Support Vector Regression Untuk Peramalan Permintaan Darah: Studi Kasus Unit Transfusi Darah Cabang – PMI Kota Malang

  

Vol. 2, No. 10, Oktober 2018, hlm. 3332-3342 http://j-ptiik.ub.ac.id

Support Vector Regression Untuk Peramalan Permintaan Darah: Studi

  Kasus Unit Transfusi Darah Cabang _{1 2} – PMI Kota Malang ₃ M. Raabith Rifqi , Budi Darma Setiawan , Fitra A. Bacthiar

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: rifqi.pro2709@gmail.com, s.budidarma@ub.ac.id, fitra.bachtiar@ub.ac.id

  

Abstrak

  PMI bertanggung jawab untuk memenuhi permintaan darah dari rumah sakit. Pengelola pusat penyimpanan darah memiliki tugas yang sangat penting, yaitu memprediksi sebuah kebutuhan komponen darah untuk meminimalisir penuhnya maupun kekurangan pasokan darah. Darah hanya memiliki masa hidup 35 hari sejak didonorkan. Jika sudah melewati waktu tersebut maka sudah tidak bisa digunakan lagi. Berlebihnya ataupun kekurangan pasokan darah di tempat penyimpaan seharusnya tidak terjadi, karena dapat berdampak pada tingginya angka jumlah pasien meninggal. Demi mengurangi kerugian yang jika terjadi, maka perlu dilakukan penelitian yang menggunakan metode prediksi permintaan darah yang diimplementasikan ke dalam sistem. Salah satunya dengan metode Support

  

Vector Regression yang cocok untuk peramalan permintaan darah. Dalam impelementasikan SVR

  menggunakan normalisasi data min

• – max dan menggunakan fungsi kernel RBF. Berdasarkan hasil pengujian untuk metode SVR yang telah dilakukan, hasil nilai MAPE yang paling minimum yakni 3.899% dengan nilai parameter lambda = 10, sigma = 0,5, cLR = 0,01, C =0,1, epsilon = 0,01, jumlah fitur data = 4 dan jumlah iterasi sebanyak 5000, dari 12 data uji yang digunakan. Hasil Nilai MAPE yang dihasilkan <10% dan dapat dikategorikan baik untuk memprediksi jumlah permintaan darah.

  Kata kunci: peramalan, permintaan darah, support vector regression, SVR

Abstract

  

PMI is responsible for meeting blood demand from hospitals. The management of the blood storage

center has a very important task, to predict the requirement of blood components to minimize the ex less

and the lack of blood supply. Blood has only a life span of 35 days since donated. If it is past the time

then it can not be used anymore. Excess or lack of blood supply at the site should not occur, because it

can affect the number of patients death. In order to reduce the losses that if it occurs, it is necessary to

do research that uses the prediction method of blood predict that is implemented in a system. One of

them with Support Vector Regression method that is suitable for blood demand forecasting. Implement

SVR using normalized min - max data and use RBF kernel function. Based on the test results for the

SVR method that has been done, the result of the minimum MAPE value is 3.899% with the parameter

value lambda = 10, sigma = 0.5, cLR = 0.01, C = 0.1, epsilon = 0.01, number of data features = 4 and

number of iterations of 5000, of the 12 test data used. The resulting MAPE value is <10% and can be

categorized as good for predicting the amount of blood demand.

  Keywords: forecasting, blood demand, support vector regression, SVR

  dan juga mekanisme pertahanan tubuh terhadap 1. virus atau bakteri (Febriana & Widodo, 2012).

   PENDAHULUAN

  Ketika seseorang mengalami pendarahan cukup Cairan yang terpenting yang ada di dalam tubuh hebat sehingga kehilangan darah cukup besar manusia adalah darah. Darah merupakan cairan dalam tubuh, maka tubuh akan kesulitan untuk yang diproduksi dalam tubuh manusia dan memproduksi darah baru. Jika volume darah berfungsi untuk mengedarkan sari-sari yang hilang lebih banyak daripada volume makanan, oksigen serta zat-zat lain yang darah yang diproduksi oleh tubuh, maka dibutuhkan, transportasi bahan-bahan kimia seorang tersebut sangat diperlukan transfusi yang dihasilkan oleh metabolisme dalam tubuh, darah. Transfusi darah cara menggantikan

  Fakultas Ilmu Komputer Universitas Brawijaya

3332

  Algoritme SVR yakni penerapan pada kasus regresi yang menghasilkan output berupa bilangan riil atau kontinu (Furi, Jordi, & Saepudin, 2015). Konsep algoritme SVR memeliki sebuah kemampuan untuk mengatasi masalah overfitting, sehingga berdampak menghasilkan niali prediksi yang bagus (Furi,

  cost (MSE) sebesar 60435,685 serta tingkat

  2. SUPPORT VECTOR REGRESSION

  Melalui penelitiannya, Dubey membuktikan bahwa peramalan harga emas menggunakan SVR memberikan nilai MAPE terbaik dibandingkan menggunakan metode ANFIS yaitu sebesar 0.0063055 (Dubey, 2016). Berdasarkan permasalahan dan referensi penelitian yang telah dipaparkan, penulis mengusulkan sebuah penelitian dengan judul “Peramalan Permintaan Darah: Studi Kasus Unit Transfusi Darah Cabang

  Kemudian pada penelitian berikutnya, metode SVR digunakan untuk prediksi harga emas di Pert Mint, Australia dengan cara melihat data sebelumnya untuk membentuk fungsi regresi.

  training dan 83,39% untuk data testing.

