Algoritma Genetika Untuk Optimasi Fuzzy Time Series Dalam Memprediksi Debit Air (Studi Kasus: PDAM Indramayu)
Vol. 3, No. 1, Januari 2019, hlm. 8420-8424 http://j-ptiik.ub.ac.id
Algoritma Genetika Untuk Optimasi Fuzzy Time Series Dalam
Memprediksi Debit Air (Studi Kasus: PDAM Indramayu)
1 2 3 Mohamad Alfi Fauzan , Budi Darma Setiawan , IndriatiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: malfif28@gmail.com, s.budidarma@ub.ac.id, indriati.tif@ub.ac.id
Abstrak
3 Ketersediaan air di negara Indonesia mencapai 694 milyar m per tahun, dimana jumlah tersebutmerupakan potensi yang dapat dimanfaatkan namun hanya sekitar 23% yang termanfaatkan. Dengan jumlah kebutuhan air bersih masyarakat yang semakin meningkat namun distribusi debit air yang rendah, konsep peramalan atau prediksi sangat diperlukan sebagai salah satu input dalam pengambilan keputusan untuk peningkatan debit air yang akan didistribusikan. Untuk menyelesaikan permasalahan tersebut pada penelitian ini digunakan metode fuzzy time series yang dioptimasi dengan algoritme genetika dalam memprediksi distribusi debit air. Algoritme genetika digunakan untuk mengoptimasi sub interval di fuzzy time series. Berdasarkan hasil pengujian didapatkan tingkat akurasi hasil prediksi yang menggunakan metode Average Forecasting Error Rate (AFER) didapatkan hasil presentase tingkat error sebesar 15,33% yang termasuk ke dalam kualifikasi baik.
Kata Kunci: Debit air, prediksi, algoritme genetika, fuzzy time series.
Abstract
The availability of water in the country of Indonesia reaches 694 billion m3 per year, where the amount
is a potential that can be utilized but only about 23% is utilized. With the increasing number of people
needing clean water but low water debit distribution, the concept of forecasting or prediction is needed
as one of the inputs in making decisions to increase the flow of water to be distributed. To solve these
problems in this study fuzzy time series methods are optimized with genetic algorithms in predicting the
distribution of water discharge. Genetic algorithm is used to optimize sub intervals in fuzzy time series.
Based on the results of the test, the accuracy of the prediction results obtained using the Average
Forecasting Error Rate (AFER) method obtained the percentage error rate of 15.33% which included
in the good qualifications.Keywords: Water debit, prediction, genetic algorithm, fuzzy time series
penduduk dunia pada tahun 2025 diperlukan air 1.
PENDAHULUAN 3
bersih sebesar 492 km per hari dan pada tahun 3 Air merupakan salah satu sumber daya alam 2100 diperlukan air bersih sebesar 611 km per yang memiliki peranan dalam keberlangsungan hari (Suripin, 2002). Seperti hal nya di hidup dan kehidupan makhluk hidup terutama kecamatan Indramayu, kabupaten Indramayu manusia (Arsyad, 1989). Ketersediaan air sangat yang menunujukan kebutuhan air bersih total berpengaruh terhadap kehidupan manusia, penduduk kecamatan Indramayu pada tahun bahkan air dapat menjadi salah satu faktor 2015 mencapai sebanyak 90 liter/orang/hari penghambat pertumbuhan perekonomian suatu (Lukman dkk, 2015).
Negara (Schouten, 2006). Masalah utama yang dihadapi berkaitan Seiring berkembangnya zaman, kebutuhan dengan sumber daya air adalah adanya masyarakat akan air bersih dari tahun ke tahun penurunan debit air baku yang signifikan pada semakin meningkat. Pada tahun 2000 dengan musim kemarau di Kecamatan Indramayu jumlah penduduk dunia sebesar 6,121 milyar 3 sehingga sistem distribusi tidak mampu kebutuhan air bersih mencapai 367 km per hari, memenuhi kebutuhan air seluruh pelanggan, sehingga untuk memenuhi kebutuhan air bersih yang dilihat dari pasokan air tidak berjalan
Fakultas Ilmu Komputer Universitas Brawijaya
8420
series lebih mudah dari yang ada pada jaringan
dalam 24 jam penuhBerdasarkan permasalahan tersebut dapat menggunakan program yang dapat melakukan prediksi terhadap produksi debit air yang akan didistribusikan. Prediksi produksi debit air ini dapat menggunakan proses peramalan kuantitatif berdasarkan data distribusi yang berada di PDAM Tirta Darma Ayu Indramayu.
series (Chen, 1996):
Berikut adalah langkah-langkah dalam melakukan peramalan dengan model fuzzy time
syaraf tiruan dan algoritme genetika sehingga dapat dikembangkan untuk penelitian sebelumya.
