57 Berdasarkan Gambar 3.4.1 dapat dilihat bahwa data cenderung nonlinear.
Data mengalami peningkatan setiap bulan Oktober sampai bulan Desember di tahun yang sama. Lonjakan tajam terjadi pada bulan Desember 2014. Banyak
kedatangan wisman pada bulan November 2014 bulan ke-107 sebanyak 123505, kemudian melonjak menjadi 171907 bulan ke-108.
Prosedur pembentukan model FRBFNN untuk memprediksi kedatangan wisatawan mancanegara di Pintu Masuk
“Great Batam” Kepulauan Riau :
1. Penentuan Input
Data input ditentukan menggunakan plot autocorrelation function ACF fungsi autokorelasi data kedatangan Wisman di Pintu Masuk Great Batam
Kepulauan Riau mulai tahun 2005 - 2017. Pada Gambar 3.4.2, lag ditunjukkan dengan garis biru tegak, sedangkan garis merah lengkung menunjukkan garis
signifikansi. Banyaknya lag yang keluar atau melebihi batas garis signifikansi menunjukkan banyaknya variabel yang akan digunakan dalam membangun
model. Berikut Gambar 3.4.2 plot ACF data kedatangan Wisman di Pintu Masuk Great Batam Kepulauan Riau :
58
30 25
20 15
10 5
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 C1
with 5 significance limits for the autocorrelations
Gambar 3.4.2 Plot ACF Data Kedatangan Wisman
Berdasarkan plot di atas dapat dilihat bahwa sebelas lag yang signifikan, yaitu lag 1, lag 2, lag 3, lag 4, lag 5, lag 6, lag 7, lag 8, lag 9, lag 11, dan lag
12. Sehingga model yang akan dibangun menggunakan 11 variabel input yaitu ,
.
2. Pembagian Data
Data kedatangan Wisman di Pintu Masuk Great Batam Kepulauan Riau dibagi menjadi dua yaitu data training dan data testing. Pada skripsi ini
dilakukan trial and error untuk komposisi data training dan testing yaitu 50:50, 60:40, 75:25, dan 90:10. Dari hasil trial and error diperoleh komposisi terbaik
dengan MAPE terkecil pada 75 data training dan 25 data testing.
59 Dari 121 data maka dibentuk jumlah data training 90 dan jumlah data
testing 31. Untuk pembagian data training dan data testing secara lengkap dapat
dilihat pada Lampiran 2 halaman 100 dan Lampiran 3 halaman 103.
3. Fuzzifikasi
Pada tahap ini nilai-nilai input himpunan crisp diubah menjadi himpunan fuzzy
. Dalam skripsi ini penulis menggunakan fungsi keanggotaan kurva segitiga. Berikut adalah langkah-langkah proses fuzzifikasi :
a Menentukan himpunan universal pada Input dan Output Himpunan universal merupakan keseluruhan nilai yang dioperasikan
dalam sebuah variabel fuzzy. Berdasarkan 133 data kedatangan Wisman di Pintu Masuk Great Batam Kepulauan Riau mulai Januari 2005
– Januari 2017, himpunan universal baik input maupun output adalah [66000
172000]. b Menentukan himpunan fuzzy pada Input dan Output
Himpunan fuzzy pada input dan output dibagi menjadi tiga himpunan. Hal ini dilakukan untuk mempermudah proses defuzzifikasi nilai target
output dari model prediksi. Menentukan banyaknya himpunan fuzzy pada
input dan output dilakukan dengan cara trial and error hingga diperoleh
nilai error yang kecil. Pada skripsi ini dilakukan percobaan menggunakan fungsi keanggotaan kurva linear, trapezium, S-pertumbuhan, segitiga, dan
Gaussian, dengan banyak himpunan fuzzy dari 1 sampai 6. Berdasarkan hasil trial and error diperoleh himpunan fuzzy terbaik dengan fungsi
keanggotaan segitiga dan 3 himpunan.