  dalam prediksi harga saham PT. XL Axiata (Yasin, Prahutama, & Utami, 2014) di dapatkan hasil bahwa SVR mempunyai tingkat akurasi 92,47% untuk data

  Support Vector Regression

  akurasi dari kesalahan sistem ini (MAPE) sebesar 7,76457% dari 12 data uji yang digunakan (Rifandi, Setiawan, & Tibyani, 2017). Pada penelitian yang menggunakan

  Sebagai rujukan utama dalam penelitian ini yang telah dilakukan oleh (Rifandi, Setiawan, & Tibyani, 2017) dengan topik yang sama yaitu peramalan permintaan darah dengan metode fuzzy time series dan dioptimasikan dengan particle swarm optimization berhasil. Berdasarkan pengujian yang dilakuan menghasilkan optimum bernilai

  darah yang hilang supaya nyawa seorang tersebut terselamatkan (Rifandi, Setiawan, & Tibyani, 2017).

  telah banyak digunakan untuk membantu peneliti di bagian prediksi atau peramalan dan terbukti menghasilkan peramalan dengan tingkat kesalahan cukup rendah. Serta pada algoritme SVR cocok menggunakan data yang nilainya acak atau data yang bermodel data non-linear.

  Vector Regression

  yang di terapkan oleh Sethu Vijayakumar dan Si Wu (1999) untuk menyelesaikan permasalahan peramalan yang bentuk regresi (Vijayakumar & Wu, 1999). Metode Support

  Regression . Metode Support Vector Regression

  Ada beberapa metode peramalan dengan model peramalan kuantitatif, salah satunya dengan metode Support Vector

  Berlebihnya suatu pasokan darah di tempat penyimpanan itu tidak seharusnya terjadi dan kekurangnya pasokan dapat berdampak pada tingginya angka jumlah pasien yang meninggal. Karena pendonor darah merupakan aset langka yang dibatasi waktu untuk mendonorkan darahnya (Belien & Force, 2012). Untuk mengurangi kerugian yang jika terjadi kelebihan dan kekurangan pasokan darah maka perlu dilakukan penelitian yang menggunakan metode untuk membantu menyesuaikan pasokan darah dengan meramalkan permintaan darah.

  Dalam waktu berkala, rumah sakit membutuhkan sejumlah komponen darah yang berada dan disediakan oleh PMI untuk memenuhi kebutuhan pasien rumah sakit yang datang dalam kondisi apapun. Pusat penyimpanan darah bertanggung jawab untuk memenuhi permintaan darah dari rumah sakit tersebut. Semua informasi untuk penggunakan terakhir komponen darah oleh sebuah rumah sakit sangatlah penting untuk mengembangkan pengelolaan dan strategi keputusan untuk meningkatkan pemanfaatan sumberdaya tersebut. Strategi keputusan tersebut tidak mudah karena darah serta komponen darah merupakan sumberdaya penting yang mudah rusak (Lang dalam Filho, Cezarino & Salviano, 2012). Dalam darah terdapat sel darah merah atau eritrosit yang hanya memiliki masa hidup 35 hari sejak didonorkan, jika sudah melewati waktu tersebut maka sudah tidak bisa digunakan untuk melakukan transfusi darah ke manusia (Rutherford, Cheng, & Bailie, 2016). Pada dasarnya Palang Merah Indonesia (PMI) sebagai pengelola pusat penyimpanan darah memiliki tugas yang sangat penting, yaitu memprediksi atau memperkirakan kebutuhan komponen darah untuk meminimalisir penuhnya maupun kerugian dikarenakan darah yang terbuang dan rusak (Lang dalam Filho, Cezarino & Salviano, 2012).

• – PMI Kota Malang ”. Metode Support Vector Regression digunakan untuk melakukan peramalan permintaan darah. Hasil penelitian ini diharapkan dapat membantu pihak Unit Transfusi Darah dalam menyesuaikan stok darah berdasarkan peramalan yang dilakukan.

  2 ) (7)

  lagrange multiplier,

  , =

  , = variable tunggal, bukan bentuk dari perkalian dengan

  ∗

  = variable tunggal, bukan bentuk dari perkalian dengan

  

∗

  = matriks ,

  = lagrange multiplier, =

  =

  ∗

  Dimana = nilai error, = nilai aktual data latih,

  = + (5)

  ∗

  =

  ∗

  Nilia , = parameter epsilon, = parameter kompleksitas. Cara menghitung parameter gama ditunjukan dalam Persamaan 6.

  ( )

  } = { [ (− − ), − ],

  dikenai penalti sebesar dari parameter C yang telah diatur (Furi, Jordi, & Saepudin, 2015). Dan yang terakhir nilai parameter C yakni mempersentasikan batas penalti toleransi terhadap kesalahan peramalan, semakin besar nilai parameter C menjadikan model peramalan semakin tidak mentoleransi kesalahan sehingga memberikan nilai peramlan yang baik(Furi, Jordi, & Saepudin, 2015).

  ) +

  − )( ( ,

  ( ) = ∑ ( ∗ =1

  | < 5. Fungsi regresinya yaitu dengan Persamaan 15.

