85 0,012 untuk anak 2. Pada interval [1, 18] dibangkitkan nilai acak, dan
diperoleh nilai 7 untuk anak 1 dan 18 untuk anak 2. Sehingga gen ke-7 pada anak 1 dan gen ke-18 pada anak 2 akan dimutasi dengan mengganti nilai gen
tersebut dengan nilai acak. Dengan bantuan MATLAB R2010a diperoleh nilai acak untuk gen ke-7 pada anak ke 1 adalah 0,772 dan gen ke 18 pada
anak ke 2 adalah 1,005. Sehingga individu anak yang terbentuk adalah : gen yang ditebalkan merupakan gen yang sudah dimutasi
Anak 1
-0,2897 0,5056
0,2019 -0,1308
-0,7775 0,4251
0,772 -0,5146
-0,7772 0,0459
1,1465 0,5644
0,3242 0,1629
0,6632 0,1061
-0,3034 0,0046
Anak 2
2,0664 -0,2988
1,247 0,0673
0,9964 0,3466
-0,2759 -0,9059
2,0943 -0,0856
0,716 1,22
1,2294 0,6069
1,0673 0,6192
-0,4363 1,005
8. Pembentukan Populasi Baru
Setelah langkah-langkah diatas dilakukan, selanjutnya adalah membentuk populasi di generasi selanjutnya. Individu terbaik dengan nilai fitness
tertinggi pada populasi awal dibawa ke langkah selanjutnya, proses ini dinamakan proses elitisme. Prosedur pembentukan populasi berikutnya
terdapat pada Lampiran 11 di halaman 129. Populasi akhir yang dihasilkan terdapat pada Lampiran 13 di halaman 138.
86 Berikut hasil percobaan yang dilakukan:
Tabel 3.5.7 Hasil percobaan algoritma genetika
Percobaan ke Ukuran populasi
Jumlah generasi Nilai fitness
1 10
100 0.101619
2 18
100 0.107144
3 20
100 0.089431
4 30
100 0.099598
5 40
100 0.102676
6 50
100 0.104838
7 60
100 0.104221
8 70
100 0.101967
9 80
100 0.1038
10 90
100 0.103109
11 100
100 0.101522
Grafik hasil percobaan dengan MATLAB R2010a dapat dilihat pada Gambar 3.4.1 berikut
Gambar 3.5.1 Grafik hasil optimasi algoritma genetika
87
9. Model FRBFNN dengan Optimasi Algoritma Genetika
Pada algoritma Genetika, tingkat konvergensi keoptimalan algoritma ditentukan menggunakan nilai fitness. Berikut adalah hasil perhitungan
MAPE dari data training dan testing hasil optimasi dengan algoritma Genetika pada Tabel 3.6.1
Tabel 3.6.1 Nilai MAPE hasil optimasi algoritma genetika
MAPE Cluster
Training Testing
2 9,8848
12,0161 3
10,1093 15,4676
4 10,8707
13,6946
5 9,3765
8,2723
6 10,5835
13,7875 7
10,5666 10,2361
8 11,3509
11,9208 9
13,7529 10,4815
10 17,0626
9,8419
Dari model yang diuji, terlihat bahwa model FRBFFN hasil optimasi algoritma genetika menghasilkan nilai MAPE dan MSE yang lebih kecil untuk
data training dan data testing. Tabel 3.6.2 menunjukkan nilai MAPE terbaik dari model FRBFNN dengan
optimasi algoritma genetika dengan kombinasi data training dan data testing yang berbeda.
88 Tabel 3.6.2 Nilai MAPE perbandingan data training dan data testing
Data Training
MAPE sebelum optimasi
MAPE sesudah optimasi
Training Testing
Training Testing
90 14.5858
9.7998 10.5059
9.8178
75 10.8621
9.4009 9.3765
8.2723
60 14.8347
24.6358 9.8885
23.7453 50
10.3003 22.6424
9.9735 20.8828
Berdasarkan Tabel 3.6.2, model FRBFNN dengan optimasi algoritma genetika terbaik diperoleh pada data training 75 dengan 11 input dan 5
neuron pada lapisan tersembunyi. Bobot hasil optimasi algoritma genetika
yaitu
3.6.1
Langkah selanjutnya adalah pengecekan error pada model tersebut. Plot ACF dan PACF dari residual data training ditunjukkan pada Gambar 3.6.2 dan
3.6.3 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 3.6.2 Plot ACF residual data training hasil optimasi
89
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 3.6.3 Plot PACF resiual data training hasil optimasi
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 3.6.4 Plot ACF resiual data testing hasil optimasi
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 3.6.5 Plot PACF resiual data testing hasil optimasi
90 Dari plot di atas menunjukkan bahwa tidak ada lag yang melebihi garis
kepercayaan. Dengan kata lain tidak ada lag yang signifikan yang artinya error
bersifat acak atau white noise terpenuhi. Oleh karena itu, model FRBFNN dengan arsitektur jaringan 5 neuron pada lapisan tersembunyi dan
input dapat digunakan untuk meramalkan banyak kedatangan wisman melalui
Pintu Masuk Great Batam di Kepulauan Riau. Berikut plot data aktual dan hasil peramalan kedatangan wisman melalui
Pintu Masuk Great Batam di Kepulauan Riau untuk data training dan 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
train_ramal train_asli
Variable
Time Series Plot of train_ramal; train_asli
Gambar 3.6.6 Plot data akual dan hasil peramalan data training hasil optimasi
30 27
24 21
18 15
12 9
6 3
180000 170000
160000 150000
140000 130000
120000 110000
100000
Index D
a ta
test_ramal test_asli
Variable
Time Series Plot of test_ramal; test_asli
Gambar 3.6.7 Plot data aktual dan hasil peramalan data testing hasil optimasi
91
F. Prediksi Kedatangan Wisman di Pintu Masuk Great Batam Kepulauan