pembelajaran di dalam neural network
yang ada di ANFIS untuk melatih parameter masukan dari aturan yang ditentukan
sebelumnya. Pada tahap ini terdapat proses pembelajaran Recursive Least Square
Estimation (RLSE) untuk parameter konsekuen dan proses pembelajaran
backprobagation error untuk parameter premis. Selanjutnya parameter konsekuen
diperbaiki (gradien decent). Satu kali tahap pembelajaran maju dan mundur
dinamakan epoch (iterasi).
Analisis dan Evaluasi
Analisis dilakukan dengan mengubah berbagai mf yaitu: triangular, gaussian
dan trapezoid. Evaluasi yang dilakukan yaitu membandingkan hasil dari metode
konvensional dengan hasil prediksi model ANFIS yang dikembangkan, apakah
mendapatkan hasil yang sesuai atau mendekati target dengan galat terkecil serta
akurat.

17

4 HASIL DAN PEMBAHASAN
Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
terdiri atas data limbah minyak goreng, data biodiesel dan data suku bunga selama
6 tahun terakhir yang diperoleh dari BPLH Bogor dan PT. Mekanika Elektrica Egra
(MEE) Bogor. Informasi data yang digunakan sebagai berikut:
Harga Biodiesel
Harga jual biodiesel pada tahun 2008 – 2011 sebesar Rp.6,500,- sedangkan
untuk tahun 2012 – 2013 Rp.9,000,- dapat dilihat pada Tabel 7. Investasi pada PT.
Mekanika Elektrica Egra (MEE) diasumsikan dalam sekali produksi sebanyak 150
liter minyak jelantah. Kesehariannya memproduksi sebanyak tiga kali. Sehingga
dalam sehari industri ini mengolah minyak jelantah sebanyak 450 liter. Maka dalam
setahun diperoleh 151,200 liter.
Tabel 7 Harga biodiesel 6 tahun terakhir.
No

Tahun

1
2
3
4
5
6

2008
2009
2010
2011
2012
2013

Produksi Biodisel
(Liter/Thn)
2,496
4,787
8,760
12,050
13,280
68,961

Harga Biodiesel
(Rp/Liter)
6,500
6,500
6,500
6,500
9,000
9,000

Sumber: BPLH Bogor 2012

Penentuan nilai fuzzy pada harga biodiesel dengan representasi TFN sama
kaki nilai yang rendah (6500, 8000, 9200), sedang (8000, 9500, 11000) dan tinggi
(10000, 11000, 12000), tampak pada Tabel 8 berikut:
Tabel 8 Nilai fuzzy input harga minyak biodiesel (harga jual)
Parameter
Rendah
Sedang
Tinggi

Fuzzifikasi
Rentang
TFN
6500 - 9200
6500;8000; 9200
8000 - 11000
8000;9500;11000
10000 - 12000 10000;11000;12000

Rentang nilai TFN pada Tabel 8 jika ditampilkan dalam grafis tampak pada
Gambar 6 berikut:

18

Gambar 6 Representasi TFN Harga Biodiesel
Harga Limbah Minyak Goreng
Harga limbah minyak goreng (jelantah) dalam 6 tahun terakhir diperoleh dari
BPLH dan PT. Mekanika Elektrika Egra, Bogor. Harga dan jumlah jelantah yang
berhasil dikumpulkan terlihat dalam Tabel 9 berikut:
Tabel 9 Harga jelantah 6 tahun terakhir.
No

Tahun

1
2
3
4
5
6

2008
2009
2010
2011
2012
2013

Bahan Baku
(Liter/Tahun)
3,120
5,984
10,950
16,090
16,600
91,565

Harga Jelantah
(Rupiah/Liter)
2,500
2,500
3,000
3,000
3,000
3,000

Sumber: BPLH Bogor 2012

Penentuan TFN untuk harga jelantah terdiri dari rentang yang mungkin
rendah (2000, 2700, 3500) sedang (3000, 3750, 4500) dan tinggi (4000, 4650,
5500). Harga minyak jelantah sebagai masukan sistem pada Tabel 10 berikut:
Tabel 10 Nilai fuzzy input harga minyak jelantah
Parameter
Rendah
Sedang
Tinggi

Fuzzifikasi
Rentang
TFN
2000 - 3500 2000;2700;3500
3000 - 4500 3000;3750;4500
4000 - 5500 4000;4650;5500

Rentang mf TFN dari pembagian data Tabel 10 ditampilkan dalam grafis pada
Gambar 7 berikut:

19

Gambar 7 Representasi TFN Harga Jelantah
Suku Bunga
Masukan sistem selanjutnya adalah suku bunga yang direpresentasikan untuk
rendah (0.06, 0.06, 0.14), sedang (0.12, 0.16, 0.20) dan tinggi (0.18, 0.26. 0.26).
Fuzzifikasi suku bunga sebagai masukan sistem pada Tabel 11 berikut:
Tabel 11 Nilai fuzzy input suku bunga
Parameter
Fuzzifikasi
Rentang
TFN
Rendah
0.06 – 0.14
0.06; 0.06;0.14
Sedang
0.12 – 0.20
0.12; 0.16; 0.20
Tinggi
0.18 – 0.26
0.18; 0.26; 0.26
Fungsi keanggotaan TFN pada Tabel 11 jika ditampilkan dalam grafis terlihat
pada Gambar 8 berikut:

Gambar 8 Representasi TFN suku bunga
Asumsi Investasi
Identifikasi asumsi yang berkaitan dengan industri biodiesel meliputi asumsiasumsi biaya, biaya investasi dan biaya operasional diuraikan. Data berkaitan
asumsi ini diambil dari PT. MEE, Bogor.
Asumsi-asumsi Tabel 12 merupakan nilai prediksi dari investasi pada saat
sekarang. Dimana nilai ini sebagai acuan perhitungan studi kelayakan
(selengkapnya pada Lampiran 1). Kemudian biaya investasi merupakan total nilai

20
biaya investasi pada perusahaan biodiesel. Nilai ini dikeluarkan saat awal
didirikannya perusahaan. Dengan rincian pada Tabel 13.
Tabel 12 Asumsi-asumsi
No
1
2
3
4
5
6
7

Uraian
Kebutuhan jelantah
Produksi biodiesel
Rendemen biodiesel
Harga Gliserin
Produksi gliserin
Rendemen gliserin
Kebutuhan modal

Nilai
151,200
120,960
80
3,000
30,240
20
753,828,000

Satuan
Liter/tahun
Liter/tahun
Persen/liter
Rupiah/liter
Liter/tahun
Persen/liter
Rupiah

Tabel 13 Biaya Investasi
No Uraian
1 Lahan
2 Bangunan
3 Mesin dan Alat-alat
4 Kendaraan
5 Perlengkapan
6 Biaya Prainvestasi
Total Investasi

Nilai (Rp)
165.000.000
200.000.000
113.980.000
80.000.000
2.500.000
45.000.000
667.128.000

Asumsi selanjutnya yaitu biaya operasional, terdiri dari biaya variabel dan
biaya tetap. Biaya variabel terdiri dari atas gaji tenaga kerja langsung, methanol,
KOH, gas isi ulang, telepon, listrik dan air. Biaya tetap meliputi diantaranya gaji
tenaga kerja tidak langsung, Pajak Bumi dan Bangunan (PBB) dan pemeliharaan.
Selengkapnya pada Lampiran 2. Rincian biaya operasional terlihat dalam Tabel 14
berikut:
Tabel 14 Tabel biaya operasional
No

Deskripsi

Biaya Variabel
Gaji tenaga kerja langsung
Metanol
KOH
Gas isi ulang
Telpon
Listrik dan Air
Total Biaya variabel
Biaya Tetap
1 Gaji tenaga kerja tidak langsung
2 PBB
3 Pemeliharaan
Total Biaya Tetap
Total Biaya Operasional
1
2
3
4
5
6

Biaya Pertahun
72.000.000
126.000.000
33.000.000
8.400.000
2.400.000
9.000.000
250.800.000
84.000.000
6.000.000
6.000.000
96.000.000
346.800.000

21
Praproses
Tahap praproses data dilakukan dengan menghitung studi kelayakan
masukannya merupakan bilangan fuzzy TFN. Ketentuan masukan adalah nilai a
tidak lebih besar dari b, dan b tidak lebih besar dari c (a ≤ b ≤ c). Satu contoh berikut
akan dijelaskan bila kondisi kelayakan harga biodiesel rendah, harga jelantah
rendah dan suku bunga rendah pada Lampiran 3.
Kriteria Aspek Finansial
Setelah dilakukan perhitungan studi kelayakan fuzzy pada tahap praproses
sebelumnya dengan empat aspek nilai yaitu NPV Fuzzy, IRR Fuzzy, B/C Ratio
Fuzzy, PBP Fuzzy. Selanjutnya untuk mendapatkan satu nilai dari 4 kriteria aspek
finansial diantaranya B/C Ratio fuzzy digunakan perangkingan Kaufman dan Gupta
(1985). Kriteria NPV fuzzy, IRR fuzzy dan PBP fuzzy digunakan model
perangkingan Chiu dan Park (1994).
NPV (Net Present Value) Fuzzy
Model kelayakan fuzzy nilai NPV dihitung berdasarkan pengurangan jumlah
total arus kas masuk dan arus kas keluar. Nilai fuzzifikasi pada TFN menggunakan
rentang rendah, sedang dan tinggi. Hasil representasi nya dapat dilihat pada Tabel
15.
Selanjutnya hasil untuk PV (Present Value) diklasifikasikan sebagai berikut:
PV1 = (a1, b1, c1)
PV2 = (a2, b2, c2)
PV3 = (a3, b3, c3)
Dimana PVi = (ai,bi,ci) dengan i = 1,2,3… n dengan arus kas pada Tabel 15, maka
diperoleh nilai yaitu:
Tabel 15 Arus kas hasil fuzzifikasi (TFN)
Period
Rendah
Sedang
0
-667,128,000.00
-67,128,000.00
1
279,261,308.41
279,261,308.41
2
256,181,069.96
256,181,069.96
3
230,735,836.80
230,735,836.80
4
211,684,253.95
211,684,253.95
5
185,537,252.17
185,537,252.17
6
168,670,229.25
168,670,229.25
7
153,336,572.05
153,336,572.05
8
139,396,883.68
139,396,883.68
9
126,724,439.71
126,724,439.71
10
96,208,694.04
96,208,694.04
untuk n = 1
a1 = 279,261,308.41
b1 = 279,261,308.41
c1 = 208,285,285.71