  ∗

  4. Kembali ke langkah ketiga sampai kondisi iterasi maksimum atau max (| |) < max (|

  ( ) digunakan dalam mengatur batas kesalahan fungsi f(x), nilai tersebut menyelubungi nilai dari fungsi f(x) sehingga akan menbentuk yang disebut daerah error - zone. Dan jika nilai f(x) melebihi error

  (6) Parameter untuk menghitung nilai

  dan yakni parameter epsilon ( ). Parameter epsilon

  ∗

  ) merupakan nilai learning rate , untuk mendapatkan nilai gama harus memakai nilai parameter cLR (coefisien Learning Rate). Parameter cLR merupakan konstanta laju pembelajaran. (Vijayakumar & S. Wu, Si, 1999). Selajutnya untuk parameter yang digunakan untuk menghitung nilai

  Complexcity (C). Parameter gama (

  ), epsilon ( ), dan

  dan menggunkan 3 parameter yaikni nilai parameter gama (

  ∗

  − } (4) 3.

  ∗

• ∗

  ∗ =1 − ) ( ( , ) +

  3. ALGORITME SEQUENTIAL LEARNING

  Support Vector (Vijayakumar, & Wu, 1999).

  − ) yang hasilnya tidak bernilai nol, dan titik data yang sesuai disebut

  ∗

  Seperti kasus klasifikasi, hanya beberapa koefisien (

  2 ) (1)

  t: ( ) = ∑ (

  1. Inisialisasi = 0,

  beriku

  support. Setelah memperpanjang SVM menjadi Non-linear ditunjukan dengan persamaan

  antara hyperplane dengan data terdekat. Data yang terdekat dari margin disebut dengan

  hyperplane tersebut. Margin merupakan jarak

  ditemukan dari mengukur margin dari

  Hyperplane terbaik. Hyperplane terbaik dapat

  Jordi, & Saepudin, 2015). Overfitting merupakan perilaku data yang pada saat fase training menghasilkan nilai akurasi peramalan yang hampir sempurna yang sama dengan nilai aktual data (Yasin, Prahutama, & Utami, 2014).Tujuan algoritme SVR yaitu menemukan suatu garis pemisah atau yang disebut

  Proses sequential learning adalah proses yang terdapat dalam setiap perhitungan fungsi SVR. Salah satu metode yang digunakan untuk mendapatkan garis pemisah/hyperplane yang optimal dalam metode SVR adalah metode sequential yang dikembangkan oleh Vijayakumar. Berikut adalah langkah- langkahnya (Vijayakumar & Wu, 1999):

  ∗

  ], −

  ∗

  = ( ( , ) +

  2 ) , = 1, …

  (2)

  Dimana

  = matriks , = data ke − i , = data ke − j, = Variabel Skalar Parameter lambda (

  ∗

  = { [ ( − ), −

  = 0, Hitung matrik dengan Persamaan 2.

• – zone yang tebentuk makan akan

  = − ∑ (

  ∗ =1

  − ) (3) 2.

  1.

  2. Untuk setiap data training , = 1 sampai n dihitung:

  ) atau variabel skalar adalah menunjukan ukuran skalar untuk pemetaan ruang pada kernel SVR. (Vijayakumar & S. Wu, Si, 1999).

  3. Menghitung nilai error dengan Persamaan 3, kemudian menghitung nilai delta Alpha star dan delta alpha dengan Persamaan 4, dan menghitung alpha star dan alpha dengan Persamaan 5.

• – PMI Kota Malang terdapat dalam buku “Kota Malang dalam Angka ”. Data yang digunakan Mulai tahun 2010 sampai Tahun 2015. Sebanyak 60 data, yang merupakan jumlah permintaan darah dan komponen darah dalam perbulan mulai dari tahun 2010 hingga tahun 2014. Data tersebut akan dipergunakan untuk data latih dalam penelitian ini yang akan ditunjuukan pada Tabel

  ′ = Hasil prediksi atau hasil data peramalan pada indeks ke

  1 ∑ |

  = data sebenarnya (data aktual) pada indeks ke

  Data yang digunakan pada peneletian ini yaitu data permintaan darah dalam bentuk perbulan diperoleh dari Badan Pusat Statistik Kota Malang, yang telah di himpunnya dari Unit Tranfusi Darah Cabang

  (8) Dimana n = jumlah data uji,

  =1 × 100

  ′ − |

  Pengukuran nilai MAPE dipilih untuk menguji akurasi karena memberikaan hasil yang relatife lebih akurat (Nugroho & Purqon, 2015). Persamaan MAPE ditunjukan persamaan sebagai berikut (Setiyoutami, Anggraeni, & Kusumawardani, 2012) :

  =

  5. METODOLOGI

  Mean Absolute Percentage Error (MAPE).

  6. Menghitung nilai evaluasi kerja sistem dengan cara menentukan ukuran kesalahan, pada penelitian ini menggunakan salah satu cara menentukan ukuran kesalahan yakni

  = lagrange multiplier, = lagrange multiplier, = data ke − i , = data ke − j, = Variabel Skalar.

  Dimana ∗

  1. Kemudian untuk data uji sebanyak 12 data, yang merupakan permintaan darah dan komponen darah dalam bentuk perbulan pada tahun 2015.

  5.1 DATA PENELITIAN

• – i =1, 2, 3, …, l,
• – i =1, 2, 3, …, l,l = nilai banyaknya dimensi data.

4. KERNEL RADIAL BASIS FUNCTION (RBF)

  1 2 2 ) ( − ) (9)

  Dimana = data ke − i, = data ke − j, = parameter .

  Parameter sigma ( ) merupakan konstanta dari fungsi kernel Gaussian RBF untuk mengatur persebaran data kedalam dimensi fitur yang lebih tinggi (Furi, Jordi, & Saepudin, 2015).

