3.3 Analisis Sistem
Sistem yang dibangun merupakan sistem untuk memberikan hasil prediksi nilai Kredit Pemilikan Rumah KPR menggunakan Evolving Fuzzy Neural Network EFuNN
berdasarkan data time series dari masa lalu. Sistem akan menerima input berupa data- data KPR pada masa lalu, kemudian data tersebut akan diproses dengan metode
Evolving Fuzzy Neural Network untuk mendapatkan hasil prediksi. Cara kerja dari sistem yang dibangun dapat dilihat pada gambar 3.4 :
Mulai
Input Parameter Input Data KPR
Normalisasi Data ke Besaran Fuzzy [0.1,0.9] Menghitung Membership Function dengan
Trapezoidal Membership Function Membuat rule node pertama dan mengisi
nilai bobot 1 W1 dan bobot 2 W2
Data Training = X Menghitung nilai Normalized Fuzzy Local Distance
Menghitung nilai aktivasi A1 dari rule nodedistance Menghitung nilai aktivasi tertinggi Max A1 dari rule node
A1 SThr Sensitive Threshold
Melakukan propagasi nilai A1 ke Fuzzy Output menghitung nilai aktivasi outputA2
Menghitung nilai fuzzy output error Menghitung nilai aktivasi tertinggi Max A2
Error Error Threshold OR rn = i
Update nilai bobot W1 dan W2 Nilai rule node ditambah 1 dan
update nilai Bobot W1 dan W2 T
F T
F F
T Data Testing = Y
Menghitung nilai Normalized Fuzzy Local Distance Menghitung nilai aktivasi A1 dari rule nodedistance
Melakukan propagasi nilai A1 ke Fuzzy Output menghitung nilai aktivasi outputA2
Menghitung nilai Fuzzy Output Error T
Denormalisasi hasil prediksi dari besaran fuzzy ke besaran crisp
F
Output hasil prediksi dalam besaran crisp
Menghitung error pada prediksi Output persentase error
prediksi
Selesai
Gambar 3.4 Algoritma Evolving Fuzzy Neural Network pada sistem
Universitas Sumatera Utara
1. Input data harga Kredit Pemilikan Rumah ke dalam database. Pilih data-data yang akan di training pada database.
2. Input nilai parameter pada Evolving Fuzzy Neural Network yaitu Sensitive Threshold, Error Threshold, Learning rate 1 dan Learning rate 2.
3. Melakukan normalisasi data training yang di input ke besaran fuzzy, data akan dirubah ke dalam range 0.1 sampai 0.9. Berikut adalah persamaan yang
digunakan untuk merubah data ke besaran fuzzy.
y =
+
0.1 3.1
Keterangan : y = nilai normalisasi
x = nilai data KPR a = nilai minimum dari data
b = nilai maksimum dari data
4.
Menentukan nilai fungsi keanggotaan dari dan nilai target dari data yang telah dinormalisasi sebelumnya menggunakan trapezoidal membership function
sesuai dengan persamaan 2.4 dapat dilihat pada gambar 3.5. Berdasarkan dari data yang dimiliki, variabel nilai KPR akan dibagi kedalam 4 interval, yaitu :
a. Bernilai = 0, apabila input hasil normalisasi lebih kecil sama dengan nol atau lebih besar sama dengan 1.
b. Bernilai = x – a b – a , apabila input hasil normalisasi lebih besar
sama dengan 0 dan lebih kecil sama dengan 0.4. c. Bernilai = 1, apabila input hasil normalisasi lebih besar sama dengan 0.4
dan lebih kecil sama dengan 0.6.
Universitas Sumatera Utara
d. Bernilai = d – x d – c , apabila input hasil normalisasi lebih besar
sama dengan 0.6 dan lebih kecil sama dengan 1.