- Menentukan himpunan awal semesta (universe of discourse).
- Membagi sub himpunan semesta menjadi beberapa interval berdasarkan data distribusi debit air yang digunakan dengan mencari data maksimal dan data minimal. Dengan cara: U = [D min
Terdapat beberapa penelitian sebelumnya, Penelitian pertama yaitu yang dilakukan oleh Andhi, dkk (2018) dalam penelitiannya yang berjudul ”Algoritma Genetika Untuk Optimasi Fuzzy Time Series Dalam Memprediksi Kepadatan Lalu Lintas di Jalan Tol”, dimana hasil dari penelitian tersebut didapatkan hasil
- – D 1 ; D max + D 2 ], dengan D 1 dan D 2 adalah nilai konstanta.
- Menentukan linguistic variable dan
- Melakukan proses fuzzyfikasi dari data historis.
- Menentukan nilai Fuzzy Logical
- Melakukan proses inferensi dan defuzzyfikasi.
tingkat error 16,66% yang termasuk ke dalam kualifikasi baik dan berhasil. Penelitian lain yang dilakukan oleh Afif, dkk (2018) dalam penelitiannya yang berjudul “Peramalan Produksi Gula Pasir Menggunakan Fuzzy Time
presentase
presentase tingkat error 1,9% yang termasuk ke dalam kualifikasi baik.
Relationship dari hasil fuzzyfikasi
penyilangan (crossover) atau dimodifikasi menggunakan operator mutasi.
parent (induk) dengan menggunakan operator
Menurut Kusumadewi (2003), algoritme genetika merupakan simulasi operasi genetika atas kromosom. Dalam algoritma genetika, prosedur pencarian dilakukan berdasarkan seleksi alam atau proses evolusi. Prosedur pencarian algoritme genetika dilakukan sekaligus atas kromosom yang merupakan suatu solusi yang berbentuk simbol. Populasi awal yang dibangun akan berbentuk acak kemudian pada populasi berikutnya merupakan hasil evolusi kromosom yang disebut generasi. Selanjutnya pada generasi ini akan melalui proses evaluasi menggunakan fungsi fitness. Pada generasi selanjutnya yaitu offspring (anak) terbentuk dari dua gabungan kromosom yaitu
2.2 Algoritme Genetika
mempunyai anggota relasi yang sama maka akan dikelompokan menjadi satu grup.
Relationship Group dimana jika
kemudian melakukan Fuzzy Logical
dengan menggunakan interval.
Oleh karena itu pada skripsi ini akan dilakukan penelitian dengan metode peramalan untuk prediksi produksi debit air menggunakan
membership function
Series Dengan Optimasi Algoritma Genetika
(Studi Kasus PG Candi Baru Sidoarjo)”, dimana hasil dari penelitian tersebut didapatkan hasil
Menurut Chen (1996), fuzzy time series merupakan salah satu metode soft computing untuk memprediksi data dengan menggunakan dasar fuzzy. Prinsip kerja sistem fuzzy adalah dengan mencari pola-pola dari data yang telah tersedia untuk menghasilkan data baru yang diharapkan. Dalam memprediksi atau peramalan dengan metode fuzzy time series menggunakan nilai-nilai dalam himpunan fuzzy yang telah didapat dari bilangan real. Himpunan fuzzy dalam metode ini digunakan sebagai pengganti data sebelumnya menjadi data yang diharapkan. Menurut Robandi (2006), proses dari fuzzy time
algoritme genetika guna mendapatkan tingkat akurasi yang tinggi dan tingkat kesalahan yang rendah. Diharapkan dalam penelitian yang dilakukan dapat membantu PDAM Tirta Darma Ayu Indramayu dalam memprediksi debit air yang akan di distribusi, sehingga pemilihan waktu untuk pengambilan air dari sumber air baku tidak berdampak pada semakin rendahnya distribusi air.
fuzzy time series dan dioptimasi dengan
2. DASAR TEORI
2.1 Fuzzy Time Series
Siklus algoritme genetika sendiri terdiri dari beberapa proses. Berikut ini adalah siklus dari algoritme genetika: a.