  ( , ) = exp (−

  Untuk mendukung menyelesaikan permasalahakn non

• – linear dengan algoritme SVR, maka digunakan fungsi kernel. Untuk memecahkan masalah linear dalam ruang dimensi tinggi, yang harus dilakukan adalah mengganti inner product ( dan ) dengan fungsi kernel. Keunggulan dari penggunaan fungsi kernel ini yaitu mampu dapat berhubungan dengan ruang fitur berdimensi lebih tinggi tanpa perlu menghitung pemetaan dari secara eksplisit (Furi, Jordi, & Saepudin, 2015). Kinerja dari algoritme SVR ditentukan oleh jenis fungsi kernel yang akan digunakan dan pengaturan parameter kernel (Che, & Wang, 2014). Fungsi yang sering digunakan yakni fungsi kernel Radial Basis Function (RBF) Kernel dengan Persamaan berikut (Furi, Jordi, & Saepudin, 2015):
• Radial Basis Function (RBF) Kernel

  Pada Penelitian ini menggunakan normalisasi untuk mempermuda mengolah data. Menggunakan jenis normaliasi min

• – max Normalization cocok karena data yang digunkan pada penelitian adalah data yang non liner.

  Tujuan menggunakan normalisasi yaitu untuk merubah nilai data asli menjadi nilai yang

• – max Normalization. Setelah perhitungan normalisai

  5.3 PENGUJIAN

  pada poin ke 1 sampai poin ke 7 menggunakan data yang sama yakni data latih 60 yang diambil dari data permintaan darah dan komponen pada

  Regression , jumlah iterasi. Untuk pengujian

  Pada pengujian perlu dilakukan untuk mengetahui nilai parameter Support Vector

  7. Pengujian jumlah iterasi SVR.

  6. Pengujian nilai fitur data pada SVR.

  5. Pengujian nilai parameter ɛ (epsilon) SVR.

  4. Pengujian nilai parameter C (Complexity) SVR.

  3. Pengujian nilai parameter cLR (coefisien learning rate) SVR.

  2. Pengujian nilai parameter σ (sigma) SVR.

  1. Pengujian nilai parameter λ (lambda) SVR.

  uji coba yang akan dilakukan untuk mengevaluasi sistem yang dibuat, yaitu:

  support vector regression Adapun beberapa

  Perancangan ini dilakukan untuk menguji dan mengevaluasi hasil parameter untuk prekdisi permintaan darah dengan Algoritme

  Selnjutnya setalah mendapatkan nilai update alpha star dan alpha makan menghitung fungsi regresi f(x) dengan Persamaan 1. Kemudian setalah mendapatkan nilai fungsi regresinya maka sealnjutnya menghitung denormalisai, dan berikutnya menghitung nilai error rate dengan menggunakan Mean AbsoultePercentage Error (MAPE).

  diberikan nilai range antara 0 sampai 1 (Saranya, 2013). Rumus normalisasi min - max dijabarkan dalam Persamaan 2.1 berikut: (Fattahi, 2016)

  Learning berulang sampai kondisi terpenuhi.

  kemudian ini sialisai alpha star dan alpha dengan bernilai nol. Kemudian menghitung kernel RBF, didalam kernel RBF terlebih dahulu menghitung jarak dengan cara membandingakan data yang sudah tersusun oleh fitur data yang telah diinputkan, setelahmenghitung jarak menghitung kernel dengan Persamaan 9. Setelah menghitung kernel selanjutnya matrik (matriks Hessian) menggunakan Persamaan 2. Selanjutnya setelah mengitung matriks Hessian yakni menghitung nilai error, delta alpha star, delta alpha, serta menghitung update alpha star dan alpha yang termasuk dalam proses Sequetial

  dan di sususn sesuai fitur yang di inputkan. Fitur data disini merupakan data pada bulan sebelumnya. Setelah itu akan diproses normalisasi menggunakan min

  Support Vector Regression data diambil semua

  Pada parameter di algoritme ini peneliti yang menenetukan parameter- parameter tersebut yakni lambda, epsilon, cLR (coefiseien Learning Rate), C (complexity), sigma, jumlah fitur data dan jumlah iterasi. Pada implementasi algoritme

  Gambar 1 Diagram Alir Algoritme SVR

  Dimana = Hasil normaliasi data yang bernilai range, X = data asli atau data set, = data minimum dari data asli atau data set, = data maksimum dari data asli atau dataset.

  (9)

  Denormalisasi = ( ( − )) +

  = data minimum dari data asli atau data set, = data maksimum dari data asli atau data set. Setelah data dinormalisasi pada hasil akhir data hanya dalam range 0 sampai 1, untuk mengatahui data sebenarnya pada hasil akhir makan di perlukan denormaliasi. Denormaliasi yaitu proses mengembalikan data nilai hasil akhir normalisai ke data asli. Denormalisasi dalam Persamaan 9 berikut:

  (8) Dimana = Hasil normaliasi data yang bernilai range, X = data asli atau dataset,

  − = −

  =

5.2 SUPPORT VECTOR REGRESSION YANG DIIMPLEMENTASIKAN

  tahun 2010 hingga 2014, dan untuk data uji sebanyak 12 diambil dari data permintaan dan komponen darah pada tahun 2015. Serta parameter untuk pengujian selanjutnya akan dilakukan parameter yang terbaik dari pengujian sebelumnya.

