53
4. Menentukan Nilai Pusat dan Jarak
Data yang telah difuzzifikasi kemudian dilakukan suatu pengelompokkan menggunakan metode K-Means clustering. Dengan menggunakan metode K-
Means clustering diperoleh nilai pusat dari masing-masing kelompok. Sedangkan
untuk nilai jarak dihitung menggunakan rumus Euclidean. Banyak kluster menunjukkan banyaknya neuron pada lapisan tersembunyi pada model FRBFNN.
5. Menentukan Jaringan yang Optimum
Menentukan jaringan yang optimum dilakukan dengan menentukan banyak neuron
tersembunyi dan eliminasi input yang akan membentuk subuah model terbaik. Model terbaik ditentukan dengan cara trial and error terhadap beberapa
macam arsitektur yang mungkin dengan menggunakan fungsi aktivasi gaussian. Penentuan model terbaik juga dilakukan dengan memperhatikan nilai MAPE dan
MSE terkecil. Nilai MAPE dan MAPE dihitung berdasarkan persamaan pada subbab 2.2.5. Metode Global Ridge-Regression digunakan untuk mencari nilai-
nilai bobot yang optimum seperti pada subbab 3.1.2.
6. Optimasi Bobot Pembelajaran dengan Algoritma Genetika
Model FRBFNN terbaik menghasilkan bobot output dan bias yang dapat digunakan untuk proses prediksi periode selanjutnya. Bobot yang diperoleh akan
dilakukan optimasi menggunakan algoritma genetika. Otimasi ini bertujuan untuk memperoleh bobot yang meminimumkan nilai error. Proses optimasi bobot
pembelajaran FRBFNN ditunjukkan pada Gambar 2.5.1.
54
7. Penentuan Output Jaringan
Proses penentuan output jaringan menggunakan struktur jaringan terbaik yang diperoleh dari pengujian data training dan data testing. Output jaringan yang
dihasilkan masih dalam bentuk fuzzy
seperti pada persamaan 3.2.2
8. Defuzzifikasi
Defuzzifikasi bertujuan mengubah output jaringan yang bernilai fuzzy menjadi nilai crisp berdasarkan fungsi keanggotaan yang telah ditentukan. Metode
defuzzifikasi yang digunakan pada skripsi ini adalah Largest of Maximum Defuzzifier
subbab 2.3.5. Solusi crisp dari metode ini diperoleh dengan mengambil nilai terbesar dari domain yang memiliki derajat keanggotaan
maksimum.
9. Uji Kesesuaian Model
Model dianggap baik jika residual dari hasil pembelajaran data training bersifat acak yang artinya proses white noise terpenuhi. Pengecekan ini dapat
dilihat dari plot ACF dan PACF residual yang dihasilkan. Model yang sudah white noise
ditunjukkan dengan tidak adanya lag-lag pada ACF dan PACF yang melebihi garis signifikansi, sehingga nilai autokorelasi dan autokorelasi parsial
tidak berbeda signifikan dari nol.
10. Diagram Alir Prosedur Pembentukan Model
Berdasarkan prosedur pemodelan FRBFNN dengan optimasi algoritma genetika yang telah dijelaskan sebelumnya, maka dapat dibuat bagian diagram alir
seperti pada pada Gambar 3.3.1 berikut.
55 Gambar 3.3.1 Prosedur Pembentukan Model FRBFNN dengan Optimasi
Algoritma Genetika Penentuan
Input Pembagian
Data
Fuzzifikasi Mulai
Tidak Menentukan
Nilai Pusat dan Jarak Pembelajaran
FRBFFN Defuzzifikasi
Menentukan Jaringan
Optimum
Jaringan Optimum
Optimasi Bobot dengan Algoritma
Genetika
Ya
Selesai Model FRBFNN
Terbaik Hasil
Peramalan Uji Kesesuaian
Model
Uji Kesesuaian
56
D. Aplikasi Model Fuzzy Radial Basis Function Neural Network FRBFNN