melakukan analisis teknikal beban daya listrik. Sistem menerima satu variable ialah beban puncak daya listrik. Data tersebut akan dinormalisasi dan diklasifikasi, dan
kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode ANFIS daat dilihat pada Gambar 3.3.
Mulai Input nilai n, m, Kelas, Toleransi Error,
Max Epoch, Laju Pembelajaran, Momentum dan data beban
Normalisasi data saham dengan range [ 0.1 , 0.9 ] Melakukan
cluster data dengan FCM Menentukan nilai Mean dan Standar Deviasi dari hasil
cluster Inisialisasi nilai Epoch =1
Epoch Max Epoch dan
Error Toleransi Error Denormalisasi data hasil prediksi ANFIS
Ouput berupa hasil prediksi dalam bilangan tegas crisp
Mengitung kesalahan prediksi menggunakan MAPE
Output persentase kesalan prediksi
Selesai T
Mencari nilai parameter konsekuen dengan menggunakan lajur maju dan
cari hasil defuzzifikasi Menghitung Error lapisan ke-5, Error lapisan ke-
4, Error lapisan ke-3, Error lapisan ke-2, Error lapisan ke-1
Menghitung error parameter masukan terhadap layer pertama
Mengubah nilai parameter masukan menggunakan
gradient descent Menghitung kuadrat error SSE
Epoch++ F
Gambar 3.3 Algoritma ANFIS pada Sistem
Adapun langkah-langkah sistem prediksi beban daya listrik yang akan dibangun adalah sebagai berikut:
1. Memasukkan data beban daya listrik yang ingin diprediksi.
2. Memasukkan nilai laju pembelajaran, momentum, toleransi kesalahan, dan, Max
Epoch.
Universitas Sumatera Utara
3. Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada
selang 0,1 s.d. 0,9. dengan menggunakan persamaan 2.1. Kemudian target dibuat pada selang 1 s.d 9.
4. Menentukan parameter FCM yaitu banyaknya cluster, nilai bobot pangkat cluster,
Max Epoch, dan kriteria penghentian.
5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM
dengan persamaan 2.8 dan persamaan 2.9. Pada sistem prediksi ini, setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1
merupakan data kelompok data dengan tingkat fluktuasi rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai mean
dan standar deviasi.
7. Dilakukan pelatihan terhadap data masukan dengan nilai epoch lebih kecil dari
nilai maximum pengulangan dan nilai error lebih besar dari nilai batas kesalahan.
a. Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa
tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer terakhir.
i. Pada setiap node i pada layer pertama menghitung derajat keanggotaan
dengan menggunakan persamaan 2.15. ii.
Pada setiap node i pada layer kedua mencari nilai firing strength dengan menggunakan persamaan 2.16.
iii. Pada setiap node i pada layer ketiga mencari nilai normalized firing
strength dengan menggunakan persamaan 2.17. iv.
Pada setiap node i pada layer keempat mencari nilai parameter consequent dengan menggunakan persamaan 2.18.
v. Menentukan nilai parameter consequent dengan menggunakan LSE
dengan persamaan 2.19 sampai dengan persamaan 2.22.
Universitas Sumatera Utara
vi. Sebuah node tunggal pada layer kelima melakukan penjumlahan untuk
semua masukkan yang ada menggunakan persamaan 2.23. vii.
Menghitung nilai keluaran yang merupakan persamaan linear yang merupakan kombinasi dari parameter consequent dengan menggunakan
persamaan 2.24.
b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur
dengan menggunakan Error Backpropagation EBP untuk mengecek error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai
parameter masukkan pada layer pertama. i.
Menghitung error pada layer kelima dengan menggunakan persamaan 2.25.
ii. Menghitung error pada layer keempat dengan menggunakan
persamaan 2.26. iii.
Menghitung error pada layer ketiga dengan menggunakan persamaan 2.27.
iv. Menghitung error pada layer kedua dengan menggunakan persamaan
2.28. v.
Menghitung error pada layer pertama dengan menggunakan persamaan 2.29.
vi. Menghitung error antara layer pertama dengan parameter masukan
menggunakan persaman 2.30 dan persamaan 2.31. vii.
Setelah dilakukan penghitungan terhadap error pada setiap layer, maka selanjutnya melakukan perubahan terhadap parameter masukkan pada
layer pertama dengan menggunakan persamaan 2.32 sampai dengan persamaan 2.35.
c. Menghitung nilai kuadarat error menggunakan persamaan 2.36.
d. Melakukan penambah nilai epoch.
e. Jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error lebih
besar dari nilai batasan kesalahan, maka menuju ke langkah 7.a.
Universitas Sumatera Utara
8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang
sebenarnya dengan menggunakan persamaan 2.2.
9. Menghitung kesalahan hasil prediksi dengan menggunakan Mean Absolute
Percentage Error MAPE dengan persamaan 2.37.
3.5 Perancangan Sistem