Seleksi Tahap seleksi adalah tahap terakhir yang terdapat pada siklus algoritme genetika. Dalam tahap ini berfungsi untuk memilih individu dengan solusi terbaik berdasarkan nilai fitness tertinggi dan dijadikan sebagai individu untuk generasi selanjutnya.
4. PENGUJIAN DAN ANALISIS
1.
Langkah-langkah selama proses pembuatan sistem dari algoritma dapat dilihat pada Gambar
prediksi distribusi debit air di PDAM Indramayu. Dalam pembuatan sistemnya, dioptimasikan dengan algoritme genetika.
Inisialisasi Pada tahap inisialisasi ini himpunan individu yang acak terdiri dari string
Gambar 1. Pengujian Ukuran Populasi Pada Gambar 1 dapat disimpulkan bahwa nilai 70, 110, dan 150 menghasilkan nilai fitness tertinggi dengan nilai fitness sebesar 0.000045, kemudian nilai fitness yang diambil untuk pengujian selanjutnya dengan nilai 110, karena nilai selanjutnya dinyatakan konvergen, karena perubahan pada nilai fitness tersebut tidak mengalami perubahan yang signifikan.
d.
Pengujian ini dilakukan dengan percobaan 15 kali dengan nilai populasi kelipatan 10 yang mana jumlah akhir dari nilai populasi yaitu 150. Untuk generasi yaitu 1000, Cr yaitu 0.5, Mr yaitu 0,5.
Evaluasi Pada tahap evaluasi, individu dan keturunan yang telah dibuat akan dicari nilai fitness nya untuk dilanjutkan ke tahap seleksi.
c.
Dalam tahap reproduksi ini akan menghasilkan keturunan yang berasal dari induk yang sudah terpilih dari tahap inisialisasi dan ditempatkan di offspring .
Reproduksi Pada tahap reproduksi terdiri dari dari dua jenis reproduksi yaitu Mutation dan Crossover.
b.
penampungan dan menjadi populasi. Pada tahap ini juga akan menentukan ukuran dari populasi yang telah terbentuk.
chromosome akan ditempatkan pada
4.1 Pengujian Ukuran Populasi
3. METODOLOGI
Gambar 1. Tahapan Alur Sistem Pada penelitian ini, algoritma fuzzy time
4.2 Pengujian Crossover Rate (Cr)
Pengujian ini dilakukan dengan percobaan 10 kali dengan nilai crossover rate kelipatan 0.1 yang mana jumlah akhir dari nilai crossover rate yaitu 1. Untuk nilai populasi yaitu 110, generasi yaitu 1000, dan Mr yaitu 0,5.
Gambar 2. Pengujian Crossover Rate (Cr) Pada Gambar 2 didapatkan nilai rata-rata
series digunakan dalam pembuatan sistem
fitness yang paling besar terjadi pada nilai 0.9
Maret 570.332 616.954 46.622 April 637.164 632.832 4.332
5.1 Kesimpulan
5. PENUTUP
Pada perhitungan AFER, Ai merupakan nilai data aktual dan Fi merupakan jumlah dari semua nilai selisih dari data aktual dan hasil prediksi. Adapun n merupakan banyaknya data yang digunakan dalam pengujian. Nilai AFER adalah nilai yang menyatakan presentase selisih antara data prediksi dengan data asli. Nilai AFER dapat dikatakan baik jika nilai errornya semakin kecil (Rahmadiani, 2012). Dengan menggunakan error AFER ini bisa dikatakan mendekati kebenaran jika nilai error yang didapatkan mendekati 0% meskipun jarang sekali ada kasus yang menghasilkan nilai benar- benar tepat 0% (Stevenson, 2009).
x 100% = 15,33%
6
3617388−289112/3617388
x 100% =
| − |/
∑
Jumlah 3.617.388 289.112 AFER =
Mei 597.852 669.664 71.812 Juni 661.061 669.727 8.666
Januari 596.525 649.634 53.109 Februari 554.454 659.025 104.571
yang menghasilkan nilai fitness sebesar 0.000053, sedangkan pada nilai 0.1 yang menghasilkan nilai fitness sebesar 0.000029 dapat dikatakan rata-rata fitness yang paling kecil.
Bulan (2017) Distribusi debit air (a) Hasil Prediksi (b) Error a-b
Tabel 2. Tabel pengujian tingkat akurasi
Pengujian tingkat akurasi ini akan dijelaskan beberapa langkah untuk mendapatkan nilai presentase error guna mengetahui seberapa akurat hasil yang didapatkan. Pengujian ini menggunakan Average Forecasting Error Rate (AFER).