untuk n = 2
a2 = 256,181,069.96
b2 = 256,181,069.96
c2 = 242,958,290.82

Tinggi
-67,128,000.00
208,285,285.71
242,958,290.82
179,014,923.45
150,024,462.39
134,307,677.09
148,368,099.22
118,276,092.75
109,599,065.79
95,550,147.24
87,029,797.43
untuk n = 3
a3 = 230,735,836.80
b3 = 230,735,836.80
c3 = 179,014,923.45

22
Dari ketiga nilai n1,n2,n3 tersebut selanjutnya defuzzifikasi menggunakan
metode centroid yang dikembangkan oleh Chiu dan Park (1994) yaitu:
+ +
(
)+

Dimana:
a = jumlah PV1
b = jumlah PV2
c = jumlah PV3
w = 0.3
(

,
(

,

,

,

,

.

+ ,

,

.

∗ ,

,

,

,

)+

.

,

,

.
,

+
=

,
,

,
,

.
,

)+ .
.

Maka hasil perhitungan diperoleh nilai NPV 1,410,016,689.31 nilai ini termasuk
dalam rentang NPV > 15% * Investasi. Sehingga masuk dalam kriteria sangat layak.
IRR (Internal Rate of Return) Fuzzy
Perhitungan IRR didasarkan pada nilai NPV pendapatan = NPV pengeluaran.
Investasi dikatakan layak dilaksanakan apabila IRR lebih besar dari arus kas
pengembalian yang diharapkan dengan dasar tingkat suku bunga bank (12%). IRR
fuzzy dikategorikan rendah, sedang dan tinggi. Suku bunga dihitung berdasarkan
persamaan (1) sehingga diperoleh nilai pada Tabel 16 berikut:
Tabel 16 Suku bunga dalam perhitungan
Periode
0
1
2
3
4
5
6
7
8
9
10

Rendah
1.00
0.93
0.86
0.77
0.71
0.62
0.56
0.51
0.47
0.42
0.32

Sedang
1.00
0.93
0.86
0.77
0.71
0.62
0.56
0.51
0.47
0.42
0.32

Tinggi
1.00
0.89
0.80
0.69
0.59
0.52
0.51
0.43
0.38
0.31
0.27

Suku bunga pada Tabel 16 sebagai pengali untuk menentukan nilai NPV pada
Tabel 15 klasifikasi dari arus kas bersih nilai rendah, sedang dan tinggi. Arus kas
bersih merupakan nilai untuk menentukan IRR fuzzy. Untuk mencari nilai IRR pada
penelitian ini digunakan persamaan (9). Hasil perhitungan diperoleh nilai untuk
IRR rendah 31.54%, sedang 31.54% dan tinggi 22.41% selanjutnya dilakukan
defuzzifikasi menggunakan metode centroid hasilnya adalah 38%. Nilai tersebut
lebih besar dari suku bunga (IRR > r +12%) nilai ini masuk dalam kategori sangat
layak.

23
B/C Ratio Fuzzy
Benefit Cost Ratio Fuzzy adalah membandingkan antara nilai manfaat
sekarang dengan biaya investasi. Dalam penelitian ini B/C ratio fuzzy yang
digunakan merupakan model yang telah dikembangkan oleh Kahraman (2000).
Perhitungan B/C Ratio diperoleh dari pendapatan sekarang dibagi dengan biaya.
Nilai sekarang dari kas bersih dikalikan dengan suku bunga. Nilainya untuk rendah
diperoleh 1.42, sedang 1.42 dan tinggi 1.13. Selanjutnya dihitung menggunakan
persamaan (7) untuk memperoleh nilai crisp.
.

+

.

+ .

= .

Kriteria B/C ratio Fuzzy dengan nilai 1.34 adalah layak, nilai tersebut terdapat
dalam kategori pada Tabel 5 yaitu 1.25 < B/C R < 1.75.
PBP Fuzzy
Kriteria kelayakan selanjutnya yaitu Payback Period (PBP). Nilai PBP
diperoleh untuk rendah 2.48 sedang 2.48 dan tinggi 3.18. Selanjutnya mendapatkan
nilai crisp digunakan persamaan (7) sehingga diperoleh nilai:
(

.

+ .

+ .

)+ . ∗ .

= .

Dari perhitungan di atas diperoleh hasil 3.46 untuk nilai PBP. Nilai tersebut
berada pada kategori layak.
Pembentukan Basis Aturan
Basis aturan