6. HASIL DAN PEBAHASAN

  10

  40

  30

  20

6.1 Pengujian Pengujian Nilai Parameter

  λ) yang akan di

  15

  rate akan meningkat. Seperti pada nilai

  parameter sigma yang bernilai 1 mengalami

  sebelumnya. Nilai parameter lain yang dimasukan dalam pengujian ini peneliti terlebih dahulu menentukan nilai yang akan dimasukan, dan nilai parameter lambda (

  λ) yang diujikan sesusai dengan perancang

  solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai parameter lambda (

  lambda ( λ), terbaik sehingga bisa meghasil

  5

  10

  20

  sigma bernilai lebih kecil menyebabkan

  25

  30

  35

  40

  45

  50 N il ai MA PE

  Nilai Parameter Lambda Grafik Nilai MAPE pada Pengujian Nilai Parameter Lambda

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai parameter

  memberikan nilai persebaran datanya tidak sesuai dan berakibat nilai error rate meningkat. Sebaliknya nilai parameter sigma sesuai dengan variasi data bisa mengakibatkan nilai prediksi cukup bagus. Tetapi jika nilai parameter sigma terlalu besar menyebakan persebaran data semakin tidak seimbang sehingga nilai prediksi yang dihasilkan tidak sesuai dan nilai pada error

  MAPE yang terdapat pada nilai MAPE 4.04 dapat dinyatakan nilai MAPE sangat baik. Hal ini menujukkan bahwasanya nilai parameter

  masukan dalam pengujian ini sebagai berikut nilai parameter sigma = 0.5, nilai parameter

  10. Namun jika nilai parameter lambda terlalu besar akan menyebabkan proses learning tidak stabil sehingga nilai error ratenya meningkat. Dapat dilihat pada Gambar 2 seperti nilai parameter 15 sampai 50 proses learning tidak stabil sehingga nilai erro rate meningkat .

  epsilon = 0.00001, nilai parameter C = 10, nilai

  parameter cLR = 0.01, jumlah iterasi = 5000, jumlah fitur = 4.

  Parameter lambda ( ) atau variable skalar adalah menunjukan ukuran skalar untuk pemetaan ruang pada kernel SVR. Nilai parameter lambda semakin tinggi maka semakin baik nilai evaluasi yang diberikan, tetapi beresiko memiliki waktu komputasi yang lama.

  Karena disebabkan konvergensi yang melambat sering dengan proses learning yang kurang stabil (Vijayakumar, & Wu, 1999). Serta nilai parameter lambda akan menyesuaikan nilai

  sigma , nilai sigma merupakan parameter dari nilai konstanta kernel RBF Gaussian.

  Berdasarkan hasil pengujian, diperoleh nilai MAPE yang minimum adalah 4.04 dinyatakan dalam nilai parameter lambda yakni 10.

  Berdasarkan kriteria nilai MAPE 4.04 dapat dinyatakan nilai MAPE sangat baik. Hal ini menunjukan bahwa nilai parameter lambda dengan nilai parameter kecil bisa menyebabkan nilai penskalaan ruang pemetaan kernel kurang sesuai sehingga nilai error rate meningkat. Sebaliknya jika nilai parameter tinggi maka nilai penskalan ruang pemetaan kernel sesuai, sehingga nilai error rate bisa menurun dapat dilihat pada Gambar 2 pada nilai parameter

  lambda

  Gambar 2 Grafik Hasil Pengujian Parameter Lambda

  sigma yakni 0.5. Berdasarkan kriterian nilai

  6.2 Pengujian Nilai Parameter (Sigma)

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai parameter

  sigma ( σ), terbaik sehingga menghasil solusi

  atau nilai prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai parameter sigma (

  σ) yang diujikan sesusai dengan perancang

  sebelumnya. Data yang digunakan pada pengujian ini menggunakan data yang sama serta mengambil nilai parameter yang terbaik dari pengujian selanjutnya.

  (Lambda)

  sigma bernilai terlalu kecil maka kurva

  peramalan yang dihasilkan menjadi sangat halus dikurva peramalan yang terbentuk, namun jika terlalu besar maka kurva peramalanya dihasilkan sangat kasar (Kurniasih, Mariani, & Sugiman, 2013). Berdasarkan hasil pengujian yang telah dilakukan, diperoleh nilai MAPE yang minimum yakni 4.04 dinyatakan dalam nilai parameter

  Parameter sigma ( ) merupakan konstanta dari fungsi kernel Gaussian RBF untuk mengatur penyebaran data kedalam dimensi fitur yang lebih tinggi (Furi, Jordi, & Saepudin, 2015). Jika penigkatan cukup tinggi sampai sampai nilai parameter sigma bernlai 3.

3 N

  nilai parameter lambda = 10, jumlah iterasi = 5000, jumlah fitur = 4.

  Nilai Parameter cLR Grafik Nilai MAPE pada Pengujian Nilai Parameter cLR

  40 N il ai M A P E

  30

  20

  10

  Nilai Parameter Sigma Grafik Nilai MAPE pada Pengujian Nilai Parameter Sigma

  il ai M AP E

  20 0,01 0,05 0,1 0,5 1 1,5 2 2,5

  15

  10

  5

  Parameter C adalah batas penalti toleransi terhadap kesalahan peramalan, semakin besar nilai parameter C menjadikan model peramalan semakin tidak mentoleransi kesalahan sehingga memberikan nilai peramlan yang baik (Furi, Jordi, & Saepudin, 2015). Berdasarkan grafik pengujian pada Gambar 5 nilai MAPE terendah didapatkan pada parameter sigma bernilai 0.1. Hal ini menujukan bahwa nilai parameter C dengan nilai parameter yang besar mendapatkan nilai prediksi yang cukup baik. Penyataan tentang, semakin besar nilai parameter C menjadikan model peramalan semakin tidak mentoleransi kesalahan sehingga memberikan nilai peramlan yang baik (Furi, Jordi, & Saepudin, 2015), terbukti pada hasil pengujian dalam Gambar 5 dimana nilai parameter C mulai nilai parameter C bernilai 0.1 sampai nilai parameter C bernilai 200 memilki nilai error rate terkecil dan konstan. Pada Gambar 5 menunjukan nilai error rate menurun