4.5 Pengujian Tingkat Akurasi
Gambar 4. Pengujian Jumlah Generasi Pada Gambar 4 dapat disimpulkan bahwa rata-rata nilai fitness yang paling besar terjadi pada pengujian jumlah generasi dengan nilai 1750 yang menghasilkan nilai fitness sebesar 0.000054, sedangkan pada jumlah generasi dengan nilai 10 yang menghasilkan nilai fitness sebesar 0.000049 dapat dikatakan rata-rata fitness yang paling kecil.
Pengujian ini dilakukan dengan percobaan 10 kali. Untuk populasi yaitu 110, Cr yaitu 0.9, Mr yaitu 0,5.
4.4 Pengujian Jumlah Generasi
0.5 yang menghasilkan nilai fitness sebesar 0.000055, sedangkan pada nilai 0.9 yang menghasilkan nilai fitness sebesar 0.000049 dapat dikatakan rata-rata fitness yang paling kecil.
fitness yang paling besar terjadi pada pengujian mutation rate dengan nilai
Gambar 3. Pengujian Mutation Rate (Mr) Pada Gambar 3 didapatkan nilai rata-rata
Pengujian ini dilakukan dengan percobaan 10 kali dengan nilai mutation rate kelipatan 0.1 yang mana jumlah akhir dari nilai mutation rate yaitu 1. Untuk nilai populasi yaitu 110, generasi yaitu 1000, dan Cr yaitu 0,9.
4.3 Pengujian Mutation Rate (Mr)
Berdasarkan hasil penelitian yang sudah dilakukan dapat disimpulkan bahwa pengaruh perubahan terhadap nilai setiap parameter dapat mempengaruhi hasil kromosom terbaik. Pada penelitian ini nilai parameter terbaik yang didapat adalah dengan nilai populasi = 110, Cr =
0.9, Mr = 0.5, dan nilai jumlah generasi = 1750. Series Dalam Memprediksi Kepatan Lalu Pengujian tingkat akurasi yang dilakukan pada Lintas di Jalan Tol. Jurnal PTIIK Vol. 2, penelitian ini menggunakan metode Average No. 3, Maret 2018. Hlm. 1063-1.
Forecasting Error Rate (AFER). Nilai sebesar 15,33% dengan data latih sebanyak 6 bulan.
Dapat dikatakan nilai persentase tingkat error pada pengujian tersebut masih dikatakan belum terlalu optimal karena kurangnya pada data latih yang digunakan.
5.2 Saran
Menggunakan metode fuzzy time series yang lainnya untuk dibandingkan nilai akurasinya.
Menggunakan lebih banyak data sehingga tingkat akurasi dalam pengujian lebih optimal.
6. DAFTAR PUSTAKA
Afif, Dian, dan Bayu, R. 2018. Peramalan Produksi Gula Pasir Mneggunakan Fuzzy
Time Series Dengan Optimasi Algoritma
Genetika (Studi Kasus PG Candi Baru Sidoarjo). Jurnal PTIIK Vol. 2, No. 8, Agustus 2018, Hlm. 2542-2548
Arsyad, S. 1989. Konservasi Tanah dan Air. IPB Press, Bogor. Chen, S.M., 1996, “Forecasting enrollments based on fuzzy time series - Fuzzy Sets and Systems” International Journal of Applied Science and Engineering Vol. 81 (1996) 311-319.
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu.
Yogyakarta. Pramonoaji, dkk. 2013. Prediksi Produksi Air PDAM dengan Jaringan Syaraf Tiruan. Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang.
Lukman., dkk. 2015. Proyeksi Kebutuhan Air Bersih Pneuduk Kecamatan Indramayu Kabupaten Indramayu Sampai Tahun 2035. Antologi Geografi, Vol. 3, No. 3.
Desember, 2015. Robandi, Iman. 2006. Desain Tenaga Modern
Optimisasi, Logika Fuzzy, dan Algoritma Genetika. Yogyakarta. Schouten, M. 2006. Integrated Water Resources Management. Unpublish Lectures Note.
Delft: UNESCO-IHE Institute for Water Education
Suripin. 2002. Pelestarian Sumber Daya Tanah dan Air. Andi. Yogyakarta Wicaksana, Andhi., dkk. 2018. Algoritma
Genetika Untuk Optimasi Fuzzy Time