Gambar 3.5 Himpunan Fuzzy Untuk Data KPR
5. Membuat rule node yang pertama untuk merepresentasikan data yang pertama dan mengisi nilai bobot satu W1 dan bobot 2 W2 sesuai dengan persamaan
2.6. 6. Menghitung nilai Normalized Fuzzy Local Distance diantara input terbaru dari
fuzzy input vector dengan fuzzy input vector yang berada dalam memori penyimpanan sementara short-term memory menggunakan persamaan 2.7.
7. Menghitung nilai aktivasi A1r
j
dari hasil perhitungan Normalized Fuzzy Local Distance dengan menggunakan persamaan 2.9.
8. Mencari nilai aktivasi tertinggi Max A1r
j
berdasarkan rule node.
Universitas Sumatera Utara
9. Melakukan pengecekan apakah nilai Max A1r
j
lebih besar dari sensitive threshold. Jika lebih besar maka lanjut ke langkah 10, jika lebih kecil maka
akan dilakukan update terhadap nilai bobot W1 dan W 2 dengan menggunakan persamaan 2.11, kemudian nilai rule node akan diubah dengan persamaan
2.10 lalu menuju ke langkah 6.
10. Melakukan propagasi terhadap aktivasi dari rule node ke fuzzy output dengan menggunakan persamaan 2.12.
11. Menghitung fuzzy output error dengan menggunakan persamaan 2.13.
12. Mencari nilai aktivasi tertinggi dari fuzzy output Max A2.
13. Melakukan pengecekan terhadap nilai errork, jika errork lebih kecil dari error threshold atau r sama dengan i, jika ya maka lanjut ke langkah 14, jika
tidak, update bobot W1 dan W2 dengan persamaan 2.15, update nilai rule node dengan persamaan 2.14 dan menuju ke langkah 6.
14. Mengubah bobot W1 dan W2 dengan menggunakan persamaan 2.16, 2.17 dan 2.18
15. Memproses data input selanjutnya dan menuju ke langkah 6. Jika seluruh data telah diproses maka selanjutnya menuju ke langkah 16.
16. Pilih data-data yang akan di testing pada database.
17. Melakukan normalisasi data testing yang di input ke besaran fuzzy, data akan dirubah ke dalam range 0.1 sampai 0.9 dengan persamaan 3.1.
18. Menentukan nilai fungsi keanggotaan dari dan nilai target dari data yang telah dinormalisasi sebelumnya menggunakan trapezoidal membership function
sesuai dengan persamaan 2.4 dan gambar 3.4.
Universitas Sumatera Utara
19. Membuat rule node yang pertama untuk merepresentasikan data yang pertama dan mengisi nilai bobot satu W1 dan bobot 2 W2 sesuai dengan persamaan
2.6.
20. Menghitung nilai Normalized Fuzzy Local Distance diantara input terbaru dari fuzzy input vector dengan fuzzy input vector yang berada dalam memori
penyimpanan sementara short-term memory menggunakan persamaan 2.7.
21. Menghitung nilai aktivasi A1r
j
dari hasil perhitungan Normalized Fuzzy Local Distance dengan menggunakan persamaan 2.9.
22. Melakukan propagasi terhadap aktivasi dari rule node ke fuzzy output dengan menggunakan persamaan 2.12.
23. Menghitung fuzzy output error dengan menggunakan persamaan 2.13.
24. Memproses data input selanjutnya dan menuju ke langkah 19. Jika seluruh data telah diproses maka selanjutnya menuju ke langkah 24.
25. Melakukan denormalisasi terhadap data hasil prediksi yang memiliki besaran fuzzy ke dalam nilai crisp untuk mendapatkan hasil yang sebenarnya dengan
persamaan berikut :
3.2 Keterangan :
x = nilai hasil denormalisasi y = nilai hasil prediksi
a = nilai minimum dari data b = nilai maksimum dari data
Universitas Sumatera Utara
26. Menghitung total rata-rata error dengan MAPE mean absolute percentage error dengan persamaan berikut :
Error =
∑
x 100 3.3
Keterangan : a = data aktual data sebenarnya
b = data hasil prediksi n = jumlah data
Universitas Sumatera Utara
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Kategori