63
4. Menentukan Nilai Pusat dan Jarak
Data yang telah difuzzifikasi kemudian dikelompokkan menggunakan metode K-Means sehingga diperoleh pusat cluster dan jarak maksimum data ke
pusat cluster. Pada skripsi ini dilakukan trial and error untuk banyaknya cluster
yaitu 2 sampai 10 cluster, dan diperoleh banyak cluster terbaik dengan MAPE terkecil pada 5 cluster. Banyaknya cluster menunjukkan banyaknya
neuron pada lapisan tersembunyi. Hasil perhitungan nilai pusat dan jarak
maksimum untuk 5 cluster disajikan pada Lampiran 6 halaman 118.
5. Menentukan Jaringan Optimum
Data yang telah difuzzifikasi dan dikelompokkan kemudian dilakukan suatu pembelajaran. Pertama akan ditentukan banyak neuron tersembunyi
menggunakan program rbfDesign dan globalRidge seperti pada Lampiran 7
halaman 119 dan Lampiran 8 halaman 122. Nilai MAPE dan MSE hasil model FRBFNN dapat dilihat pada tabel berikut : Lampiran 9 di halaman 128
Tabel 3.4.3 Nilai MAPE model FRBFNN
Nilai MAPE Training
Testing Banyak
Cluster Min
Max Mean
Min Max
Mean 2
32,8792 13,5987
19,5581 22,4018
10,3785 12,3504
3 32,5411
13,6038 19,5581
20,9526 10,4777
12,3504 4
33,4674 14,1974
19,4391 25,0147
10,1247 12,3504
5 33,5310
10,8621 19,4391
24,9491 9,4009
12,3504 6
31,7842 14,8466
18,7402 21,7331
10,5204 12,3504
7 31,8586
13,062 18,3435
23,7591 10,4031
12,3504 8
32,9779 12,7898
18,9824 24,5305
10,3117 12,3504
9 31,2200
13,8405 18,2911
22,5705 10,4815
12,3504 10
32,2985 13,5941
19,1969 22,6191
10,3804 12,3504
64
Tabel 3.4.4 Nilai MSE model FRBFNN
Nilai MSE x 109 Training
Testing Banyak
Cluster Min
Max Mean
Min Max
Mean 2
1,2502 0,3303
0,4645 1,1756
0,3062 0,5408
3
1,2285 0,3275
0,4645 1,0740
0,3144 0,5408
4
1,2636 0,2769
0,4597 1,3982
0,3086 0,5408
5
1,2740 0,2828
0,4597 1,3959
0,3133 0,5408
6
1,1532 0,3152
0,4198 1,1363
0,3084 0,5408
7
1,1242 0,2982
0,3978 1,3054
0,3071 0,5408
8
1,2159 0,2823
0,4311 1,3715
0,3111 0,5408
9
1,5588 2,7848
1,8646 3,7159
3,6632 3,6887
10
1,5467 2,7901
1,8556 4,1525
4,0382 4,0939
Pada skripsi ini digunakan 3 metode defuzzifikasi yaitu Min, Max, dan Mean. Pada Tabel 3.4.3 dan 3.4.4 diperoleh 3 nilai MAPE dan MSE untuk
masing-masing cluster yang kemudian dipilih nilai terkecil. Pada Tabel 3.4.3 terlihat bahwa kemungkinan model terbaik adalah model dengan 5 cluster
neuron pada lapisan tersembunyi. Model ini menghasilkan nilai MAPE terkecil pada Max data training maupun testing. Dengan demikian model
FRBFNN yang digunakan untuk peramalan kedatangan wisman mempunyai arsitektur 11 input dan 5 neuron pada lapisan tersembunyi.
Sebagai perbandingan, penulis juga melakukan pengujian dengan model RBFFN, artinya input model menggunakan data asli kedatangan wisman tanpa
melalui proses fuzzifikasi. Nilai MAPE dan MSE untuk model RBFFN dapat dilihat pada tabel berikut program FRBFNN pada Lampiran 10:
65
Tabel 3.4.5 Nilai MAPE dan MSE Model RBFNN
MAPE MSE
Cluster Training
Testing Training Testing
2
11,5553 12,3785 0,2841 0,5576
3
11,4868 11,4834 0,2826 0,4989
4
11,4006 11,6179 0,2817 0,5095
5
11,3958 10,5810 0,2807 0,4379
6
11,3655 10,7831 0,2796 0,4508
7
11,3936 10,4917 0,2809 0,4331
8
11,3621 10,9857 0,2784 0,4653
9
11,5343 10,5759 0,2850 0,4471
10
11,5475 13,9717 0,2841 0,6732
Dari Tabel 3.4.5 diperoleh nilai MAPE minimum yaitu 11,3621 untuk data training
dan 10,4917 untuk data testing. Terdapat dua kemungkinan model terbaik yaitu model dengan 7 cluster dan 8 cluster. Dari dua model yang diuji,
terlihat bahwa model FRBFFN menghasilkan nilai MAPE yang lebih kecil untuk data testing. Dengan demikian model yang digunakan untuk peramalan
banyak kedatangan wisman yaitu model FRBFNN dengan arsitektur 11 input dan 5 cluster neuron pada lapisan tersembunyi.
Tabel 3.4.6 Perbandingan MAPE model FRBFNN dan RBFNN
FRBFNN RBFNN
Cluster Training
Testing Training
Testing 2
13,5987
10,3785
11,5553 12,3785
3
13,6038
10,4777
11,4868 11,4834
4
14,1974
10,1247
11,4006 11,6179
5
10,8621
9,4009
11,3958 10,5810
6
14,8466
10,5204
11,3655 10,7831
7
13,062
10,4031
11,3936 10,4917
8
12,7898
10,3117
11,3621 10,9857
9
13,8405
10,4815
11,5343 10,5759
10
13,5941
10,3804
11,5475 13,9717
66
6. Penentuan Output Jaringan
Kategori