dimana : =
− = −
=1 12
2.6
9. Tentukanlah kriteria penghentian iterasi, yaitu perubahan matriks partisi pada
iterasi sekarang dan iterasi sebelumnya dimana perubahan tersebut sebesar delta: Δ≡||Ut - Ut-1||.
10. Apabila Δε maka iterasi dihentikan dan jika tidak lanjutkan menghitung
kembali pusat cluster ke-k.
11. Pada akhir proses FCM akan diperoleh suatu pengelompokan data yang terdiri
dari nilai center tiap cluster.
2.4.3. Defuzzifikasi Metode defuzzifikasi yang digunakan dalam penelitian ini adalah weight average.
Pada metode weight average ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaaan, sehingga z didefinisikan sebagai:
∗
= � .
� 2.7
dimana : Z
: nilai crisp μz : derajat keanggotaan dari nilai crips z
2.5. Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah
dengan melakukan proses belajar melalui bobot sinapsisnya. Jaringan saraf tiruan mampu mengenali kegiatan dengan berbasis pada data masa lalu. Data masa lalu akan
dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari Hermawan, 2006.
Universitas Sumatera Utara
Jaringan syaraf tiruan atau jaringan neural artificial merupakan salah satu representasi buatan tiruan dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia tersebut. Penggabungan dua sistem, yaitu artificial neural network
ANN atau “jaringan syaraf tiruan” dan fuzzy logic
atau “logika samar” disebut dengan neuro fuzzy. Pada neuro fuzzy, suatu tahapan dalam sistem fuzzy dibentuk menggunakan jaringan syaraf tiruan. Model neuro fuzzy
memiliki kemampuan aproksimasi fungsi oleh logika fuzzy dan kemampuan proses belajar learning oleh jaringan neural. Keunggulan dari sistem ini adalah kemampuan
belajar terhadap informasi numerik melalui algoritma belajar learning algorithm untuk memperbaiki parameter pada fungsi pembobot dan fungsi aktivasinya
Handayani, 2012.
2.6. Adaptive Neuro Fuzzy Inference System
Adaptive Neuro Fuzzy Inference Systems ANFIS merupakan gabungan dari Artificial Neural Network ANN dan Fuzzy Inference Systems FIS. ANFIS adalah jaringan
adaptif yang berbasis pada sistem inferensi fuzzy Dewi, 2012. Dan menurut Kusumadewi 2002, ANFIS adalah suatu metode yang mana dalam melakukan
penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungkinkan aturan - aturan untuk beradaptasi.
Data yang digunakan untuk proses pembelajaran traning terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode training ANFIS.
Training pada ANFIS dilatih dengan algoritma pelatihan hybrid yang terdiri atas dua langkah, yaitu langkah maju dan langkah balik Widodo, 2005. Pada langkah maju,
parameter premis tetap, sedangkan parameter konsekuensi diidentifikasi dengan metode LSE Least Square Estimator. Pada langkah mundur sinyal error antara
output yang diinginkan dan output aktual dirambatkan mundur menggunakan EBP Error Backpropagation sedangkan parameter premis diperbarui dengan metode
penurunan gradient Gradien Descent Dewi, 2012. Arsitektur ANFIS dengan model Sugeno terdiri dari 5 lima lapis, dan setiap
lapis terdapat node. Terdapat dua macam node yaitu node adaptif bersimbol kotak dan node tetap bersimbol lingkaran. Proses langkah maju dapat kita lihat pada
gambar 2.2.
Universitas Sumatera Utara
Gambar 2.2 Blog diagram langkah maju ANFIS
Pada layer pertama, data input pada masing masing periode akan dilakukan proses fuzzifikasi yaitu proses untuk memetakan inputan data kedalam himpunan
fuzzy sesuai dengan klasifikasi yang dipilih. Kemudian pada layer kedua dan ketiga dilakukan proses inference engine. Pada layer keempat dilakukan proses defuzzifikasi
dilakukan perhitungan mentransformasi hasil fuzzy ke bentuk keluaran yang crisp. Pada layer ini dilakukan perhitungan LSE untuk mendapatkan nilai parameter
konsekuensi. Pada layer kelima dilakukan proses summary dari dua output pada layer keempat. Untuk proses langkah mundur dapat kita lihat pada gambar 2.3.
Gambar 2.3 Blog diagram langkah mundur ANFIS
Universitas Sumatera Utara
Setelah dilakukan perhitungan alur maju, akan dilanjutkan dengan alur mundur untuk menghitung nilai error dari tiap layer dengan algoritma EBP Error
Backpropagation.
2.7. Peramalan Menggunakan ANFIS