  Gambar 3 Grafik Hasil Pengujian Paramater Sigma

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai parameter

  perancang sebelumnya. Data yang digunakan pada pengujian ini menggunakan data yang sama, serta mengambil nilai parameter yang terbaik dari pengujian selanjutnya. Nilai parameter lain yang dimasukan dalam pengujian nilai parameter complexity (C) sebagai berikut nilai parameter sigma = 0,5, nilai parameter

  Complexity yang diujikan sesusai dengan

  solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai parameter

  complexity (C), terbaik sehingga akan meghasil

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai parameter

  

6.4

Pengujian NIlai Paramter C ( Complexcity)

  Gambar 4 Grafik Hasil Pengujian Parameter cLR

6.3 Pengujian Nilai Parameter cLR

  4.04. Berdasarkan kriteria nilai MAPE 4.04 dapat dinyatakan nilai MAPE sangat baik. Hal ini menunjukan bahwasanya nilai parameter cLR dengan nilai minimum menghasilkan nilai prediksi yang cukup baik, namun apabila nilai cLR terlalu besar menghasilkan nilai error rate yang meningkat dan hasil prediksi yang buruk. Dikarena bahwa nilai regresi di pengaruhi oleh nilai alpha star dan alpha, sedangkan nilai alpha star dan alpha dipengaruhi oleh nilai gama. Apabila nilai gama keluar dari batas solusi maka, nilai gama tidak akan mendapatkan nilai alpha star dan alpha yang pas sehingga nilai akurasinya meninggkat.

  Parameter cLR marupakan konstanta laju pembelajaran, semakin kecil nilai cLR maka proses learning semakin lambat, tetapi nilai yang dihasilkan untuk peramalan lebih baik dan sebaliknya (Vijayakumar, & Wu, 1999). Berdasarkan pada pengujian yang telah dilakukan yang telah digambarkan pada Gambar 4, diperoleh nilai parameter cLR yang minimum dinyatakan pada parameter yang bernilai 0.01, nilia MAPE nilai parameter cLR 0.01 bernilai

  nilai parameter C = 10, nilai parameter lambda = 10, jumlah iterasi = 5000, jumlah fitur = 4.

  sigma = 0.5, nilai parameter epsilon = 0.00001,

  akan meghasil solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini.Nilai parameter cLR yang diujikan sesusai dengan perancang sebelumnya. Data yang digunakan pada pengujian ini menggunakan data yang sama serta mengambil nilai parameter yang terbaik dari pengujian selanjutnya. Nilai parameter lain yang dimasukan dalam pengujian nilai parameter cLR sebagai berikut, nilai parameter

  coefisien Learning Rate (cLR), terbaik sehingga

  epsilon = 0,00001, nilai parameter cLR = 0,01,

20 N

  3

  3,7 3,8 3,9

  4 4,1 4,2

  N il ai M A P E

  Nilai Parameter Epsilon Grafik Nilai MAPE pada Pengujian Nilai Parameter Epsilon

  5

  10

  15

  2

  4

  il ai M AP E

  5

  6

  7

  8

  9

  10

  11 N il ai M A P E

  Nilai jumlah Paramter Fitur Data Grafik Nilai MAPE pada Pengujian Parameter Jumlah Fitur Data

  Nilai Parameter C Grafik Nilai MAPE pada Pengujian Parameter C

  15

  10

6.5 Pengujian Nilai Parameter Ɛ (Epsilon)

  parameter sigma = 0,5, nilai parameter cLR = 0,01, nilai parameter C = 1, nilai parameter

  drastis ketika nilai C = 0,05 lalu mendapatkan nilai konstan saat nilai parameter C bernilai 0.1 hingga bernilai 200. .

  Gambar 5 Grafik Hasil Pengujian Parameter C

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai parameter

  epsilon ( Ɛ), terbaik sehingga akan meghasil

  solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai parameter epsilon (

  Ɛ) yang diujikan sesusai dengan perancang

  sebelumnya. Data yang digunakan pada pengujian ini menggunakan data yang sama, serta mengambil nilai parameter yang terbaik dari pengujian selanjutnya. Nilai parameter lain yang dimasukan dalam pengujian nilai parameter epsilon (

  Ɛ) sebagai berikut nilai

  lambda

  = 10, jumlah iterasi = 5000, jumlah fitur = 4.

  Parameter epsilon ( ) digunakan dalam mengatur batas kesalahan fungsi f(x), nilai tersebut menyelubungi nilai dari fugsi f(x) sehingga akan membentuk yang disebut daerah

  error - zone . Dan jika nilai f(x) melebihi error

  sebesar dari parameter C yang telah diatur (Furi, Jordi, & Saepudin, 2015). Berdasarkan grafik pengujian pada Gambar 6 nilai MAPE terendah didapatkan pada parameter sigma bernilai 0,01. Hal ini menunjukan bahwasanya nilai epsilon dengan nilai parameter kecil belum tentu memberikan nilai prediksi yang cukup baik. Hal ini akan bergantung pada nilai parameter

  Gambar 6 Grafik Hasil Pengujian Parameter Epsilon

  6.6 Pengujian Nilai Fitur Data Gambar 7 Garfik Pengujian Jumlah Fitur

  Pengujian parameter algoritme SVR dilakukan untuk menetukan nilai fitur data (prediksi di mulai pada bulan sebelumnya), terbaik sehingga akan meghasil solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai parameter fitur data yang diujikan sesusai dengan perancang sebelumnya yakni pada Bab 3. Untuk nilai rentang pada nilai parameter fitur data ini peneliti mengambil nilai rentang 2

• – 11 yang diurutkan serta akan diujikan pada pengujian fitur data. Dalam penelitian ini dilakukan sebanyak 6 kali dalam setiap kali pengujian dilakukan maka menggunakan data pengujian yang berbeda tetapi menggunkan nilai parameter yang sama. Nilai parameter lain yang dimasukan dalam fitur datasebagai berikut nilai parameter sigma = 0,5, nilai parameter epsilon = 0,01, nilai parameter
• – parameter yang lain. Nilai parameter epsilon bernilai kecil akan menyebabkan semakin banyak melakukan proses pembelajaran (learning training) serta lama menemukan solusi. Sedangkan nilai epsilon semakin besar nilai toleransi kesalahan mengakibatkan proses pembelajaran (learning training) akan menjadi singkat dan menyebabkan nilai error rate meningkat. Tetapi jika nilai epsilon terlalu besar menyebabkan pencarian solusinya keluar dari batas seperti nilai parameter epsilon 0,1.

  cLR = 0,01, nilai parameter lambda = 10, jumlah iterasi = 5000, jumlah Nilai C = 40.

  Hasil pengujian nilai MAPE semakin banyak untuk jumlah fitur yang digunakan belum tentu menjamin semakin kecil nilai error rate bernilai

  5

• – zone yang tebentuk makan akan dikenai penalti

6.7 Pengujian Jumlah Iterasi

  epsilon dan cLR cenderung besar menghasilkan

  Perbandingan Data Uji dan Hasil Prediksi Data Uji Hasil Prediksi

  2000 4000 6000

  iterasi sebanyak 5000 yang menggunakan data testing sebanyak 12 data. Hasil Nilai MAPE yang telah di hasil <10% dan dapat

  lambda = 10, sigma = 0,5, cLR = 0,01, C =0,1, epsilon = 0,01, jumlah fitur data = 4 dan jumlah

  Berdasarkan hasil pengujian yang telah dilakukan hasil nilai MAPE yang paling minimum yakni 3,899% dengan nilai parameter

  Absolute Percentage Error (MAPE).

  Hasil evaluasi kinerja pada algoritme Support Vector Regression untuk peramalan permintaan darah ini menggunakan Mean

  nilai error rate yang cederung baik. Namun untuk parameter sigma dan lambda jika bernilai terlalu besar rawan menghasilkan nilai MAPE yang tinggi.

  didapatkan Pengaruh masing

  kecil. Hal tersebut terjadi dapat terpengaruh nilai paramter algoritme SVR dalam memelajari jumlah fitur yang digunakan. Nilai parameter ang lebih sesuai dengan jumlah fitur 4 sehingga menghasilkan nilai prediksi yakni 3,899%. Berdasarkan kriteria nilai MAPE yang terdapat pada Tabel 2.2 nilai MAPE 3,899% dapat dinyatakan nilai MAPE sangat baik. Karena pada pola data pada saat fitur dat bernilai 4 pola data yang diambil secara umum tetap, tetapi jika nilai fitur data kurang atau lebih bernilai maka pola data yang diambil secara umu tidak tetap ataupun berbeda.

  RegressionI (SVR), beberapa kesimpulan yang

  Berdasarkan hasil pengujian dan analisis yang telah di laksanakan dalam melakakukan penelitian prediksi permintaan darah menggunakan algoritme Support Vector

   KESIMPULAN

  Gambar 9 Grafik Hasil Parameter optimum 7.

  Berdasarkan pengujian yang dilakukan terhadap 12 data uji yang telah ditentukan sebelumnya, tingkat kesalahan peramalan (MAPE) yang dihasilkan oleh sistem yakni 3.899%. Pada Gambar 9 ditunjukkan grafik perbandingan antara data uji dengan hasil peramalannya.

  6.8 Hasil Penerapan Parameter Optimum

  Berdasarkan grafik pengujian pada Gambar 8 nilai MAPE terendah didapatkan pada jumlah iterasi 5000. Serta semakin besar jumlah iterasi maka kemampuan observasi pola data pada algoritme SVR akan semakin bagus, namun jika jumlah iterasi terlalu besar maka kemampuan observasi pada pola datapun menjadi tidak stabil dan akirnya error rate akan meningkat. Terlihat pada Gambar 8 bahwa jumlah semakin besar semakin bagus nilai error rate, namun pada iterasi berjumlah 10000 mengalami penanjakan cukup signifikan dikarena jumlah iterasi terlalu besar dan observasi pada pola data menjadi tidak stabil pada akhirnya nilai error rate meningkat.

  Pengujian parameter algoritme SVR dilakukan untuk menetukan jumlah iterasi terbaik sehingga, akan meghasil solusi atau prediksi yang bagus dan tepat dalam kasus permasalahan ini. Nilai iterasi yang diujikan sesusai dengan perancang sebelumnya yakni pada Bab 3. Untuk nilai variasi pada nilai jumlah iterasi ini peneliti mengambil nilai dari 10, 50, 100, 500, 1000, 1500, 5000, 5500, dan 10000 yang ditentukan oleh peneliti. Nilai parameter lain yang dimasukan dalam pengujian jumlah iterasi sebagai berikut: nilai parameter sigma = 0,5 , nilai parameter epsilon = 0.01, nilai parameter cLR = 0,01, nilai parameter lambda = 10, jumlah fitur = 4, jumlah Nilai C =1.

  Gambar 8 Garfik Pengujian Jumlah Iterasi

• – masing parameter terhadap data peramalan permintaan darah menggunakan algoritme Support Vector Regression (SVR) sangat bervariasi. Nilai parameter lambda dan sigma yang bernilai kecil cenderung menghasilkan nilai prediksi yang baik, sedangkan nilai parameter complexity,

dikategorikan baik untuk memprediksi jumlah

  Algorithm In Estimation of Safety Factor For Circular Failure Slope . International Journal

  permintaan darah. Berdasarkan penelitian of Optimization in Civil Engineering, pp.63-

  prediksi permintaan darah menggunkan 75. algoritme Support Vector RegressionI (SVR)

  yang telah dilakukakan, beberapa saran yang Filho, O. S., Carvalho, M. A., Cezarino, W., diberikan untuk penelitian selanjutnya antara

  Silva, R., & Salviano, G.2013. lain, Menambahkan data untuk data latih dan

  DemandForecasting for Blood Components

  data uji sehingga mendapatkan prediksi yang

  Distribution of a Blood Supply Chain. 6th

  sesuai. Menambahkan metode lain yang cocok

  IFAC Conference on management and untuk prediksi serta menambahkan metode Control of Production andLogistics (pp. optimasi, sehingga dapat meningkatkan hasil 565-571). Fortaleza: ScienceDirect. prediksi dan menurunkan hasil error yang di

  Furi, R. P., Jordi & Saepudin, D., 2015. Prediksi hasilkan oleh sistem.

  Financial Time Series Menggunakan Independent Component Analysis dan 8.

DAFTAR PUSTAKA

  Support Vector Regression Studi Kasus : Badan Pusat Statistika Kota Malang. 2011

  IHSG dan JII. e-proceding of engineering,

  MALANG DALAM ANGKA : Malang City Volume 2 , p. 3610.

  In figures 2011. Malang: Badan Pusat Nugroho, N. A. & Purqon, A., 2015. Statistika Kota Malang.

  PROSIDINGSKF201516-17 Desember Badan Pusat Statistika Kota Malang. 2012

  2015Analisis 9 Saham Sektor Industri di

  MALANG DALAM ANGKA : Malang City Indonesia Menggunakan Metode SVR.

  In figures 2012. Malang: Badan Pusat PROSIDING SKF , pp. 295 - 300. Statistika Kota Malang.

  Rifandi, A. D. A., Setiawan, B. D. & Tibyani, Badan Pusat Statistika Kota Malang. 2013

  2017. Optimasi Interval Fuzzy Time Series

  MALANG DALAM ANGKA : Malang City

  Menggunakan Particle Swarm-Optimization In figures 2013. Malang: Badan Pusat

  Pada PeramalanPermintaan Darah: Studi Statistika Kota Malang. Kasus unit Tranfusi Daerah Cabang- PMI Kota Malang. Jurnal pengembangan

  Badan Pusat Statistika Kota Malang. 2014

  Teknologi Informasi dan Ilmu Komputer, MALANG DALAM ANGKA : Malang City

  Volume 2 No 7, p. 2770. In figures 2014. Malang: Badan Pusat Statistika Kota Malang.

  Rutherford, C., Cheng, S. Y. & Bailie, K., 2016.

  Evidence of Bullwhip in the Blood Supply Badan Pusat Statistika Kota Malang. 2015 Chain. ResearchGate, p. 1.

  MALANG DALAM ANGKA : Malang City

  In figures 2015. Malang: Badan Pusat Saranya, C., Manikandan, G., 2013. A Study on Statistika Kota Malang.

  Normalization Techniques for Privacy Preserving Data Mining. International

  Badan Pusat Statistika Kota Malang. 2016 Journal of Engineering and Technology.

  MALANG DALAM ANGKA : Malang City

  Vol. 5 No. 3, Juni-July 2013 In figures 2016. Malang: Badan Pusat Statistika Kota Malang.

  Setiyoutami,

  A., Anggraeni, W. & Kusumawardani, R. P., 2012. Prediksi

  Dubey, A. D., 2016. Gold Price Prediction

  Using Support Vector Regression and Jumlah Kunjungan Pasien Poli Bedah di

  ANFIS Models . International Conference on Rumah Sakit Onkologi Surabaya Computer Communication and Informatics.

  Menggunakan Fuzzy Time Series.

  Volume 1, pp.

  JURNAL TEKNIK ITS, Febriana, W. E. & Widodo, D. A., 2012.

  403-407

  Analisis Peramalan Kombinasi terhadap Jumlah Permintaan Darah di Surabaya (Studi

  Vijayakumar, S. Wu, Si, 1999. Sequential Kasus: UDD PMI Kota Surabaya). JURNAL Support Vector Classifiers and Regression.

  SAINS DAN SENI ITS, Volume 1, pp. 20-24.

  International Conference on Soft Computing. Genoa, Italy. pp.610-619. Fattahi, H., 2016. A Hybrid Support Vector

  Regression with Ant Colony Optimization Yasin, H., Prahutama, A., &Utami, Tiani W., 2014. Prediksi Harga Saham Menggunakan

  Support Vector Regression Dengan Algoritma Grid Search . Media Statistika,

  Vol. 7, No. 1, Juni 2014: 29-35