60 Gambar 3.4.3 menunjukkan himpunan fuzzy pada input dan output :
Gambar 3.4.3 Grafik Fungsi Keanggotaan Input dan Output
Dari grafik fungsi di atas, maka diperoleh satu himpunan yaitu A1=[23600 108400], A2=[76600 161400], dan A3=[129600 214400]. Fungsi
keanggotaannya adalah sebagai berikut:
3.4.1
3.4.2
3.4.3
0.7 0.8
0.9 1
1.1 1.2
1.3 1.4
1.5 1.6
1.7 x 10
5
0.2 0.4
0.6 0.8
1
data batam D
e g
re e
o f
m e
m b
e rs
h ip
A1 A2
A2
61 Untuk memperoleh nilai dalam derajat keanggotaan himpunan fuzzy
maka setiap variabel input disubstitusikan ke persamaan fungsi keanggotaannya masing-masing.
Contoh 3.1 Misal nilai variabel
yaitu data pengamatan ke-121 dari data keseluruhan sebesar
, selanjutnya nilai tersebut disubstitusikan ke Persamaan 3.4.1, 3.4.2, dan 3.4.3.
Pada himpunan A1, nilai berada pada interval
Pada himpunan A2, nilai berada pada interval
Pada himpunan A3, nilai berada pada interval
Maka diperoleh derajat keanggotaan dari pada himpunan
1 sebesar 0, pada himpunan A2 sebesar 0.7469, dan pada himpunan A3 sebesar
0.00301. Hal ini dilakukan hingga diperoleh derajat keanggotaan dari semua vektor data input yaitu
, dan
, maupun data output
. Setiap data input dan output tetap ditulis derajat
keanggotaannya, tujuannya agar hasil output dapat didefuzzifikasikan menggunakan tiga himpunan tersebut.
62 Untuk melakukan fuzzifikasi menggunakan Matlab, dapat digunakan
perintah trimf. Misal, proses fuzzifikasi pada himpunan 1,
A2, dan A3 diketikkan
x=[data dari ];
A1=trimf , [23600 66000 108400] A2=trimf , [76000 119000 161400]
A3=trimf , [129600 172000 214400]
Hasil fuzzifikasi input dan output data training dan data testing terdapat pada Tabel 3.4.1 dan Tabel 3.4.2 berikut: secara lengkap dapat dilihat
pada Lampiran 4 di halaman 104 dan Lampiran 5 di halaman 112
Tabel 3.4.1 Hasil Fuzzifikasi Input dan Output Data Training
...
No A1
A2 A3
...
A1 A2
A3 A1
A2 A3
1 0,609
0,141 0,000
...
0,115 0,635
0,000 0,762
0,000 0,000
2 0,923
0,000 0,000
...
0,762 0,000
0,000 0,657
0,093 0,000
3 0,582
0,168 0,000
...
0,657 0,093
0,000 0,424
0,326 0,000
... ...
... ...
... ...
... ...
... ...
...
89 0,000
0,772 0,000
...
0,000 0,833
0,000 0,000
0,913 0,000
90 0,000
0,828 0,000
...
0,000 0,913
0,000 0,000
0,500 0,250
Tabel 3.4.2 Hasil Fuzzifikasi Input dan Output Data Testing
...
No A1
A2 A3
...
A1 A2
A3 A1
A2 A3
1 0,409
0,341 0,000
...
0,000 0,500
0,250 0,151
0,599 0,000
2 0,000
0,843 0,000
...
0,151 0,599
0,000 0,000
0,822 0,000
3 0,004
0,746 0,000
...
0,000 0,822
0,000 0,000
0,861 0,000
... ...
... ...
... ...
... ...
... ...
...
30 0,000
0,000 0,955
...
0,034 0,716
0,000 0,000
0,050 0,700
31 0,409
0,341 0,000
...
0,000 0,500
0,250 0,151
0,599 0,000
63
4. Menentukan Nilai Pusat dan Jarak
