Radbas n = e
-2
2.8 A1r
j =
radbas DxF
i
,r
j
2.9 3. Cari rule node r
j
dengan nilai aktivasi tertinggi max A1r
j
. 4. Jika nilai max A1r
j
lebih besar dari sThr maka menuju ke langkah e. Jika nilai max A1r
j
lebih kecil dari sThr maka lakukan persamaan berikut : i = i + 1
2.10 W1
j
= xF
i
; W2
j
= target
i
2.11 5. Melakukan propagasi ke fuzzy output terhadap nilai aktivasi dari rule node r
j
A2 = A1r
j
. W2r
j
2.12 6. Menghitung fuzzy output error
Err = | A2 – target
i
| 2.13
7. Cari action node k dari nilai aktivasi tertinggi A2. 8. Jika Error k lebih kecil dari ErrThr atau r sama dengan i maka menuju ke
langkah i. Jika Error k lebih besar dari ErrThr atau r tidak sama dengan i maka lakukan persamaan berikut :
i = i + 1 2.14
W1
j
= xF
i
; W2
j
= target
i
2.15 Ulangi langkah a.
9. Update bobot W1 dan W2 dengan persamaan
Dis = xF
i
– W1k 2.16
W1k = W1k + lr1 . Dis 2.17
W2k = W2k + lr2 . Err 2.18
i = i + 1
2.5 Penelitian Terdahulu
Evolving Fuzzy Neural Network EFuNN telah banyak digunakan dalam prediksi, salah satunya yaitu dengan metode time series. Berikut adalah penelitian-penelitian
terdahulu dengan menggunakan EFuNN.
Universitas Sumatera Utara
Pada tahun 2013, Arun J.B melakukan prediksi dengan EFuNN dengan judul EFuNN Based Forecasting of Electricity Price in Deregulated Market Skenario. Pada
penelitian ini EFuNN digunakan memprediksi harga listrik dalam skenario pasar yang deregulasi. Fakta dan kesimpulan dalam penelitian ini yaitu :
1. Data yang digunakan sebanyak 365 data. 2. Data training sebanyak 90 yaitu 329 data dan data testing sebanyak 10
yaitu 36 data. 3. Parameter yang digunakan yaitu angka fungsi keanggotaan 3, sensitivity
Threshold = 0.9 dan Error Threshold = 0.1. 4. Total error didapat dengan metode Mean Square Error MSE dengan hasil
total rata-rata 0.20. 5. Dilakukan percobaan kedua dengan data training sebanyak 80 dan data
testing sebanyak 20. 6. Hasil dari percobaan kedua yaitu didapat total rata-rata error 0.23
7. Didapat kesimpulan bahwa model EFuNN tidak membutuhkan terlalu banyak data training karena error yang dihasilkan tidak jauh berbeda.
Pada tahun 2013, Sani, M.F. melakukan prediksi dengan EFuNN dengan judul Prediksi Kurs Rupiah Terhadap Dollar Amerika Serikat Menggunakan Evolving
Fuzzy Neural Network EFuNN. Pada penelitian ini EFuNN digunakan untuk memprediksi nilai tukar rupiah terhadap dollar Amerika Serikat dengan data time
series. Fakta dan kesimpulan yang didapat dari penelitian ini yaitu 1. Data yang digunakan didapat dari website Bank Indonesia www.bi.go.id dari
tanggal 24 Januari 2001 sampai 31 Desember 2012 sebanyak 4360 data. 2. Data training yang digunakan sebanyak 3629 data dan data testing yang
digunakan sebanyak 731 data. 3. Parameter yang digunakan yaitu sensitive threshold = 0.09, error threshold =
0.01, learning rate 1 = 0.01 dan learning rate 2 = 0.01. 4. Rata-rata error yang didapat sebesar 0.5647
5. Hasil prediksi sangat terpengaruh hasil pelatihan yang dilakukan sebelum pengujian, jika error pada saat pelatihan menghasilkan error yang besar pada
bobot-bobot tertentu, maka pada saat pengujian beberapa data akan menghasilkan error yang besar pula.
Universitas Sumatera Utara
6. EFuNN dapat digunakan untuk prediksi data yang selalu berubah-ubah ataupun selalu bertambah karena jaringan arsitektur EFuNN dibentuk pada
saat pelatihan. Pada tahun 2006, Ghahfarokhi, B.S melakukan prediksi dengan EFuNN
dengan judul Evolving Fuzzy Neural Network Based Fire Planning in Rescue FireBrigade Agents. Pada penelitian ini EFuNN digunakan untuk mensimulasikan
penyelamatan oleh agen pemadam kebakaran. Fakta dan kesimpulan dari penelitian ini yaitu :
1. EFuNN digunakan untuk mendapatkan kelompok fuzzy rules yang telah di training sebagai basis rule dari agen pemadam kebakaran untuk penyelamatan
berdasarkan tingkatan api pada tempat kebakaran. 2. Terdapat 3 variabel dalam fungsi keanggotaannya yaitu DT tingkat hunian
terbagi 3 yaitu low, medium dan high, F kondisi kebakaran terbagi 3 yaitu tidak terbakar, sedang terbakar dan sudah terbakar, dan BC kecepatan api
merambat terbagi 2 yaitu lambat dan cepat. 3. Menggunakan fuzzy Inference System dengan metode mamdani.
4. Didapat kesimpulan bahwa simulasi dengan metode EFuNN lebih efektif dibandingkan dengan metode fuzzy dan metode Dtree dengan hasil percobaan
pada 3 lokasi berbeda yaitu Kobe = 78.03, VC = 56.69, dan Foligno = 32.56. 5. Kecepatan dari metode EFuNN akan berkurang jika rule bertambah.
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN
