75
E. Optimasi Model Fuzzy Radial Basis Function Neural Network FRBFNN
dengan Algoritma Genetika
Model FRBFNN menghasilkan bobot output dan bias yang dapat digunakan untuk proses prediksi periode selanjutnya. Bobot yang diperoleh
belum tentu merupakan bobot yang optimal sehingga perlu dioptimasi dengan Algoritma Genetika. Tujuan optimasi ini adalah untuk memperoleh bobot
yang meminimumkan nilai error. Nilai error direpresentasikan menggunakan nilai MAPE. Nilai MAPE merupakan persentase nilai rata-rata Absolute
Error dari kesalahan prediksi .Nilai MAPE diperoleh dari nilai selisih data
asli dengan data prediksi. Langkah-langkah dalam optimasi model FRBFNN dengan algoritma
genetika adalah sebagai berikut:
1. Pengkodean Gen
Pada skripsi ini, gen merepresentasikan nilai bobot akhir dari model FRBFNN yang terdiri dari bobot output dan bobot bias. Nilai dari gen
merupakan nilai asli dari bobot akhir dalam bentuk bilangan riil. Pada model FRBFNN diperoleh bobot akhir sebagai berikut
Banyaknya gen sesuai dengan banyaknya bobot akhir yang diperoleh pada model FRBFNN. Pada model FRBFNN diperoleh bobot sebanyak 18.
Representasi gen dapat dilihat pada Tabel 3.5.1 berikut:
76 Tabel 3.5.1 Representasi Gen
Gen Bobot
1 -0,28965
2 0,50562
3 0,201857
4 -0,13079
5 -0,77755
6 0,425144
7 0,327965
8 -0,51459
9 -0,77722
10 0,091076
11 1,294294
12 0,339285
13 0,013494
14 0,010501
15 0,524485
16 -0,07004
17 -0,25778
18 0,004586
2. Pembangkitan Populasi Awal Spanning
Populasi adalah kumpulan dari beberapa individu, dimana setiap individu tersusun dari beberapa gen. Individu pertama diisi dengan bobot akhir dari
FRBFNN yang akan dioptimasi, sedangkan individu selanjutnya disusun secara acak. Gen pada setiap individu ditampilkan dalam urutan sebagai
berikut:
77 Berikut nilai gen pada individu 1 :
-0,28965 0,50562 0,201857
-0,13079 -0,77755 0,425144
0,327965 -0,51459
-0,77722 0,091076 1,294294 0,339285 0,013494 0,010501 0,524485
-0,07004 -0,25778 0,004586
Dalam membangkitkan populasi awal, ukuran populasi ditetapkan dengan cara trial and error. Trial and error dilakukan dengan ukuran populasi
sebanyak 10, 18, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Selain itu banyaknya generasi iterasi dalam algoritma genetika juga dilakukan secara trial and
error . Pada skripsi ini ukuran generasi ditetapkan sebanyak 100. Nilai fitness
terbaik diperoleh pada populasi dengan ukuran sebanyak 18. Populasi awal yang terbentuk dapat dilihat pada Lampiran 12 di halaman 134.
3. Evaluasi Nilai Fitness
Tujuan dari algoritma genetika adalah mencari individu dengan nilai fitness
yang tinggi. Evaluasi nilai fitness berfungsi untuk mengukur kualitas dari sebuah solusi dan mendapatkan bobot yang optimal. Bobot yang bagus
ditunjukkan dengan nilai error yang kecil. Nilai fitness dihitung menggunakan persamaan 2.5.1 yaitu
Fungsi yang digunakan adalah rumus untuk mencari nilai MAPE,
sehingga diperoleh
78 Nilai MAPE dihitung menggunakan rumus pada persamaan 2.2.9.
Dengan diperoleh dari persamaan 3.1.16 yaitu
merupakan matriks desain dari model FRBFNN dengan 5 neuron tersembunyi dan 1 bias seperti pada Lampiran 14 di halaman 138,
sedangkan merupakan matriks bobot pembelajaran. Dengan persamaan
tersebut diperoleh nilai fitness setiap individu pada populasi awal seperti pada Tabel 3.5.2 sebagai berikut:
Tabel 3.5.2 Nilai fitness pada populasi awal
Individu Nilai Fitness
1 0,0673
nilai fitness terbesar 2
0,0607 3
0,0146 4
0,0245 5
0,0574 6
0,0343 7
0,0508 8
0,0179 9
0,0376 10
0,0640 11
0,0278 12
0,0113 12
0,0442 14
0,0212 15
0,0475 16
0,0310 17
0,0409 18
0,0541
79
4. Elitism