71 Terdapat 2 nilai crisp dari hasil defuzzifikasi. Pada skripsi ini defuzzifikasi
yang digunakan adalah Largest of Maximum Defuzzifier. Dari kedua nilai tersebut yang di ambil adalah nilai maksimum yaitu
. Sehingga, hasil prediksi pada bulan Februari 2017 adalah
orang.
8. Uji Kesesuaian Model
Setelah memperoleh model terbaik dengan 11 input dan 5 neuron pada lapisan tersembunyi, langkah selanjutnya adalah pengecekan error pada model
tersebut. Plot ACF dan PACF dari residual data training dan testing model FRBFNN ditunjukkan pada Gambar 3.4.5 dan 3.4.6 berikut:
22 20
18 16
14 12
10 8
6 4
2 1,0
0,8 0,6
0,4 0,2
0,0 -0,2
-0,4 -0,6
-0,8 -1,0
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n
Partial Autocorrelation Function for error_train
with 5 significance limits for the partial autocorrelations
Gambar 3.4.5 Plot ACF residual data training model FRBFNN
72
20 18
16 14
12 10
8 6
4 2
1,0 0,8
0,6 0,4
0,2 0,0
-0,2 -0,4
-0,6 -0,8
-1,0
Lag
P a
rt ia
l A
u to
c o
rr e
la ti
o n
Partial Autocorrelation Function for error_train
with 5 significance limits for the partial autocorrelations
Gambar 3.4.6 Plot PACF resiual data training model FRBFNN
8 7
6 5
4 3
2 1
1,0 0,8
0,6 0,4
0,2 0,0
-0,2 -0,4
-0,6 -0,8
-1,0
Lag
A u
to c
o rr
e la
ti o
n Autocorrelation Function for error_test
with 5 significance limits for the autocorrelations
Gambar 3.4.7 Plot ACF residual data testing model FRBFNN
8 7
6 5
4 3
2 1
1,0 0,8
0,6 0,4
0,2 0,0
-0,2 -0,4
-0,6 -0,8
-1,0
Lag P
a rt
ia l
A u
to c
o rr
e la
ti o
n Partial Autocorrelation Function for error_test
with 5 significance limits for the partial autocorrelations
Gambar 3.4.8 Plot PACF residual data testing model FRBFNN
73 Dari plot di atas terlihat bahwa tidak ada lag yang melebihi garis
kepercayaan. Dengan kata lain tidak ada lag yang berbeda signifikan dari nol, artinya error sudah white noise. Oleh karena itu, model FRBFNN dengan
arsitektur jaringan dengan 11 neuron input dan 5 neuron pada lapisan tersembunyi dapat digunakan untuk meramalkan banyak kedatangan wisman
melalui Pintu Masuk Great Batam di Kepulauan Riau. Berikut plot data aktual dan hasil prediksi kedatangan wisman melalui Pintu Masuk Great Batam di
Kepulauan Riau untuk data training dan data testing.
90 81
72 63
54 45
36 27
18 9
1 150000
140000 130000
120000 110000
100000 90000
80000 70000
60000
Index D
a ta
data ak tual data predik si
Variable
Plot data aktual dan prediksi data training
Gambar 3.4.9 Plot data aktual dan hasil prediksi data training model FRBFNN
74
30 27
24 21
18 15
12 9
6 3
180000 170000
160000 150000
140000 130000
120000 110000
100000
Index D
a ta
data ak tual data predik si
Variable
Plot data aktual dan prediksi data testing
Gambar 3.4.10 Plot data aktual dan hasil prediksi data testing model FRBFNN
Gambar 3.4.9 dan 3.4.10 menunjukkan bahwa data aktual dan data hasil prediksi untuk data training dan testing saling berdekatan. Berdasarkan error
yang dihasilkan yaitu nilai MAPE dan MSE training adalah 10,8621 dan 0,2828, MAPE dan MSE testing adalah 9,4009 dan 0,3133. Dengan
demikian dapat dikatakan bahwa model yang terbentuk sudah sesuai dan dapat digunakan untuk memprediksi banyak kedatangan wisman melalui Pintu
Masuk Great Batam di Kepulauan Riau.
75
E. Optimasi Model Fuzzy Radial Basis Function Neural Network FRBFNN